Im Science Talk vom 19. November 2020 stellten Prof. Dr. Simone Braun, Hochschule Offenburg, und Dan Follwarczny, Uniserv GmbH, vor, wie Machine Learning die Kundendatenqualität für Marketing und Vertrieb verbessern und das Kundendatenmanagement unterstützen kann.

Eine konsistente Personalisierung, gezielte und individuelle Ansprache sowie die Identifikation von Kunden und Interessenten entlang ihrer stark fragmentierten Customer Journey über alle Touchpoints hinweg sind eine der größten heutigen Herausforderungen für Marketing und Vertrieb (Evergage 2019, Schoblik et al. 2020). Großes Potenzial bieten hier KI-basierte Ansätze. Laut der Digital Dialog Insights Studie schätzen 9 von 10 befragten Experten den Einsatz von KI besonders für die Personalisierung als vielversprechend ein (Eichsteller & Seitz 2019). Erste Ansätze sind bereits im Einsatz, z.B. um Kundendaten zu analysieren und Muster zu erkennen, aus welchen Kundensegmente gebildet, passende Inhalte generiert und automatisiert ausgespielt werden (Gentsch 2017, Kröger & Marx 2020).  Zentrale Voraussetzung hierfür ist die Qualität der Daten – insbesondere der Kunden-, Kontakt- und Adressdaten. Denn KI-Algorithmen bringen nur dann den besten Nutzen, wenn die Datenbasis, die man ihnen zum Lernen zur Verfügung stellt, auch gut, also qualitativ hochwertig ist. Ein Algorithmus, der auf fehlerhaften Daten trainiert ist, kommt zu falschen Rückschlüssen. Zusätzlich gilt es nicht nur, eine hohe Qualität der Kunden- und Interessentendaten sicherzustellen. Es müssen auch alle verfügbaren Kunden- und Interessentendaten zusammengeführt und der KI zur Verfügung gestellt werden. Allerdings stellt die Qualität und Vollständigkeit der Daten für KI im Marketing für die meisten eine große Herausforderung dar (Eichsteller & Seitz 2019, Lünendonk 2019).
Paradoxerweise bieten aber Maschinelle Lernansätze großes Potenzial, die Qualität von Daten maßgeblich zu verbessern und das Datenmanagement zu vereinfachen (Legner & Fadler 2019, Dai et al. 2018). Sie können Fehler in Datensätzen sichtbar machen und diese automatisch bereinigen. KI und Datenqualität stehen also in engem Zusammenhang und bedingen sich einander. Die beiden Referenten diskutieren diese Wechselseitigkeit und stellen Ansätze, Anwendungsszenarien und Erkenntnisse vor (u.a. aus dem EU-geförderten DataPitch Open Innovation Programm).

Prof. Dr. Simone Braun ist Professorin für E-Commerce an der Hochschule Offenburg. Sie lehrt und forscht im Bereich Omni-Channel-Commerce, Data Analytics und Digital Business. Zuvor war sie Head of Business Development bei der Uniserv GmbH, spezialisierter Anbieter von Lösungen für Customer Data Management und Data Quality, wo die Datenmanagement-Expertin die strategische Geschäftsfeldentwicklung und das Innovationsmanagement verantwortete.

Dan Follwarczny ist Business Development Manager bei der Uniserv GmbH. Als Experte für smarte Informationsflüsse unterstützt er dort seit 2019 die strategische Geschäftsfeldentwicklung und das Innovationsmanagement. Bereits in seiner Jugend beherrschte das digitale Vollblut mehrere Programmiersprachen. 2013 absolvierte er seinen Bachelorstudiengang als Jahrgangsbester. Nach dem M.Sc. Software Technology bereitete er in verschiedenen Rollen den Weg für erfolgreiche Produktneuentwicklungen. Er blickt auf mehr als acht Jahre Berufserfahrung in allen Bereichen der Softwareentwicklung zurück.
Den Vortrag moderierte Meinert Jacobsen, Geschäftsführer der MarAnCon Gesellschaft für Marketing, Analyse und Consulting mbH und Vorsitzender des DDV-Kompetenz-Centers KI und Customer Centricity.

Der Vortrag wurde organisiert mit freundlicher Unterstützung der Indima direct Ges. für innovatives Dialogmarketing mbH, Pforzheim. http://www.indima.de