{"id":29262,"date":"2021-03-12T23:45:22","date_gmt":"2021-03-12T22:45:22","guid":{"rendered":"http:\/\/wordpress.p566832.webspaceconfig.de\/?p=29262"},"modified":"2024-02-06T12:13:28","modified_gmt":"2024-02-06T11:13:28","slug":"kuenstliche-intelligenz-ki-im-crm-migrationsprojekt","status":"publish","type":"post","link":"https:\/\/www.pikon.com\/de\/blog\/kuenstliche-intelligenz-ki-im-crm-migrationsprojekt\/","title":{"rendered":"K\u00fcnstliche Intelligenz (KI) im CRM-Migrationsprojekt"},"content":{"rendered":"\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

In Customer-Relationship-Management-Systemen (CRM) werden Kundenbeziehungen mit Kontaktdaten gepflegt. Auch Aufgaben der Vertriebsmitarbeiter wie z.B. das Versenden von Informationen an einen Kunden oder die Kontaktaufnahme werden hier hinterlegt. In vielen Unternehmen ist das CRM-System ein wichtiger Teil der Wertsch\u00f6pfungskette.<\/p>

Daten \u00fcber Kunden sind nicht statisch, sie \u00e4ndern sich stetig. Durch die laufende Pflege dieser Daten gibt es einen kontinuierlichen Fluss an Informationen zu bereits bestehenden Kunden und Kontakten. Auch die Zusammenh\u00e4nge zwischen Kunden und Ansprechpartnern ver\u00e4ndern sich. Wenn viele Mitarbeiter am gleichen CRM-System arbeiten, kann es passieren, dass die Rigidit\u00e4t der Daten mit der Zeit abnimmt. Datenfehler und Dubletten k\u00f6nnen entstehen. Das macht auch die Auswertungen schwieriger.<\/p>

In diesem Blogartikel beschreiben wir unsere Erfahrungen von einem CRM-Migrationsprojekt, das auch das Ziel hatte, die Dateninkonsistenzen aus dem alten System zu bereinigen, bevor sie in das neue System \u00fcberf\u00fchrt wurden.<\/p>

Ein dynamisches CRM-System mit vielen Nutzern<\/h2>

Trotz des gro\u00dfen Nutzens von Stammdaten<\/a>, k\u00f6nnen sie gro\u00dfe Herausforderungen f\u00fcr Unternehmen darstellen:<\/p>

Eine Vielzahl von Nutzern im selben System f\u00fchrt zu einem uneinheitlichen Pflegegrad der Daten, und damit zu unvollst\u00e4ndigen Daten oder zu Redundanz.<\/p>

Werden mehrere Stammdatenquellen zusammengef\u00fchrt, k\u00f6nnen die gleichen Kunden in mehreren Quellen existieren und m\u00fcssen zusammengef\u00fchrt werden.<\/p>

Vor diesen Herausforderungen stand unser Projektteam in einem Migrationsprojekt von Daten aus einem CRM-System von Salesforce und von externen Dienstleistern in ein Jira-basiertes CRM-System.<\/p>

Ziel war es, nur saubere Daten in das neue System zu migrieren und den manuellen Aufwand bei der Datenbereinigung zu minimieren. Hierf\u00fcr wurde ein Migrationsprogramm aufgebaut und eine K\u00fcnstliche Intelligenz trainiert, um sowohl Dubletten in den Daten zu erkennen als auch die Daten zu vervollst\u00e4ndigen.<\/p>

Da ein CRM-System f\u00fcr den produktiven Ablauf im Unternehmen essenziell ist, stellte die Downtime des CRM-Systems eine gro\u00dfe Challenge dar. Daf\u00fcr wurde das Migrationsprogramm modular aufgebaut und mit Schnittstellen f\u00fcr den Input der Data Owners ausgestattet. Auch die Zuordnung von Werten wurde \u00fcber Tabellen gesteuert.<\/p>

\"Datenbereinigung
Grafische Darstellung des Datenbereinigungsprogramms.<\/figcaption><\/figure>

Was meinen wir mit Intelligenz bei der Datenbereinigung?<\/h2>

Ist eine Firma zweimal mit identischem Namen angelegt, dann k\u00f6nnen wir Dubletten \u00fcber einen direkten Abgleich des Namens oder der Adresse erkennen. Oft ist dies aber nicht der Fall. Firmen werden mit unterschiedlichen Namen, Schreibweise oder Abk\u00fcrzungen angelegt. Hier kommt die k\u00fcnstliche Intelligenz zum Einsatz: wir k\u00f6nnen Modelle trainieren, die automatisch \u00e4hnliche Objekte erkennen und durch Feedbackschleifen sogar besser werden.<\/p>

\"\"
Dublettenerkennung und hierarchische Einordnung. Das KI-Modell erkennt namentliche Verwandtschaft der Firmen und ordnet sie hierarchisch ein<\/figcaption><\/figure>

Die K\u00fcnstliche Intelligenz identifiziert Dubletten automatisch und diese werden der verantwortlichen Person zur Kontrolle pr\u00e4sentiert. Das Feedback l\u00e4uft wiederum in das Training der k\u00fcnstlichen Intelligenz ein, sodass die Identifikation von Dubletten mit der Zeit noch pr\u00e4ziser wird.<\/p>

Neben der Dublettenerkennung kann die KI auch f\u00fcr andere Aufgaben n\u00fctzlich sein:
Aus Trainingsdaten k\u00f6nnen Regeln gelernt werden, die wiederum bei der Erkennung von Datenfehlern verwendet werden k\u00f6nnen.<\/p>

\"\"<\/p>

Au\u00dferdem lassen sich KI-Methoden sehr gut f\u00fcr das automatisierte Auslesen von Freitextfeldern verwenden.<\/p>

Und wie haben wir das technisch umgesetzt?<\/h2>

1.\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0 Vervollst\u00e4ndigung der Stammdaten<\/h3>

In verschiedenen Tabellen des CRM-Systems fehlten Informationen \u00fcber Datenpunkte. Besonders Firmenadressen wiesen oft fehlende Informationen auf. Unternehmen mit fehlenden Adressen(-teilen) wurden aus dem Internet automatisch durch einen Webcrawler gesucht. Sofern Teile der Adresse vorlagen, wurden diese mit der gecrawlten Adresse abgeglichen. F\u00fcr den Vergleich der Adressdaten wurden NLP-Methoden (NER-Modell) trainiert, um Adressen in ihre Bestandteile aufzuspalten, unabh\u00e4ngig von der Reihenfolge und dem Landesformat. Bei \u00dcbereinstimmung der gepflegten Adressteile wurde die neue Adresse \u00fcbernommen.<\/p>

Ein anderes Beispiel f\u00fcr fehlende Informationen stellten die Kontaktinformationen dar. Besonders Social-Media-Profile wie LinkedIn und Xing-Accounts waren fast nie vorhanden, sind heute f\u00fcr den Vertrieb aber eine wichtige Information. Auch hierf\u00fcr wurde ein Webcrawler programmiert, um die Social-Media Profile der Kontakte zu finden. \u00dcber ein regelbasiertes System wird sichergestellt, dass die gecrawlte Adresse korrekt ist. Mit einer gr\u00f6\u00dferen Vielfalt an Kontaktdaten k\u00f6nnen schnell vertriebliche Anfragen gel\u00f6st werden und der Kontakt aufrechterhalten werden.<\/p>

Neben der Vervollst\u00e4ndigung wurden die Daten ges\u00e4ubert und Formate vereinheitlicht.<\/p>

2.\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0 Dublettenbereinigung<\/h3>

Wenn mehrere Mitarbeiter im gleichen System Daten pflegen entstehen Dubletten, insbesondere wenn das System \u00fcber viele Jahre verwendet wird. Im Migrationsprozess sollten dazu auch Daten von einem externen Dienstleister \u00fcberf\u00fchrt werden. Dadurch entstehen auch Dubletten, denn der externe Dienstleister kennt nicht alle Kunden, die im Unternehmen bereits im CRM-System gepflegt sind.<\/p>

Eine Dublette ist ein Datensatz in einer Datenbank, der redundant ist und dessen Redundanz aber aufgrund abweichender Schreibung nicht durch Pr\u00fcfung auf gleiche Inhalte erkannt werden kann. Daher ist es zeitaufwendig diese zu finden.<\/p>

F\u00fcr die Identifikation von gleichen Firmen wurde eine KI trainiert, die gleiche Unternehmen identifiziert. Daf\u00fcr wurden Differenzen zwischen den Namen durch unterschiedliche Distanzma\u00dfe repr\u00e4sentiert. Au\u00dferdem flossen Gesellschaftsformen (z.B. GmbH, AG usw.), Branchen (z.B. Automotive, Finance) und geographische Bezeichnungen (Deutschland, Europe, \u2026) in das Modell mit ein. Diese wurden ebenfalls aus den Firmennamen extrahiert. Dadurch konnten nicht nur gleiche Firmen identifiziert, sondern auch Relationen (Parent-Child) zwischen Firmen festgestellt werden (Konzernstrukturen). Mit dieser Datengrundlage wurden mit Clusteringmethoden potenzielle Dubletten identifiziert. In einer Feedbackschleife zum Data Owner wurden die Labelings qualifizert. Dadurch wurde auch eine Datengrundlage zum Training eines pr\u00e4ziseren Klassifikationsmodell geschaffen. Damit nahm die Pr\u00e4zision der Dublettenfindung laufend zu.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

Gerne unterst\u00fctzen wir auch Ihr Projekt mit einer intelligenten Stammdatenbereinigung. Sprechen Sie uns an:<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t
\"Daniel<\/a><\/figure>
Daniel Schneider-Ortscheit<\/div>
Customer Success Manager<\/div>
<\/i> +49 (0) 681 379 62 - 183<\/a><\/div>
<\/i> daniel.schneider-ortscheit@pikon.com<\/a><\/div>

[borlabs-cookie id=\"active-campaign-email-marketing-form\" type=\"content-blocker\"]
<\/div>