Optimierung des CRM

In der heutigen datengesteuerten Geschäftswelt ist ein effektives Kundenbeziehungsmanagement (CRM) unerlässlich. Doch selbst die fortschrittlichsten CRM-Systeme sind nur so gut wie die Daten, die sie enthalten. In einem Projekt, welches sich mit den Herausforderungen in der Datenqualität eines bestehenden CRM-Systems auseinandersetzte, konten wertvolle Einblicke gewonnen werden.

Projektinhalt

Dieses Proof of Concept (PoC) wurde von einem Projektteam im Rahmen der Special Week an der Berner Fachhochschule entwickelt. Mittels PyQt wurde eine einfache GUI erstellt, die es ermöglicht, basierend auf einer URL-Liste Daten aus dem Web zu extrahieren. Über verschiedene Schritte werden folgenden Informationen gesammelt:

• Unternehmensanalyse: Kurzbeschreibung des Unternehmens, was es macht und in welcher Branche es tätig ist.
• Mitbewerberanalyse: Es werden 5–10 ähnliche Unternehmen identifiziert, die in der gleichen Branche tätig sind. Eine neue Abfrage für die neuen Unternehmen kann ebenfalls direkt gestartet werden.
• Generelle Kontaktdaten: E-Mail-Adresse, Telefonnummer, Adresse und weitere relevante Kontaktdaten.
• Kontaktpersonen: Informationen über spezifische Kontaktpersonen, die für das Unternehmen relevant sind, wie Name, Position und E-Mail-Adresse. Ein Screenshot der Webseite wird erstellt, um die Richtigkeit der gesammelten Daten zu überprüfen.

Die Herausforderung: Ineffiziente Daten und manuelle Arbeit

Das Ausgangsproblem war typisch für viele Unternehmen: Das vorhandene CRM-System litt unter doppelten Einträgen, veralteten Informationen und unvollständigen Datensätzen. Diese Inkonsistenzen beeinträchtigten die Wirksamkeit von Vertriebs- und Marketingbemühungen erheblich. Manuelle Überprüfungen waren zeitaufwändig und banden wertvolle Ressourcen, die an anderer Stelle besser eingesetzt werden könnten. Das Ziel war klar: Die CRM-Daten sollten bereinigt, validiert und angereichert werden, um ihre Genauigkeit und Relevanz zu verbessern und die Zuverlässigkeit des Systems zu erhöhen.

Zwei Lösungsansätze für mehr Datenqualität

Um diesen Anforderungen gerecht zu werden, wurden zwei primäre Lösungsansätze entwickelt: Ein Roboter-Automatisierungstool und eine API- & Web-Scraping-Lösung. Da die Roboter-Automatisierungslösung sehr komplex und wenig flexibel war, wurde der Fokus auf die zweite Lösung gelegt.

API- & Web-Scraping-Lösung: Tiefenanalyse aus dem Web

Die zweite Lösung nutzt öffentlich verfügbare APIs, um Daten aus externen Quellen zu sammeln, zu filtern und zu analysieren. Der Workflow ist dabei mehrstufig:
Schritt für Schritt zur umfassenden Information:

1. URL-Verarbeitung (Scraping): URLs aus einer bereinigten Eingabedatei werden an eine Scraping-API übergeben. Diese extrahiert alle Links von der Homepage, filtert relevante URLs und speichert sie. Dieser Ansatz ermöglicht eine einfache Integration von Filtermechanismen.
2. URL-Analyse (Intelligente API-Nutzung): Die Perplexity API (LLM mit Internetzugang), wir genutzt, um Informationen über Unternehmen, Domains und ähnliche Unternehmen zu sammeln. Dies vereinfacht die Datenerfassung erheblich und liefert aktuelle Informationen sowie Zusammenfassungen des aktuellen Seitenstatus.
3. Kontaktdaten-Scraping: Eine weitere API wird verwendet, um präzise und umfassende Kontaktdaten von den gefilterten Seiten zu extrahieren. Alle gesammelten Kontaktdaten werden pro Domain in einer einzigen Datei zusammengeführt. Um die Richtigkeit zu überprüfen, wird auch ein Screenshot der Seite erfasst, was eine schnelle Verifizierung ohne Browseröffnung ermöglicht.
4. Datenvisualisierung: Nach jedem Verarbeitungsschritt werden die gesammelten Daten in einer benutzerfreundlichen grafischen Oberfläche (GUI) visualisiert, um einen schnellen Überblick zu ermöglichen.

Warum dieser Ansatz?
Web-Scraping ermöglicht eine umfassende Datenerfassung, auch spezifischer Kontaktpersonen. Die Entscheidung, APIs statt eines lokalen Sprachmodells (LLM) zu verwenden, basierte auf der Komplexität und den Ressourcenanforderungen lokaler LLMs. APIs bieten eine schlankere Lösung, obwohl ein optimiertes lokales LLM in der Zukunft eine Option sein könnte. Zudem gilt es zu bedenken, dass die Nutzung von APIs mit Kosten verbunden ist, die bei der Planung berücksichtigt werden müssen. Ausserdem können diese in der Funktionsweise ändern, was zu Anpassungen der Logik führen könnte.

Ausblick und zukünftige Verbesserungen

Das Projekt birgt ein enormes Potenzial für zukünftige Erweiterungen:

• Robot-Automatisierung: Integration zukünftiger KI-APIs mit Web-Browsing-Funktionen und automatische UI-Anpassung durch Bilderkennung oder maschinelles Lernen.
• API & Scraping: Erweiterung der Datenquellen (z.B. branchenspezifische Datenbanken), Parallelverarbeitung und Caching zur Beschleunigung und Kostenreduzierung, verbesserte Datenvalidierung und Optimierung von KI-Modellen. Eine anspruchsvollere GUI mit interaktiven Datenvisualisierungen könnte die Benutzererfahrung weiter verbessern.

Fazit: Ein strategisches Asset für die Zukunft

Die Implementierung dieser Lösungen kann das CRM-System eines Unternehmens in einen zuverlässigeren und strategischen Vermögenswert verwandeln. Durch die Konzentration auf Automatisierung und Datenanalyse legt dieses Projekt den Grundstein für ein leistungsstarkes CRM- und Marktanalysetool.