Warum Datenanreicherung auslagern, wenn KI-Tools jedes Feld ausfüllen?

Ein Revenue-Operations-Team lässt seine Account-Liste von einem Tool zur kaskadierenden Datenanreicherung bearbeiten. Das Tool fragt einen Datenanbieter ab, dann bei fehlenden Angaben einen zweiten und schließlich einen dritten. Ein KI-Rechercheagent ergänzt alle weiterhin leeren Felder, indem er Unternehmenswebsites und Nachrichten liest. Das Dashboard weist eine Ausfüllquote von 97 % aus. Ein Vertriebsmitarbeiter öffnet einen wichtigen Ziel-Account und findet zwei unterschiedliche Hauptsitzadressen, eine je nach Quelle um 4.000 abweichende Mitarbeiterzahl und einen Finanzvorstand, der das Unternehmen bereits vor acht Monaten verlassen hat.

In diesem Datensatz ist nichts leer. Vieles davon ist falsch. Diese Lücke erklärt, warum Teams die Datenanreicherung weiterhin auslagern, obwohl automatisierte Tools jedes Feld ausfüllen können. Felder auszufüllen ist inzwischen günstig. Zu entscheiden, welcher Wert stimmt, wenn Quellen voneinander abweichen oder veraltet sind, erfordert weiterhin Urteilsvermögen. Die Kosten für eine von Menschen überprüfte Datenanreicherung lohnen sich, wenn es darum geht, Konflikte bei den umsatzrelevanten Accounts zu lösen – nicht darum, wie viele leere Felder sie ausfüllt.

Wie wurde die Datenanreicherung zu einem Wettlauf um die Ausfüllquote?

B2B-Datenanreicherungsdienste ergänzen fehlende Angaben in Unternehmens- und Kontaktdatensätzen: Firmendaten wie Branche, Umsatz und Mitarbeiterzahl; Kontaktdaten wie Titel, E-Mail-Adresse und Telefonnummer; Technografien wie die von einem Unternehmen eingesetzte Software; sowie Signale wie Finanzierungsrunden, Einstellungsaktivitäten und Veränderungen in der Führungsebene.

Jahrelang kauften Teams Daten von einem Anbieter und nahmen dessen Abdeckungslücken hin. Die kaskadierende Datenanreicherung änderte das. Anstatt sich auf eine einzige Quelle zu verlassen, fragt ein entsprechendes Tool mehrere Anbieter nacheinander ab und übernimmt für jedes Feld den ersten gefundenen Wert. KI-Rechercheagenten fügen eine weitere Ebene hinzu: Sie durchsuchen das Web und fassen ihre Funde in strukturierten Feldern zusammen.

Diese Tools bieten echten Mehrwert. Sie schließen Lücken schnell und kostengünstig und geben Vertriebsteams mehr Möglichkeiten an die Hand. Vertriebsorganisationen setzen sie rasch ein: Der Bericht zum Stand des Vertriebs von Salesforce ergab, dass 54 % der Vertriebsmitarbeiter bereits KI-Agenten eingesetzt haben. Außerdem erwarten sie, dass Agenten die Zeit für die Recherche zu potenziellen Kunden um 34 % verkürzen. Ein großer Teil dieser Recherchezeit entfällt auf dieselben Informationen zu Kundenkonten und Kontakten, die auch Datenanreicherungstools liefern.

Das Problem: Die Tools sind auf eine möglichst umfassende Abdeckung ausgelegt. Die Ausfüllquote wird zur zentralen Kennzahl, und jedes Feld mit irgendeinem Wert gilt als Erfolg.

Warum führen mehr Quellen zu mehr Konflikten?

Verschiedene Anbieter verwenden möglicherweise unterschiedliche Definitionen, Aktualisierungszyklen und Unternehmensdatensätze, was zu widersprüchlichen Informationen führt. Ohne ein Verfahren zum Quellenvergleich und zur Überprüfung von Abweichungen können zusätzliche Daten die Zuverlässigkeit der CRM-Datensätze mindern.

Unterschiedliche Definitionen

Ein Anbieter zählt die Beschäftigten des Mutterunternehmens, ein anderer die der lokalen Gesellschaft und ein dritter verwendet eine Schätzung aus einem öffentlichen Profil. Alle drei Zahlen können plausibel sein, doch nur eine passt dazu, wie Ihre Vertriebsgebiete festgelegt sind.

Unterschiedliche Aktualisierungszyklen

Anbieter aktualisieren ihre Daten nach unterschiedlichen Zeitplänen. Ein Titel, den eine Quelle letzte Woche aktualisiert hat, kann bei einer anderen noch mit dem alten Wert erscheinen. Ein Kaskadentool, das die erste gefundene Antwort übernimmt, kann daher den veralteten Wert auswählen.

Verwechslung von Unternehmen

Tochtergesellschaften, regionale Niederlassungen und Unternehmen mit ähnlichen Namen werden miteinander verwechselt. Ein KI-Agent, der das Web durchsucht, kann Angaben zu zwei verschiedenen Unternehmen zu einem einzigen Datensatz zusammenführen.

Keine Klärung von Widersprüchen

Die meisten Kaskaden folgen einer festgelegten Reihenfolge. Sie vergleichen weder Werte aus verschiedenen Quellen noch weisen sie auf Abweichungen hin. Der Konflikt bleibt in einem ausgefüllten Feld verborgen.

Das Ergebnis ist ein CRM-System, das vollständig aussieht, aber unzuverlässig funktioniert.

Abdeckung oder Richtigkeit bei den entscheidenden Accounts

Nicht jeder Datensatz erfordert dieselbe Sorgfalt. Eine Marketingliste mit 200,000 Kontakten für eine breit angelegte Bekanntheitskampagne kann gewisse Fehler verkraften. Bei einer Liste mit 300 Ziel-Accounts für ein Account-based-Marketing-Programm ist das nicht der Fall.

Bei diesen priorisierten Accounts hat eine falsche Angabe direkte Folgen. Ein Vertriebsteam, das eine ausgeschiedene Führungskraft anruft, verspielt den ersten Eindruck. Ein Gebietsplan, der auf einer falschen Mitarbeiterzahl beruht, weist den Account dem falschen Team zu. Ein Preismodell auf Grundlage veralteter Umsatzdaten setzt die falsche Deal-Größe an. Prognosen, die auf diesen Datensätzen beruhen, übernehmen dieselben Fehler.

KI-Agenten erhöhen das Risiko zusätzlich. Wenn ein Agent selbstständig Kontaktansprachen entwirft, Leads bewertet oder Accounts zuweist, handelt er auf Grundlage der CRM-Angaben. Ein Agent, der mit widersprüchlichen Anreicherungsdaten arbeitet, macht im großen Maßstab Fehler und tritt dabei selbstsicher auf.

Wann sollten Sie Datenanreicherungsdienste auslagern?

Automatisierte Datenanreicherung eignet sich gut für große Datenbanken, in denen gelegentliche Fehler verkraftbar sind. Für hochwertige Accounts ist jedoch eine höhere Genauigkeit erforderlich. Outsourcing lohnt sich, wenn Unternehmen Entscheidungsträger überprüfen, Probleme mit der Unternehmenshierarchie klären, veränderliche Kontaktdaten validieren oder KI-gestützte Vertriebsabläufe unterstützen müssen. In folgenden Bereichen bietet das Outsourcing der Datenanreicherung den größten Mehrwert:

1. Accounts mit hohem Wert: Account-based-Marketing-Programme, strategische Vertragsverlängerungen und Enterprise-Vertriebspipelines, bei denen jeder Datensatz für erhebliches Umsatzpotenzial steht.
2. Komplexe Unternehmensstrukturen: Unternehmen mit mehreren Tochtergesellschaften, regionalen Einheiten oder kürzlich erfolgten Fusionen, die es automatisierten Tools erschweren, Muttergesellschaften von ihren Tochtergesellschaften zu unterscheiden.
3. Häufig wechselnde Kontakte: Branchen mit hoher Fluktuation in der Führungsebene oder regelmäßig wechselnden Einkaufsgremien, wodurch es schwieriger wird, Kontaktdaten und Angaben zu Entscheidungsträgern aktuell zu halten.
4. Agentengesteuerte Arbeitsabläufe: Vertriebszuweisung, Lead-Bewertung und Kontaktaufnahme, bei denen KI-Agenten ohne menschliche Prüfung bei jedem Schritt auf CRM-Daten zugreifen.
5. Regulierte Kontaktaufnahme: Märkte, in denen für Kontaktdaten dokumentierte Quellen und eine rechtmäßige Grundlage für ihre Verarbeitung und Nutzung erforderlich sind.

Unter diesen Bedingungen sind die Kosten eines einzigen falschen Werts höher als die Kosten seiner Überprüfung. Die Auslagerung der Datenanreicherung ist auch dann sinnvoll, wenn internen Teams die Recherchezeit fehlt, um Datensätze in dem Tempo zu überprüfen, das die Pipeline erfordert. Mitarbeiter im Sales Development können eine Handvoll Kundenkonten prüfen, aber nicht jedes Quartal 500 priorisierte Datensätze aktuell halten und gleichzeitig neue Interessenten ansprechen.

In allen Fällen außerhalb dieser Bedingungen ist eine automatisierte Datenanreicherung mit sinnvollen Quellenregeln oft die bessere Investition. Ziel ist es, den Prüfaufwand dort einzusetzen, wo sich Fehler geschäftlich auswirken.

Warum sind von Menschen geprüfte Daten im Zeitalter von KI-Agenten wichtig?

Hier zeigt sich, warum sich die Auslagerung der Datenanreicherung nach wie vor lohnt. Ein erfahrenes Team bringt drei Dinge ein, die automatisierte Tools nicht leisten.

KI-Agenten greifen zunehmend auf CRM-Daten zurück, um Nachrichten für die Kontaktaufnahme zu entwerfen, Leads zu bewerten und Kundenkonten weiterzuleiten. Dadurch werden fehlerhafte Angaben zu einem Geschäftsrisiko. Eine von Menschen geprüfte Datenanreicherung trägt dazu bei, sicherzustellen, dass wichtige Datensätze korrekt und aktuell sind und den Geschäftsregeln entsprechen, bevor automatisierte Systeme darauf zugreifen.

Konfliktlösung

Widersprechen sich Quellen, prüft ein Rechercheteammitglied Primärbelege: die Website des Unternehmens, öffentliche Einreichungen, Pressemitteilungen, berufliche Profile und in manchen Fällen auch direkt telefonisch eingeholte Auskünfte. Es hält fest, welcher Wert korrekt ist und warum, und vermerkt Quelle und Datum.

Aktualitätsprüfungen

Bei priorisierten Kontakten bestätigen Rechercheteams, dass die Personen die aufgeführten Positionen noch innehaben. Stellenwechsel gehören zu den häufigsten Gründen dafür, dass Anreicherungsdaten veralten. Eine kurze Überprüfung verhindert unnötige Kontaktaufnahmen.

Abgleich mit Geschäftsregeln

Rechercheteams wenden die unternehmenseigenen Definitionen des Kunden an. Wenn bei der Zuordnung zu Vertriebsgebieten die Beschäftigtenzahl der regionalen Einheit maßgeblich ist, erfassen sie diese Zahl. Wenn das ideale Kundenprofil bestimmte Tochtergesellschaften ausschließt, kennzeichnen sie diese. Solche Regeln sind in der Logik eines Waterfall-Verfahrens nur selten abgebildet.

Am besten ist es, beide Methoden zu kombinieren. Automatisierte Tools reichern die große Masse der Datensätze kostengünstig an. Ein Team prüft die Kundenkonten und Datenfelder, die den Umsatz beeinflussen, und löst dort Konflikte. Jeder gelöste Konflikt kann außerdem in die Automatisierung zurückfließen und die Priorität von Quellen für bestimmte Datenfelder oder Regionen anpassen.

Einen hybriden Arbeitsablauf für die Datenanreicherung gestalten

Ein hybrider Arbeitsablauf nutzt Automatisierung, um große Datenbanken anzureichern, und menschliche Prüfer, um wichtige Abweichungen zu untersuchen. Die Priorisierung von Kundenkonten, die Erkennung von Konflikten, Prüfprotokolle und regelmäßige Quellenbewertungen helfen dabei, den manuellen Aufwand gezielt dort einzusetzen, wo er den größten Nutzen bringt.

1. Kundenkonten in Prioritätsstufen einteilen. Teilen Sie die Datenbank anhand des Umsatzpotenzials, der Pipeline-Phase oder der Zugehörigkeit zu einem Account-Based-Marketing-Programm in Prioritätsstufen ein.
2. Datenfelder priorisieren. Ermitteln Sie die Datenfelder, die sich auf Weiterleitung, Bewertung, Preisgestaltung und Kontaktaufnahme auswirken, etwa Beschäftigtenzahl, Umsatz, Branche und Kontakte zu Entscheidungsträgern.
3. Alle Datensätze automatisiert anreichern und sämtliche Werte aus den Quellen beibehalten, nicht nur den zuerst gefundenen.
4. Konflikte automatisch kennzeichnen, wenn Quellen stärker als bis zu einem festgelegten Toleranzwert voneinander abweichen oder ein Wert älter ist als ein festgelegter Zeitraum.
5. Gekennzeichnete priorisierte Datensätze zur Überprüfung an Menschen weiterleiten und die widersprüchlichen Werte samt Quellen beifügen.
6. Den geprüften Wert, die Quelle und das Datum erfassen, in das CRM zurückschreiben und eindeutig den Status angeben.
7. Die Genauigkeit der Quellen vierteljährlich überprüfen und die Reihenfolge im Waterfall-Verfahren je nach Datenfeld, Region oder Branche anhand der Prüfungsergebnisse anpassen.

Bei diesem Konzept konzentriert sich der menschliche Aufwand auf die Bereiche, in denen er sich auszahlt, und die Automatisierung erhält kontinuierlich Rückmeldungen. Über einige Quartale hinweg zeigen die Prüfdaten außerdem, welche Anbieter bei welchen Datenfeldern am zuverlässigsten sind. Eine Quelle kann bei Beschäftigtenzahlen in Nordamerika stark, bei Kontakten in Europa aber schwach sein, während es bei einer anderen Quelle umgekehrt sein kann. Die Reihenfolge im Waterfall-Verfahren lässt sich dann je nach Datenfeld und Region ändern, sodass deutlich weniger Konflikte überhaupt zur Prüfung weitergeleitet werden.

Ein Unternehmen für Datenanreicherung auswählen

Viele Unternehmen für Datenanreicherung versprechen inzwischen hohe Abdeckungsraten und KI-gestützte Recherche. Aufschlussreicher sind Fragen dazu, wie sie mit Konflikten und der Aktualität der Daten umgehen:

• Wie entscheidet das Team, welcher Wert korrekt ist, wenn sich zwei Quellen widersprechen?
• Werden alle Quellwerte beibehalten oder nur der ausgewählte?
• Wie oft und auf welche Weise werden priorisierte Kontakte erneut verifiziert?
• Kann der Anbieter die eigenen Definitionen des Kunden für Mitarbeiterzahl, Branche und Hierarchie anwenden?
• Welche Genauigkeit weist der Anbieter bei verifizierten priorisierten Datensätzen aus, gemessen getrennt von der allgemeinen Füllrate?
• Wie werden verifizierte Werte im CRM gekennzeichnet, damit Nutzer sie von automatisiert ermittelten Werten unterscheiden können?

Ein Datenanreicherungsunternehmen, das nur Füllraten nennt, geht nicht auf das Problem ein. Ein Anbieter, der seine Regeln zur Klärung von Widersprüchen, Quelldatensätze und die verifizierte Genauigkeit anhand von Beispielkonten offenlegt, ist für umsatzkritische Aufgaben gerüstet.

Compliance und Datenherkunft

Bei der Datenanreicherung werden personenbezogene Daten verarbeitet. Deshalb muss Compliance von Anfang an berücksichtigt werden. Die Datenschutz-Grundverordnung (DSGVO) verlangt für die Verarbeitung personenbezogener Daten von Menschen in der Europäischen Union eine Rechtsgrundlage sowie Transparenz hinsichtlich der Quellen. Der California Consumer Privacy Act (CCPA) räumt Einwohnern Kaliforniens das Recht ein, Auskunft über ihre personenbezogenen Daten zu erhalten, diese berichtigen und löschen zu lassen. Vorschriften zur Kontaktaufnahme, etwa der CAN-SPAM Act in den Vereinigten Staaten, legen zusätzliche Anforderungen für kommerzielle E-Mails fest.

Die Datenherkunft hilft bei all diesen Anforderungen. Wenn bei jedem Wert die Quelle und das Verifizierungsdatum angegeben sind, kann ein Team auf eine Anfrage einer betroffenen Person reagieren, einer Berichtigung nachkommen und nachweisen, woher die Informationen stammen. Bei kaskadierenden Verfahren, die nur den letztlich ausgewählten Wert speichern, geht dieser Herkunftsnachweis verloren. Fragen Sie jeden Anbieter, wie er Quellen dokumentiert, Abmeldungen und Sperrlisten handhabt und Daten auf Anfrage löscht. Prüfen Sie aktuelle Sicherheitszertifizierungen wie SOC 2 Type II oder ISO/IEC 27001, bevor Sie CRM-Exporte weitergeben.

Messen, worauf es ankommt

Ersetzen Sie die Füllrate als wichtigste Erfolgskennzahl durch Messgrößen, die die Korrektheit abbilden:

• Verifizierte Genauigkeit bei priorisierten Kundenkonten, geprüft durch Stichprobenkontrollen.
• Konfliktrate nach Feld und Quelle, die zeigt, bei welchen Angaben Anbieter am häufigsten voneinander abweichen.
• Aktualität der Kontaktdaten, gemessen am Anteil der priorisierten Kontakte, die innerhalb der letzten 90 Tage verifiziert wurden.
• Unzustellbarkeits- und Falschkontaktquoten bei der Kontaktaufnahme mit angereicherten Kontakten.
• Vertrauen der Vertriebsmitarbeiter, gemessen anhand einfacher Rückmeldungen zur Qualität der Datensätze.

Diese Kennzahlen zeigen, ob die Datenanreicherung dem Vertriebsteam hilft oder lediglich die Datenbank füllt. Besprechen Sie sie jedes Quartal mit den Vertriebsleitern.

Teams lagern Dienstleistungen zur Datenanreicherung aus, um heute für die wichtigsten Kundenkonten korrekte Werte zu erhalten. Kaskadierende Tools und KI-Agenten füllen Felder kostengünstig, häufen dabei aber auch veraltete und widersprüchliche Werte an, ohne festzulegen, welcher davon gilt. Eine von Menschen verifizierte Datenanreicherung zahlt sich dort aus, wo Genauigkeit den Umsatz beeinflusst: bei der Klärung von Widersprüchen, der Prüfung der Aktualität und der Anwendung geschäftlicher Regeln auf priorisierte Kundenkonten. Vertrauenswürdige B2B-Datenanreicherungsdienste verbinden automatisierte Datenanreicherung mit verifizierter Klärung von Widersprüchen bei hochwertigen Datensätzen. Da immer mehr KI-Agenten ohne menschliches Eingreifen auf CRM-Daten zugreifen, muss eine Frage beantwortet werden: Welchen der ausgefüllten Felder würden Sie heute einem Agenten anvertrauen, damit er darauf basierend handelt?