Im ersten Teil dieser Serie haben wir untersucht, warum Automatisierung im CRM ohne organisatorische Klarheit scheitert. KI wurde dabei als Verstärker bestehender Strukturen beschrieben, nicht als Korrektiv. Dieser zweite Teil vertieft einen zentralen Aspekt, der in vielen Unternehmen unterschätzt wird: die Qualität der Daten, auf denen KI-Systeme ihre Entscheidungen treffen. Die Hoffnung, dass intelligente Algorithmen fehlerhafte oder lückenhafte Daten ausgleichen können, erweist sich in der Praxis als Trugschluss. Schlechte Daten werden durch KI nicht bereinigt. Sie werden schneller und flächendeckender wirksam.
Dieser Artikel richtet sich an CEOs, Marketing Leads, CRM- und RevOps-Verantwortliche sowie Sales Leads, die verstehen wollen, welche strukturellen Voraussetzungen für einen sinnvollen KI-Einsatz im CRM erfüllt sein müssen. Der Fokus liegt erneut auf B2C-Kontexten, mit vergleichender Einordnung für B2B-Szenarien. Diese Betrachtung baut auf den im ersten Beitrag der CRM-Serie beschriebenen Reifegraden auf.
Zur Übersicht aller Artikel der CRM-Serie
CRM-Daten sind kein Rohstoff, sondern Entscheidungsmaterial
Die gängige Metapher von Daten als neuem Öl führt in die Irre. Öl ist ein passiver Rohstoff, der gefördert, transportiert und verarbeitet werden kann. CRM-Daten sind etwas anderes. Sie sind interpretationsabhängig, kontextgebunden und veralten kontinuierlich. Ein Kundendatensatz ist nicht einfach da. Er wurde erfasst, kategorisiert, möglicherweise angereichert, vielleicht migriert. Jeder dieser Schritte trägt Annahmen in sich, die selten dokumentiert werden.
Der Unterschied zwischen Datensammlung und Entscheidungsfähigkeit wird in vielen Organisationen nicht klar genug gezogen. Ein gefülltes CRM-System bedeutet nicht, dass die enthaltenen Informationen für Entscheidungen geeignet sind. Ein vollständiges Kundenprofil bedeutet nicht, dass die darin enthaltenen Attribute aktuell, konsistent oder für den jeweiligen Anwendungsfall relevant sind. Daten haben nur dann Wert, wenn sie im richtigen Kontext interpretiert werden können.
Drei Dimensionen sind dabei entscheidend. Erstens der Kontext: Wann und unter welchen Umständen wurde ein Datenpunkt erfasst? Ein Opt-in von vor fünf Jahren hat eine andere Bedeutung als einer von gestern. Zweitens die Historie: Wie hat sich ein Kundenprofil über die Zeit verändert? Einzelne Datenpunkte ohne Verlauf sind für Prognosen wertlos. Drittens die Konsistenz: Werden gleiche Sachverhalte in unterschiedlichen Systemen und Teams gleich erfasst? Wenn Marketing unter einem Kunden etwas anderes versteht als Sales, sind gemeinsame Analysen nicht möglich. Diese drei Dimensionen bestimmen, ob Daten zu Entscheidungen beitragen können oder ob sie nur den Eindruck von Wissen vermitteln.
Typische Datenprobleme im CRM
Die Probleme, die in CRM-Datenbeständen auftreten, sind selten technischer Natur. Sie entstehen aus organisatorischen Realitäten, aus historisch gewachsenen Strukturen und aus dem Alltag von Teams, die unter Zeitdruck arbeiten. Die folgenden Muster treten in nahezu jeder Organisation auf, unabhängig von Branche oder Größe.
Das erste und häufigste Problem ist die Fragmentierung zwischen Marketing, Sales und Service. Jede Abteilung pflegt eigene Daten, oft in unterschiedlichen Systemen oder zumindest mit unterschiedlichen Prioritäten. Marketing erfasst Kampagnenreaktionen, Sales dokumentiert Verkaufsgespräche, Service protokolliert Beschwerden. Die Integration dieser Perspektiven zu einem kohärenten Kundenbild gelingt selten vollständig. Was als technisches Integrationsprojekt beginnt, scheitert oft an unterschiedlichen Definitionen dessen, was ein Lead, ein Kunde oder eine Opportunity eigentlich ist.
Das zweite Problem sind inkonsistente Kundenprofile. Dieselbe Person kann mehrfach erfasst sein, mit unterschiedlichen E-Mail-Adressen, Schreibweisen des Namens oder Zuordnungen zu Accounts. Dubletten sind nur die offensichtlichste Ausprägung. Subtiler und schwerer zu erkennen sind semantische Inkonsistenzen: wenn etwa die Branchenzuordnung in einem System nach anderen Kriterien erfolgt als in einem anderen oder wenn Kontaktpräferenzen an unterschiedlichen Stellen unterschiedlich gepflegt werden.
Das dritte Problem sind veraltete oder nicht gepflegte Informationen. CRM-Daten veralten schneller, als viele Organisationen wahrhaben wollen. Ansprechpartner wechseln, Unternehmen fusionieren, Präferenzen ändern sich. Die systematische Pflege dieser Informationen ist aufwendig und wird im Tagesgeschäft oft vernachlässigt. Das Ergebnis sind Datenbestände, die formell vollständig erscheinen, inhaltlich aber überholt sind.
Das vierte Problem sind implizite Annahmen statt expliziter Definitionen. Was bedeutet ein Lead-Score von 80? Nach welchen Kriterien wurde er berechnet? Welche Datenfelder fließen ein, und wie werden sie gewichtet? In vielen Organisationen existieren solche Scores, ohne dass ihre Konstruktion dokumentiert oder verstanden wäre. Sie werden verwendet, als wären sie objektive Fakten, obwohl sie auf Annahmen beruhen, die möglicherweise längst überholt sind.
All diese Probleme existieren auch ohne KI. Aber KI macht sie sichtbarer und riskanter. Wenn ein Vertriebsmitarbeiter einen veralteten Datensatz sieht, kann er ihn ignorieren oder korrigieren. Wenn ein Algorithmus denselben Datensatz verarbeitet, behandelt er ihn als Fakt. Die Geschwindigkeit und Skalierung von KI bedeutet, dass Fehler nicht mehr vereinzelt auftreten, sondern systematisch reproduziert werden. Eine systematische Bestandsaufnahme durch einen KI Audit kann helfen, diese Datenqualitätsprobleme vor der KI-Einführung zu identifizieren.
B2C-Fokus mit B2B-Vergleich
Im B2C-Bereich sind die Datenmengen typischerweise größer und die Interaktionsfrequenz höher als im B2B. Ein E-Commerce-Unternehmen mit hunderttausenden Kunden sammelt täglich Millionen von Datenpunkten: Klicks, Käufe, Retouren, Newsletter-Öffnungen, Support-Anfragen. Diese Skalierung macht B2C-CRM besonders datenintensiv und damit besonders anfällig für Qualitätsprobleme.
Die Fehleranfälligkeit im B2C ergibt sich nicht nur aus dem Volumen, sondern auch aus den Prozessen. Automatisierte Erfassung bedeutet weniger menschliche Kontrolle. Schnelle Transaktionszyklen lassen wenig Zeit für Datenvalidierung. Die Anonymität vieler Kundenbeziehungen erschwert die Zuordnung und Anreicherung von Profilen. Wenn ein Kunde über verschiedene Kanäle interagiert, ohne sich zu identifizieren, entstehen fragmentierte Datensätze, die erst nachträglich und oft unvollständig zusammengeführt werden.
Im B2B sieht die Situation anders aus, aber nicht unbedingt einfacher. Die Datenmenge pro Kunde ist geringer, aber die Komplexität höher. Ein B2B-Account kann multiple Ansprechpartner haben, mit unterschiedlichen Rollen und Entscheidungsbefugnissen. Die Verkaufszyklen sind länger, die Dokumentationsanforderungen höher. Die persönliche Beziehung zwischen Vertriebsmitarbeiter und Kunde führt dazu, dass viel Wissen in Köpfen statt in Systemen liegt. Wenn dieser Mitarbeiter das Unternehmen verlässt, geht dieses Wissen verloren.
Der entscheidende Unterschied ist die Skalierung der Auswirkungen. Im B2C wirken sich Datenqualitätsprobleme auf tausende oder Millionen von Kundeninteraktionen aus. Ein fehlerhaft trainiertes Empfehlungssystem erreicht sofort alle Kunden. Im B2B sind die unmittelbaren Auswirkungen begrenzter, aber die Konsequenzen einzelner Fehler können gravierender sein, wenn etwa ein strategisch wichtiger Account durch falsche Informationen verloren geht. Volumen verstärkt Unterschiede in der Datenqualität, es nivelliert sie nicht.
KPI-Verbesserung versus Entscheidungsqualität
Die Erfolgsmessung von KI im CRM konzentriert sich typischerweise auf quantifizierbare Metriken: Conversion Rates, Customer Lifetime Value, Churn Rates, Forecast Accuracy, Produktivitätskennzahlen. Diese KPIs sind wichtig, aber sie erzählen nur einen Teil der Geschichte. Bessere Zahlen bedeuten nicht automatisch bessere Entscheidungen.
Ein Beispiel: Ein Unternehmen führt KI-gestütztes Lead Scoring ein und beobachtet eine Steigerung der Conversion Rate um 15 Prozent. Das klingt nach Erfolg. Aber was bedeutet es? Möglicherweise wurden einfach Leads mit höherer Abschlusswahrscheinlichkeit priorisiert, die auch ohne KI konvertiert wären. Möglicherweise wurden andere Leads, die mit menschlicher Betreuung hätten gewonnen werden können, vernachlässigt. Die Conversion Rate ist gestiegen, aber die Gesamtzahl der gewonnenen Kunden möglicherweise nicht, oder ihre Qualität hat sich verschlechtert.
Ein weiteres Beispiel betrifft Churn Prediction. Ein Algorithmus identifiziert Kunden mit hohem Abwanderungsrisiko, und die Churn Rate sinkt. Aber wurden die richtigen Kunden gehalten? Möglicherweise wurden vor allem die Kunden identifiziert, die sowieso auf Rabattangebote anspringen, während die wirklich wertvollen, aber stillen Kunden übersehen wurden. Die KPI ist besser, die Kundenbasis möglicherweise weniger profitabel.
Das Problem liegt in der Feedback-Schleife. KPIs messen, was messbar ist, nicht was wichtig ist. Wenn ein Algorithmus auf die Optimierung einer bestimmten Kennzahl trainiert wird, wird er genau das tun, unabhängig davon, ob das dem eigentlichen Geschäftsziel dient. Fehlerhafte Daten können dabei zu scheinbar positiven Ergebnissen führen, die bei genauerer Betrachtung trügerisch sind.
Die qualitativen Effekte bleiben entscheidend, auch wenn sie schwerer zu messen sind. Hat sich die Kundenzufriedenheit verbessert? Verstehen die Mitarbeiter, warum bestimmte Empfehlungen gegeben werden? Werden bessere strategische Entscheidungen getroffen? Diese Fragen lassen sich nicht durch Dashboards beantworten. Sie erfordern eine kritische Reflexion, die über die Interpretation von Zahlen hinausgeht.
Reifegradbetrachtung: Datenqualität und KI
Im ersten Teil dieser Serie wurde ein Reifegradmodell für KI im CRM vorgestellt, das fünf Stufen unterscheidet: Assistenz, Priorisierung, Automatisierung, Entscheidungsunterstützung und Organisations-Spiegel. Jede dieser Stufen stellt spezifische Anforderungen an die Datenqualität. Organisationen überschätzen häufig ihren tatsächlichen Reifegrad und damit auch ihre Bereitschaft für fortgeschrittenere KI-Anwendungen.
Assistenz: Grundlegende Vollständigkeit
Auf der ersten Stufe, der Assistenz, sind die Anforderungen an die Datenqualität vergleichsweise gering. Wenn KI Informationen zusammenfasst oder relevante Historien anzeigt, müssen die Daten vorhanden und grundlegend strukturiert sein. Lücken und Inkonsistenzen fallen auf, können aber vom menschlichen Nutzer erkannt und korrigiert werden. Die Verantwortung für die Interpretation bleibt beim Menschen. Typische Qualitätsprobleme auf dieser Stufe sind fehlende Datensätze und mangelnde Strukturierung, aber sie sind handhabbar.
Priorisierung: Vergleichbarkeit und Konsistenz
Auf der zweiten Stufe, der Priorisierung und Empfehlung, steigen die Anforderungen deutlich. Wenn KI entscheiden soll, welche Leads priorisiert werden, müssen die zugrundeliegenden Daten vergleichbar sein. Ein Lead-Score ist nur sinnvoll, wenn alle Leads nach denselben Kriterien erfasst wurden. Inkonsistenzen in der Erfassung führen zu systematischen Verzerrungen. Leads aus einem Kanal werden bevorzugt, weil sie besser dokumentiert sind, nicht weil sie objektiv vielversprechender wären. Hier beginnt die Gefahr, dass Datenqualitätsprobleme unsichtbar werden und sich in algorithmischen Entscheidungen manifestieren.
Automatisierung: Regelkonformität und Aktualität
Auf der dritten Stufe, der Prozessautomatisierung, wird Datenqualität zur kritischen Voraussetzung. Wenn KI eigenständig handelt, etwa E-Mails verschickt oder Leads zuweist, müssen die Daten nicht nur vollständig und konsistent, sondern auch aktuell sein. Eine automatisierte E-Mail an einen Ansprechpartner, der das Unternehmen längst verlassen hat, ist nicht nur ineffektiv, sie schadet der Kundenbeziehung. Automatisierung ohne Mechanismen zur Sicherstellung der Datenaktualität ist riskant.
Entscheidungsunterstützung: Tiefe und Erklärbarkeit
Auf der vierten Stufe, der Entscheidungsunterstützung, werden die Anforderungen noch anspruchsvoller. Wenn KI-Analysen in strategische Entscheidungen einfließen, müssen die Daten nicht nur korrekt sein, sondern ihre Herkunft und Verarbeitung muss nachvollziehbar sein. Ein Forecast ist nur dann vertrauenswürdig, wenn verstanden wird, auf welchen Daten er basiert und welche Annahmen in ihn eingegangen sind. Ohne diese Transparenz werden Entscheidungen auf Grundlage von Black Boxes getroffen, was langfristig das Vertrauen in datengestützte Führung untergräbt.
Organisations-Spiegel: Reflexionsfähigkeit
Auf der höchsten Stufe, dem Organisations-Spiegel, wird Datenqualität selbst zum Analyseobjekt. KI zeigt auf, wo Daten fehlen, wo sie inkonsistent sind, wo Prozesse unklar dokumentiert werden. Diese Stufe erfordert nicht nur hohe Datenqualität, sondern auch die organisatorische Bereitschaft, aus Datenqualitätsproblemen zu lernen. Viele Organisationen sind nicht bereit für diesen Spiegel, weil er Schwachstellen aufdeckt, die bisher verborgen blieben. Das Überspringen von Reifegraden, etwa der direkte Sprung von Assistenz zu Entscheidungsunterstützung, führt fast immer zu Problemen. Die Datenqualität, die für höhere Reifegrade notwendig wäre, wurde nicht aufgebaut. Die Governance-Strukturen fehlen. Das Ergebnis sind KI-Systeme, die auf unzureichender Grundlage operieren und deren Empfehlungen nicht vertrauenswürdig sind.
Tool-Landschaft einordnen, nicht bewerten
Die Wahl des CRM-Systems hat erheblichen Einfluss auf die Möglichkeiten zur Sicherstellung von Datenqualität. Unterschiedliche Systeme verfolgen unterschiedliche Philosophien, und diese Unterschiede haben praktische Konsequenzen. Es geht hier nicht um Rankings oder Empfehlungen, sondern um eine Einordnung, die Entscheidern hilft, die Implikationen ihrer Systemwahl zu verstehen.
Eine erste Kategorie bilden Systeme mit nativem Datenmodell-Ansatz. Salesforce ist hier das prominenteste Beispiel. Das System bietet ein hochgradig konfigurierbares Datenmodell, das an die spezifischen Anforderungen einer Organisation angepasst werden kann. Diese Flexibilität hat ihren Preis: Sie erfordert erhebliche Expertise in der Modellierung und kontinuierliche Pflege. Datenqualität muss durch Regeln, Validierungen und Governance-Prozesse aktiv gesichert werden. Die Verantwortung liegt bei der Organisation.
Eine zweite Kategorie bilden Systeme mit Add-on-Ansatz. HubSpot und Pipedrive etwa bieten schlankere Basismodelle mit vordefinierten Strukturen. Erweiterungen erfolgen durch Integrationen und Zusatzmodule. Der Vorteil ist die schnellere Implementierung und geringere Komplexität. Der Nachteil ist die begrenzte Anpassbarkeit und die Gefahr fragmentierter Datenbestände, wenn zu viele Erweiterungen hinzugefügt werden, ohne ein übergreifendes Datenmodell zu pflegen.
Eine dritte Kategorie bilden Systeme mit tief integrierten Workflow-Modellen. Microsoft Dynamics ist hier ein Beispiel, das eng mit dem breiteren Microsoft-Ökosystem verknüpft ist. Die Stärke liegt in der Integration mit anderen Unternehmensanwendungen, von Office bis Power Platform. Datenqualität profitiert von dieser Integration, wenn sie konsequent umgesetzt wird, kann aber auch unter inkonsistenten Datenflüssen leiden, wenn die Integration lückenhaft ist.
Zoho bietet einen weiteren Ansatz mit einem breiten Anwendungsportfolio zu vergleichsweise niedrigen Kosten. Die Herausforderung liegt in der Konsistenz über das gesamte Portfolio hinweg. Datenqualität erfordert hier besondere Aufmerksamkeit für die Schnittstellen zwischen den einzelnen Anwendungen. Der Fokus bei der Systemwahl sollte nicht auf Feature-Listen liegen, sondern auf drei Fragen: Wie ist das Datenmodell strukturiert, und passt es zu unseren Anforderungen? Welche Pflegeprozesse werden durch das System unterstützt, und welche müssen wir selbst definieren? Wie transparent ist der Datenfluss, und können wir nachvollziehen, woher Informationen stammen und wie sie verarbeitet wurden?
Governance, Verantwortung und DSGVO
Die Frage, wem CRM-Daten gehören, ist komplexer als sie scheint. Rechtlich sind personenbezogene Daten kein Eigentum im klassischen Sinne. Unternehmen haben Nutzungsrechte, die durch Einwilligungen und gesetzliche Grundlagen definiert sind. Betroffene haben Rechte auf Auskunft, Berichtigung und Löschung. Diese rechtliche Dimension wird durch KI nicht verändert, aber komplizierter.
Die praktische Frage der Verantwortung ist noch drängender. Wer verantwortet eine Entscheidung, die auf Basis von KI-Empfehlungen getroffen wurde? Wenn ein Algorithmus einen Kunden als Churn-Risiko klassifiziert und daraufhin ein Rabattangebot ausgelöst wird, wer ist verantwortlich, wenn diese Klassifikation falsch war? Die DSGVO verlangt, dass automatisierte Entscheidungen, die erhebliche Auswirkungen auf Personen haben, erklärbar sein müssen und dass Betroffene das Recht haben, eine menschliche Überprüfung zu verlangen. In der Praxis ist diese Erklärbarkeit oft nicht gegeben.
Auditierbarkeit wird zum zentralen Anforderung. Organisationen müssen nachweisen können, auf welcher Datengrundlage Entscheidungen getroffen wurden, welche Algorithmen verwendet wurden und wie die Ergebnisse zustande kamen. Dies erfordert eine Dokumentation, die über das hinausgeht, was die meisten CRM-Systeme standardmäßig bieten. Es erfordert auch Prozesse, die sicherstellen, dass diese Dokumentation aktuell und vollständig ist.
Datenqualität ohne Governance wird zur Haftungsfrage. Wenn ein Unternehmen nicht nachweisen kann, dass die Daten, auf denen seine KI-Entscheidungen basieren, korrekt und rechtmäßig erhoben wurden, entsteht ein rechtliches Risiko. Wenn nicht klar ist, wer für die Pflege und Qualität der Daten verantwortlich ist, wird diese Verantwortung im Zweifel der Geschäftsführung zugerechnet. Governance ist kein bürokratisches Hindernis, sondern eine Voraussetzung für verantwortungsvollen KI-Einsatz. Eine unabhängige KI-Beratung kann helfen, diese Governance-Strukturen aufzubauen.
Typische Fehlannahmen und Negativbeispiele
Eine der verbreitetsten Fehlannahmen lautet: Die KI wird das schon bereinigen. Diese Erwartung ist grundlegend falsch. KI-Systeme, insbesondere Machine-Learning-Modelle, lernen aus den Daten, die ihnen zur Verfügung gestellt werden. Wenn diese Daten fehlerhaft sind, lernt das Modell die Fehler. Es reproduziert sie nicht nur, es optimiert auf ihrer Basis. Das Ergebnis sind Systeme, die systematisch falsche Muster erkennen und falsche Empfehlungen geben, mit hoher Konfidenz.
Eine zweite häufige Fehlannahme betrifft die Automatisierung ohne Datenverantwortung. Organisationen automatisieren Prozesse, ohne zu klären, wer für die Qualität der Eingangsdaten verantwortlich ist. Wenn etwas schiefgeht, zeigen alle auf den Algorithmus. Aber der Algorithmus ist nur so gut wie die Daten und die Regeln, die ihm gegeben wurden. Automatisierung ohne klare Datenverantwortlichkeit führt zu einem Verantwortungsvakuum, in dem niemand für die Ergebnisse einstehen kann.
Eine dritte Fehlannahme ist das Vertrauen in Scores statt in das Verständnis von Ursachen. Ein Lead-Score von 85 klingt präzise und objektiv. Aber was bedeutet er? Warum hat dieser Lead diesen Score? Welche Faktoren haben wie beigetragen? Ohne dieses Verständnis ist der Score nur eine Zahl, die Handlung suggeriert, ohne Erkenntnis zu liefern. Mitarbeiter, die Scores blind folgen, hören auf, ihre eigene Einschätzung zu entwickeln. Das Ergebnis ist eine schleichende Entmündigung, die sich erst bemerkbar macht, wenn das System versagt.
Eine vierte Fehlannahme betrifft die KPI-Optimierung ohne Realitätsabgleich. Dashboards zeigen positive Trends, aber niemand fragt, ob diese Trends die Realität widerspiegeln. Conversion Rates steigen, aber der Umsatz stagniert. Churn Rates sinken, aber die Kundenzufriedenheit ebenfalls. Die Metriken haben sich von dem entkoppelt, was sie messen sollten. Ohne regelmäßigen Realitätsabgleich, der über die Interpretation von Zahlen hinausgeht, werden Organisationen blind für die tatsächlichen Auswirkungen ihrer Entscheidungen.
Entscheidungsfragen für Entscheider
Vor dem Einsatz von KI im CRM sollten einige grundlegende Fragen beantwortet sein. Die erste Frage lautet: Verstehen wir unsere Daten? Nicht im technischen Sinne, sondern inhaltlich. Wissen wir, wie Daten erfasst werden, welche Annahmen in sie eingehen, wie aktuell sie sind? Können wir erklären, warum bestimmte Kunden bestimmte Attribute haben? Wenn nicht, ist die Grundlage für KI nicht gegeben.
Die zweite Frage lautet: Haben wir klare Verantwortlichkeiten? Wer pflegt die Daten? Wer überprüft ihre Qualität? Wer entscheidet bei Konflikten zwischen verschiedenen Datenquellen? Wenn diese Fragen nicht beantwortet sind, werden sie durch KI nicht gelöst, sondern verschärft.
Die dritte Frage lautet: Können wir mit Unsicherheit umgehen? KI liefert Wahrscheinlichkeiten, keine Gewissheiten. Ein Churn-Score von 70 Prozent bedeutet nicht, dass der Kunde abwandert. Er bedeutet, dass die Abwanderung wahrscheinlicher ist als bei anderen Kunden. Organisationen, die nicht gelernt haben, mit solchen probabilistischen Aussagen umzugehen, werden entweder zu vorsichtig oder zu leichtgläubig reagieren.
Die vierte Frage lautet: Wann ist bewusstes Nicht-Automatisieren die bessere Entscheidung? Nicht jeder Prozess eignet sich für Automatisierung. Nicht jede Entscheidung sollte von Algorithmen unterstützt werden. Die Kunst liegt darin, zu erkennen, wo menschliches Urteil unverzichtbar bleibt und wo die Kosten der Automatisierung ihren Nutzen übersteigen. Diese Fähigkeit zur Zurückhaltung ist ein Zeichen organisatorischer Reife.
Die Anzeichen für Datenreife sind weniger technisch als organisatorisch. Datenreife zeigt sich darin, dass Teams sich einig sind, was Begriffe bedeuten. Dass es etablierte Prozesse für die Datenpflege gibt. Dass Datenqualität regelmäßig gemessen und verbessert wird. Dass Führungskräfte die Grenzen der verfügbaren Daten kennen. Organisationen, die diese Anzeichen nicht aufweisen, sollten zunächst an ihrer Datengrundlage arbeiten, bevor sie in KI investieren.
Ausblick und Serienfortsetzung
Dieser Artikel hat verdeutlicht, dass Datenqualität keine technische Vorbedingung ist, die einmal erfüllt und dann vergessen werden kann. Sie ist ein Dauerzustand, der kontinuierliche Aufmerksamkeit erfordert. Daten verändern sich, Anforderungen verändern sich, die Organisation verändert sich. Datenqualität muss ständig neu hergestellt werden.
Im Kontext der CRM-Serie ordnet sich dieser Artikel als Vertiefung eines zentralen Themas aus Teil 1 ein. Dort wurde argumentiert, dass KI Verstärker ist, kein Korrektiv. Hier wurde gezeigt, was das konkret für die Datenebene bedeutet. Die nächsten Teile der Serie werden weitere Dimensionen untersuchen: die Rolle von Governance und Verantwortung, die Integration von KI in bestehende Prozesse, und die Frage, wie Erfolg jenseits von KPIs gemessen werden kann.
ThePromptMonk versteht sich als Denkraum für reflektierte KI-Entscheidungen. Das bedeutet nicht, KI abzulehnen oder ihre Potenziale kleinzureden. Es bedeutet, die Bedingungen ernst zu nehmen, unter denen KI tatsächlich Wert schafft. Datenqualität ist eine dieser Bedingungen. Wer sie ignoriert, investiert in Systeme, die bestenfalls wirkungslos, schlimmstenfalls schädlich sind. Wer sie ernst nimmt, schafft die Grundlage für Technologie, die Organisationen tatsächlich voranbringt.
Dieser Artikel lädt zur weiteren Auseinandersetzung ein. Wer die Fragen, die hier aufgeworfen wurden, im Kontext der eigenen Organisation vertiefen möchte, findet im Dialog mit Beratern, Kollegen oder der eigenen Führungsebene den nächsten Schritt. Die Auseinandersetzung mit Datenqualität beginnt nicht mit Tools, sondern mit Fragen.
Weiterlesen

Teil 1: KI im CRM - Warum Automatisierung ohne Klarheit scheitert
Das Fundament der CRM-Serie: Reifegrade verstehen und Führungsfragen klären.

Teil 3: KI im Sales-CRM - Prognosen, Priorisierung und die Illusion der Vorhersagbarkeit
Was KI im Sales-CRM wirklich leistet und wo Forecasting an seine Grenzen stößt.
Quellen
- Redman, T.C., "If Your Data Is Bad, Your Machine Learning Tools Are Useless," Harvard Business Review, April 2018.
- Experian, Global Data Management Research, 2024. Zu den geschäftlichen Auswirkungen mangelhafter Datenqualität.
- DSGVO Art. 22, Verordnung (EU) 2016/679. Zu automatisierten Einzelentscheidungen und dem Recht auf Erklärung.
- Gartner, "How to Measure Data Quality," 2023. Rahmenwerk zur Bewertung der Datenreife für KI-Anwendungen.
