Von Gastautor Holger Stelz ist Director Marketing & Business Development bei Uniserv
EU-Datenschutzgrundverordnung (DSGVO), Digitalisierung und wachsende Kundenansprüche treiben den Wandel im Kundendatenmanagement unaufhaltsam voran. Unternehmen stehen nicht nur strengeren rechtlichen Regeln im Umgang mit personenbezogenen Daten und wachsenden technischen Anforderungen gegenüber, sondern müssen sich auch gegen eine zunehmend digitalisierte Konkurrenz durchsetzen. Laut einer aktuellen PWC-Studie fürchten immer mehr Firmen, Marktanteile an technisch besser aufgestellte Wettbewerber zu verlieren. Dabei fehlt auch oft das Zutrauen in die eigenen digitalen Fähigkeiten.
Ansprüche der Kunden wachsen
Der moderne Kunde ist mittlerweile ganz schön verwöhnt. Services wie Same-Day-Delivery beim Online-Shopping oder maßgeschneiderte Angebote sind heute selbstverständlich. Schlägt eine personalisierte Ansprache fehl und einem Mann werden beispielsweise Damenhygieneartikel angeboten, kann das den Kunden verärgern. Ebenso, wenn ein Paket mehrfach nicht zugestellt werden kann, weil die Adresse falsch ist oder der Kunde nicht die Möglichkeit hat, die Lieferzeit seinen Wünschen entsprechend einzugrenzen. Solche Fehler lassen sich meist auf eine mangelhafte Datenbasis zurückführen – oder auf menschliches Versagen wie Tippfehler.
Auf automatisierte Abläufe setzen und digital nachrüsten
Um Kunden nicht zu verlieren, sollten Unternehmen, die dauerhaft wettbewerbsfähig bleiben wollen, ihre Prozesse und ihre IT-Infrastruktur auf die veränderten Bedingungen einstellen und ihr Kundendatenmanagement zukunftsfähig machen – mit den Möglichkeiten der künstlichen Intelligenz (KI) und Machine Learning, quasi als weiterer logischer Schritt in der digitalen Transformation. Angesetzt wird dort, wo der Mensch an seine Grenzen stößt. Durch maschinelles Lernen werden Fehler selbstständig erkannt und verbessert. Zudem liefert Machine Learning wichtige Erkenntnisse über Kunden und Produkte und Impulse für neue Geschäftsmodelle. Denn die Technologie analysiert und sammelt Daten, die Unternehmen benötigen, um die Bedürfnisse ihrer Zielgruppe genau zu verstehen und entsprechende Angebote zu gestalten. Basierend auf KI-Analysen können die Kundenansprache in Marketingkampagnen sowie der Kundenservice verbessert werden, etwa mithilfe intelligenter Chatbots. Ebenso lassen sich beispielsweise Logistikprozesse optimieren, um den Dienst am Kunden passgenauer zu gestalten, zum Beispiel durch präziser definierbare Lieferzeiten. Doch Unternehmen müssen überhaupt erst Mal in der Lage sein, das in den Daten vorhandene Wissen nutzbar zu machen.
Künstliche Intelligenz und Machine Learning sind nur so gut wie die Daten, von denen das System lernt
Auf künstlicher Intelligenz basierende Software lernt anhand von Beispielen – oder vielmehr aus Beispieldaten. Sie erkennt Muster und Gesetzmäßigkeiten in Daten, die ihr zur Verfügung gestellt werden. Sobald die Lernphase abgeschlossen ist, kann KI dann auch bisher unbekannte Informationen beurteilen und Vorhersagen treffen. Die Software liefert zum Beispiel Antworten auf Fragen, mit denen Unternehmen eine stärkere Kundenbindung erreichen können, etwa:
- Was beeinflusst die Kaufentscheidung des Kunden?
- Welche Kundensegmente gibt es?
- Welches Profil haben Kunden, die ein bestimmtes Produkt kaufen?
- Mit welcher Kundenabwanderung muss gerechnet werden?
- Welche Upselling-Möglichkeiten gibt es?
Anhand der Antworten können Firmen Prognosen ableiten (Predictive Analytics) und entsprechende Maßnahmen ergreifen. Der Einsatz von maschinellem Lernen bringt jedoch nur dann wirklichen Nutzen, wenn die Datenbasis, die Unternehmen dem System zur Verfügung stellen, qualitativ hochwertig ist. Denn oftmals arbeiten die Algorithmen gerade mal mit zehn Prozent der zur Verfügung stehenden Daten. Die Qualität der Daten – insbesondere der Stammdaten wie Name und Adresse, aber auch der Bewegungsdaten (Transaktions- und Interaktionsdaten) – ist daher essenziell. Damit das System richtig lernt und keine fehlgeleiteten Prognosen erstellt, müssen falsche Informationen bereits vorab bereinigt werden. Potenzielle Fehlerquellen sind zum Beispiel Nullwerte, Ausreißer, Dubletten, falsche Schreibweisen oder semantische Probleme. All diese Problemstellen sollten beseitigt werden, damit die Kundendaten vollständig, aktuell und korrekt sind. Damit legen Unternehmen einen wichtigen Baustein für ein zukunftsfähiges Kundendatenmanagement.
Über den Autor
Holger Stelz ist Director Marketing & Business Development bei Uniserv. Seit 2010 leitet der Experte für Datenmanagement die Weiterentwicklung des Geschäftsfeldes Kundendatenmanagement und verantwortet zudem seit 2011 das weltweite Marketing bei Uniserv. Holger Stelz hat über 25 Jahre Erfahrung in der IT-Branche.