TL;DR
- KI-Tools in einem CRM lesen Ihre Datensätze, also füttern Duplikate sie mit zersplitterten Daten.
- Ein KI-Assistent antwortet womöglich aus einem Duplikat und übersieht die Historie auf einem anderen.
- Lead Scoring kann die Aktivität eines Käufers auf mehrere Datensätze verteilen und jeden zu niedrig bewerten.
- Führen Sie vor einem KI-Rollout die offensichtlichen Duplikate zusammen, meist exakte E-Mail- oder Domain-Treffer.
- Dedupely findet Duplikate in den Datensätzen, die Ihre KI-Tools lesen, und zeigt jeden Merge vorab.
Viele CRMs bieten KI, eingebaut oder darübergelegt. Assistenten beantworten Fragen zu Accounts, Lead-Scoring ordnet, wen man anruft, E-Mail-Schreiber entwerfen Follow-ups und Agenten aktualisieren Datensätze für Sie.
Alle lesen dasselbe: Ihre Datensätze. Lebt ein Kunde in zwei oder drei Datensätzen, sieht jedes Tool einen Teil und hält ihn für das Ganze. Die Antworten klingen sicher und beruhen auf geteilten Daten.
In diesem Beitrag gehe ich durch, wie Duplikate jede Art von KI-Tool beeinflussen und wie manche KI-Tools Duplikate erzeugen. Dann geht es darum, was zuerst zu beheben ist. Es geht um die KI, die Sie schon einsetzen, und darum, wie Duplikate ihr im Weg stehen.
Was die KI in Ihrem CRM liest
KI-Tools in einem CRM arbeiten mit den Datensätzen, Feldern, Aktivitäten und Verknüpfungen, die Sie schon haben. Sie wissen nicht, dass zwei Datensätze zu einer Person gehören, außer etwas in den Daten verbindet sie.
Ein Mensch, der das CRM liest, erkennt vielleicht, dass „Jen“ und „Jennifer“ mit demselben Nachnamen in derselben Firma ein Kontakt sind. Ein KI-Tool behandelt sie womöglich als zwei Personen, jede mit der Hälfte der E-Mails, Anrufe und Deals.
Das betrifft jede Art von KI, die in oder auf einem CRM arbeitet:
- Assistenten die Fragen zu einem Account oder Kontakt beantworten.
- Lead-Scoring das Leads oder Kontakte nach Passung und Aktivität einstuft.
- E-Mail-Schreiber die Nachrichten aus der Historie eines Datensatzes entwerfen.
- Prognosen das Umsatz aus offenen Deals prognostiziert.
- Agenten und Anreicherungs-Bots , die eigenständig Datensätze anlegen oder aktualisieren.
Assistenten antworten mit der halben Geschichte
Beispiel: Ein Vertriebler fragt den Assistenten, wann das Team zuletzt mit einem Account gesprochen hat. Der Assistent findet einen Firmendatensatz und antwortet daraus. Der letzte Anruf, das offene Support-Ticket und der unterschriebene Vertrag liegen auf dem Duplikat.
Die Antwort stimmt für diesen Datensatz und ist falsch für den Kunden. Der Vertriebler kann das an der Antwort nicht erkennen.
Was ist zu tun: Führen Sie doppelte Firmen und Kontakte zusammen, bevor Sie sich für Account-Zusammenfassungen auf einen Assistenten verlassen. Achten Sie darauf, dass der Merge Aktivitäten und Verknüpfungen behält, damit die Historie an einem Ort landet.
Lead Scoring teilt einen Käufer in schwache Leads auf
Beispiel: Eine Person lädt einen Leitfaden mit einer privaten E-Mail herunter und bucht eine Demo mit einer geschäftlichen. Das Scoring-Modell sieht zwei Leads mit jeweils der Hälfte des Engagements. Keiner überschreitet die Schwelle, also ruft niemand an.
Es geht auch umgekehrt. Dieselbe Person doppelt gezählt kann ein Segment engagierter aussehen lassen, als es ist, und das Modell lernt daraus.
Was ist zu tun: Prüfen Sie, wie Ihr Scoring Personen mit mehr als einem Datensatz behandelt. Führen Sie die sicheren Fälle zusammen, bevor das Modell daraus lernt.
KI-E-Mail-Schreiber und Prognosen arbeiten mit dem falschen Datensatz
Beispiel: Ein KI-Schreiber entwirft ein Follow-up aus dem Datensatz, den er bekommt. Steht darin ein alter Jobtitel oder ein abgeschlossener Deal, erwähnt die E-Mail sie, als wären sie aktuell. Zwei Datensätze einer Person können auch zweimal dieselbe KI-geschriebene Sequenz bekommen.
Prognosemodelle haben denselben blinden Fleck. Ein Deal, der doppelt existiert fügt Umsatz hinzu, den es nicht gibt, und auf zwei Firmendatensätze verteilte Deals verbergen, wie viel ein Kunde wert ist.
Was ist zu tun: Bevor Sie KI-geschriebene E-Mails oder Prognosen im großen Stil einschalten, führen Sie Kontakte mit gleicher E-Mail zusammen und prüfen offene Deals auf Duplikate. Legen Sie fest, welcher Wert bei Jobtitel, Owner und E-Mail-Opt-out gewinnt, denn das prägt, was die KI schreibt.
KI-Agenten und Anreicherungs-Bots können Duplikate erzeugen
Manche KI-Tools lesen das CRM nicht nur. Sie schreiben hinein, und das macht sie zu einer neuen Quelle von Duplikaten.
Beispiel: Ein Anreicherungsbot findet eine Firma unter einem leicht abweichenden Namen nicht und legt deshalb einen neuen Datensatz an. Ein Agent protokolliert ein Meeting und fügt einen Kontakt für einen Teilnehmer hinzu, den es mit anderer E-Mail schon gibt.
Was ist zu tun: Prüfen Sie, über welches Feld jeder Agent oder Bot bestehende Datensätze findet, bevor er einen anlegt. Beobachten Sie nach dem Aktivieren in den ersten Wochen die neuen Datensätze, die er hinzufügt.
Warum es teurer ist, die KI zu pausieren, als zuerst zu bereinigen
Das sehe ich: Ein Team, mit dem ich gesprochen habe, pausierte einen KI-Bot, bis seine Daten sauber waren. Für dieses Team mussten die Daten zuerst kommen.
Pausieren kostet Zeit, und Vertrauen ins Tool ist schwerer zurückzugewinnen als zu verlieren. Vertriebler, die einmal eine falsche Antwort bekommen, prüfen danach jede von Hand, und der Zweck ist dahin.
Was ist zu tun: Planen Sie vor dem Rollout eine Bereinigung ein und geben Sie ihr eigene Zeit im Projekt. Es ist leichter, zu bereinigen, bevor die KI zu antworten beginnt, als hinterher zu erklären, warum sie falschlag.
Wissen, was in Ihrem eigenen CRM ein Duplikat ist
Beispiel: Ein Team startet ein KI-Projekt in der Annahme, alle seien sich einig, was ein Duplikat ist. Dann antworten Vertrieb, Marketing und Support jeweils anders.
Zwei Kontakte mit info@company.com können ein gemeinsames Postfach, zwei Personen oder eine Familie sein. Zwei Firmen mit gleichem Namen können ein Unternehmen oder eine Muttergesellschaft und ihre Niederlassung sein. Was ein Team als Duplikat sieht, sieht ein anderes vielleicht nicht so.
Was ist zu tun: Sehen Sie sich an, wo sich Datensätze in Ihrem CRM überschneiden, und einigen Sie sich, was zwei davon gleich macht. Dann können Sie entscheiden, welche Felder abgeglichen werden, wie streng jedes sein soll und wie der zusammengeführte Datensatz aussehen soll.
Was Sie bereinigen sollten, bevor Sie KI einschalten
- Listen Sie die KI-Tools auf, die Ihr CRM lesen oder beschreiben, und die Objekte, die jedes nutzt.
- Führen Sie zuerst die offensichtlichen Duplikate zusammen, meist exakte E-Mail-Treffer bei Personen und Domain-Treffer bei Firmen.
- Prüfen Sie die weniger sicheren Treffer, etwa ähnliche Namen in derselben Firma, bevor Sie sie zusammenführen.
- Prüfen Sie nach dem Launch auf neue Duplikate, da Formulare, Importe, Integrationen und Agenten weiter Datensätze hinzufügen.
Wie Dedupely Ihren KI-Tools einen Datensatz pro Kunde gibt
Mit Dedupely bauen Sie Duplikatsuchen für die Datensätze, die Ihre KI-Tools lesen, beginnend mit exakten Treffern bei E-Mail oder Domain. Sie legen fest, welcher Wert gewinnt, und sehen jeden Merge vorab, und Aktivitäten und Zuordnungen wandern zum verbleibenden Datensatz. Sind Sie sicher, dass zwei Datensätze nicht gleich sind, lehnen Sie den falschen Treffer ab, und er erscheint nicht wieder in Ihren Suchen.
Saubere Datensätze machen KI-Antworten vertrauenswürdig
Jedes KI-Tool in Ihrem CRM arbeitet mit den Datensätzen, die Sie ihm geben. Ist ein Kunde auf mehrere Datensätze verteilt, antworten Assistenten aus einem Teil der Historie und Scores fallen zu niedrig aus. E-Mails gehen doppelt raus, Prognosen zählen Deals, die es nicht gibt, und Agenten können eigene Duplikate hinzufügen.
Die Lösung beginnt damit, zu wissen, was in Ihrem CRM ein Duplikat ist, und zuerst die offensichtlichen zusammenzuführen. Mit einem Datensatz pro Kunde hat die KI das ganze Bild, und Ihr Team hat Grund, ihren Aussagen zu vertrauen.
Häufige Fragen
Beeinflussen doppelte Datensätze die KI in einem CRM?
Ja: KI-Tools lesen die Datensätze in Ihrem CRM, daher liefert ein über mehrere Datensätze verteilter Kunde ihnen geteilte Daten. Assistenten antworten womöglich aus einem Datensatz und übersehen die Historie eines anderen. Lead-Scores fallen zu niedrig aus, und Prognosen können denselben Deal doppelt zählen.
Wie bereite ich CRM-Daten für KI vor?
Einigen Sie sich zuerst, was in jedem von der KI gelesenen Objekt als Duplikat zählt. Führen Sie zuerst die offensichtlichen Duplikate zusammen, meist exakte E-Mail- oder Domain-Treffer. Legen Sie dann fest, welcher Wert bei Schlüsselfeldern wie Owner und Opt-out gewinnt, und prüfen Sie unsichere Treffer vor dem Merge.
Können doppelte Kontakte das Lead Scoring beeinflussen?
Ja: Hat eine Person zwei Datensätze, verteilt sich ihre Aktivität darauf. Jeder Datensatz erzielt weniger Punkte als die Person verdient, sodass ein kaufbereiter Kontakt die Schwelle vielleicht nie erreicht. Wer doppelt zählt, lässt ein Segment auch engagierter wirken, als es ist.
Sollte ich mein CRM vor oder nach der KI-Einführung bereinigen?
Vorher, und prüfen Sie nach dem Start weiter. Wer zuerst bereinigt, lässt die KI mit einem Datensatz pro Kunde starten, und das Team verliert nach ein paar falschen Antworten nicht das Vertrauen. Formulare, Importe, Integrationen und KI-Agenten fügen weiter Datensätze hinzu, also brauchen neue Duplikate Aufmerksamkeit, sobald die KI läuft.
Warum gibt der KI-Assistent meines CRMs unvollständige Antworten zu Accounts?
Oft, weil die Historie des Accounts über doppelte Datensätze verteilt ist. Der Assistent findet einen Datensatz und antwortet daraus, während aktuelle Anrufe, Deals oder Support-Fälle auf einem anderen liegen. Doppelte Firmen und Kontakte zusammenzuführen, mit erhaltenen Aktivitäten und Verknüpfungen, bringt die Historie an einen Ort.
Oder mit Google registrieren
