Gastbeitrag: Mit künstlicher Intelligenz zum Kundendatenmanagement der Zukunft

Dass Daten, vor allem Kundendaten, bei der Digitalisierung erfolgskritisch für Unternehmen sind, ist unbestritten. Künstliche Intelligenz und deren Teilgebiet Machine Learning heben die Transformation zu einem datengesteuerten und kundenzentrierten Unternehmen nun auf ein deutlich höheres Niveau.

Machine-Learning-basierte (ML) Initiativen werden von Unternehmen aktuell vor allem im Bereich der Kundenbindung und zur Verbesserung der Customer Journey eingesetzt. Denn auf Basis von intelligenten Algorithmen werden die Systeme trainiert und „angelernt“, damit sie später selbstständig Muster und Gesetzmäßigkeiten in großen Datenmengen erkennen können – etwa wenn es um das Kundenverhalten geht. So erwarten sich auch 73 Prozent der Unternehmen vom Einsatz von KI- und ML-Technologien eine höhere Kundenzufriedenheit. Zudem sind 65 Prozent der Meinung, dass sie so die Abwanderung von Kunden reduzieren können – das ergab eine Umfrage von Capgemini. Chat- und Service-Bots sind derzeit wohl die bekanntesten Einsatzfelder von ML und KI. Das bestätigt auch eine Studie von Crisp Research: Zwei Drittel der Unternehmen, die sich heute schon mit Machine Learning auseinandersetzen, evaluieren den Einsatz von Bots und digitalen Assistenten.

Machine Learning hilft bei Individualisierung der Kundenansprache

Doch ML-Systeme können bei weitem mehr als „nur“ mit dem Kunden zu kommunizieren. Sie können vor allem komplexe hochvolumige Daten in kürzester Zeit aufbereiten. Laut der Capgemini-Umfrage wollen 40 Prozent der Unternehmen bis 2018 von ML-basierten Technologien wie der numerischen Analyse in ihrem CRM Gebrauch machen. Und dies ist Voraussetzung dafür, dass Unternehmen und insbesondere das Marketing:

• individuell auf die Bedürfnisse jedes einzelnen Kunden reagieren
• und damit Produkte individuell gestalten können.

Der Aspekt der Individualisierung in der Kundenansprache und Betreuung ist laut einer Umfrage von Uniserv enorm wichtig: Denn mehr als jeder zweite Konsument vertraut Unternehmen viel eher, wenn diese in der Lage sind, auf Basis ihrer persönlichen Kundendaten zugeschnittene Angebote zu erstellen oder Produkte individuell zu gestalten. 59 Prozent der deutschen Verbraucher würden dadurch eher kaufen, 61 Prozent bleiben dem Unternehmen eher treu.

Hohe Kundendatenqualität ist Erfolgsfaktor für maschinelles Lernen

Der Einsatz von maschinellem Lernen bringt aber nur dann wirklichen Nutzen, wenn die Datenbasis, die Unternehmen dem System zur Verfügung stellen, auch qualitativ hochwertig ist. Denn Grundlage jedes Machine-Learning-Systems sind Datenmengen, anhand derer ML-Systeme trainiert werden. Nach Beendigung der Lernphase kann das System verallgemeinern und auch unbekannte Daten beurteilen. Damit das System nicht falsch lernt und irrtümliche Prognosen erstellt, etwa zur Kundenabwanderung, ist es kritisch, dass die zugrundeliegende Datenbasis absolut fehlerfrei ist. Fehler müssen also bereits vorab ausgemerzt werden. Potenzielle Fehlerquellen in Kundendaten sind etwa:

1. Nullwerte
2. Ausreißer
3. Dubletten
4. Falsche Schreibweisen
5. Mehrere Sprachen
6. Falsche Bezeichner
7. Semantische Probleme

Darüber hinaus ziehen in Deutschland jährlich etwa acht Millionen Menschen um, es werden 45.000 Straßen umbenannt und es ändern sich 1.850 Ortsnamen. Diese Zahlen allein schon verdeutlichen die Notwendigkeit, alles dafür zu tun, um eine möglichst hohe Aktualität der Kundendaten zu gewährleisten.

Kundendaten müssen über gesamten Lebenszyklus gepflegt werden

Je korrekter eine Datenbasis ist, umso besser wird ein Algorithmus daraus seine Schlüsse ziehen. Beispielsweise soll ein ML-System Fragen beantworten wie: Was macht den Kauf eines Produktes aus und welche Kundensegmente gibt es? Ist die Datenbasis schlecht, beantwortet das System diese Fragen entsprechend falsch und daraus von Unternehmensentscheidern abgeleitete Handlungsoptionen wären fatal. Kundendaten müssen daher über ihren gesamten Lebenszyklus hinweg gepflegt, geschützt und überwacht werden.

Zudem müssen neben qualitativ hochwertigen Kundendaten auch sämtliche Kundeninformationen, sprich die Stammdaten und die Bewegungsdaten (Transaktions- und Interaktionsdaten), einem ML-System zur Verfügung gestellt werden. Diese Informationen umfassen Adressdaten, Kaufverhalten, Kaufhistorie, Vorlieben und die Spuren, die der Kunde im Internet und den sozialen Medien hinterlässt.

Das ML-System benötigt alle Kundendaten

Unternehmen verfügen zwar bereits häufig über einen Großteil dieser Profildaten ihrer Kunden, können diese aber nur schwer zusammenführen, weil sie naturgemäß in mehreren Systemen verteilt liegen – seien es etwa CRM-Systeme, Ticketing, ERP-Lösungen oder Call-Center-Anwendungen. Deshalb benötigen Unternehmen eine Prozessmethodik, die ein verlässliches Gesamtbild aller Daten liefert (Ground Truth).

Mit dem Ground Truth ist es also möglich, alle Kundendaten – Adressdaten, Kaufverhalten, Kaufhistorie, Vorlieben und die Spuren, die der Kunde im Internet und den sozialen Medien hinterlässt – aus allen verfügbaren Systemen zusammenzuführen. Nur die Kombination all dieser Daten, also Stamm- und Bewegungsdaten, zu einer wirklichen 360-Grad-Sicht auf den Kunden schafft ein Abbild der Wirklichkeit, auf dessen Basis ML-Systeme verlässlich arbeiten können.

Ground Truth ist Fundament für ML-Systeme

Damit Unternehmen den Mehrwert von KI- und ML-Systemen für ihr Marketing realisieren können, braucht es vor allem eins: eine gute Datenqualität. Nur eine hohe Datenqualität ermöglicht dem intelligenten ML-System richtige Prognosen und Handlungsempfehlungen abzuleiten und für die Unternehmenssteuerung zur Verfügung zu stellen. Wesentliche Voraussetzung ist dabei der Ground Truth, der das Fundament für ML-Systeme und damit für Umsatzwachstum und neue digitale Geschäftsmodelle bildet.