Künstliche Intelligenz als Allrounder und Business DeveloperSo werden Unternehmen fit für Künstliche Intelligenz

Die einen arbeiten noch daran, andere setzen die Technologie bereits um: Künstliche Intelligenz (KI). Doch sind Unternehmen wirklich schon so weit? Ein Blick auf die Qualität der Trainingsdaten lässt teilweise Zweifel aufkommen. Firmen sollten sich jedenfalls auf den Einsatz von KI vorbereiten.

Künstliche Intelligenz war noch vor nicht allzu langer Zeit das Hype-Thema schlechthin. Nun wird die Technologie zunehmend Realität: Eine aktuelle Uniserv-Umfrage ergab, dass bereits jedes vierte Unternehmen KI einsetzt. Die Mehrheit nutzt KI und ihr Teilgebiet, das maschinelle Lernen (Machine Learning, ML), für die Planung und Steuerung von Marketing- sowie Vertriebskampagnen, aber auch für die Generierung von Leads oder in der Kundenbetreuung sowie im Kundenservice.

Weitere 31 Prozent planen den Einsatz von intelligenten Algorithmen, auf denen KI basiert, innerhalb der nächsten zwölf Monate. Kein Wunder, die Technologie scheint vielversprechend. Richtig eingesetzt können Unternehmen den Kontakt mit Interessenten und Kunden sowie Geschäftspartnern verbessern. Ebenso können mittels KI das Kundenverhalten und die Kundenloyalität analysiert und prognostiziert werden. Damit liefert die Technologie wichtige Empfehlungen für die Geschäftsentwicklung.

Intelligente Algorithmen brauchen gute Daten

Doch sind die Unternehmen bereits so weit, dass diese Pläne aufgehen? Dagegen spricht eine weitere Zahl: Mehr als jedes dritte Unternehmen ist laut Uniserv-Umfrage mit der Qualität seiner erfassten und bearbeiteten Kundendaten unzufrieden – und stuft diese als niedrig oder eher niedrig ein. Mit genau diesen Daten jedoch muss die KI oder das ML-System erst einmal trainiert werden, ehe sie den Kundenservice unterstützen soll. Denn bevor intelligente Algorithmen eigenständig und automatisiert verlässliche Prognosen treffen und Informationen abstrahieren können, brauchen sie Input.

Für dieses Szenario sind insbesondere Geschäftspartnerdaten – zu denen auch Kundendaten zählen – entscheidend: Anhand derer erhält die KI alle nötigen Informationen, um zu lernen und um nach Beendigung der Lernphase anschließend, basierend auf den Vorlieben oder Bedürfnissen der Geschäftspartner, Angebote oder Services zu ermitteln. Eine absolut fehlerfreie Datenbasis ist für die Lernphase unerlässlich.

Mit Daten von nicht angemessener Qualität lernt das System sonst falsch, es erstellt irrtümliche Prognosen und bietet kaum Mehrwert. All das riskieren Unternehmen, die KI-Systemen keine qualitativ hochwertigen Daten zur Verfügung stellen. Doch nur jedes fünfte Unternehmen ergreift laut der Uniserv-Befragung überhaupt Maßnahmen zur Verbesserung der Qualität seiner Datenbestände. Unter diesen Voraussetzungen kann eine KI-Initiative nur schwer erfolgreich sein. Doch wie können Unternehmen mangelhafte Geschäftspartnerdaten identifizieren? Und wie lässt sich deren Qualität verbessern?

Ist-Zustand aller Geschäftspartnerdaten analysieren

Zuallererst empfiehlt sich eine Analyse des Status Quo: Wie ist es um den Zustand der im Unternehmen liegenden Geschäftspartnerdaten und den darauf aufbauenden Prozessen bestellt? Heißt: Wie und wo werden Daten erhoben, genutzt und ausgewertet? Wo besteht Verbesserungsbedarf? Darüber hinaus sollte auch gleich der Verwendungszweck der Daten mitgedacht werden – in diesem Fall, die Daten für die KI aufzubereiten – um die Daten „fit for purpose” zu machen.

Im Zentrum muss also die Frage stehen: Welche Daten braucht der intelligente Algorithmus der KI und wie müssen die Daten beschaffen sein? Dementsprechend sollten Geschäftspartnerdaten nach festgelegten Datenqualitätskriterien bewertet werden. Grundsätzlich gilt: je besser die Datenqualität, desto besser die Ergebnisse einer KI. Unternehmen sollten ihre Daten daher vor allem auf die Faktoren Vollständigkeit, Eindeutigkeit, Genauigkeit und Fehlerfreiheit hin überprüfen. Detailliert bedeutet das eine Prüfung auf:

• die Vollständigkeit der Datensätze auf Feldebene,
• die syntaktische Korrektheit von Datumsfeldern, Länderkennzeichen und anderen Feldinhalten, für die es formelle Regelwerke gibt,
• die Plausibilität und damit Korrektheit von Adresselementen,
• die Eindeutigkeit der Datensätze und Dublettenrate sowie
• die Aktualität der Datensätze, vor allem mit Blick auf erfolgte Umzüge oder Adressänderungen.

Datenqualität mittels Cleansing-Maßnahmen herstellen

Basierend auf dieser Datenanalyse ergeben sich anschließend Handlungsempfehlungen für die Optimierung der Geschäftspartnerdaten. Besonders beliebte Maßnahmen zur Qualitätssteigerung sind laut Uniserv-Umfrage vor allem der Dublettenabgleich (bei 91 Prozent), das Prüfen auf postalische Richtigkeit (51 Prozent) oder die Validierung der E-Mail-Adressen von Geschäftspartnern (54 Prozent). Konkret gibt es folgende Cleansing-Maßnahmen, mit denen Unternehmen alle Daten bereinigen und anschließend abgleichen und anreichern können:

• Datenbereinigung: Sobald Unternehmen Daten erfassen oder in ein System, etwa in das CRM, übernehmen, können die Informationen von geeigneten Software-Lösungen bereinigt werden. Das heißt, dass Dubletten beseitigt, die Adresse unter Berücksichtigung von länderspezifischen Regeln und postalischen Zustellverfahren optimiert und korrigiert sowie Anredeschlüssel vergeben werden. Darüber hinaus können E-Mail-Adressen sowie Bank- und Kreditkartendaten geprüft werden. Im Idealfall erfolgt diese Bereinigung nahezu vollautomatisiert, damit der manuelle Aufwand für Nachbearbeitung so gering wie möglich ausfällt und eine größtmögliche Fehlerfreiheit gewährt wird.
• Datenabgleich: Bereits bestehende Geschäftspartnerdatensätze sollten hingegen unbedingt fortlaufend überprüft und beispielsweise gegen Adressdatenbanken abgeglichen werden. Da sich gerade Adressdaten ständig ändern können, ist es wichtig, dass Unternehmen ihre Daten mindestens einmal im Jahr abgleichen und nach Bedarf optimieren.
• Datenanreicherung: Für den Einsatz von KI empfiehlt es sich ebenfalls, Daten nach Bereinigung und Abgleich mit zusätzlichen Informationen anzureichern. Das können Telefonnummern, statistische und demografische Angaben oder Unternehmensinformationen sein. Marktrelevant kann es zudem sein, Geschäftspartneradressen im Rahmen von Geomarketing räumlich zu verorten. Eine KI kann dann beispielsweise unternehmensinterne Daten mit externen Marktdaten und sozioökonomischen Strukturmerkmalen in Relation setzen – um so etwa Upselling-Potenziale zu erkennen oder die Kundenbindung zu steigern.

Jetzt gilt es noch, die Qualität langfristig sicherzustellen. Dabei unterstützt etwa eine Data Quality Firewall. Diese stellt sicher, dass nur noch qualitativ hochwertige Daten ins System übertragen werden können. Aber auch regelmäßige Qualitätsprüfungen – sogenannte Audits – oder ein Monitoring, das Auskunft über die Beschaffenheit der Geschäftspartnerdaten gibt, kann hilfreich sein, um die Datenqualität langfristig hoch zu halten.

Haben Unternehmen alle Aspekte umgesetzt, sind sie bei der Vorbereitung des Einsatzes von KI einen großen Schritt weitergekommen. Denn werden der KI nur hochwertige Daten zur Verfügung gestellt, kann diese auch anschließend die richtigen Schlüsse ziehen.

Matthias Förg ist Head of Sales & Marketing DQ-Solutions bei Uniserv und verantwortet das weltweite Marketing und den Vertrieb der Datenqualitätslösungen von Uniserv.

Uniserv