Zum Inhalt springen

Blog

Datenanalyse

CRM-Daten bereinigen, bevor Sie KI hinzufügen: Dubletten, Granularität und Verantwortung

Ein KI-Tool in Ihrem CRM wiederholt, was die Daten sagen. Führen Sie Dubletten zusammen, klären Sie, wofür jeder Datensatz steht, und geben Sie jedem Feld einen Verantwortlichen, bevor die KI live geht.

6 Min. Lesezeit
Gedithertes Bild einer Marmorhand, die auf einer steinernen Dreschtenne eine Handvoll Schriftzeichen-Körner in die Luft wirft, die Spreu weht davon und ein gelbes Korn fällt zurück.
Facebook-Logo
X-Logo
LinkedIn-Logo
Reddit-Logo
Telegram-Logo

Die Qualität der CRM-Daten ist vor dem Einsatz von KI wichtig, weil ein KI-Tool jeden Datensatz für wahr hält. Es schreibt dem doppelten Kontakt eine E-Mail, bewertet den veralteten Deal und fasst den Account anhand von Feldern zusammen, die niemand aktualisiert hat. Führen Sie Dubletten zusammen, legen Sie fest, wofür jeder Datensatz steht, und geben Sie jedem wichtigen Feld einen Verantwortlichen, bevor ein KI-Tool Ihr CRM liest oder beschreibt.

Stellen Sie sich ein B2B-Dienstleistungsunternehmen mit einem CRM vor, das sechs Jahre lang gewachsen ist. Vertrieb, Marketing und zwei ehemalige Agenturen haben Listen hineinimportiert. Derselbe Einkäufer existiert dreimal, einmal pro E-Mail-Adresse. Manche Deals sind eine Zeile pro Projekt, andere eine Zeile pro Rechnung. Das Unternehmen schaltet einen KI-Assistenten ein, der Nachfassnachrichten entwerfen und das Quartal prognostizieren soll. In der ersten Woche schreibt er einen Kunden an, als wäre er ein Kaltkontakt, und zählt eine Verlängerung als drei Neuabschlüsse.

Warum ist die Qualität der CRM-Daten vor dem Einsatz von KI wichtig?

KI-Tools in einem CRM arbeiten mit den Datensätzen, die sie bekommen, und wiederholen daher die Fehler der Daten schnell und in selbstsicherer Sprache. Ein Mensch, der den Account kennt, würde bemerken, dass ein Kontakt das Unternehmen verlassen hat; ein KI-Assistent tut das nicht, es sei denn, der Datensatz sagt es.

Schlechte Daten kosteten früher eine falsche Zahl in einem Dashboard. Sobald KI darauf handelt, kosten sie eine falsche E-Mail an einen Kunden, einen Lead beim falschen Vertriebsmitarbeiter oder eine Prognose auf Basis von Deals, die letztes Jahr abgeschlossen wurden. Das Problem ist dasselbe, das wir in Wenn Ihre CRM-Daten ungenau sind, führen Ihre Analysen in die Irre beschrieben haben; KI macht es nur lauter.

Was sind die häufigsten Probleme bei CRM-Daten?

Die meisten CRM-Probleme fallen in sechs Typen: Dubletten, fehlende Werte, veraltete Werte, uneinheitliche Werte, falsche Granularität und fehlende Verantwortung. Jedes führt ein KI-Tool auf eine andere Weise in die Irre.

  • Dubletten. Dieselbe Person oder dasselbe Unternehmen existiert mehrfach. Aktivitäten, E-Mails und Deals verteilen sich auf die Kopien, sodass keine Kopie die ganze Geschichte erzählt.

  • Fehlende Werte. Pflichtfelder sind leer, oft weil sie in Formularen oder Importen nie verpflichtend waren. Die KI füllt die Lücke mit einer Vermutung oder überspringt den Datensatz.

  • Veraltete Werte. Das Feld war einmal richtig. Jobtitel, Verantwortliche, Lebenszyklusphasen und Abschlussdaten von Deals driften, wenn niemand sie aktualisiert.

  • Uneinheitliche Werte. Dasselbe wird auf mehrere Arten geschrieben: „UK“, „United Kingdom“ und „GB“ in einem Länderfeld, oder Freitext, wo eine Auswahlliste stehen sollte.

  • Falsche Granularität. Datensätze eines Typs stehen nicht für dasselbe, etwa Deals, die mal Projekte und mal Rechnungen sind.

  • Kein Verantwortlicher. Niemand ist für ein Feld zuständig, daher bemerkt niemand, wenn es kaputtgeht.

Wie finden und führen Sie doppelte CRM-Datensätze zusammen?

Beginnen Sie mit den eindeutigen Schlüsseln, die Ihr CRM bereits nutzt, finden Sie die Datensätze, die an ihnen vorbeigerutscht sind, und führen Sie in Stapeln zusammen, wobei ein Mensch jedes Paar prüft. Beheben Sie die Quelle neuer Dubletten, bevor Sie die alten zusammenführen, sonst kommen sie zurück.

In HubSpot etwa gleicht die automatische Deduplizierung Kontakte anhand der E-Mail-Adresse und Unternehmen anhand des Domainnamens ab. Das lässt bekannte Lücken, die die Dokumentation von HubSpot selbst beschreibt:

  • Ein Import ohne die Spalte „E-Mail“ erzeugt für jede Zeile einen neuen Kontakt.

  • Ein Import ohne die Unternehmensdomain erzeugt für jede Zeile ein neues Unternehmen.

  • Unternehmen, die über die API angelegt werden, auch durch installierte Sync-Apps von Drittanbietern, werden nicht anhand der Domain dedupliziert.

So kann dieselbe Person mit einer geschäftlichen und einer privaten E-Mail oder ein aus einem anderen Tool synchronisiertes Unternehmen doppelt auftauchen.

Ein Marmordaumen presst zwei fast identische, sich überlappende Medaillons zu einem zusammen, mit einer einzelnen gelben Perle unter dem Daumen

Eine Zusammenführungsroutine, die hält

  1. Die Quellen finden. Prüfen Sie, welche Formulare, Importe und Integrationen die Dubletten erzeugt haben. Schließen Sie diese Lücken zuerst.

  2. Eine Abgleichsregel wählen. Entscheiden Sie, was als derselbe Datensatz gilt: E-Mail, Domain, Telefon oder Name plus Unternehmen.

  3. Einen führenden Datensatz bestimmen. Legen Sie fest, welche Kopie gewinnt, wenn zwei Kopien sich widersprechen, Feld für Feld.

  4. Vor dem Zusammenführen prüfen. Das Tool zur Verwaltung von Dubletten von HubSpot, verfügbar in Professional- und Enterprise-Abonnements, schlägt Kontakt- und Unternehmenspaare zur Prüfung vor. Laut Dokumentation lassen sich zusammengeführte Datensätze nicht wiederherstellen, exportieren Sie also vorher eine Sicherung.

  5. Nach einer Woche erneut prüfen. Tauchen neue Dubletten auf, ist eine Quelle noch offen.

Was ist Datengranularität, und warum verfälscht sie KI-Antworten?

Granularität ist das, wofür ein Datensatz steht: eine Person, ein Unternehmen, ein Deal, eine Rechnung. Haben Datensätze desselben Typs unterschiedliche Granularität, sind jede Zählung, jede Summe und jeder Vergleich falsch, und ein KI-Tool kann das nicht erkennen.

Gemischte Granularität ist bei Deals häufig. Ein Vertriebsmitarbeiter legt einen Deal pro Vertrag an, ein anderer pro Rechnung und ein dritter pro Produktlinie desselben Vertrags. Fragen Sie einen KI-Assistenten, wie viele Neukunden Sie im letzten Quartal gewonnen haben, zählt er Zeilen, nicht Kunden.

Ein römischer Mosaikboden aus gleichen quadratischen Steinen, ein gelber Stein auf eine andere Größe zugeschnitten, am Rand liegt ein Marmorgesicht

So beheben Sie die Granularität

  • Einen Satz pro Objekt schreiben. Zum Beispiel: „Ein Deal ist ein unterzeichneter Vertrag mit einem Unternehmen.“ Tragen Sie ihn in die Feldbeschreibungen des CRM ein, wo Menschen und KI-Tools ihn lesen können.

  • Trennen, was nicht passt. Verlagern Sie Rechnungen in ein eigenes Objekt oder in Ihr Finanzsystem und Produkte in Positionen.

  • Kennzahlen einmal definieren. Legen Sie fest, wie „Neukunde“, „Pipeline“ und „Win Rate“ berechnet werden, und halten Sie diese Definitionen an einer Stelle. Unser Beitrag dazu, BI mit einer semantischen Schicht für KI-Agenten bereit zu machen, zeigt, wie.

Wer sollte CRM-Daten verantworten?

Jedes wichtige Feld und Objekt braucht einen benannten Verantwortlichen, der seine Definition, seine zulässigen Werte und die Änderungsberechtigten festlegt. Verantwortung hält ein sauberes CRM sauber.

Ein Feldverantwortlicher ist die Person, die dafür geradesteht, dass ein Feld korrekt ist und von allen gleich verwendet wird. Meist verantwortet Sales Operations die Deal-Phasen und Verantwortlichen, das Marketing die Felder zu Lebenszyklusphase und Quelle, und der Customer Success die Felder zu Verlängerung und Kundengesundheit. Eine Person, oft die Leitung Revenue Operations, verantwortet das gesamte Datenmodell.

Wie Verantwortung in der Praxis aussieht

  • Ein kurzes Datenwörterbuch, das jedes Schlüsselfeld mit Definition, Verantwortlichem und zulässigen Werten auflistet.

  • Auswahllisten statt Freitext, wo immer die Werte bekannt sind.

  • Pflichtfelder in der Phase, in der die Information bekannt wird, nicht alle auf einmal bei der Anlage.

  • Eine Regel dafür, wer Felder hinzufügen darf, damit sich das CRM nicht mit Beinahe-Kopien wie „Branche“, „Branche (neu)“ und „Sektor“ füllt.

Wie halten Sie ein CRM sauber, sobald KI angebunden ist?

Behandeln Sie Datenqualität als Routine, nicht als Projekt: Prüfen Sie sie nach einem Zeitplan, blockieren Sie schlechte Daten bei der Eingabe und begrenzen Sie, was das KI-Tool schreiben darf. Ein KI-Tool, das Datensätze aktualisieren kann, kann auch das nächste Chaos anrichten.

Die laufende Checkliste

  • Führen Sie wöchentlich Dublettenprüfungen durch und prüfen Sie neue Paare.

  • Erfassen Sie pro Team den Anteil leerer Werte in jedem Pflichtfeld.

  • Validieren Sie Importe gegen die Abgleichsregeln, bevor sie geladen werden.

  • Lassen Sie KI-Tools Feldaktualisierungen vorschlagen, die ein Mensch annimmt, statt direkt zu schreiben, bis Sie ihnen bei diesem Feld vertrauen.

  • Protokollieren Sie jede Änderung eines KI-Tools samt der angegebenen Begründung.

  • Überprüfen Sie das Datenwörterbuch jedes Quartal mit den Feldverantwortlichen.

Wenn Sie noch ein CRM auswählen, behandelt unser Vergleich HubSpot vs. GoHighLevel für Dienstleistungsunternehmen, die KI einführen, wie beide mit KI-Funktionen umgehen.

So gehen wir bei Vizio AI vor

Wir beginnen mit den Fragen, die die KI beantworten, oder den Aktionen, die sie ausführen soll, und verfolgen jede zurück zu den Objekten und Feldern, von denen sie abhängt. Nur diese Felder werden zuerst bereinigt; der Rest des CRM kann warten.

Dann analysieren wir die Daten auf die sechs Problemtypen, beheben die Quellen neuer Fehler, bevor wir alte zusammenführen, halten Granularität und Verantwortlichen jedes Objekts schriftlich fest und stimmen die Prüfregeln mit den Menschen ab, die das CRM täglich nutzen. Das KI-Tool geht zunächst schreibgeschützt live und erhält Schreibzugriff Feld für Feld.

Das ist die Arbeit, die unser Growth Studio leistet, wenn es CRM, Marketing und KI zu einem System verbindet.

Quellen

FAQs.

01

02

03

04

05

Mehr lesen.

Dithered illustration of two marble hands pulling a mason's line taut between stakes across bare ground at dawn, the first course of stones laid along it and a pink knot at the nearest stake.
Your First 30 Days With a Product Studio: What Happens Week by Week
7 Min.

The first 30 days with a product studio: week one sets access and goals, week two tests the riskiest assumption, weeks three and four ship a first slice.

Dithered illustration of a marble hand opening the case of a bracket clock to show a dense hidden mechanism, one small gear deep inside glowing red.
What Does an AI Agent Cost to Run? Tokens, Tools and the Hidden Line Items
6 Min.

An AI agent's running cost is model tokens across every step, plus retries, tool and search fees, hosting, monitoring and human review. Budget per task, not per token.

Dithered illustration of a fragmented marble face looking down at a jeweller's tray where gems are sorted by size, the largest stone glowing amber under a brass lamp.
AI Lead Scoring in Your CRM: Start With the Rules You Already Trust
7 Min.

Add AI lead scoring by writing down the rules sales already trusts, cleaning CRM data, then testing the AI score against those rules before reps use it.

AI-first denken.
Zukunftsschnell handeln.

Lassen Sie uns bauen, was als Nächstes kommt! Von Produktideen und intelligenten Workflows bis zu datengetriebenen Systemen und skalierbaren Growth Operations.

Strategiegespräch buchen