Wenn Informationen vorhanden sind, aber die Recherche Zeit kostet
Ein Vertriebsteam möchte wissen, welche Unternehmen in einer bestimmten Region zu seinem Angebot passen. Informationen dazu liegen möglicherweise an mehreren Stellen. Bis daraus eine brauchbare Liste wird, muss jemand suchen, Einträge vergleichen und fehlende Angaben ergänzen. Wiederholt sich diese Arbeit regelmäßig, lohnt sich die Frage, welche Schritte sich vorbereiten oder automatisieren lassen.
Eine Möglichkeit ist automatisierte Datentransformation: Vorhandene Informationen werden für eine konkrete Aufgabe gesammelt, eingeordnet und in eine nutzbare Form gebracht. Ob dieser Ablauf im Alltag hilft, muss ein erster Test zeigen.
Ein Beispiel aus der Vertriebsrecherche
Angenommen, ein Unternehmen sucht potenzielle Kunden nach Region, Unternehmensgröße und Tätigkeitsfeld. Ein System könnte passende Quellen durchsuchen, Angaben zusammenführen und mögliche Treffer zur Prüfung vorschlagen. KI kann dabei helfen, uneinheitliche Beschreibungen einzuordnen. Ob ein Unternehmen tatsächlich interessant ist, beurteilt das Vertriebsteam anhand seiner Erfahrung und weiterer Informationen.
Auch Veränderungen könnten später relevant werden: Passt ein Unternehmen nach einer neuen Entwicklung besser zum Angebot als zuvor? Für ein solches Monitoring müssten die Quellen, die Aktualisierungsintervalle und die Kriterien für eine neue Bewertung feststehen. Ohne diesen Rahmen produziert eine breite Suche vor allem zusätzliche Prüfarbeit.
Der Zweck bestimmt die Datenpipeline
Vor der technischen Umsetzung klären wir, welche Entscheidung die Daten unterstützen sollen. Welche Angaben werden dafür wirklich gebraucht? Woher dürfen sie kommen? Wie aktuell müssen sie sein? Und wer prüft einen Eintrag, bevor er im Arbeitsalltag verwendet wird?
Bei externen Quellen gehören Zugriff und erlaubte Nutzung ebenso zur Prüfung wie Herkunft und Qualität. Mehrere Treffer können dasselbe Unternehmen meinen; eine Beschreibung kann veraltet oder missverständlich sein. Wenn Bewertungen einfließen, braucht es zudem Regeln für widersprüchliche oder möglicherweise unfaire Aussagen. Eine automatische Einstufung sollte solche Fälle nicht ungeprüft übernehmen.
Diese Fragen ähneln denen, die wir vor anderen Softwarevorhaben stellen. Im Beitrag Geförderte Digitalisierung: Erst Klarheit schaffen, dann Software bauen beschreiben wir, wie Prozesse und Anforderungen vor einer Investition geklärt werden können.
B2B
Welche Daten recherchiert oder pflegt Ihr Team heute immer wieder von Hand?
Wir schauen uns Quellen, Qualitätskriterien und den bestehenden Arbeitsablauf an und prüfen, welche Schritte sich sinnvoll automatisieren lassen.
Schritt 1 von 2
Schritt 2 von 2
Unverbindliche Kontaktanfrage
Mit dem Absenden stellen Sie eine unverbindliche Kontaktanfrage an develate. Wir nutzen Ihre Angaben, um Ihre Anfrage persönlich zu beantworten.
Erst Vorschläge prüfen, dann weiter automatisieren
Ein sinnvoller erster Schritt wäre eine begrenzte Auswahl von Quellen und Datensätzen. Das System macht Vorschläge; eine fachkundige Person prüft und korrigiert sie. So wird sichtbar, welche Kriterien fehlen und an welchen Stellen die Aufbereitung Fehler macht. Die Erfahrung der Menschen, die heute recherchieren oder mit den Daten arbeiten, gehört deshalb schon in die Planung.
Für den Test braucht es vorher vereinbarte Maßstäbe: Wie viele Einträge sind tatsächlich brauchbar? Wie oft muss jemand korrigieren? Wie lange dauert die Aufbereitung, und welche laufenden Kosten entstehen? Erst mit solchen Beobachtungen lässt sich entscheiden, ob weitere Schritte automatisch erfolgen sollten. Der passende Automatisierungsgrad hängt vom Anwendungsfall und vom Risiko falscher Einträge ab.
Das Ziel ist ein Arbeitsablauf, in dem Menschen bessere Grundlagen für ihre Entscheidungen erhalten und weniger Zeit mit wiederholter Recherche verbringen. Ein kleiner, überprüfbarer Durchlauf zeigt, ob das im konkreten Fall gelingt.
