Die Vorführung ist immer hervorragend.
Jemand zeigt Ihnen ein KI-Tool, das Ihre Leads bewertet, vorhersagt, welche Kunden kurz vor der Abwanderung stehen, die Folge-E-Mail in Ihrem Stil verfasst und Ihnen sagt, in welchen Kanal Sie das Budget für den nächsten Monat investieren sollten. Das ist wirklich beeindruckend. Sie kaufen es, verbinden es mit Ihrem CRM, und schon liefert es Ergebnisse.
Genau dieser letzte Teil ist das Problem. Er führt zu etwas.
Ein KI-Tool, das mit unstrukturierten Daten verbunden ist, hält nicht inne und weist Sie darauf hin, dass die Daten unstrukturiert sind. Es liefert trotzdem eine Antwort – flüssig und mit derselben Zuversicht wie in der Demo. Das Ergebnis sieht genauso aus wie das, womit man Ihnen das Produkt verkauft hat. Man merkt einfach nicht, dass es auf einem Fundament basiert, das es nicht tragen kann.
Wovon diese Tools eigentlich ausgehen
Alle KI-Marketing-Tool geht von denselben drei Annahmen bezüglich Ihrer Daten aus, bevor es etwas Sinnvolles tut.
Dass Ihre Datensätze miteinander verknüpft sind. Dass die Person, die das Formular ausgefüllt hat, der Datensatz in Ihrem CRM und die Transaktion in Ihrem Zahlungssystem als eine Einheit erkannt werden können. In den meisten Unternehmen sind diese Daten an drei verschiedenen Stellen gespeichert, ohne dass eine gemeinsame Kennung vorliegt. Daher sieht das Tool drei voneinander unabhängige Fragmente und wertet jedes einzelne separat aus.
Dass Ihre Felder eine einheitliche Bedeutung haben. Dass “Qualifiziert” in jedem Datensatz dasselbe bedeutet. Dass Ihr Feld „Lead-Quelle“ einen festen Satz von Werten enthält und nicht das, was jede Person dort eingegeben hat. Dass ein Kundentyp eine Kategorie ist und kein Satz.
Dass deine Geschichte umfassend genug ist, um daraus zu lernen. Dass die Ergebnisse, aus denen es lernt – gewonnen, verloren, Abwanderungen, Konversionen –, über einen ausreichend langen Zeitraum hinweg konsistent erfasst wurden, um ein Muster und keinen Zufall darzustellen.
Selbst wenn Sie eine dieser Regeln missachten, funktioniert das Tool weiterhin. Es basiert dann lediglich auf einem verzerrten Bild Ihres Unternehmens, und diese Verzerrung landet in Ihrem Posteingang – getarnt als Erkenntnis.
Die drei häufigsten Fehler
Vereinzelte Aufzeichnungen. Partnerdaten in einem System, Kundendaten in einem anderen – und keine zuverlässige Möglichkeit festzustellen, ob ein Kauf von einem Kontakt stammt, der über einen Partner gekommen ist. Dies ist in Unternehmen, die zwei Zielgruppen bedienen, weit verbreitet und schadet den KI-Ergebnissen am meisten, denn gerade die Beziehung zwischen diesen beiden Ebenen ist das, was es wert ist, vorhergesagt zu werden – und genau das können die Daten nicht ausdrücken.
Freitextfelder. Jemand hat das Feld “Lead-Quelle” als offenes Feld eingerichtet, und nun enthält es ein Dutzend verschiedene Schreibweisen desselben Kanals sowie den Namen der Person, die den Eintrag vorgenommen hat. Kein Modell kann solche Daten gruppieren, daher ignoriert es das Feld entweder oder behandelt nahezu identische Werte als unterschiedliche Kategorien. Freitext ist der Ort, an dem die Kategorisierung scheitert – und dabei ist es meist genau das Feld, das am dringendsten analysiert werden soll.
Es gibt keine einheitliche Definition des Begriffs „Kunde“. Wenn die Hälfte Ihres Teams einen Deal bei Vertragsunterzeichnung als „Abgeschlossen – Gewonnen“ kennzeichnet und die andere Hälfte erst nach Zahlungseingang der Rechnung, enthalten Ihre Konversionsdaten zwei unterschiedliche Bedeutungen, die in einer Spalte vermischt sind. Alles, was daraus lernt, lernt diese Vermischung.
Nichts davon ist ungewöhnlich. Das ist das normale Ergebnis eines CRM-Systems, das organisch gewachsen ist, bei dem Felder nach Bedarf hinzugefügt wurden und niemand notiert hat, was die einzelnen Felder bedeuten.
Warum es still und leise scheitert
Herkömmliche Software versagt kläglich. Eine fehlerhafte Integration löst einen Fehler aus, ein Formular lässt sich nicht mehr absenden – und noch am selben Tag fällt es jemandem auf.
KI-Tools scheitern auf höfliche Weise. Fragt man nach einem Lead-Score bei unvollständigen Daten, erhält man einen Score. Fragt man, in welchen Kanal man investieren sollte, wenn die Attribution inkonsistent ist, erhält man eine Empfehlung. Das Tool hat keine Möglichkeit zu signalisieren, dass seine Eingaben zu dürftig waren, denn aus seiner Sicht sind Eingaben eben Eingaben.
So tritt der Fehler erst später und indirekt zutage – das Budget wurde einem Kanal zugewiesen, der nur deshalb stark erschien, weil seine Tagging-Daten sauberer waren, oder einem Churn-Modell, das die falschen Konten markierte, weil es aus einem Zeitraum gelernt hatte, in dem niemand die Deal-Phasen aktualisiert hatte.
Bis dahin hat das Tool Ihr Vertrauen gewonnen, wodurch die Fehler schwerer zu erkennen sind, als wenn es einfach nicht funktioniert hätte.
Die Reihenfolge, die tatsächlich funktioniert
Die unangenehme Wahrheit: Wenn Ihre Daten unübersichtlich sind, bedeutet der Kauf eines KI-Tools nichts anderes als den schnelleren Weg zu einer sicher wirkenden, aber falschen Antwort.
Die nützliche Sichtweise: Die Arbeit, die KI-Tools effektiv macht, ist ohnehin lohnenswert, denn es ist genau diese Arbeit, die Ihre Berichterstattung vertrauenswürdig und Ihre Automatisierung zuverlässig macht. Es handelt sich nicht um KI-spezifische Vorbereitungen. Es ist das, was schon fehlte, bevor die KI-Frage überhaupt aufkam.
Drei Schritte, der Reihe nach.
Legen Sie fest, welche Kategorien Sie verwenden möchten. Welche Kundengruppen Sie tatsächlich bedienen, was einen potenziellen Kunden ausmacht, was Ihre Pipeline-Phasen bedeuten, was Ihre Gründe für Kundenverluste sind. Das ist Strategiearbeit, keine Systemarbeit, und sie liefert die festgelegten Begriffe, von denen alles andere abhängt.
Kodieren Sie sie als kontrollierte Werte. Verwandeln Sie jede dieser Listen in ein Dropdown-Menü statt in ein Textfeld. Diese eine Änderung trägt mehr zur Datenqualität bei als jedes Tool, das Sie kaufen können.
Verbinden Sie die Datensätze. Ein eindeutiger Identifikator, der das Verhalten auf der Website, den CRM-Datensatz und die Transaktion miteinander verknüpft, sodass ein Kunde als eine Einheit betrachtet wird und nicht als drei Fragmente, die zufällig denselben Namen tragen.
Verbinden Sie dann das KI-Tool. Es wird das tun, was in der Demo gezeigt wurde, da es nun endlich das berücksichtigt, wovon die Demo ausgegangen ist.
Die ehrliche Zusammenfassung
Die Diskussion über KI in den meisten Unternehmen ist nichts anderes als eine Diskussion über Datenstrukturen in schickerem Gewand. Das Tool ist nicht die Einschränkung und war es auch selten – die Einschränkung besteht darin, dass noch niemand schriftlich festgelegt hat, wie die unternehmensspezifischen Kategorien aussehen.
Das ist ein lösbares Problem, das zudem deutlich kostengünstiger ist als die Lizenz.
[Der Foundation-Sprint →] legt die Kategorien fest. [Der System-Sprint →] baut die Struktur auf, die sie zusammenhält. [So funktioniert die Abfolge bei allen dreien →]
