Ohne Effizienz und Compliance steht das Kundendatenmanagement auf wackeligen Füßen.
iStockphoto | iStockphoto
Während Unternehmen die digitale Transformation in vielen Geschäftsbereichen auf technologischer Ebene stemmen müssen, ist seit 2017 mit der EU-Datenschutzgrundverordnung (DSGVO) ein weiterer tiefgreifender Prozess angestoßen worden. Wer personenbezogene Daten sammelt, auswertet und speichert, steht nun auch in puncto Compliance unter Leistungsdruck. Gleichzeitig werden Kunden aufgrund des wachsenden Angebots an Produkten und Dienstleistungen immer anspruchsvoller. Personalisierung, allzeit bereiter Kundenservice und schnelle Online-Lieferungen beispielsweise entwickeln sich zunehmend von der Kür zur Pflicht. Damit wachsen auch die Anforderungen, die das Kundendatenmanagement in Vertrieb und Marketing zu erfüllen hat.
Genau hierbei hapert es nach Ansicht vieler Fach- und Führungskräfte: Einer Studie des Datenmanagement-Dienstleisters Uniserv zufolge halten zwei Drittel der Befragten ihr Kundendatenmanagement für nicht effizient genug. Im Vergleich zu den Studienergebnissen aus dem Vorjahr ist das ein Anstieg um mehr als die Hälfte. 46 Prozent stufen zudem die Qualität der gesammelten Kundendaten als niedrig oder sogar sehr niedrig ein. Der Wunsch zur Optimierung ist bei 57 Prozent so groß, dass sie kontinuierlich in dementsprechende Maßnahmen investieren. Dafür schlagen die meisten Unternehmen eher traditionelle, altbewährte Wege ein.
So setzen
- lediglich 17 Prozent dazu auf Künstliche Intelligenz (KI) und maschinelles Lernen (Machine Learning).
- Knapp zwei Drittel derjenigen Befragten, die die neuen Technologien nicht verwenden, haben das auch in Zukunft nicht vor.
Fehlendes Know-how und kein erkennbarer Bedarf sind dafür die am häufigsten genannten Gründe.
Scheu vor neuen Technologien
Holger Stelz, Mitglied der Uniserv-Geschäftsleitung, zeigt sich von diesem Studienergebnis alarmiert: "Fast möchte man den Umfrageteilnehmern, die sich noch nicht mit diesen Themen beschäftigen, zurufen: The Future is Now! Mittlerweile gibt es bereits zahlreiche Anwendungsszenarien für KI/Machine Learning – und wer sich jetzt noch nicht damit beschäftigt, muss damit rechnen, den Anschluss zu verlieren." Denn: Die Entwicklung zu einer global und digital orientierten Wirtschaft, die datengetriebene Unternehmen erfordert, ist längst in vollem Gange. Moderne Technologien wie KI und Machine Learning spielen im Zuge dessen eine zentrale Rolle.
Wie auch die Studie von Uniserv zeigt, sind KI und maschinelles Lernen jedoch mit großen Unsicherheiten behaftet, sodass Unternehmen aus Angst vor Fehlern lieber ganz darauf verzichten. Im Glauben, Daten gewissenhafter als Maschinen kontrollieren zu können, tritt dabei oft genau das ein, was man zu verhindern beabsichtigte: Fehler. Werden etwa Daten nicht korrekt in das System übertragen, hat das zum Teil schwerwiegende Folgen – etwa wenn Kunden nicht mehr identifiziert und Aufträge nicht mehr zugeordnet werden können. Intelligente Algorithmen sind imstande, Fehlerquellen zu identifizieren und selbstständig zu beheben.
Mehr Effizienz dank Predictive Analytics
Darüber hinaus lassen sich mittels KI wertvolle Zusammenhänge erschließen, die zukunftsweisende Prognosen (Predictive Analytics) ermöglichen. Im Idealfall formt sich so eine "360-Grad-Sicht" auf den Kunden. Im Customer-Relationship-Management (CRM), in dem sämtliche Kundendaten zusammenlaufen, steigert Automatisierung die Leistung gleich auf mehreren Gebieten, die Springer-Autor Ralf Klatt im Artikel "Künstliche Intelligenz belebt die Customer Journey" in der Zeitschrift Sales Excellence, Ausgabe 6/2018 auf Seite 50 vorstellt. Diese lauten zusammengefasst wie folgt:
- Vertriebsforecasts und -prognosen: Richtig eingesetzt unterstützen KI-Lösungen nicht nur durch wesentlich genauere Zahlen, sondern auch, indem sie sicherstellen, dass alle relevanten Daten berücksichtigt werden. Dies sichert Investionsentscheidungen ab und hilft dabei, die Bedürfnisse wichtiger Kunden zu priorisieren.
- Kundenservice: KI hilft zum Beispiel dabei, mehrere Tickets von Kundenvorgängen gleichzeitig zu verwalten und auf Kundenanfragen zu reagieren, die durch Self-Service-Optionen schnell und einfach gelöst werden können. KI kann aber auch im Reporting steuernd eingesetzt werden, um zu erkennen, wie einem Kunden am besten geholfen werden kann.
- Customer Journeys: Der Einsatz von KI hilft herauszufinden, welcher Schritt oder welche Aktion im Sinne einer positiven Customer Experience als nächstes eingesetzt werden soll und wie man den Kunden weiter durch den Verkaufsprozess führt.
Datenqualität verbessern
KI und Machine Learning bewirken jedoch keine Wunder, wenn die Datenbasis, auf die sie zurückgreifen, Qualitätsmängel aufweist. Denn ist das der Fall, "lernt" die Software falsch oder lückenhaft. "Daten strukturiert zu managen, ist eine Herausforderung für Unternehmen in der Zukunft. Dies ist kein ausschließliches IT-Thema, sondern Teil der Unternehmenskultur. Die Unternehmen müssen festlegen, welche Datenquellen welchen Erkenntnisgewinn für welche Unternehmensbereiche bringen", raten die Springer-Autoren Hartmut Biesel und Hartmut Hame im Buchkapitel "Datenmanagement – Grundlage für zukünftigen Markterfolg" (Seite 24). Die nachfolgende Grafik zeigt, wo Optimierungspotenziale für Unternehmen liegen:
Mangelnde Datenqualität entsteht meist aufgrund klassischer Fehler in der Datenpflege, hat aber viele Optimierungsmöglichkeiten.
Uniserv
Nachdem die Qualitätskriterien geklärt sind, muss der Datenbestand regelmäßig auf Vollständigkeit und Aktualität geprüft werden – allerdings möglichst nicht von wechselnden Mitarbeitern. Geklärte Verantwortlichkeiten sind hierbei elementar, denn sie verhindern, dass Chaos ausbricht. Zur Qualitätskontrolle und Datenbereinigung können die zuständigen Mitarbeiter auf spezialisierte Tools zurückgreifen. Der Erhalt und die stete Optimierung der Datenqualität sind damit ein fortwährender Prozess, der alle Abteilungen betrifft. "Jeder im Unternehmen ist für die Datenqualität verantwortlich", meinen auch Biesel und Hame (Seite 25).