wie man die datenqualität verbessert
Wie schlechte Datenqualität den Fortschritt der künstlichen Intelligenz behindert

Künstliche Intelligenz (KI) entwickelt sich im B2B-Vertrieb stetig weiter. KI verändert die Art und Weise, wie Kunden kaufen und somit wie Verkäufer arbeiten sollten.

Die Erfassung von Daten, ihre Qualität und die Quellsysteme, alle spielen eine zentrale Rolle bei der Implementierung von KI im Vertrieb. Schlechte Datenqualität mag schwer zu messen sein, aber sie hat eine zentrale Bedeutung bei der Anwendung und Ausführung von Systemen der künstlichen Intelligenz und Predictive Analytics Methoden.

Unabhängig davon, welche Rolle die Datenqualität spielt, sollten Unternehmen nicht lange warten, um mit KI im Vertrieb zu starten. Führungskräfte sollten damit anfangen, ihre verfügbaren Verkaufsdaten zu analysieren. Kein Datensatz ist perfekt. Sobald ein KI-System implementiert wurde, ist es einfacher zu erkennen, wo genau in die Datenqualität investiert werden soll.

Letztlich erfordert der Einsatz künstlicher Intelligenz im Vertrieb eine kontinuierliche Iteration und Verbesserung der Datenqualität.

Lassen Sie uns alle Konzepte nacheinander besprechen.

Künstliche Intelligenz: Welche Rolle spielt die Datenqualität für Investitionen in KI?

Die Datenqualität ist in KI von entscheidender Bedeutung. Viele der fortschrittlichsten KI-Techniken und ML-Algorithmen (Machine Learning) erfordern riesige Datenmengen. KI-Lösungen für den Vertrieb verbessern die Algorithmen, um neue Erkenntnisse zu gewinnen, wie z. B. Abwanderungsrisiken oder Cross-Selling-Verkaufschancen.

Für diese fortschrittlichen Analysemethoden ist die Datenqualität entscheidend. Schlechte Datenqualität in Analytics führt zu Leistungseinbußen. Häufig verlassen sich Business Intelligence und Big Data Analytics mehr auf die Quantität und Qualität der Verkaufsdaten als auf den spezifischen Algorithmus, der zur Durchführung der Analyse verwendet wird.

Vergessen Sie jedoch nicht, dass die Datenqualität Mittel zum Zweck ist. Im maschinellen Lernen kann man davon ausgehen, dass die analytischen Modelle das Boot sind, und die Daten der Wind. Natürlich brauchen Sie ein robustes und zuverlässiges Schiff, um zu segeln, aber Sie brauchen trotzdem noch den Wind.

CRM Datenqualität ist Mittel zum Zweck.

Außerdem gibt es keinen „guten“ oder „schlechten“ Wind, nein. Die Beurteilung der Datenqualität ist keine binäre Geschichte. Wie im Segelbeispiel wird man sehr unterschiedliche Kategorien an Winden haben. Mit anderen Worten, die Daten allein bestimmen nicht, wie wertvoll die Analyseergebnisse sein werden. Sie brauchen auch noch das richtige Boot für den verfügbaren Wind – und eine erfahrene Crew und Skipper.

Datenqualität ist für die künstliche Intelligenz im Vertrieb von entscheidender Bedeutung, wie für jedes andere maschinelle Lernen auch. Manager sollten sich jedoch darauf konzentrieren, wie relevant die Daten für die Methode oder den Algorithmus, die sie trainieren, sind.

Wie können Sie feststellen, ob die Qualität Ihrer Daten gut genug für die Analyse sind, die Sie durchführen wollen? Die beste Antwort ist eine Schätzung des ROI (Return on Investment) des gesamten Modells unter Berücksichtigung von Schwächen in der Datenqualität und eventuell erforderlichen Anpassungen.

Ich möchte mehr über Datenqualität und künstliche Intelligenz wissen.

KI im Vertrieb: Fangen Sie mit den Daten an, die Sie bereits haben

Die oben genannten Ideen bringen uns zu einem wesentlichen Thema im KI-Vertrieb. Kein Datensatz ist perfekt. Warten Sie nicht bis Sie vollständige und genaue Daten haben, um anzufangen, denn dann können Sie lange warten.

Betrachtet man noch einmal das Beispiel eines Segelboots, so bleibt man, wenn man perfekte Bedingungen für die Navigation erwartet, meist am Kai liegen.

Was Sie tun können, ist, mit den Daten (ERP, CRM), die Sie haben, zu beginnen, während Sie sich auf bestimmte Aspekte der Datenqualität konzentrieren, die für Ihr Datenanalysemodell relevant sind.

So hat uns ein Kunde beispielsweise in einem kürzlich durchgeführten Implementierungsprojekt für unsere Predictive Analytics Software drei Datensätze zur Verfügung gestellt: ERP-Verkaufstransaktionen, CRM-Aktivitäten und eine Datenbank mit dem Produktportfolio.

Wie verbessert man CRM und ERP Datenqualität? Priorisieren Sie fehlende Datenpunkte auf der Grundlage ihres Wertes.

Der ERP-Datensatz (Warenwirtschaft) enthielt rund 10.000 Verkaufstransaktionen pro Monat mit rund 500 Kunden. Es gab 3.000 CRM-Aktivitäten, darunter Account-Informationen über Kunden. Und schließlich befanden sich 2.300 Produkte in der Produktdatenbank, zusammengefasst in fast 30 Produktgruppen.

War die Datenqualität „gut“? Ja und nein. In diesem Projekt haben wir unsere Software eingesetzt, um Cross-Selling-Potenziale zu entdecken. Einige spezifische Aspekte der Datenqualität waren daher für das Predictive Analytics Modell von großer Bedeutung.

Die ERP-Verkaufstransaktionen wiesen einige Mängel auf, die hauptsächlich auf die Formatierung zurückzuführen waren. Formatierungsfehler sind etwas, das ein Algorithmus berücksichtigen kann. Die CRM-Daten waren gut genug – es fehlten bspw. Adressen.

Ein kritisches Thema war jedoch die fehlende Produktgruppe bei rund 15 % aller Artikel. Dieser Aspekt der Datenqualität hatte einen echten Einfluss auf die Performance des Modells.

Künstliche Intelligenz und Datenqualität: Verbessern Sie langsam und investieren Sie sinnvoll

Dem obigen Beispiel folgend, war aus mehreren Aspekten der Datenqualität nur einer für die Art der Datenanalyse, die unsere Predictive Sales Software durchzuführen versuchte, relevant.

In Zusammenarbeit mit unserem Kunden haben wir die Auswirkungen dieses spezifischen Aspekts der Datenqualität abgeschätzt und einige Korrekturmaßnahmen vorgeschlagen. Nachdem wir unsere ersten Modelle in Betrieb genommen hatten, verbesserte der Kunde den Produktdatensatz und wies sein Team an, neue Produkte ohne Angabe einer Produktfamilie nicht hinzuzufügen.

Richtig durchgeführte Datenwissenschaft ist immer ein iterativer Prozess. Das oben vorgestellte Beispiel fasst die drei minimalen Schritte zusammen, die Sie unternehmen müssen, um ein Sales AI-Projekt erfolgreich umzusetzen: Beginnen Sie mit den Daten, die Sie haben, suchen Sie nach Möglichkeiten zur Verbesserung des Modells auf der Grundlage der Datenqualität und investieren Sie dort, wo es notwendig ist.

Investitionen in Datenqualität können unterschiedliche Laufzeiten haben, denn die Messung und Definition der Datenqualität ist keine glasklare Sache. Es gibt mindestens vier Aspekte im Zusammenhang mit der Datenqualität, und Sie müssen möglicherweise in einen oder mehrere investieren.

KI im Vertrieb fordert eine kontinuierliche Bewertung der Datenqualität.

Die Qualität der für Ihr Werkzeug der künstlichen Intelligenz verfügbaren Verkaufsdaten kann durch Ihren Zugang zu Informationen (Systemzugang, Sicherheit, Stabilität), die Datenrepräsentation (Interpretierbarkeit, Verständlichkeit, Manipulierbarkeit, Integrität und Widerspruchsfreiheit), den Informationskontext (Relevanz, Zusatznutzen, Aktualität, Vollständigkeit, Informationsumfang) und seinen inneren Wert (Korrektheit, Objektivität, Glaubwürdigkeit, Reputation) definiert werden.

Sobald Ihr Sales AI-Tool seine ersten Ergebnisse liefert, definieren Sie, ob es oben genannte Aspekte der Datenqualität gibt, die weitere Investitionen erfordern könnten. Investieren Sie nur dort, wo Sie einen klaren Fall und einen schätzungsweise hohen ROI haben.

Warum Datenqualität der Schlüssel für erfolgreiche Predictive Analytics Methoden und KI ist – Fazit

Der Einsatz von künstlicher Intelligenz im Vertrieb hängt stark von der Datenqualität ab. Wenn die Datenqualität suboptimal ist, wird ein Unternehmen nicht den vollen Nutzen einer KI-Lösung bekommen.

Unternehmen sollten Maßnahmen ergreifen, um die Datenqualität zu messen und zu verbessern. Darüber hinaus, wo genau investiert werden sollte, sollte durch die KI-Analysemethoden definiert werden. Beispielsweise erfordert die prädiktive Preisgestaltung durch die KI Investitionen in die ERP-Datenqualität, während das Lead Scoring Verbesserungen in der CRM-Datenqualität erfordern könnte.

Unternehmen sollten nicht warten, bis sie die Probleme mit der Datenqualität gelöst haben, um mit der Verwendung von KI im Vertrieb zu beginnen. Der Output des KI-Systems wird die erforderlichen Investitionen in die Datenqualität auf das Notwendige einschränken. Diese Iteration wird sowohl die Daten als auch die KI-Lösung verbessern.

KI im Vertrieb fordert eine kontinuierliche Bewertung der Datenqualität. Führungskräfte sollten KI-Systeme als sich entwickelnde Einheiten betrachten, bei denen Verbesserungen in der Datenqualität bessere Ergebnisse und höhere ROIs bringen.

Künstliche Intelligenz (KI) wird im Vertrieb zum Mainstream und definiert die Anforderungen an die Datenqualität. Kontaktieren Sie uns für ein ausführliches Gespräch über Ihre Datenbedürfnisse.

Ich möchte heute beginnen!

Kostenloses eBook zum gratis Download: Predictive Analytics – Was es ist und wie Sie beginnen können

Predictive Analytics: Methoden, Daten und Ideen aus der Praxis

Downloaden Sie jetzt das kostenlose eBook.


  • Wir verwenden diese Daten nur zur Beantwortung Ihre Anfrage. Hier können Sie unsere Datenschutzerklärung finden.

eBook Predictive Analytics was es ist und wie sie beginnen


Literaturnachweis:

Thomas C. Redman (2018). „If Your Data Is Bad, Your Machine Learning Tools Are Useless“ – Harvard Business Review

Victor Antonio (2018). „How AI Is Changing Sales“ – Harvard Business Review

MIT Total Data Quality Management (TDQM)

Weitere interessante Beiträge zu diesem Thema:

„Jedes Unternehmen ist ein Datenunternehmen“. Eine Datenstrategie für B2B Predictive Sales Analytics

Wie viele Daten benötigen Sie für die Implementierung von Predictive Analytics?

https://qymatix.de/de/interne-daten-predictive-analytics/



Ein Kommentar

Schreibe einen Kommentar