Datenmanagement

KI oder Machine Learning

29. Januar 2021

Big Data, Small Data, Deep Data Mining, Predictive Analysis, das sind alles Begriffe, die Vertrieblern enorme Vorteile versprechen und die sie gerne nutzen würden. Bei der Umsetzung allerdings hapert es. Das liegt weniger am Wollen als am Können. Es fängt schon bei den Begrifflichkeiten an.

Über die Bedeutung der Digitalisierung für das Lead Management im B2B-Vertrieb wird niemand mehr ernsthaft streiten wollen. Bei der Umsetzung aber hagelt es Probleme. Die Möglichkeiten der Technik werden nicht erkannt, es fehlt an geschultem Personal, am Einsatzwillen und schlichtweg an grundsätzlichem Know-how. Fangen wir also an der Basis an und fragen nach dem Unterschied zwischen KI und Machine Learning und danach, wo welcher Einsatz der intelligenten Technologien notwendig ist, um mit Markt und Wettbewerb Schritt zu halten.

 

Data Mining mit Künstlicher Intelligenz

Die Kundschaft 2.0 ruft nicht mehr an und will auch nicht kalt akquiriert werden. Sie surft durch das Internet, um sich dort zu informieren. Bei ihren Streifzügen durch Suchmaschinen oder quer über den Unternehmenscontent auf allen Kanälen hinweg hinterlässt sie enorme Datenmengen, die Marketing und Vertrieb bislang brachliegende Potentiale eröffnen. Die gilt es sich zu schnappen und auszuwerten. Hier kommt Künstliche Intelligenz ins Spiel. Die Marketing Software liefert die Daten, die KI verarbeitet sie zu Wissen. Dieses Wissen enthält beispielweise: Suchverhalten, interessierende Inhalte und Verweildauern, Verhalten auf der Website und so weiter und setzt sie in Zusammenhang mit externen Daten, zum Beispiel dem lokalen Wetterbericht, der allgemeinen Nachrichtenlage oder auch Konjunkturdaten. Dem Menschen mit seiner natürlichen Intelligenz legt die Künstliche Intelligenz also wertvolle zusätzliche Erkenntnisse ins Körbchen, mit denen sich die Customer Journey personalisieren und die Umwandlungsraten im Vertrieb steigern lassen. Der Interessent reagiert einfach anders, wenn personalisierte Inhalte ausgeliefert werden als wenn ihn Standardtexte langweilen.

Allerdings geht es der KI ein bisschen wie dem Tempotaschentuch. Sie wird gerne als Synonym für viele Arten von smarten Anwendungen genannt. Genau genommen aber ist Künstliche Intelligenz ein noch in den Kinderschuhen steckendes Forschungsfeld, das sich mit vollständig autonomen und selbstlernenden Systemen beschäftigt. Beschränken wir uns also auf das für Marketing und Vertrieb relevante KI-Verständnis. Eine typische Anwendung ist, das lernende System tief in die Kundendaten blicken zu lassen, damit es sich daraus selbstständig ein genaues Bild vom typischen Bestandskunden, dem Musterkunden errechnen kann. Dieser Musterkunde wird mit den Daten anderer Kunden und Interessenten abgeglichen und Marketing-Ansätze abgeleitet. Wer hat sich von Google-Ads ansprechen lassen, wie haben Paid-Content-Kampagnen gewirkt? Die Künstliche Intelligenz reagiert fortlaufend auf jede Interaktion von Besuchern auf den Unternehmenscontent. Sie beobachtet, schlussfolgert und lernt daraus selbstständig. Wenn diese Ergebnisse berücksichtigt werden, steigt die Effektivität von Marketingkampagnen um ein Vielfaches – und der Zielkunde fühlt sich auch noch besser aufgehoben.

Dieser Abgleich verbessert das Bild vom Musterkunden in Echtzeit und der Musterkunde wiederum macht die Zielgruppe vorhersehbar. Richtig genutzt lässt sich mit diesem Wissen die Customer Experience quer durch alle Kanäle optimieren und die Performance der Marketingstrategie prognostizieren. Im B2B-Geschäft gilt außerdem das Motto „Gleiches gesellt sich gerne zu Gleichem“. Auch hier setzt KI auf den Musterkunden, um ihre Doppelgänger „Lookalikes“ aus dem Web zu ermitteln. Die Doppelgänger sind die potentiellen Neukunden, die nun noch personalisierter und kontextualisierter angesprochen werden können. Das wiederum verbessert die Rentabilität von Marketingausgaben. Künstliche Intelligenz muss nicht programmiert, sondern angelernt werden – je mehr Datensätze und Ergebnisse aus der Vergangenheit vorliegen, desto besser die Prognosewahrscheinlichkeit. Sie lernt und bildet sich autonom weiter. Selbstständig spürt sie Veränderungen in den Marktumgebungen auf, ist reaktionsstark und aussagekräftig.

 

Für den kleinen Gebrauch: Machine Learning

Bei allen Vorteilen: Künstliche Intelligenz ist ausgerichtet auf die Verarbeitung enormer Mengen interner wie externer Daten, erst dann rechnet sich ihre Implementierung und die Ergebnisse sind präzise. Typische Anwender kommen deshalb aus dem Finanz- und Versicherungswesen – Unternehmen mit großen und vor allem vollständigen Datenbeständen. Dem Mittelstand, mit spezialisierten Portfolios und kleineren Märkten ist zur Automatisierung ihrer Marketing- und Vertriebsaktivitäten zu „kleiner“ KI, dem Machine Learning (ML) geraten. Machine Learning braucht vorgegebene Muster, also das Expertenwissen der Anwender. Die Maschine wird ebenfalls nicht programmiert. Sie kann aber nicht selbstständig lernen, sondern verbessert sich durch die Trainingssituation. Für Unternehmen heißt das: Die Kundendaten müssen vorab auf Vordermann gebracht werden. Sie sind zu kategorisieren, auf Korrektheit zu überprüfen und vorzusortieren. Die Identifizierung der genauen Daten und die Bildung der Trainingsmuster sind Aufgabe von Marketing und Vertrieb.

Die Maschine bekommt zum Lernen also ein vordefiniertes Muster vorgelegt. Jedes neue Muster wird nun von ihr per trial-and-error erkannt – oder aussortiert. Ist die Fehlerquote zunächst hoch, wird sie bei jedem Trainingsdurchlauf verbessert. Die Trainings dauern so lange, bis die Maschine das Muster zuverlässig erkennt, also gelernt hat.

In der Praxis klingt das dann so: Marketing und Vertrieb geben der Maschine das Kommando „Schau dir mein Muster an. Diese Maßnahme hat zu dem Zeitpunkt mit diesem Kunden aus der Branche über jenen Kanal bestens funktioniert. Und jetzt finde mir mehr solcher Abhängigkeiten.“ Die Maschine trainiert das Kundenverhaltensmuster. Das versetzt sie in die Lage, erlernte Zusammenhänge auf neue Datensätze anzuwenden. Jetzt kann auch sie Vorhersagen zu Kampagnenerfolgen treffen und „Doppelgänger“ im Netz ermitteln. Je mehr Erwartungen an die Maschine gestellt werden, umso besser wird sie im Erkennen von Gesetzmäßigkeiten und Übereinstimmungen. Marketing- und Vertriebseffizienz steigen damit auch bei vergleichbaren kleinen Datenmengen. Marketing-Aktivitäten können laufend überprüft und angepasst werden.

 

Fazit: Machine Learning liefert Entscheidern in Marketing und Sales wertvolle Grundlagen für das Beziehungsmanagement. Kundenbedürfnisse werden auch hier prognostizierend erfasst. Noch vor dem ersten physischen Kontakt, hat der Kunden durch gezielte digitale Ansprache in Echtzeit relevante und nutzbringende Unternehmensinformationen erhalten.

 

Beitragsbild Quelle: ©iStockphoto.com/ipopba

 

Die neusten Artikel

Der natürliche Feind des Vertrieblers
Der natürliche Feind des Vertrieblers
Auftragsbücher voll?

Warum gerade jetzt die Akquise nicht vergessen werden sollte.

Auftragsbücher voll?
Hybrid-Sales

Vertriebler fit für die digitale Zukunft machen

Hybrid Sales

Schreibe einen Kommentar