Immense Datenpools sind sowohl im Vertrieb als auch im Marketing heute die Regel. Um aus ihrer gewachsenen Größe auch mehr Umsatz zu erwirtschaften, müssen Unternehmen in Strategie und Einsatzbereitschaft investieren.
Wer Wirtschaftsinformationen einkauft, muss genau wissen, wozu. Denn Daten auf dem neuesten Stand zu halten, benötigt viel Zeit und Personalressourcen. Dabei sind Aktualität und Automatisierung die wichtigsten Werkzeuge für ein effizientes Datenmanagement. Wie helfen KI und Co. Unternehmen und Mitarbeitern bei der Datenanalyse?
Vertriebsmitarbeiter und Marketingmanager werten neben eigens erhobenen Daten auch extern dazugekaufte Informationen aus. Die daraus folgende Datenflut und den dazugehörigen Aufwand kennt jeder Mitarbeiter, der mit einem CRM-System arbeitet: Ihm liegen nun auch unnötige Informationen vor, die für ihn und die Firma irrelevant sind und zusätzlich sein System durcheinander bringen. Bei zielgerichteten Informationen hingegen kann der Mitarbeiter abschätzen, was der Ansprechpartner benötigt, sodass ihm die Kontaktaufnahme leichter fällt und Marketingmaßnahmen wie Mailings besser auf den Kunden abgestimmt sind. In Deutschland ändern sich allerdings täglich über 15.000 Firmenadressen und Zusatzinformationen, deren Aktualisierung die entsprechenden Mitarbeiter zu tragen haben. Die durchgängige Prüfung und Bearbeitung der Daten zu wichtigen Firmen und Entscheidern fordert mehr zeitliche und personelle Ressourcen, als den meisten Unternehmen zur Verfügung stehen. Nur ein angepasstes und tagesaktuelles CRM-System unterstützt Vertrieb und Marketing so effizient, dass die Vorteile der angesammelten Datenmenge überwiegen. Mensch, Maschine und Daten müssen sich dazu ergänzen.
Daten als Wertanlage
Vor dem tatsächlichen Einkauf von Informationen aus externen Quellen sollten Datenjongleure und Entscheider deren künftigen Nutzen konkret ausloten. Ist die Zielgruppe klar abzugrenzen oder liegt der Wunsch in der Ansprache neuer, noch unentdeckter Kundenpotenziale? Für undefinierte Zielgruppen ist ein reiner Datenkauf keine gute Wahl. Maßgeschneiderte Analysen etablierter Datenanbieter als Alternative helfen, nur relevante Kontakte ausfindig zu machen. Eine sogenannte Lead Score-Analyse errechnet pro Kontakt die Wahrscheinlichkeit eines Abschlusses und teilt ihm einen Wert zu.
Als Beispiel: Hans Muster erzielt mit seiner Scherenproduktion und 200 Mitarbeitern einen höheren Wert für einen E-Commerce-Betreiber als Thomas Meyer und sein Einmann-Locher-Betrieb. Unternehmen mit zu geringem Score sortiert der Analyst aus, um Vertrieb und Marketing nicht unnötig zu belasten. Zusätzlich fördert diese Auswertung neue Potenziale ans Licht. Reines Einbinden der neuen Daten ohne einen solchen Filter verursacht Informationsstau bis hin zu rien ne va plus für das CRM-System. Nur Informationen zu übernehmen, die die genaue Zielgruppe betreffen, ist daher empfehlenswert – besonders, wenn die entsprechenden Kontaktdaten das hauseigene zentrale Datenmanagementsystem ergänzen sollen. Data Hubs verbinden Adresspools und CRM-Systeme: Sie fassen alle vorhandenen Daten zusammen und erlangen selbst bei kleinen Unternehmen eine enorme Größe. Spezialteams bringen die nötige Expertise mit, um Aktualität und Korrektheit sicherzustellen. Beispielsweise erhöht Data Enrichment, also das Anreichern von Datensätzen mit zusätzlichen Informationen, den Wert der Daten, benötigt aber mehr Zeit, als ein übliches Marketingteam aufwenden kann. Datamining und Lead Scoring trifft dasselbe Schicksal; Datamining betitelt die Suche nach Vernetzungen in der ansteigenden Masse an Daten. Erst die Ergebnisse dieser Anstrengungen ermöglichen den benötigten Vorsprung. Technische Unterstützung erhalten Datenexperten durch neue Intelligenz.
KI und der Datensumpf
Ohne Daten keine KI: Wie wir aus Erfahrung lernen, entwickelt sich eine künstliche Intelligenz aus Daten, deren Verläufen und Vernetzungen. Sie bittet sozusagen um Datenfülle, um einen Existenzgrund vorzuweisen. Data Analytics ist eine gesonderte KI-Disziplin, die durch automatische Mustererkennung neue Kundengruppen und andere Potenziale für die Kundenansprache hervorbringt. Durch dauerhafte Überprüfung ihrer eigenen Resultate ermittelt die DA einen Algorithmus, der komplexe Muster identifiziert. Auch Predictive Lead Scoring unterstützt bei großen Datensammlungen: Maschinelles Lernen errechnet die Abschlusswahrscheinlichkeiten bei Kunden noch vor dem Lead Scoring. Vor jeder Implementierung und Inanspruchnahme von künstlicher Intelligenz in Unternehmen steht eine groß angelegte Konfigurierung der Betriebsprozesse. Wie umfassend die Automatisierung welcher Abläufe im Betriebsalltag sein soll, bestimmen Bedürfnisse, Größe und Budget.
Smart Data
Informationen müssen vor ihrer Kategorisierung und Klassifizierung nicht mehr zuerst gesammelt und gebündelt werden. Kluge Köpfe entwickeln Eingabepunkte, die erfasste Daten voranalysieren, gliedern und ihnen einen direkten Nutzen zuschreiben. Diese Echtzeitanalyse, die kein Analysesystem braucht, findet derzeit vor allem Anwendung im Internet of Things, also beispielsweise bei selbstfahrenden Autos, die auf eine sofortige Auswertung der sensorischen Informationen angewiesen sind. Von der schnellen Verarbeitung profitieren alle Bereiche mit hohem Datenaufkommen. Dass Spezialtools und -teams für diesen Prozess unabkömmlich sind, fällt spätestens bei der Implementierung auf. Ein Smart Data Analytics System bedarf menschlicher Unterstützung.
Von Bindung und Bildung
Datenmassen erfordern Intelligenz, ob sie nun von Menschen, einer KI oder den Daten selbst stammt. Schnelle Reaktion zur Bearbeitung und Gliederung, an der sich Vertrieb und Marketing orientieren, ist wichtiger denn je. Auch kleine und mittelständische Betriebe, deren Budget nicht für Datenmanagement-orientierte Fachkräfteteams ausreicht, benötigen Rat zur Informations-Instandhaltung. Besonders diese Unternehmen brauchen eine effektive und effiziente Möglichkeit diese Herausforderungen zu meistern. Für sie lohnt sich Hilfe von extern: Ein Wirtschaftsinformationsanbieter übernimmt diesen Job. Er beschäftigt Datenanalysten, um passende Zielgruppen und Ansprechpartner zu ermitteln, bringt zielgenaue und aussichtsreiche Ergebnisse durch multivariante Analyseverfahren und sorgt für weniger Arbeit, als bislang durch Kundeninformationen anfiel. Ohne Umbau der Betriebsstruktur oder teure Teambildungsmaßnahmen führen neue Daten zu schneller befriedigten Kundenbedürfnissen, entlasteten Vertriebsmitarbeitern und zielbewussten Marketingmaßnahmen.
