Vier Tipps & Tricks zur Steigerung der Datenqualität im B2B-Vertrieb.

«Shit in, Shit out» – eine beliebte Floskel, wenn es um die Nutzung von Daten zu Analysezwecken in Unternehmen geht. Schuld daran ist häufig die mangelnde Qualität in den Kunden- und Auftragsdaten [Shit in], die dann zu irreführenden Analyseergebnissen führt [Shit out]. Doch wenn man sich das Potenzial von Datenanalysen im Vertrieb von B2B-Unternehmen anschaut, sollten sich Unternehmen eine Frage stellen: Wie kann ich meine Datenqualität schnellstmöglich erhöhen, um die Daten optimal nutzbar zu machen? McKinsey & Company schreibt beispielsweise in einem Artikel «The five lessons B2B sales leaders should learn to make analytics work», dass sie in den vergangenen Jahren B2B-Unternehmen geholfen haben, einen Mehrwert durch Datenanalysen zu schaffen. Beispielsweise konnten die Unternehmen …

  • Kundenabwanderungen um 25% reduzieren,
  • 10% mehr Umsatz mit neuen Kunden erzielen und
  • die Umsatzrendite um 2% bis 5% steigern.

Doch um diesen Mehrwert zu erreichen und damit es zukünftig heißt «Data in, Value out», muss zunächst die Datenqualität stimmen. Und wie Ihnen die Verbesserung der Datenqualität gelingt, zeigen wir Ihnen jetzt.

1) Mit externen Daten anreichern.

Die größten Herausforderungen lassen sich zumeist in den Kundenstammdaten finden. Die Kundenstammdaten, wie z.B. Branche oder Mitarbeitendenanzahl, liegen häufig nicht oder nur spärlich gepflegt vor. Grund hierfür ist die Notwendigkeit der manuellen Pflege durch den jeweiligen Vertriebsmitarbeitenden. Die Pflege der Kundenstammdaten ist aufwendig und bringt zunächst keinen sichtbaren Mehrwert. Doch letztendlich sind es genau die Daten, die Kunden untereinander datenbasiert vergleichbar machen und Anwendungsfälle, wie z.B. Umsatzpotenziale oder Abwanderungsvorhersage, ermöglichen.

Was wäre, wenn Sie die Fülle und die Qualität Ihrer Kundenstammdaten ohne manuellen Aufwand erhöhen könnten? Durch die Anreicherung der internen Kundenstammdaten mit Daten aus externen Firmendatenbanken, wie z.B. Branchenschlüssel, Mitarbeitendenanzahl oder Umsatzkategorie, kann die Qualität der Kundendaten sowie die Menge an Informationen enorm verbessert werden. Hierdurch werden die Daten für Analysezwecke nutzbar und die Ergebnisse lassen sich in Mehrwert verwandeln.

2) Dubletten mithilfe von Fuzzy Matching identifizieren und zusammenführen.

Ein leidiges Thema, das wir in Kundengesprächen immer wieder mitbekommen, ist das Vorliegen von Dubletten. Das heißt, ein und derselbe Kunde liegt im CRM- oder ERP-System mehrmals mit unterschiedlichen Kundennummern vor. Das macht eine Kundenanalyse häufig schwierig, denn das Verhalten eines Kunden kann nicht vollumfassend betrachtet werden.

Um die Dubletten zu identifizieren, kann das sogenannte Fuzzy Matching verwendet werden. Fuzzy Matching ist der automatisierte Abgleich von Texten, wie z.B. Unternehmensnamen, und die Ermittlung einer prozentualen Übereinstimmung der verglichenen Texte. So können nicht nur 100% übereinstimmende Unternehmensnamen als Dubletten identifiziert werden, sondern auch Unternehmensnamen, bei denen sich beispielsweise ein Rechtschreibfehler eingeschlichen hat oder die Firmierung, wie z.B. GmbH, fehlt. Häufig lassen sich tatsächliche Dubletten nicht nur am Unternehmensnamen erkennen, denn es gibt auch Kunden mit dem gleichen Namen. Um keine fehlerhaften Dubletten zu identifizieren und zusammenzuführen, findet der Abgleich nicht nur für den Unternehmensnamen statt, sondern es wird auch die Anschrift des Kunden einbezogen. Sobald alle Dubletten erkannt sind, werden diese automatisiert gematcht, sodass jeder Kunde nur noch einmal unter einer Kundennummer auftaucht.

3) Vertriebsmitarbeitende auf Datenqualität incentivieren.

Unsere Erfahrung zeigt: Unternehmen, die Ihre Mitarbeitenden im Vertrieb und Service, neben reinen monetären Bonusbestandteilen auch auf die Pflege des CRM-Systems incentivieren, haben die beste Datenqualität.

Doch, wie funktioniert das am besten? Zunächst ist es wichtig messbare und eindeutige Kennzahlen zu definieren, damit der Bonusbestandteil optimal gemonitort werden kann. Beispielsweise kann dies die Befüllungsquote des CRM-Systems sein, die aussagt, wie viele der relevanten Felder zu einem zugeordneten Kunden im CRM befüllt sind. Häufig sagt jedoch eine Befüllungsquote noch nichts über die Datenqualität aus. Deshalb sollten darüber hinaus weitere Kennzahlen, wie beispielsweise die Dublettenanzahl eines Mitarbeitenden, aufgenommen werden, um neben der reinen Datenquantität und Verfügbarkeit auch die Datenqualität abzudecken. Als Nebenprodukt aus der Incentivierung auf die Datenqualität steigt auch im Unternehmen das Bewusstsein für die Wichtigkeit einer hohen Datenqualität.

4) Dateninput automatisieren.

Neben der Anreicherung mit externen Firmendaten oder dem automatisierten Fuzzy Matching können Vertriebsmitarbeitende auch bereits einen Schritt vorher unterstützt werden: Bei der Dateneingabe in das CRM-System. So wird der Vertriebsmitarbeitende bei der Stammdateneingabe unterstützt oder die Dokumentation von Vertriebsgesprächen automatisiert. Verschiedene CRM-Systeme ziehen sich so bei der Anlage eines neuen Kunden – beispielsweise über die Domain der Internetseite des Kunden – bereits verschiedene Informationen, wie z.B. den richtigen Kundennamen, die Anschrift des Kunden oder die Branche, aus dem Internet, sodass dies nicht mehr manuell durch den Mitarbeitenden eingepflegt werden muss. Hierdurch wird nicht nur der manuelle Aufwand reduziert, sondern auch die Datenqualität erhöht.

 

Haben Sie auch noch mit Ihrer Datenqualität zu kämpfen? Suchen Sie nach Lösungen, wie Sie diese schnellstmöglich erhöhen können, um Daten in die Entscheidungsfindung im Vertrieb einzubeziehen? Dann melden Sie sich gerne persönlich bei: pascal.salmen@insightson.io oder buchen Sie direkt eine Live Demo – wir berichten gerne von unseren Erfahrungen und helfen Ihnen auch im Anschluss noch mehr aus den vorhandenen Daten zu machen – mit uns heißt es: «Data in, Value out».