Sind Ihre Kundendaten bereit für KI?

Laut Forschungsergebnissen von Salesforce verbringen Vertriebskräfte nur ein Drittel ihrer Zeit damit, tatsächlich zu verkaufen. Stattdessen verwenden sie 40 % ihrer Zeit auf Tätigkeiten wie manuelle Eingabe von Verkaufsinforationen, Erstellung von Angeboten oder Vorschlägen und administrativen Aufgaben. Diese Tätigkeiten lenken vom Aufbau von Beziehungen ab und führen zu Ineffizienzen im Zyklus vom Angebot bis zur Bezahlung (Quote to Cash – QTC). Der QTC-Zyklus ermöglicht den gesamten Verkaufsprozess – vom Erwecken des Interesses eines Käufers bis hin zum Erzielen von Umsätzen aus einem Kauf. Doch der Weg wird oft durch isolierte Technologien, unzusammenhängende Teams (Vertrieb, Marketing, Rechnungswesen, Support) und überholte Prozesse behindert. 

Hierbei kommen Künstliche Intelligenz (KI) und andere vorausschauende Frameworks zur Hilfe. Diese Technologien zum Vertriebszyklus hinzuzufügen, kann den Weg zum Verkaufsabschluss verkürzen, die Qualität der Vertriebs-Pipeline verbessern, umfassende Erkenntnisse über Interessenten vermitteln und Vertriebs- und Support-Mitarbeitern mehr Zeit für den Beziehungsaufbau geben. Laut Gartner sorgt KI für bis zu 30 % höhere Konversionsraten bei der Interaktion mit Leads. Und die Prognose der Harvard Business Review lautet, dass KI in der Marketing- und Vertriebskette mehr als 2 Billionen $ Mehrwert schaffen kann. In der Zeit, die eine Vertriebskraft für die stundenlange Recherche und Überprüfung eines einzelnen potenziellen Kunden benötigt, können KI-unterstützte Automatisierungstools Tausende von potenziellen Kunden auswerten und organisieren. So können sich Mitarbeiter auf den Vertrieb statt auf die Recherche konzentrieren. 

Was könnte trotz dieser vielen Vorteile misslingen? 

Wenn die der KI zugrunde liegenden Daten isoliert, verzerrt, fehlerhaft oder unvollständig sind, ist die KI nutzlos. Sie kann nicht die richtigen Erkenntnisse liefern und womöglich gar das Gegenteil bewirken, da sie fehlerhafte Schlussfolgerungen zutage fördert, die dem Vertriebsprozess im Weg stehen, statt ihn voranzutreiben. 

Der Erfolg von KI und anderen vorausschauenden Frameworks ist von der Richtigkeit der Daten abhängig. Je fehlerhafter die eingespeisten Daten, desto fehlerhafter die Erkenntnisse. Ohne eine solide Integration zwischen Anwendungen und zuverlässigen Daten sind jegliche Versuche, diese Frameworks für den Vertriebszyklus zu nutzen, zum Scheitern verurteilt. Damit die Algorithmen einen spezifischen Trend analysieren oder eine intelligente Empfehlung geben können, benötigen sie Zugang zu möglichst vielen zuverlässigen Daten. Bis zu 80 % der Arbeit an einem KI-Projekt konzentriert sich auf die Erfassung, Bereinigung und Vorbereitung von Daten. 

Richtig integrierte, saubere Daten, die von KI-Funktionen unterstützt werden, können jedoch bedeutende Auswirkungen auf Vertriebsumsätze haben. Die Fluggesellschaft KLM erzielte zusätzliche Umsätze in Millionenhöhe, indem sie KI-Frameworks verwendete und Mitarbeitern damit mehr Zeit gab, Kunden beim Buchen von Upgrades und neuen Flügen zu unterstützen. Caesars, die Hotel- und Casino-Gruppe, nutzt KI zur Analyse der potenziellen täglichen Ausgaben von Kunden, um Interaktionen und Werbeaktionen zu konfigurieren und zu priorisieren. Und für ihre Hotelgäste reduzierten vorausschauende Kundenservice-Tools die Anrufe an der Rezeption um 30 %. Netflix meldet, durch Verwendung einer KI-unterstützten Empfehlungsmaschine 1 Milliarde $ pro Jahr zu sparen, da hierdurch Abonnementstornierungen vermieden werden. Die Grundlage aller dieser KI-Erfolge ist nicht nur die Anwendung der KI-Technologie, sondern auch die Qualität der zugrunde liegenden Kundendaten und die privaten, öffentlichen oder Hybrid-Cloud-Umgebungen, in denen die Daten aufbewahrt werden. 

Legen Sie auf dem Weg zu Ihren KI-Ambitionen klare Erfolgsfaktoren fest. Wägen Sie die Branchen-Benchmarks, Risiken und Unternehmensanforderungen sorgfältig ab, um eine Orientierung zu schaffen, was als Erfolg zählt. Denken Sie daran, dass Branchen-Benchmarks nichts weiter als Benchmarks sind. Nutzen Sie sie als Leitfaden für Ihre Schritte, aber nicht als zwingende Anweisung. Benchmarks können nur bestätigen, dass Sie tun, was alle anderen tun, aber nicht, wie dies auf Ihre Unternehmensziele ausgerichtet ist. Abhängig von den Risiken bei Ihrem KI-Einsatz könnte es von Nachteil sein, den Benchmarks zu strikt zu folgen. Wenn Ihre KI-Anwendung beispielsweise mit lebensbedrohlichen Prozessen verbunden ist, wie im Gesundheitswesen oder bei selbstfahrenden Autos, stimmen Ihre eigenen Benchmarks möglicherweise nicht mit denen der Branche überein, berücksichtigen jedoch die zusätzliche Sorgfaltspflicht und die Risiken, um Verletzungen vorzubeugen. 

Lassen Sie sich von fehlerhaften Daten nicht von Ihrem KI-Weg abbringen 

KI arbeitet problemlos mit schlechten Daten und gibt ebenso problemlos schlechte Ergebnisse aus. Stellen Sie vor der Planung Ihrer KI-Initiativen daher sicher, dass Ihre vorhandenen Daten dazu bereit sind, für umfassende Verarbeitungsfunktionen genutzt zu werden. 52 % der CRM-Daten sind fehlerhaft. Von veralteten Systemen, die geschäftskritische Daten enthalten, über Überbleibsel aus Fusionen und Übernahmen bis hin zu mangelhaften Daten, die Platz beanspruchen, kann die Eingrenzung und Organisation von Daten innerhalb der einzelnen Systeme eine Herausforderung darstellen. 

Sollten Sie also Ihre bereits erfassten Daten bereinigen oder ganz von vorn beginnen? KI lebt von riesigen Datenmengen. Um aussagekräftige Erkenntnisse zu gewinnen, benötigen Sie mindestens 10.000 Datenpunkte. Experten sind sich über die Zehner-Regel einig: Für jeden gemessenen Datenpunkt benötigen Sie 10-mal mehr Daten, um eine nützliche Schlussfolgerung ziehen zu können. Von vorn zu beginnen und Zehntausende saubere Datenpunkte zu sammeln, ist vermutlich unpraktisch und bedeutet zudem, dass sie die reichhaltigen Datensätze ignorieren, über die Sie bereits verfügen. Auf den ersten Blick wirkt es vielleicht wie eine überwältigende Aufgabe, aber die Arbeit, die Sie jetzt in die Bereinigung Ihrer Daten investieren, wird später zu präziseren Erkenntnissen führen. 

Einer der größten Übeltäter im Bereich mangelhafte Daten sind duplizierte Datensätze. Es gibt verschiedene Tools, die von Drittanbietern erhältlich oder in Apps integriert sind, um Daten zusammenzuführen und Duplikate zu identifizieren. Um die von Ihrem Vertriebsteam genutzten Daten weiter zu optimieren, integrieren Sie einen Prozess zur Archivierung inaktiver Datensätze. Und wenn Sie dies noch nicht getan haben, standardisieren Sie Ihre Dateneingabepraktiken. Je mehr Sie die Variablen ändern, desto weniger wertvoll sind Ihre Daten für die Analyse. Schlecht formatierte Daten fließen möglicherweise nicht in Such- und andere Datenerfassungsfunktionen ein. Geben Sie Benutzern Eingabeaufforderungen oder Anleitungen zur Formatierung von Kundennamen, Adressen, Produktinformationen und anderen wichtigen Daten. Und wenn Sie Ihre Anwendungsdaten komplett überprüft und bereinigt haben, legen Sie einen regelmäßigen Wartungsplan fest, um die laufende Datenhygiene zu gewährleisten.

Den richtigen Ansatz für die Integration finden

Im 2019 Data Science and Machine Learning Market Study Report (Marktforschungsbericht über Datenwissenschaft und maschinelles Lernen 2019) gaben 40 % der Marketing- und Vertriebsteams an, dass KI und maschinelles Lernen entscheidend für ihren Erfolg seien. Einer der besten Wege, einen vollständigen Überblick über Ihre Kundendaten zu erhalten, ist die Integration Ihrer Front-End-Systeme (CRM) und Back-End-Systeme (ERP). Indem Sie Ihre vorhandenen ERP- und CRM-Systemdaten integrieren, können Sie ein Daten-Repository erstellen, das die Basis für zukünftige KI-Initiativen bildet. Hier sind vier gängige Verfahren, um eine engere Integration zwischen ERP und CRM zu erreichen, vom komplexesten bis zum effizientesten:

1. Drehstuhl: Bei diesem manuellen Prozess muss eines Ihrer Teammitglieder Daten manuell von einem System in ein anderes übertragen.
2. Erstanbieter-Tools: Diese Methode stützt sich auf verschiedene Funktionen und Optionen, die in einer oder mehreren Apps auf Ihrem QTC-Pfad enthalten sind. 
3. Punkt-zu-Punkt-Integration: Diese Integrationsmethode nutzt APIs, um Ihre Systeme direkt zu verbinden und Daten zu teilen und zu nutzen. 
4. Middleware-ETL: Von Ihnen gehostete und gewartete Server ermöglichen den Austausch von Daten zwischen Softwares und Anwendungen. 

Alle diese Optionen sind mit Kompromissen zwischen Komplexität, Effizienz und Kosten verbunden. Sich vor der Anwendung von KI-Frameworks mit der Datenhygiene auseinanderzusetzen, erhöht die Wahrscheinlichkeit, dass Sie die Fähigkeiten von vorausschauenden Technologien voll ausschöpfen können, damit Vertriebs- und Supportmitarbeiter sich ganz darauf konzentrieren können, Beziehungen aufzubauen und Umsätze zu erwirtschaften.

Join the Conversation: Find Solve on Twitter and LinkedIn, or follow along via RSS.

Stay on top of what's next in technology

Learn about tech trends, innovations and how technologists are working today.