Datenqualität vor KI: warum RevOps die Voraussetzung ist
B2B-Kontaktdaten veralten mit 22 bis über 30 Prozent im Jahr, ohne dass jemand etwas falsch macht. Was das für KI-Projekte bedeutet, warum Aufräumen als Vorprojekt der falsche Weg ist und welche fünf Felder tatsächlich zählen.
Ein KI-Agent kann nur so genau arbeiten, wie die Daten es zulassen, die er liest. Das ist der meistgenannte und meistunterschätzte Grund dafür, dass KI-Projekte länger dauern als geplant.
Dieser Artikel zeigt, wie schnell Daten von allein verfallen, warum Aufräumen als Vorprojekt der falsche Zuschnitt ist, welche fünf Felder wirklich über das Ergebnis entscheiden und wie man Qualität laufend statt einmalig herstellt.
Daten verfallen von allein
B2B-Kontaktdaten veralten unabhängig davon, wie sorgfältig jemand arbeitet. Veröffentlichte Verfallsraten beginnen bei rund 22 Prozent im Jahr am konservativen Ende und liegen bei Dun & Bradstreet über 30 Prozent; einzelne Anbieterstudien nennen deutlich höhere Werte.
Die Spannweite selbst ist das Ergebnis: Niemand ist sich über die Rate einig, alle sind sich über die Richtung einig. Menschen wechseln Stellen, Firmen werden gekauft, Domains ändern sich, Telefonnummern werden abgeschaltet.
Datenqualität ist kein Disziplinproblem. Ein Bestand, der heute zu 95 Prozent stimmt und ein Jahr unangetastet bleibt, ist danach spürbar falsch, ohne dass irgendjemand etwas versäumt hätte. Wer das mit Schulungen und Sorgfaltsappellen angeht, bekämpft eine Ursache, die es nicht gibt.
Schlechte Datenqualität kostet ein Unternehmen im Schnitt 12,9 Millionen Dollar im Jahr. Für die US-Wirtschaft insgesamt schätzt Thomas Redman den Schaden auf 3 Billionen Dollar.
Gartner, und Redman in der Harvard Business Review
Beide Zahlen kommen über Sekundärberichterstattung, weil Gartners Studien hinter einer Bezahlschranke liegen. Sie taugen als Größenordnung, nicht auf die Nachkommastelle. Die Größenordnung ist der Punkt.
Warum Aufräumen als Vorprojekt der falsche Zuschnitt ist
Die naheliegende Reihenfolge lautet: erst Daten bereinigen, dann automatisieren. Sie funktioniert nicht, und zwar aus einem strukturellen Grund.
Ein Bereinigungsprojekt hat ein Ende, der Verfall nicht. Sechs Wochen Aufräumen erzeugen einen sauberen Zustand, der ab dem nächsten Tag wieder zerfällt, und am Ende der sechs Wochen ist die manuelle Arbeit, die man eigentlich abschaffen wollte, unverändert vorhanden. Das Projekt hat Geld gekostet und nichts strukturell verändert.
Die Reihenfolge, die trägt, ist die umgekehrte: Der erste Agent ist der, der die Daten pflegt. Abgleich, Dublettenauflösung, Anreicherung im Dauerbetrieb. Er verbessert die Grundlage für alle folgenden, während er läuft, und er ist gleichzeitig der Anwendungsfall mit dem geringsten Risiko, weil er nichts an Kunden schickt.
Das ist auch der Grund, warum Datenhygiene ein guter erster Anwendungsfall ist und nicht bloß eine Vorbedingung: Er ist unspektakulär, er hat einen klar messbaren Vorher-Zustand, und niemand verteidigt ihn als Handwerk.
Die fünf Felder, die tatsächlich zählen
Nicht jedes Feld ist gleich wichtig. Für die meisten GTM-Agenten entscheiden fünf über die Qualität des Ergebnisses:
Firma und Domain. Die Domain ist der eigentliche Schlüssel, nicht der Firmenname. Namen werden unterschiedlich geschrieben, Domains nicht. Wer Dubletten über den Namen sucht, findet die Hälfte nicht.
Rolle und Verantwortungsbereich. Nicht die Berufsbezeichnung, sondern wofür die Person zuständig ist. „Head of Operations“ heißt in zwei Firmen zwei verschiedene Dinge, und ein Agent, der auf Titeln segmentiert, liegt genau in dem Maß daneben, in dem Titel bedeutungslos sind.
Letzte Aktivität. Das nützlichste Feld überhaupt und in den meisten Systemen ungepflegt. Es unterscheidet einen aktiven Vorgang von einem toten und ist die Grundlage für fast jede sinnvolle Priorisierung.
Herkunft. Woher der Datensatz stammt, entscheidet über die rechtliche Behandlung. Bei Daten, die nicht bei der Person selbst erhoben wurden, greift die Informationspflicht aus Art. 14 DSGVO, spätestens bei der ersten Kontaktaufnahme. Ohne Herkunftsfeld lässt sich das nicht steuern.
Einwilligungsstatus. Für Werbung per E-Mail verlangt § 7 UWG die vorherige ausdrückliche Einwilligung, ohne allgemeine B2B-Ausnahme, und die Beweislast liegt beim Absender. Ein Feld, das das dokumentiert, ist kein Komfort, sondern die Verteidigung. Ausführlich steht das im Text zu DACH-Outbound (in English).
Die letzten beiden Felder stehen in kaum einem CRM und sind die einzigen, deren Fehlen unmittelbar rechtlich wirkt.
Was ein Agent mit schlechten Daten anrichtet
Der Schaden ist nicht, dass der Agent nichts tut. Er tut etwas, und zwar überzeugend.
Ein Anreicherungsschritt auf einer veralteten Rolle erzeugt eine sehr gut formulierte Ansprache an eine Person, die seit acht Monaten woanders arbeitet. Eine Dublette erzeugt zwei Vorgänge zu demselben Kunden, die sich gegenseitig nicht kennen. Eine falsche Firmenzuordnung schickt vertrauliche Angaben an den falschen Verteiler.
Das ist der eigentliche Unterschied zur Zeit vor KI. Ein Mensch mit schlechten Daten stutzt und fragt nach. Ein Agent stutzt nicht. Er füllt die Lücke mit etwas Plausiblem und macht weiter, und die Lücke ist danach unsichtbar.
Deshalb ist Datenqualität bei KI-Projekten nicht dasselbe Thema wie bei Auswertungen. Bei einer Auswertung erzeugt ein schlechter Datensatz eine schlechte Zahl. Bei einem Agenten erzeugt er eine Handlung.
Wie man Qualität laufend herstellt
Vier Bausteine, in dieser Reihenfolge:
Am Eingang prüfen, nicht im Bestand suchen. Pflichtfelder, Formatprüfungen und Dublettenprüfung beim Anlegen kosten einmal Aufwand und verhindern dauerhaft Nacharbeit. Wer nur den Bestand bereinigt, schöpft aus einem Eimer mit Loch.
Die Domain als Schlüssel setzen. Ein Abgleich über die Domain findet Dubletten, die ein Namensabgleich nie findet.
Verfall aktiv annehmen. Datensätze ohne Aktivität seit zwölf Monaten sind mit hoher Wahrscheinlichkeit falsch. Sie gehören markiert, bevor ein Agent auf ihnen arbeitet, nicht gelöscht: Die Historie ist wertvoll, die Aktualität ist es nicht.
Messen, was sich ändert. Drei Kennzahlen genügen: Füllgrad der fünf Felder oben, Anzahl erkannter Dubletten pro Monat, Anteil der Datensätze mit Aktivität in den letzten 90 Tagen. Wenn diese drei Werte sich in die richtige Richtung bewegen, funktioniert das System, auch wenn es sich nicht so anfühlt.
Der Zusammenhang mit dem Forecast
Es lohnt, den Bogen einmal ganz zu schlagen, weil das Thema sonst wie eine Fleißaufgabe wirkt.
Der Forecast zieht direkt aus CRM-Feldern. Ein veraltetes Abschlussdatum, ein nicht aktualisierter Wert, eine Dublette, die dieselbe Chance zweimal zählt: Jeder dieser Fehler geht ungefiltert in die Zahl ein, die im Vorstand präsentiert wird. Weniger als die Hälfte der Vertriebsleitungen gibt an, hohes Vertrauen in die Prognosegenauigkeit des eigenen Hauses zu haben, und das ist keine Frage der Rechenmethode.
Datenqualität ist damit keine Vorbedingung für KI. Sie ist die Vorbedingung dafür, dass irgendeine Zahl im Unternehmen etwas bedeutet: wir haben das an der Forecast-Seite ausführlich durchgerechnet (in English). KI macht das Thema nur dringender, weil sie aus schlechten Daten Handlungen macht statt Berichte.
Häufig gestellte Fragen
Wie schnell veralten B2B-Kontaktdaten?
Veröffentlichte Raten liegen zwischen etwa 22 und über 30 Prozent pro Jahr. Die Streuung ist groß, die Richtung eindeutig.
Müssen wir erst aufräumen, bevor wir mit KI anfangen?
Nein, und das ist meist der teurere Weg. Besser ist ein erster Agent, der die Pflege übernimmt: Er verbessert die Grundlage im Betrieb und ist gleichzeitig der Anwendungsfall mit dem kleinsten Risiko.
Welche Felder sind am wichtigsten?
Domain, Verantwortungsbereich, letzte Aktivität, Herkunft und Einwilligungsstatus. Die letzten beiden fehlen fast überall und sind die einzigen mit unmittelbarer rechtlicher Wirkung.
Woran merken wir, dass es besser wird?
An drei Zahlen: Füllgrad der Kernfelder, erkannte Dubletten pro Monat, Anteil der Datensätze mit Aktivität in den letzten 90 Tagen.
Reicht ein Anreicherungsanbieter?
Er löst die Vollständigkeit und nicht die Richtigkeit. Ein Anbieter kann eine fehlende Firmengröße ergänzen; ob die Person noch dort arbeitet, weiß er oft ebenso wenig wie ihr. Anreicherung ersetzt keine Aktivitätsdaten aus dem eigenen Haus.
Quellen: Thomas C. Redman, „Bad Data Costs the U.S. $3 Trillion Per Year“, Harvard Business Review, Cognism zu B2B-Datenverfall, Art. 14 DSGVO, § 7 UWG.
Strategy Call