Schwerpunkte

Data Analytics

Vom Datenpool zum Mehrwert

15. Juni 2020, 13:20 Uhr   |  Autor: Alexander Hiller / Redaktion: Sabine Narloch | Kommentar(e)

Vom Datenpool zum Mehrwert
© Pop Nukoonrat | 123rf

Datenpools sind sowohl im Vertrieb als auch im Marketing heutzutage die Regel. Um aus ihrer gewachsenen Größe auch mehr Umsatz zu erwirtschaften, müssen Unternehmen in Strategie und Einsatzbereitschaft investieren. KI und Co. können dabei helfen.

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 sowie zusätzlich sein System durcheinanderbringen. Bei zielgerichteten Informationen hingegen können Vertriebsmitarbeiter oder Marketingmanager abschätzen, was der potenzielle Kunde benötigt, sodass 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. Stattdessen können maßgeschneiderte Analysen von Datenanbietern 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 neues Potenzial ans Licht. Reines Einbinden der neuen Daten ohne einen solchen Filter verursacht Informationsstau bis hin zum Absturz des CRM-Systems.
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. Spe-zialteams 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; das 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. 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 Data Analytics 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.

Informationen müssen vor ihrer Kategorisierung und Klassifizierung nun nicht mehr zuerst gesammelt und gebündelt werden. Stattdessen werden Eingabepunkte entwickelt, 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; beispielsweise bei selbstfahrenden Autos, die auf eine sofortige Auswertung der sensorischen Informationen angewiesen sind. Von der schnellen Verarbeitung profitieren alle Bereiche mit hohem Datenaufkommen.

Festzuhalten bleibt: 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 Informationsinstandhaltung. Hier können externe Anbieter von Wirtschaftsinformationen  ein gangbarer Weg sein.

Alexander Hiller ist Geschäftsführer von Databyte

Auf Facebook teilenAuf Twitter teilenAuf Linkedin teilenVia Mail teilen

Das könnte Sie auch interessieren

Serverless Computing benötigt passendes Monitoring
Virtuelle Maschinen versus Container
Neue Softwareversion sorgt für modernes Benutzererlebnis
Mehr Effizienz für  den IT-Service

Verwandte Artikel

funkschau