Quantitative vs. qualitative Daten - mit Michael Obermaier
Unser Gast
Als Head of CX & MarTech Solutions verantwortet Michael Obermaier im gesamten DACH-Raum die Beratung von Unternehmen zu Technologiethemen rund um Customer Insights, Experience Management und Marketing Automation. Vor seiner Tätigkeit bei SAS war er in unterschiedlichen leitenden Funktionen in den Bereichen Vertrieb, Marketing, Beratung und Produktmanagement für diverse CRM und CX Software Hersteller tätig. Neben seiner beruflichen Tätigkeit arbeitet Michael Obermaier auch immer wieder gerne mit Universitäten und Fachhochschulen zusammen, um Student*innen für dieses Thema zu begeistern.
Michael Obermaier, SAS
In unserer neusten Episode, "Quantitative vs. qualitative Daten", tauchen wir tief in die Welt der Daten ein und beleuchten, wie Unternehmen diese für eine verbesserte Kundeninteraktion nutzen können.
Unser Gast bei "Lasst die Kunden kommen" ist diese Woche Michael Obermaier, Head of CX & MarTech Solutions DACH bei SAS. Zusammen mit unserem Host Torsten Herrmann diskutiert er intensiv die Thematik der quantitativen und qualitativen Daten und deren Einfluss auf die Geschäftsprozesse.
Wir erörtern zudem, wie KI-Modelle helfen und dass ihre Ergebnisse nachvollziehbar bleiben müssen für Anwender, die mit umfangreichen und komplexen Datensätzen arbeiten. Michael liefert dazu zahlreiche, spannende Beispiele aus seinem Geschäftsalltag.
Entdecken Sie gemeinsam mit uns:
- Die Relevanz einer ausgewogenen Nutzung von quantitativen und qualitativen Daten.
- Wie die Analyse von Kundenfeedback und das Verständnis der Customer Journey zur Vertriebssteigerung beitragen können.
- Das Zusammenspiel von Marketing und Vertrieb und wie technologische Werkzeuge dabei unterstützen.
- Herausforderungen und Lösungsansätze für eine 360-Grad-Sicht auf Kunden.
- Und vieles mehr.
Interviewgast: Michael Obermaier, Head of CX & MarTech Solutions DACH, SAS
Intro/Outro: Patrick Becker, Synchronstudio Leipzig
Folgen Sie uns auf Apple Podcast, Spotify oder per RSS-Feed in Ihrer Lieblings-App, um keine Folge zu verpassen.
Transkript “Quantitative vs. qualitative Daten” mit Michael Obermaier, Head of CX & MarTech Solutions DACH, SAS
Torsten Herrmann [00:00:17]:
So, hallo. Willkommen zu einer neuen Folge von Lass die Kunden kommen. Wir haben auch diese Woche wieder einen Gast. Das ist der Michael Obermeier von SAS. Hallo, Michael.
Michael Obermaier [00:00:28]:
Hallo Torsten, danke für die Einladung.
Torsten Herrmann [00:00:30]:
Wir reden heute über quantitative und qualitative Daten bzw. Marktforschung, aber gehen wir einen Schritt zurück und stell dir doch erstmal vor, wer bist du, wer ist SAS, was ist deine Rolle?
Michael Obermaier [00:00:47]:
Ja, also wer bin ich? Ich bin seit knapp zwei Jahren jetzt bei der SaaS, bin hier im deutschsprachigen Raum für die Themen Marketingtechnologie und Customer-Experience-Beratung, sozusagen, verantworte ich mit einem Team aus FachexpertInnen, die branchenübergreifend mit Unternehmen zusammenarbeiten. Unsere Kernaufgabe, wenn man so will, ist, dass wir mit Unternehmen gemeinsam herausfinden, wo soll es marketingmäßig hingehen, inhaltlich, was sind die großen Roadblocks, sozusagen, dorthin zu kommen und wie können wir gemeinsam eine technologische Roadmap sozusagen entwickeln. Also das haben wir so recht im Großen und Ganzen zusammengefasst. Die SAS, das Unternehmen, wenn sie nicht bekannt ist, ist ja, wenn man so möchte, die Erfinderin der Analytik und auch der künstlichen Intelligenz mit jetzt fast einem 50-jährigen Track Record. Wir haben ganz klein angefangen mit der Analyse von sechs Kühen und ihrem Milch-Output sozusagen. Daraus hat sich quasi ein globales Analytics-Unternehmen entwickelt, das jetzt viele verschiedene Themen und Fragestellungen sozusagen für Unternehmen beantwortet. Und Marketingtechnologie und Customer Insights, wie das so schön im Neudeutsch heißt, ist eben quasi einer dieser Geschäftsbereiche, in denen ich sozusagen tätig bin.
Torsten Herrmann [00:01:58]:
Die Geschichte mit den Kühen, das kannte ich noch nicht. Aber ich kannte SAS logischerweise auch seit vielen, vielen Jahren, weil ihr natürlich viel macht in Bezug auf jetzt zu unserem Thema sozusagen mit quantitativen Daten, mit großen Datenmengen. Vielleicht kannst du mir da nochmal einen Einblick geben in deinen Arbeitsalltag in Bezug auf quantitative Daten. Was sind so Daten, mit denen ihr arbeitet?
Michael Obermaier [00:02:22]:
Natürlich kommt es immer sehr, sehr stark darauf an, in welcher Branche man unterwegs ist. Aber typischerweise ist natürlich die Fragestellung gerade in jenen Branchen, wo es sehr consumerlastig ist, ob das jetzt Telekommunikation ist, ob das Versicherungswesen ist, Bankengeschäft oder vielleicht auch Medienunternehmen, wo sehr viele Bewegungsdaten produziert werden, wie zum Beispiel Kontobewegungen oder im Versicherungsumfeld Reklamationsschäden oder klassisch im Telekom-Umfeld Nutzungsdaten, die anfallen. Und daraus lassen sich im Idealfall sehr, sehr viele Informationen ableiten. Die Fragen, die unsere Kunden in der Regel beschäftigen, sind, wenn man jetzt im Kontext von Marketing und Vertrieb bleibt, welche Kunden sind besonders profitabel, welche Kunden sind abwanderungsgefährdet, welche Kundinnen sind affin für bestimmte Produkte oder Services. Also welche Kundinnen und Kunden sind eben nicht nur affin für Produkte und Services, sondern sind vielleicht auch aufgrund ihres Kundenlebenszykluses dann auch bereit für anverwandte Geschäftsbereiche. Also, wenn man auf gerade im Telekomumfeld, das Thema, es gibt Festnetze, es gibt Mobilfunk, es gibt Internetangebote. Wie kann ich dieses Cross- und Upselling besser bedienen? Genau. Und alle diese Fragestellungen können mit Daten und analytischen Fragestellungen und auch mit KI, da müssen wir noch ein bisschen an die Trennlinie ziehen, beantwortet werden.
Torsten Herrmann [00:03:48]:
Ich weiß, dass du eine ganze Menge Erfahrung hast im Bereich von Datenanalyse und im Bereich von Marktforschung. Nun macht ihr ja, glaube ich, hauptsächlich, wenn nicht ausschließlich, arbeitet ihr mit quantitativen Daten. Wie siehst du für dich oder in deiner beruflichen Erfahrung, deinem beruflichen Alltag, die Beziehung zwischen quantitativen und qualitativen Daten?
Michael Obermaier [00:04:12]:
Also ja, das ist richtig, dass wir primär mit quantitativen Daten unterwegs sind. Das ist ja auch, um es salopp zu sagen, relativ einfach. Die sind ja relativ einfach verfügbar und in großen Mengen und relativ einfach auch bearbeitbar. Zahlen lügen ja bekanntlich nicht und man kann ja mit analytischen Modellen relativ rasch dann so Dinge wie Regressionen rechnen und dann die Scores sozusagen berechnen und daraus dann Ableitungen zu machen. Das ist auch, würde ich sagen, das, womit sich die meisten unserer Kundinnen und Kunden auseinandersetzen. Was wir schon auch sehen, und das passiert vermehrt, ist die Analyse von textbezogenen Informationen, unstrukturierten Daten, die ja im weitesten Sinne jetzt auch qualitativ sozusagen sind. Also wir reden jetzt nicht über strukturierte Interviews, wie man es in der klassischen Marktforschung nennt, sondern wir schauen uns Dinge an, wie beispielsweise Kundenfeedback oder E-Mails, die im Kundenservice zum Beispiel eingehen, oder auch auf der klassischen Info@- Adresse. Das kann alles sein, von einer vertrieblichen Anfrage über eine Reklamation bis zu einer Produktfrage, was auch immer.
Denn was sich gezeigt hat, ist, dass in diesen textbasierten, unstrukturierten Daten sehr, sehr viele Informationen vorrätig sind, die unterschiedlichen Wert für die Unternehmen haben können.
Torsten Herrmann [00:05:32]:
Wir hätten noch einen Schritt zurückgehen sollen und vielleicht noch mal für die Zuhörer, die Zuhörerinnen das Thema quantitative gegen qualitative Daten nochmal genauer abgrenzen. Also ich glaube, du hast das implizit schon gesagt, quantitative Daten sind logischerweise alle Zahlen, alles, was man zählen kann sozusagen, die zum Beispiel aufgrund von Interaktionen auftreten, also wie oft war jemand auf der Webseite, wie oft hat jemand beim Callcenter angerufen, wie groß ist der Umsatz etc. Also alles das, was man quantifizieren kann. Während qualitative Daten vor allen Dingen solche sind, die textbasiert sind, die erhoben werden über z. B. Interviews, aber auch über Freifelder, so machen wir das auch in Freifeldern, in so Online-Fragebögen oder dein Beispiel eben gerade auch sehr richtig, Service-Anfragen im Call-Center oder in einem Customer-Care-Center nimmt und analysiert, wo Leute irgendwie reinschreiben, zum Beispiel warum haben sie gewechselt, warum sind sie unzufrieden, wie wurde ihr Problem gelöst. Das sind dann alles qualitative Daten, die man nicht einfach zählen kann, die man aber logischerweise auch auswerten kann, nur halt mit anderen Wegen. Finde ich interessant, weil jetzt wir machen jetzt nicht das große Du gegen Ich, Ich gegen Du auf, aber ich komme eher aus der qualitativen Marktforschung oder qualitativen Forschung, sagen wir lieber so, weil im Vorfeld haben wir es kurz besprochen, ich sehe mich nicht als Marktforscher, sondern als Berater, der manche marktforschenden Aufgaben übernimmt. Also, ich glaube, es gibt einen Trend dahingehend, dass immer mehr quantitative Daten erhoben werden und ausgewertet werden und man versucht daraus irgendwelche Ergebnisse, irgendwelche Insights abzuleiten. Siehst du den gleichen Trend oder einen Bedarf in Bezug auf qualitative Daten, dass man damit mehr arbeiten sollte?
Michael Obermaier [00:07:28]:
Ich bin überzeugt davon, dass man mehr qualitative Daten braucht, die quantitativen Daten zu kontextualisieren. Denn ich glaube, die große Herausforderung, die man hat, ist, man hat tatsächlich sehr viele quantitative Daten, wie ich es ja vorhin auch schon ausgeführt habe, an die kommt man auch verhältnismäßig einfach ran. Die große Herausforderung, die man hat, ist allerdings, man kann jetzt nicht hinterfragen, warum ist das so? Man kann interpretieren, aber ich brauche dann immer quasi auch den Kontext zu diesen Daten und das geht dann nur, indem ich entweder die Kunden konkret frage oder andere Möglichkeiten heranziehe, wie eben die vorhin genannten textbasierte, unstrukturierte Informationen, die ich dann vielleicht in einen zeitlichen Zusammenhang setzen kann, daraus dann vielleicht zusätzlich noch Ableitungen zu treffen. Daher bin ich überzeugt davon, dass es Sinn macht, mit qualitativen Marktdaten mehr zu arbeiten. Und ich sehe schon auch nach wie vor, und das haben wir kurz vorher noch gesprochen, bei meiner beruflichen Vergangenheit ein bisschen, immer noch dieses Wir gegen die anderen, quantitative Befragungen, klassische Marktforschung, die ist ja oftmals noch so ein bisschen, auch das wird als old school noch gesehen, ich will jetzt also quasi nicht in den Fettnäpfchen steigen, während es dann halt viele modernere Ansätze gibt, wo man sagt, es muss alles mit Daten und alles mit KI ausgewertet werden, ich brauche diese klassischen Interviews nicht mehr. Das halte ich persönlich für unsinnig, diese Trennung und vor allem auch diese Argumentation. Ich glaube, dass es nach wie vor notwendig ist und sinnvoll ist, diese Interviews zu machen und auch sehr skillful, wie sagt man auf Deutsch, mit entsprechend trainierten und erfahrenen Interviewern diese Informationen aus den Personen herauszukitzeln. Ich glaube, dass wir KI-technisch da auch noch gar nicht so weit sind, dass man das einfach aus einer Transkription rausziehen kann oder aus einem E-Mail. Das braucht noch ein bisschen, oder vielleicht sogar ein bisschen länger als nur ein bisschen.
Torsten Herrmann [00:09:26]:
Du hast jetzt mehrere interessante Punkte angesprochen. Zunächst mal würde ich gerne den Punkt stark machen, den du gesagt hast, was man mit qualitativen Daten letztendlich hinterfragt, ist das Warum. Den Kontext versucht man zu verstehen. Was ja auch ist, mit quantitativen Daten habe ich eher den Blick zurück. Also was haben die Leute bisher gemacht, wie haben sie sich verhalten, während es bei qualitativen Daten stärker darum geht zu sagen, okay warum machen sie das, wie ist die Grundstruktur des Verhaltens von Konsumenten, von B2B-Kunden, um das herauszufinden. Du hast eben gerade das Thema KI auch angesprochen und da würde ich gerne mal so deine Erfahrungen beziehungsweise die von SAS erfragen. Wie stark nutzt ihr KI bereits für die Analyse von diesen quantitativen Daten, beziehungsweise wo geht also die Reise hin, sag ich mal?
Michael Obermaier [00:10:26]:
Ich würde gerne vielleicht noch ganz kurz auch auf dein letztes Kommentar zurückkommen. Denn die Aussage, dass man quasi bei quantitativen Daten in die Vergangenheit schaut, ist natürlich richtig, denn man hat ja nur die zur Verfügung. Allerdings gibt es ja mittlerweile genug Modelle, die auch im Sinne der prädiktiven Analyse in die Zukunft schauen. Man extrapoliert entsprechend die Daten und kann mit einer relativ hohen Wahrscheinlichkeit auch zukünftige Ereignisse oder Szenarios sozusagen vorhersagen. Denn in Zeiten hoher Volatilität, und die haben wir, glaube ich, in den letzten drei Jahren zu Genüge erlebt, ist ja auch nicht immer alles so einfach vorherzusagen. Ich glaube, mittlerweile sind die Modelle schon so gut und auch mit den diversen Dingen, die in den letzten, sagen wir mal, 36 Monaten passiert sind, kann man hier sehr viele Szenarien rechnen. Nichtsdestotrotz bin ich natürlich bei dir in die Zukunft blickend, tut man sich natürlich leichter, wenn man mit den Personen spricht. Was wir aber schon auch festgestellt haben, das war mein letzter Satz noch zu dem, Personen verhalten sich oftmals gänzlich anders, als sie sagen. Das heißt, insofern bin ich ein großer Fan davon, eben sowohl qualitative als auch quantitative Daten nach Möglichkeit übereinander zu legen, um in gewisser Weise auch zu veri- oder falsifizieren, ob das was gesagt wurde tatsächlich auch eintritt.
Torsten Herrmann [00:11:48]:
Okay, jetzt muss ich auch noch mal antworten. Dann kommen wir zum KI-Thema. Ich glaube, was man sich immer bewusst machen muss, ist, wenn ich Leute nach ihrer Meinung frage, das haben wir alle schon mal gemacht; Wir waren im Supermarkt und haben Joghurt probiert, würden Sie das kaufen? Und dann sagen wir, ja natürlich würden wir es kaufen, wir kaufen es niemals. Meinung abfragen, was natürlich üblich ist auch in der Marktforschung, auch zum Beispiel bei Wahlen etc., ist möglich. Was, glaube ich, besser funktioniert zu erfragen, sind Erfahrungen. Also was wir zum Beispiel erfragen ist letztendlich wie war ihr Entscheidungsprozess, wie war die Customer Journey, wo fing die an. Dann müssen die Leute sozusagen keine Meinung bilden, dem Interviewer vielleicht auch zu gefallen oder irgendwie sozial adäquate Antworten zu geben, sondern sie können einfach sagen, ja wir haben uns überlegt, wir hatten das Problem, wir wollten das lösen, wir haben Anbieter angefragt etc. Das ist ja, die erzählen sozusagen eine Story von ihrem Entscheidungsprozess. Damit hat mit Meinungsforschung an der Stelle sehr, sehr wenig zu tun oder gar nichts zu tun. Natürlich ein bisschen was geht immer rein und ich glaube, da muss man das muss man auch noch für sich selbst auseinanderhalten, was man eigentlich qualitativ auch die Leute fragt. Mit Meinung kommt man nicht wahnsinnig weiter, mit Erfahrung kommt man ziemlich weit. Jetzt kommen wir zur KI wieder. Also Wie ist der Stand?
Michael Obermaier [00:13:16]:
Wie ist der Stand? Also, wie ich es eingangs schon erwähnt habe, was wir bei unseren Kunden sehen, ist ein vermehrtes Nutzen dieser unstrukturierten Daten. Ich gebe vielleicht zwei Beispiele. Das eine ist eine Versicherung, die Ergo-Versicherung, die ja schon seit einiger Zeit im Bereich Contact Center damit arbeitet, dass sie alle eingehenden Anrufe, wo es entsprechende Einvernahme quasi mit den Anrufenden gibt, werden diese aufgezeichnet. Typischerweise, wenn man das so macht aus Qualitätssicherungsgründen. Das macht ja auch Sinn. Auf der anderen Seite sind natürlich diese Telefonate Gold wert, weil man dadurch extrem viele Insights auch generiert. Also ganz konkret, so ein typisches Telefonat hat im Schnitt zwischen 500 und 1000 Wörtern, die man sozusagen analysieren kann. Also wenn man das überlegt, da ist schon einiges an Content drinnen und so ein typischer Geschäftsfall, den man hat, wenn man bei einer Versicherung anruft, ist, dass man zum Beispiel eine Adressänderung bekannt gibt. Das ist an und für sich ein relativ simpler Geschäftsfall, der ist wahrscheinlich auch in 30 Sekunden erledigt, Man geht ins System rein, ändert das und damit ist die Sache an und für sich erledigt.
Jetzt muss man sich mal vorstellen, was heißt denn das konkret, so eine Adressänderung? Das bedeutet ja viel, viel mehr als nur der tatsächliche Fakt, dass es so ist. Nämlich, wenn ich jetzt zum Beispiel von meiner kleinen Zwei-Zimmer-Wohnung in den Speckgürtel einer Stadt ziehe, dann ist die Wahrscheinlichkeit noch relativ groß, dass es hier zu einer Wohnraumvergrößerung kommt. Das heißt im weitesten Sinne, eine höhere Schadenssumme, die dort zu versichern ist, wäre eine mögliche Ableitung aus diesem Telefonat. Wenn ich von meiner kleinen Wohnung in ein großes Haus ziehe, habe ich vielleicht eine Veränderung der Lebens- oder der Familiensituation. Vielleicht ist Nachwuchs gekommen, man hat geheiratet, man braucht vielleicht jetzt plötzlich ein erstes oder zweites Auto. Also, es gibt viele Ableitungen, die ich daraus machen kann. Das ist ein relativ simples Beispiel sozusagen. Was wir oft haben, ist ja auch in so einem Fall, dass ja nicht nur ein Geschäftsfall, sondern gleich mehrere Kombinationen abgehandelt werden.
Das heißt, die Komplexität ist auch eine andere. Ich habe hier, wie gesagt, die Möglichkeit, anhand von analytischen Verfahren hier relativ rasch Insights zu produzieren. Das war jetzt ein eher sehr vertriebliches Beispiel. Natürlich werden diese Insights auch genutzt, beispielsweise Prozesse zu optimieren. Das heißt, wo schaffe ich vielleicht die Möglichkeit, Anfragen, die jetzt auf der Hotline aufschlagen, in einen anderen Kanal zu verschieben, der vielleicht günstiger ist und vielleicht auch schneller beantwortet werden kann, die Hotline quasi für jene Anrufe freizuhalten, die auch werthaltig sind, sowohl für die Kunden als auch für die Versicherung. Ich kann es auch für Trainingsmaßnahmen verwenden, indem ich sozusagen ja auch aus diesen Telefonaten heraus zum Beispiel ableite, an welchem Punkt des Gesprächs ist es vielleicht eskaliert, an welchem Punkt des Gesprächs wurde vielleicht die Formulierung nicht optimal gewählt gegenüber dem Kunden, hätte man das Gespräch kürzer halten können. Also es gibt unterschiedliche Insights, die daraus produziert werden können, bis hin zu Produktverbesserungen. Also es kann auch sein, dass ein Kunde oder eine Kunde in dem Abend das Gespräch sagt, naja, wenn in den AGBs oder in den Produktrichtlinien dieser oder jener Punkt besser ausgeführt gewesen wäre oder die Deckung hier oder da besser gewesen wäre, dann … Das wäre so ein typischer Fall, wo man sagt, okay, vielleicht kann ich zukünftig ein Produkt schnüren zu einem anderen Preis, das vielleicht ein bestimmtes anderes Kudnensegment anspricht und somit in Zukunft mehr Geschäft gehandelt.
Also das ist jetzt ein konkretes Beispiel, das wir im Versicherungsumfeld haben. Ein anderes ähnlich gelagertes Beispiel ist bei einer Bank gewesen, in den USA, wo man auf die klassische Info@-Email-Adresse alle E-Mails abgegriffen hat, zu verstehen, warum die Kunden eigentlich da reinschreiben und hat daraus dann auch zum einen Produktverkäufer abgeleitet. Das ist ein ähnlicher Anwendungsfall, aber ein bisschen anders, auch in der Komplexität, weil die Banken ja doch meistens relativ viele Produkte haben im Portfolio. Also je nachdem, ob das jetzt gesprochene Sprache ist oder geschriebene Sprache, gibt es ja sehr, sehr mannigfache Möglichkeiten, das auszureizen. Für einen Telekom-Anbieter haben wir zum Beispiel Trust Pilot-Auswertungen uns angeschaut, weil man zwar gesehen hat, dass die Kunden mit dem Internet unzufrieden sind, aber man wusste nicht, warum, bis man nachgeguckt hat in den Auswertungen, was denn die eigentlichen Treiber waren für die Unzufriedenheit. Das heißt, man hat sich klassisch angeschaut, Bewertung, und hat das dann gewichtet mit den Nennungen innerhalb der Feedbacks. Da reden wir dann von 150 bis maximal 200 Wörtern, also eine relativ kleine Menge an Wörtern nur. Auch hier war es sehr schnell möglich, die Top 5 sozusagen Probleme zu identifizieren.
In dem Fall war das eher eine Bestätigung dessen, was man ohnehin schon wusste, aber somit konnte man zumindest sagen, wir haben jetzt die Kundenbrille aufgesetzt und wissen, dass das, was wir schon befürchtet haben, dass die Gründe sein könnten, tatsächlich auch die sind und werden jetzt uns konkret auch die kümmern, weil wir wissen, wenn wir die für ihn fixen, dann haben wir vielleicht 70 Prozent der Themen abgehandelt und haben dadurch vielleicht den Kundenstand besser abgesichert, die Kunden langfristig zufriedener gemacht, Kundenwert erhöht, Loyalität erhöht und so weiter.
Torsten Herrmann [00:18:16]:
Ich habe vor kurzem auch mal meine Erfahrung gemacht im Bezug auf KI und habe mal Daten aus einem Projekt, einem eigenen Projekt, was wir schon mal analysiert hatten, also, wo wir eine Idee davon haben, was sollte rauskommen, in eine KI geworfen, mit dem Ziel, also entweder bestätigt ist das, was wir uns gedacht haben, oder aber wir kriegen irgendwelche neuen Ideen, neue Insights. Und die KI hat natürlich auch etwas geliefert, aber was einem dann fehlt, oder was schwer nachvollziehbar ist: Wie kommt die KI denn auf diese Ergebnisse? Die klangen so per se jetzt ganz vernünftig, aber wenn ich nicht den menschlichen Weg gegangen bin, in dem ich also lang die Texte, also wenn wir solche Interviewprojekte machen, zehn Interviews, du hast eben auch schon mal Zahlen gesagt, das sind tausende von Wörtern, das ist so was wie ein Stapel von 200 in DIN-A-4-Seiten, die man da durchgeht, von zehn, zwölf Interviews. Wenn man das mal selbst gemacht hat, dann weiß man, dass die Ableitung, die man macht, ich sag mal, vernünftig ist. Wenn man das Ganze in eine KI wirft und dann sagt es einem irgendetwas, dann ist das, dann steht man da vor, das ist irgendwie wie Voodoo. Und man will ja seine Vertriebsstrategien, seine Marketingstrategien, Produktverbesserung und so weiter darauf basieren, was die Kunden einem gesagt haben. Wie siehst du das? Zum einen mal aus deiner eigenen Brille, aber vielleicht auch aus eurer Kundenbrille. Wie wichtig ist es, die Aussagen, die Insights am Ende auch zu verstehen, beziehungsweise wie stark kann man sich verlassen, will man sich verlassen auf das, was eine KI sagt?
Michael Obermaier [00:20:04]:
Ein spannendes Thema. Vor kurzem hatten wir einen Kunden bei uns im Podcast, der hat die KI ein bisschen wie die allwissende Müllhalde sozusagen beschrieben. Da gehen alle hin und jeder kriegt quasi einen Ratschlag mit auf den Weg gegeben sozusagen und man vertraut darauf, dass es so ist. In Tat und Wahrheit ist aber genau das die große Herausforderung, die wir bei unseren Kunden auch sehen, dass zwar die KI scheinbar schlüssige Aussagen trifft, aber die Nachvollziehbarkeit oftmals in Frage gestellt wird. Da gibt es jetzt mehrere Zugänge dazu. Das eine ist, und ich glaube, das ist ganz, ganz wichtig, es gibt ja viele Hersteller, die heute schon sozusagen das auch mitliefern, out of the box, oder auch schon in der Vergangenheit getan haben, diese klassische explainable AI. Das heißt, es gibt tatsächlich die Möglichkeit nachzuvollziehen, warum Entscheidungen getroffen worden sind und Aussagen getroffen worden sind, wie sie getroffen worden sind. Das führt zu so etwas Prinzip Art Absurdum, denn man verwendet ja hauptsächlich KI deswegen, weil sie sehr komplexe Entscheidungen in einer sehr kurzen Zeitspanne treffen kann, die Menschen möglicherweise nicht treffen können.
Und das nachvollziehen zu wollen, ist ja durchaus dann eine, sagen wir mal so, auch kognitiv schwierige Aufgabenstellung für manche. Nichtsdestotrotz, glaube ich, ist es wichtig, es zu haben. Und deswegen gibt es dazu ja mittlerweile auch eine Gesetzgebung. Mit dem ER Act ist das ja mittlerweile ja auch quasi gesetzlich verankert, dass KI-Modelle je nach Einstufung auch quasi erklärbar sein müssen, Bias zum Beispiel zu vermeiden oder ihn zu identifizieren und zu entfernen sozusagen. Und ich glaube, das ist auch wichtig, dass es das gibt. Das andere ist, ich glaube, das ist ein kulturelles Thema, dass man versucht, diese Entscheidungen gegenüber den Mitarbeitenden oder dem Management, wie auch immer, von der KI so weit begründen zu lassen, ohne jetzt die Komplexität von vielleicht tausenden Seiten von Code und Entscheidungsbäumen reinzunehmen, zu sagen, das sind die drei oder vier Kernkriterien, warum die Entscheidung so oder so gefallen ist. Ich gebe ein konkretes Beispiel noch einmal aus der Kundenpraxis. Die R&V-Versicherung hatte das Thema, dass sie den Vertrieb sozusagen mit sogenannten Next-Best-Offers bespielen wollte.
Was heißt das konkret? Also das System produziert für den Vertrieb auf Anfrage sozusagen Angebote, die besten Angebote für ihre Kunden. Basierend auf den historischen Daten, die zur Verfügung stehen, klassischer quantitativer Ansatz. Man rechnet Produktaffinität raus. Man hat das aber dann verprobt, wenn man das Gefühl hatte, das wird nicht recht angenommen vom Vertrieb. Denn wir kennen ja alle Vertriebler. Es wird auch niemandem zu nahetreten. Ich war ja selber auch jahrelang einer. Man kennt seine Kunden, man weiß, was die brauchen. Die Maschine muss einem nicht erklären, wie man seinen Job zu machen hat, denn man hat es ja im Gefühl sozusagen.
Also hat man sich quasi zwei Kohorten rausgesucht. Er hat gesagt, das ist die Kohorte A. Die werden sich sklavisch sozusagen an die Empfehlungen der Maschine halten und werden nur jene Produkte dort anbieten bei den Kunden, die tatsächlich vom System ausgespuckt worden sind. Und es gibt eine Kohorte B, die quasi nach ihrem bestehenden Schema arbeitet und sagt, wir beraten unsere Kunden, wie wir das glauben und wir gehen auch zu jenen Kunden, von denen wir glauben, dass es Sinn macht. So, jetzt rat doch mal gerne, wie viel Prozent Differenz zwischen den beiden Kohorten war im Sinne der Abschlüsse. Wie viel mehr oder weniger Abschlüsse hat die eine Kohorte über die andere gehabt?
Torsten Herrmann [00:23:31]:
Okay, ich glaube jetzt mal an die KI und sage, dass die erste Kohorte, die sich an die Anweisung gehalten hat, schwierig einen Prozentzahl zu sagen, aber 20 Prozent oder sowas mehr verkauft hat als die, die sich auf ihr Bauchgefühl verlassen haben.
Michael Obermaier [00:23:53]:
Bin ich jetzt sehr beeindruckt. Das waren tatsächlich 25%. Ja. Und das war natürlich schon ein Eye-Opener für die Organisation im Sinne von, seht her, das funktioniert. Was ich jetzt vorhin verschwiegen habe, ist, was sie gemacht haben, weil sie haben nicht nur das Offer sozusagen ausgespielt und gesagt, so, da jetzt Hausrat verkaufen und da jetzt Kfz, sondern sie haben zu dem jeweiligen Angebot auch eine kurze Begründung immer mit ausgespielt. Der Torsten soll Angebote bekommen in der Hausratsversicherung, weil langjähriger Kunde, gehobenes Einkommen, keine Ahnung, Wohnsituation in dieser oder jener Region, vielleicht auch, keine Ahnung, hochwassergefährdet, was auch immer. Das heißt, man hat hier immer versucht, das zu kontextualisieren, damit der Vertrieb einerseits das besser annehmen konnte und auf der anderen Seite natürlich auch Talking Points hatte beim Gespräch, denn man muss ja dem Kunden auch erklären, warum denn jetzt das beste Angebot wäre.
Also das sind quasi zwei Benefits sozusagen. Das ist quasi jetzt wieder die lange Antwort auf deine Frage, warum es wichtig ist, das erklärbar zu machen.
Torsten Herrmann [00:25:01]:
WERBUNG: Ein kleiner Einschub in eigener Sache. Viele Unternehmen haben in den vergangenen Jahren für ihr Inbound-Marketing sehr viele Blogbeiträge erstellt. Leider muss man feststellen, 80% und mehr landen in den Suchergebnissen auf den hinteren Plätzen. Und der nicht sichtbare Bereich beginnt meist schon auf Seite 2. Wir bieten an, diese Beiträge SEO-technisch zu überarbeiten, zusammenzufassen und auszusortieren. Mit dem Ziel, mehr davon auf die erste Seite bei Google zu bringen. Mehr dazu auf www.chainrelations.de/content-optimierung. Und jetzt weiter im Interview.
Torsten Herrmann [00:25:42]:
Ich bin ja immer so ein bisschen neidisch, so als B2Bler, wenn ich solche B2C-Beispiele höre, weil die natürlich große Datenmengen auch haben, also sehr viele Leute befragen können bzw. sehr viele Interaktionen mit den Leuten haben. Im B2B ist es ja häufig so, dass man, ich sag mal, das Unternehmen gewinnt 100 Kunden im Jahr, nicht alle sind bereit, mit einem zu reden. Also man hat nie diese wahnsinnig hohen Datenmengen. Zugleich ist es so, was natürlich total ähnlich ist, diese starke Meinung der Vertriebler selbst über ihr Tun, aber auch der Unternehmen gegenüber den Vertrieblern, dass sie die Kunden ja sehr, sehr gut kennen würden und weil sie ja auch jeden Tag mit ihnen interagieren. Was ich da erlebe häufig ist, naja was die erleben sind so die letzten 20-30 Prozent des Entscheidungsprozesses. Was davor passiert, wissen die auch nicht, kennen die auch nicht und sie fragen auch nicht danach, weil jetzt habe ich denjenigen in der Leitung, im Zoom Call, jetzt frage ich den nicht, was war denn die ganze Zeit so? Jetzt geht es darum, den abzuschließen. Wie siehst du das? Wie wichtig ist sozusagen alles das, was vorher läuft, vor dem eigentlichen Vertriebsabschlussgesprächen, also der Interaktion am Ende mit dem Vertrieb. Wie stark spielt das rein? Wie gut könnt ihr das mit aufnehmen in quantitative beziehungsweise in diese qualitativen Analysen?
Michael Obermaier [00:27:19]:
Also, ich bin ja quasi auch im B2B Vertrieb angesiedelt selbst. Insofern verstehe ich das jetzt auch. Das ist tatsächlich eine schwierige Situation und wir alle wissen ja, Gartner und diverse andere Analysten sagen ja, dass mittlerweile ja 65 bis 70 Prozent des Verkaufsprozesses ohne den Verkäufer stattfindet. Kunden sind besser informiert, das Internet hat de facto ja die Informationsbarriere aufgelöst und Der Kunde ist in der Regel besser informiert als manche Verkäufer. Das ist so. Nichtsdestotrotz denke ich, dass diese Information, was davor passiert, sehr, sehr wichtig ist. Im Sinne auch quasi der digitalen Rotkrümen, die die Kunden ja hinterlassen auf dem Weg durch den Funnel, wenn man so möchte. Da können wir unterstützen.
Und das denke ich auch ist ganz, ganz wichtig zu verstehen, welche Stationen Kunden vorher durchlaufen haben. Also es gibt natürlich gewisse technologische und partnerschutzrechtliche Limitationen klarerweise. Und man sieht natürlich auch nicht, was quasi vor der Unternehmenswebsite passiert ist, aber selbst hier habe ich schon die Möglichkeiten zu sehen, ob das auch mit Google Analytics und vielen anderen Tools, wer tummelt sich auf meiner Webseite, wie oft kommen die Leute denn wieder, was schauen sie sich denn an, zu verstehen, wie so ein Entscheidungsprozess sich langsam formt bei einem Kunden, bevor dann tatsächlich das erste Gespräch stattfindet. Und ich denke, dass das für jene Verkäuferinnen und Verkäufer, die sich mit dieser Technologie und mit diesem Insights auseinandersetzen, es durchaus einfacher sein kann, zu verstehen, wie Kunden vorab sozusagen schon im Austausch mit dem Unternehmen waren und worüber sie sich informiert haben, das Gespräch auch entsprechend zu formen. Vielleicht auch ein bisschen einen Rapport herzustellen, als dann mehr oder weniger kalt reinzugehen und vielleicht nur zu wissen, da wurde jetzt ein Whitepaper runtergeladen, im Bestfall, oder man hat halt ja in den Webinar teilgenommen. Also ich glaube, das gesamthafte Bild von dem, was davor passiert, ist sehr, sehr wichtig. Was ja auch wiederum ein Plädoyer ist in Richtung eines engeren und besseren Zusammenspiels zwischen Marketing und Vertrieb, was ja auch in B2B-Unternehmen mal so und mal so funktioniert. Ich glaube, das ist elementar für einen erfolgreichen Verkäufer oder Verkäuferin der Zukunft, sich mit diesen Themen auseinanderzusetzen.
Torsten Herrmann [00:29:37]:
Das ist ein ganz wichtiges Thema, die Zusammenarbeit zwischen Markt und Vertrieb. Was ich da erlebe, ist, wenn man so eine Customer Journey identifiziert aufgrund dessen was die Kunden sagen, was die berichten über ihre Entscheidungsprozesse, über Interaktionen etc., dann bekommt man sozusagen eine dritte Instanz in das Spiel. Der übliche Weg ist ja, der Vertrieb erklärt dem Marketing, wie es läuft und das Marketing tut sein Bestes, um das irgendwie umzusetzen und die Kunden anzuziehen, nutzt eine Reihe von quantitativen Daten, vor allen Dingen Interaktion mit der Webseite, Downloads, du hast es gerade gesagt. Wenn man aber sozusagen den Kunden mit in den Raum stellt und sagt, ja das ist dessen Customer Journey, so hätte er das gerne und an den Stellen wünsche er sich mehr Unterstützung etc., dann verändert man die Spielregeln zwischen Marketing und Vertrieb Und plötzlich gibt es nicht mehr diese Informationsdisbalance, sondern man kann sich sozusagen an einem Ziel ausrichten, nämlich das, was die Kunden sagen, was ganz viel verändert innerhalb dieser Zusammenarbeit. Du hast eben aber auch schon mal was angesprochen, da wollte ich mal darauf zurückkommen, nämlich vielleicht hast du noch ein paar Empfehlungen? Was kann jemand tun, der sich sagt, okay, wir sind noch nicht so wahnsinnig firm mit quantitativen Daten, vielleicht die haben wir, aber qualitativen Daten nicht. Womit kann jemand anfangen, was sollte man sich mal überlegen, wo siehst du eine Chance mit quantitativen oder qualitativen Daten einen kleinen Unterschied zu machen, einen großen Unterschied zu machen im Marketing, vielleicht speziell im B2B-Marketing?
Michael Obermaier [00:31:26]:
Ich glaube, wir leben in einer Welt, wo wir nicht zu wenig Daten haben. Ich glaube, das ist so eines der Kernthemen, die wir immer in den Gesprächen haben. Es ist jetzt nicht so, dass Kunden sagen, sie hätten nicht genug Daten über ihre Kunden. Ich glaube, die Kernherausforderung ist oftmals, dass diese Daten eben über das gesamte Unternehmen verstreut sind, in unterschiedlichen Silos, sprichwörtlich zu Hause sind. Und die Herausforderung eher daran besteht, die zusammenzuziehen, eine wie es so schön heißt, 360-Grad-Sicht auf den Kunden zu kriegen. Ein Thema, das wir alle in dieser Industrie sozusagen seit bald 30 Jahren predigen. Und vielleicht wird es irgendwann mal tatsächlich Realität. Also ich glaube, sich mal im Unternehmen auf die Suche zu machen, was weiß ich denn schon meine Kunden, was habe ich denn schon für Daten, ist, glaube ich, ein erster wichtiger und vielleicht nicht allzu, vielleicht schon ein schwerer Schritt, aber einer, der machbar ist sozusagen.
Wenn ich das schon sozusagen für mich geschafft habe, hier zu einer Einheit, die sich auf den Grund zu kriegen, denke ich, dass das so einfache Fragestellungen rund Kundenwert, Produktinteresse, Abwanderungsgefahr, das sind Fragestellungen, die man aus den Daten auch üblicherweise relativ einfach herauslesen kann. Gesetzt, den Fall, man hat natürlich eine entsprechende Unterstützung. Das kann jetzt sein, dass man sich die von einem Hersteller sucht, von einem Beratungsunternehmen sucht. Vielleicht hat man auch im Haus jemanden mittlerweile, das sich das Thema auseinandersetzt. Stichwort Fachkräftemangel ist es sicher für kleinere Unternehmen oder für Mittelstände vielleicht einen Ticken schwieriger, an dieses Personal ranzukommen, weil halt gerade Data Scientisten quasi aufgestaubsaugert werden von den großen Unternehmen. Das ist leider so. Es gibt aber sehr viele Boutiquen und Beratungsunternehmen, die da gerne auch unterstützen. Ich glaube, dass das wichtig ist, da anzufangen, seine Daten besser zu verstehen.
Was das Thema Qualitative Daten angeht: Das ist nochmal eine andere Nummer. Und da glaube ich fest daran, hier sich professionelle Hilfe zu suchen im Sinne von Beratung von außen zu holen und hier entweder mit einer Art marktforscherischen Ansatz zu sagen, an das Thema heranzugehen oder auch hier zu überlegen, welche Datenquellen habe ich im Haus, die ich direkt anzapfen kann. Also wie gesagt, Versicherungen, Banken, große Unternehmen mit großem Datenvolumen tun sich leichter, ist aber im B2B-Umfeld wird es vermutlich eher sinnvoll sein, ähnlich wie du das auch machst, dass man rausgeht, mit Kunden, potenziellen Kunden spricht oder vielleicht auch mit Kunden, wo Projekte verloren wurden, konkret die Journeys rauszuarbeiten, die Motivation herauszuarbeiten, weil einfach die Datenmenge eine andere ist und auch die Komplexität eine andere ist als vielleicht im B2C-Umfeld der Fall ist.
Torsten Herrmann [00:34:08]:
Ja, super. Ich glaube, da haben wir alle was mitgenommen. Ich auch. Eine ganze Menge gelernt, wieder nebenbei ein paar Impulse bekommen. Vielen lieben Dank, Michael. Und für die Hörer gilt wie immer, wir machen in zwei Wochen weiter. Da kommt der nächste Podcast. Und dann heißt es wieder, lasst die Kunden kommen. Vielen Dank, Michael.
Michael Obermaier [00:34:28]:
Vielen Dank, Torsten.
Torsten Herrmann [00:34:30]:
Danke.