Intelligent Data Management von Stella Bürgisser.
Intelligent Data Management: Mit der Digitalisierung haben sich für Marketing und Vertrieb eine Vielzahl von neuen Kanälen, Zielgruppen und Werbeformate geöffnet, welche aber auch Herausforderungen mit sich bringen. Unmengen an Werbe- und Markenbotschaften fließen täglich auf uns ein und können kaum noch verarbeitet oder wahrgenommen werden. Durch diese Reizüberflutung können die Konsumenten eine Art „Werbeblindheit“ entwickeln. Wie können Unternehmen also weiterhin aktiv ihre Zielgruppe erreichen und nachhaltig deren Aufmerksamkeit gewinnen? Was hat das Ganze nun mit künstlicher Intelligenz im Bereich Intelligent Data Management zu tun?
Unternehmen werden vor die Herausforderung gestellt, personalisierte Inhalte zu erstellen und Streuverluste zu minimieren, da die Konsumenten heutzutage aufgrund der intensiven Nutzung von digitalen Medien Informationen schneller verarbeiten können. Hierbei bietet die Nutzung von Künstlicher Intelligenz, insbesondere Maschinelles Lernen, ein großes Potenzial im Marketing. Studien zeigen, dass der Einsatz von Künstlicher Intelligenz, besonders für die Personalisierung im Marketing und Verkauf, als vielversprechend betrachtet wird. Durch die Analyse vorhandener Daten können Algorithmen Muster erkannt werden, womit im weiteren Verlauf der Inhalt generiert wird. Beispiele für die Anwendung sind die Analyse von Kundendaten, Bildung der Kundensegmente oder die automatisierte Ausspielung passender Inhalte. Um einen maximalen Einfluss zu erzielen, werden ebenfalls Kanal und Zeitpunkt berücksichtigt.
Der Einsatz von KI-basierten Verfahren wird im E-Commerce für Dynamic Pricing, Kundengespräche via Chatbots und individuelle Produkteempfehlungen immer häufiger eingesetzt.
Die zentrale Voraussetzung für den erfolgreichen Einsatz von KI-basierten Verfahren, insbesondere dem Maschinellen Lernen, ist nicht nur eine ausreichend große Datenmenge, sondern auch die Qualität der verwendeten Daten. Kunden-, Kontakt- und Adressdaten erhalten in solchen Projekten maßgeblichen Einfluss auf das Ergebnis und den Erfolg des Verfahrens. Intelligent Data Management und KI-Algorithmen bringen nur dann einen Nutzen, wenn die Datenbasis, die ihnen zum Lernen zur Verfügung gestellt wird, auch qualitativ hochwertig ist. Ein Algorithmus, der auf fehlerhafte Daten trainiert wurde, verhält sich nach dem Prinzip „Garbage In – Garbage Out“, sprich es werden entweder keine oder falsche Rückschlüsse gezogen.
Maschinelles Lernen sowie KI-basierte Verfahren ermöglichen vielseitige Einsatzmöglichkeiten im Bereich der Kundendatenbewirtschaftung.
- Kundendaten effizient und in hoher Qualität erfassen und anreichern
- Datenpflege, Datenzusammenführung und -konsolidierung, um eine hohe Datenqualität über den gesamten Lebenszyklus der Daten zu gewährleisten
- Sicherer Umgang am Ende des Lebenszyklus der sensiblen Daten
- Besserer Zugang und Nutzen der Kundendaten
Die Datenqualität ist entscheidend für eine erfolgreiche Implementierung von Künstlicher Intelligenz oder Machine Learning. Jedoch stellt die Identifizierung personenbezogener Daten und Unternehmensdaten, insbesondere bei umstrukturierten Daten, eine große Herausforderung dar. Gleichzeitig bieten die automatisierten Anwendungen enormes Potenzial im Intelligent Data Management und ermöglichen es, Kundendaten intelligent zu managen. Die hohe Menge an Daten ist heute kaum noch ohne KI- oder maschinelle Lernverfahren zu managen. Im Jahr 2023 hatte nahezu jede Person, die sich in der digitalen Welt bewegt, bereits Interaktionen mit KI-Systemen. Diese können auch unbemerkt im Einsatz sein, wie beispielsweise ein gut programmierter Chatbot oder eine automatische Telefonanlage.
Datenschutzbestimmungen sowie die DSGVO schreiben seit 2021 eine angemessene Verwaltung von personenbezogenen Daten vor. Die datenschutztechnischen sowie ethischen Kriterien sollten immer an erster Stelle stehen, auch wenn KI-Systeme mit innovativen und vielversprechenden Möglichkeiten locken. Um Daten nutzbar zu machen, sollte zuerst der verantwortungsbewusste Umgang damit selbstverständlicher gemacht werden.
Für den effektiven Umgang mit Daten sind Data Governance sowie Datenmanagement essenziell. Intelligent Data Management definiert die Gesamtheit von Verantwortlichkeiten und Entscheidungsprozessen, die darauf abzielen, die Qualität der Stammdaten zu managen. Im Vergleich hat das Datenmanagement eine ausführende Funktion, während Data Governance eine überwachende Rolle einnimmt. Zur Messung und Bewertung der Datenqualität werden Dimensionen wie Korrektheit, Vollständigkeit, Konsistenz, Aktualität und Verfügbarkeit verwendet.
Denkwerkstatt Sales Excellence
Der Erfolg der Künstlichen Intelligenz liegt nicht allein in der Datenmenge, sondern in der Machbarkeit des Nutzens. Kleine Schritte können große Erfolge bringen, indem an einer Stelle gestartet wird, Potenziale aufgedeckt und nutzbar gemacht werden. Dadurch wird der natürliche Umgang mit Daten gefördert und das Vertrauen gesteigert, um fundierte Entscheidungen zu treffen.
Es ist wichtig, den tatsächlichen Wert des Nutzens zu bewerten und die begonnenen Prozesse schrittweise zu integrieren und fortzuführen.
Im Bereich des Vertriebs ermöglicht die Automatisierung verschiedener Prozesse einen einheitlichen sowie vereinfachten Ablauf und kann die Kundenzufriedenheit steigern. Ein konkretes Beispiel: die Firma XY hat sich dazu entschieden, einen neuen „on Boarding“ Prozess für Neukunden im Bereich Fachhandel einzuführen. Dieser Prozess soll verschiedene Mailings auslösen, nachdem sich ein Kunde zum ersten Mal online registriert hat.
Schritt für Schritt wurde ein Projekt ausgearbeitet, das alle Prozessphasen ineinandergreifen lässt und wie folgt implementiert wurde:
Bereits abgeschlossene Schritte:
- Im ersten Schritt wurde der gewünschte Prozess analysiert und definiert. Welches Mail soll zu welchem Zeitpunkt an welchen Kunden versendet werden. Welche Ziele möchte die Firma XY mit diesem Prozess erreichen. Welche Ressourcen werden für die Umsetzung der Automatisierung benötigt (beispielsweise Verkauf, IT, Marketing).
- Die Daten, die im ersten Schritt definiert wurden, wurden geprüft. Sind diese Daten relevant für den on Boarding Prozess und bereits bestehend oder benötigt es zusätzliche Implementationen.
- Die Umsetzungsmöglichkeiten mit integriertem Intelligent Data Management wurden durch Spezialisten des bereits bestehenden CRM-Programms geprüft.
- Sind die Vorgaben des CRM-Systems für allfällige Implementationen geeignet oder benötigt es entsprechende Anpassungen. Potenzielle Fehlerquellen sowie fehlende Daten wurden an die Firma XY zurückgemeldet.
- Die Fehlerquellen sowie fehlenden Daten wurden in Zusammenarbeit mit dem Sales Team der Firma XY sowie den externen Spezialisten geprüft, angepasst und implementiert.
- Die verschiedenen Mailings wurden von der Marketingabteilung aufgesetzt und zum Versand vorbereitet.
- Testläufe wurden von den externen Experten durchgeführt und mit dem Sales Team geprüft und optimiert.
- Ein Projektleiter wurde definiert, welcher die Verantwortung für die Weiterentwicklung, Schulungen und First Level Support bei Fehlern hat.
Offene Schritte:
- Die Implementierung der Automatisierung wird nach Ablauf der Testphase durchgeführt. Die Testphase ist abgeschlossen, sobald der Versand der Mailings mit vollständiger Korrektheit durchgeführt werden kann. Kundendaten wurden vollständig überprüft und können für zukünftige Projekte optimiert und genutzt werden.
Podcast SalesX & Innovation
Die Vorteile der Automatisierung des on Boarding Prozess bietet viele Vorteile:
- die Interaktion der verschiedenen Abteilungen wird gefördert
- manuelle Prozesse werden vermieden und steigern somit die Effizienz
- der Prozess ist konsistent und standardisiert für Kunden als auch Mitarbeiter
- Fehlerquellen werden auf ein Minimum reduziert
- notwendige Compliance-Anforderungen können sichergestellt werden
- reibungsloser on Boarding Prozess was zu einer besseren Customer Journey beiträgt
Fazit des on Boarding Projekts:
Durch die intensive Vorbereitungszeit konnten viele bereits bestehende Fehler im CRM behoben werden. Die Fehler reichen von unterschiedlichen Schreibweisen im Vergleich zum Handelsregister, zu fehlenden Mailadressen oder mangelhafter Anrede bis zu Kunden, die trotz Firmenschließung noch aktiv sind. Durch die Automatisierung können bereits im Hintergrund Vorbereitungen für weitere Projektimplementationen getroffen werden, wie zum Beispiel Verkaufsprognosen, Priorisierung von Leads, Verhaltensmuster oder weitere Marketing- und Verkaufsmaßnahmen. Die Zusammenarbeit der verschiedenen Abteilungen ist essenziell. Es benötigt Geduld und Commitment der Mitarbeiter sowie des Managements.
Langfristig wird durch jede Automatisierung Prozesssicherheit sowie Einheitlichkeit sichergestellt und kann der Firma XY einen Wettbewerbsvorteil verschaffen, da die Konzentration auf den Verkauf anstelle von zeitaufwändigen, manuellen Aufgaben gelegt werden kann.
