Dass Daten, und vor allem Kundendaten, im Zeitalter der Digitalisierung erfolgskritisch für Unternehmen sind, ist unbestritten. Denn bei der Digitalisierung geht es vor allem darum, sich zu einer daten-getriebenen oder daten-gesteuerten Organisation zu transformieren – und konsequent an Kundenbedürfnissen auszurichten. Im ersten Schritt passierte diese digitale Umwälzung durch den Einsatz von Big-Data-Analytics-Technologien. Mit ihnen war es für Unternehmen erstmals möglich, datenbasierte Entscheidungen zu treffen und diese Daten wertschöpfend in Geschäftsprozesse einzubinden.
In einem weiteren, neuen Entwicklungsschritt der Transformation hin zu einer daten-gesteuerten Organisation kommen nun jedoch deutlich intelligentere Algorithmen zum Einsatz. Mit ihnen ist es möglich, vielfach komplexere Datenanalysen als bisher vorzunehmen und sogenannte Machine-Learning-(ML) Systeme zu trainieren und „anzulernen“. So können diese Systeme später selbstständig Muster und Gesetzmäßigkeiten in großen Datenmengen erkennen und autonom Entscheidungen treffen: etwa wenn es um das Nutzerverhalten, die mögliche Marktentwicklung, wahrscheinliche Kundenabwanderung (Churn Prediction) oder die Produktnutzung geht. Jeder fünfte Entscheider aus der DACH-Region sieht daher laut Beratungs- und Analystenhauses Crisp Research Machine Learning als eine der Kerntechnologien auf dem Weg hin zu einem vollständig digitalen Unternehmen. [1]

Unternehmen setzen maschinelles Lernen vor allem für Kundenbindung ein

Aktuell setzen Unternehmen ML-basierte Initiativen vor allem im Bereich der Kundenbindung und zur Verbesserung der Customer Journey ein. So erwarten sich 73 Prozent vom Einsatz von ML-Technologien eine höhere Kundenzufriedenheit. Zudem glauben 65 Prozent, dass sie so die Abwanderung von Kunden reduzieren können.[2]

Doch wollen Unternehmen ML-basierte Initiativen aufsetzen, müssen sie zwei grundsätzlichen Herausforderungen begegnen. Zum einen müssen sie die vielzähligen Kundendaten, die intern im Unternehmen und in den unterschiedlichsten Datentöpfen verteilt sind sowie die Informationen aus externen Quellen wie Social-Media sammeln und zusammenführen. Zum zweiten sind die sehr unterschiedlichen Arten von Kundendaten, die in Form von Chat-Verläufen, E-Mail-Verkehr, Kalenderdaten, Social-Media-Kommentaren, Bildern, Tweets vorliegen, einheitlich aufzubereiten. Eine konsistente Aufbereitung all dieser Daten (Data Preparation) ist deshalb notwendig, um eine solide Datengrundlage für das ML-System zu schaffen.

ML-Systeme können nur bei qualitativ hochwertigen Kundendaten lernen

Denn Unternehmen müssen bedenken, dass die Grundlage jedes Machine-Learning-Systems Datenmengen sind, anhand derer ML-Systeme trainiert werden. Damit das System nicht falsch lernt und irrtümliche Prognosen erstellt, ist es also kritisch, dass die zugrundliegende Datenbasis nahezu fehlerfrei ist. Vor dem Hintergrund, dass Unternehmen aktuell vorrangig in ML-basierten Kundenbindungs-Initiativen investieren, kommt den Kundendaten damit eine hohe Relevanz zu. Diese müssen für das ML-System daher so aufbereitet werden, dass sie aktuell, korrekt und umfassend sind – und Fehler bereits vorab ausgemerzt werden. Potenzielle Fehlerquellen sind etwa falsche Schreibweisen, Dubletten, veraltete Daten und semantische Probleme. Hierbei ist der erwähnte Aspekt Data Preparation essenziell. Die Aufgabe von Data Preparation ist es, konsistente Daten in geeigneter Form für Analysezwecke zu liefern. Laut Analystenhaus BARC sagen 60 Prozent der Unternehmen, die Data Preparation bereits einsetzen, dass sie so in der Lage sind, bessere datenbasierte Geschäftsentscheidungen zu treffen. [3] Diese besseren Geschäftsentscheidungen sind nicht zuletzt Grundlage für weiteres nachhaltiges Wachstum. Nachhaltiges Wachstum im Zeitalter der Digitalisierung begründet sich also auf dem Ausleben der eigenen unternehmerischen Kreativität auf Basis eines soliden Datenfundaments.

Alle verfügbaren Kundendaten müssen für das ML-System zusammengeführt werden

Dennoch gilt es nicht nur, eine hohe Qualität der Kunden sicherzustellen. Alle verfügbaren Kundendaten müssen auch zusammengeführt werden. Dies betrifft vor allem Stamm- und Bewegungsdaten, die in Unternehmen naturgemäß in mehreren Systemen verteilt liegen – seien es etwa Systeme wie CRM-, Ticketing-, ERP-Lösung oder Call-Center-Anwendungen. Doch aufgrund der oftmals sehr heterogenen Systemlandschaften ist es Unternehmen kaum möglich, die in den unterschiedlichen Systemen verwalteten Kundendaten zusammenzuführen und für das ML-System verfügbar zu machen. 84 Prozent der Unternehmen sehen in der Konsolidierung der Daten für eine 360-Grad-Sicht (Golden Profile) auf den Kunden noch Optimierungspotenzial. [4] Aus diesem Grund brauchen Unternehmen eine Lösungs- und Prozessmethodik, die alle Kundendaten – Adressdaten, Kaufverhalten, Kaufhistorie, Vorlieben und die Spuren, die der Kunde im Internet und den sozialen Medien hinterlässt – aus all ihren einzelnen Unternehmenssystemen zusammenführt, ohne Silohaltung und Redundanzen.

Data Preparation kann automatisiert werden

Die notwendige Datenaufbereitung lässt sich zumindest teilautomatisieren. So können Unternehmen über die Lösungs- und Prozessmethodik „Ground Truth“ ein verlässliches Gesamtbild aller Kundendaten erhalten. Der Ground Truth kombiniert alle kundenbezogenen Stamm- und Bewegungsdaten, wie Kundencharakteristiken und Kunden-Verhaltensdaten. Außerdem führt er diese Informationen aus allen verfügbaren Unternehmenssystemen, wie ERP und CRM, einheitlich zusammen. So erhalten Unternehmen einen organisationsweit einheitlichen qualitätsgesicherten Datensatz zu jedem Kunden – und schaffen die benötigte Grundlage für das ML-System.

Schlechte Daten, schlechte unternehmerische Entscheidungen

Maschinelles Lernen bringt also schlussendlich nur dann den besten Nutzen und die beste Erfolgsquote, wenn die Datenbasis, die man ihr zum Lernen zur Verfügung stellt, auch qualitativ hochwertig ist. Je korrekter eine Datenbasis ist, umso besser wird ein Algorithmus daraus seine Schlüsse ziehen. Ist die Datenbasis jedoch schlecht, beantwortet das System Fragestellungen entsprechend falsch und daraus von Unternehmensentscheidern abgeleitete Handlungsoptionen wären fatal. Aus diesem Grund müssen Daten über ihren gesamten Lebenszyklus hinweg gepflegt, geschützt und überwacht werden. Nur so können ML-Systeme ihr volles Potenzial entfalten.

Wie gut pflegen Unternehmen ihre digitalen Kundenbeziehungen

Wie umfassend Unternehmen für die Herausforderungen gewappnet sind, um mit ihren digitalen Kunden zu interagieren, kann eine Selbstevaluation zeigen. Der Arbeitskreis „Digital Analytics and Optimization“ im Verband BITKOM e. V. hat für Unternehmen den „Digital Analytics & Optimization Maturity Index“ (DAOMI) entwickelt. Ein Self-Assessment kann in 30 Minuten durchgeführt werden. Der Test gibt Auskunft über den eigenen digitalen Reifegrad und bietet die Möglichkeit, sich mit anderen Unternehmen zu vergleichen. [5]

Quellen und Referenzen:

[1] Crisp Research, Januar 2017, „Machine Learning im Unternehmenseinsatz“
[2] Capgemini, 2017, „Turning AI into concrete value“ Link: https://www.capgemini.com/at-de/news/kuenstliche-intelligenz-sorgt-fuer-mehr-jobs-und-steigende-umsaetze/
[3]  BARC, 2017, „Data Preparation – Refining Raw Data into Value“. Link: https://barc.de/Artikel/infografik-data-preparation-im-fachbereich
[4] Uniserv, 2018, „Trendstudie Kundendatenmanagement“, Link: https://www.uniserv.com/unternehmen/blog/detail/article/ergebnisse-der-trendstudie-kundendatenmanagement-2018/
[5] https://www.bitkom.org/DAOMI/