GLOSSAR
Maschinelles Lernen
Maschinelles Lernen nutzt Beispieldaten, um Muster für Vorhersagen oder Entscheidungen zu erlernen. Die Qualität hängt davon ab, welche Fälle die Daten abbilden und welches Ergebnis als Erfolg gilt. Ein Modell kann vorhandene Vertriebsgewohnheiten ebenso übernehmen wie hilfreiche Zusammenhänge.
Wenn aus Kontaktdaten Prioritäten werden
Ein Vertriebsteam könnte frühere Verkaufschancen verwenden, um neue Anfragen zu priorisieren. Enthalten die Daten vor allem intensiv betreute Großkunden, kann eine hohe Abschlussquote auch die bisherige Betreuung widerspiegeln. Ein scheinbar attraktiver Score beeinflusst dann die nächste Ressourcenverteilung: Gut bewertete Kontakte erhalten mehr Aufmerksamkeit und liefern weitere positive Beispiele.
Deshalb braucht der Fachbereich Einfluss auf Zielgröße, Datenauswahl und Ausnahmen. Für neue Marktsegmente kann eine transparente Regel zunächst geeigneter sein. Der Vergleich mit einer solchen Vergleichsbasis zeigt, ob der zusätzliche Betriebsaufwand gerechtfertigt ist.
Wie ein tragfähiger Nachweis aussieht
Sinnvoll ist eine Prüfung an späteren, zuvor ungenutzten Fällen, getrennt nach relevanten Kundengruppen. Neben Treffern zählen übersehene Chancen, unnötige Bearbeitung und tatsächlicher Deckungsbeitrag. Der Zusammenhang zwischen Score und Ergebnis sollte beobachtet werden, ohne jede Verbesserung dem Modell zuzuschreiben. Veränderte Angebote oder Märkte können eine neue Validierung erfordern.