Datenstrategie und CRM für die Unternehmensführung im B2B-Bereich

Alle sind sich einig, dass Daten und CRM-Systeme (Customer Relationship Management Systeme) für die Unternehmensführung wichtig sind. Jedoch nutzen nur wenige B2B Unternehmen diese Erkenntnis auch in der Praxis und verfolgen gezielt eine Datenstrategie.

Es ist erschreckend: Eine Veröffentlichung der Harvard Business Review (2018) zum Thema „Data Growth" zeigt, dass rund 60 % aller Entscheider stark auf die Investitionen in Datenanalysen fokussiert sind. Was im ersten Moment gut klingt, bedeutet im Umkehrschluss allerdings, dass ganze 40 % sich mit dem Thema Big Data und Datenanalyse wenig bis gar nicht beschäftigen.

Wenn es um die Datenbestände im B2B und deren Qualität in der Einschätzung der B2B-Unternehmer geht, ist es angebracht, von einer Krise zu sprechen. So zeigt eine aktuelle Studie von CapGemini, dass gerade mal 27 % der Führungskräfte mit der Datenqualität zufrieden sind und nur 20 % ihren eigenen Daten vertrauen (CapGemini Research Institute, 2021). Das ist gefährlich in einem Umfeld, in dem Daten die Grundlage für den Erfolg darstellen. Die Qualität der Daten wird in Zukunft massgeblich über den Erfolg des Unternehmens mitentscheiden.

Mangelhafte Datenqualität behindert Prozessoptimierungen, Automatisierung und digitale Transformationen, was oft zu unnötigem Mehraufwand führt. In der digitalen Ära, wo Daten in Massen anfallen, ist es entscheidend, effektive Methoden zur Datenbewältigung einzusetzen. Selbst fortschrittlichste Technologien wie maschinelles Lernen sind nutzlos, wenn sie auf fehlerhaften Daten basieren. Daher ist es fundamental, zuerst die Qualität der Datengrundlage zu verbessern.

In diesem Artikel zeigen wir, welche Informationen du für deine Datengrundlage sammeln solltest, um die Kundenbindung zu stärken und potenzielle Kunden zum Kauf zu animieren. Dafür kannst du CRM-Systeme, wie zum Beispiel Hubspot, einsetzen.

Einführung in die Datenstrategie

Fundamentale Bedeutung qualitativ hochwertiger Daten

Qualitativ hochwertige Daten sind das Fundament, auf dem das Unternehmen steht. Sie prägen die Kundenbeziehung, die Kundenanzahl und die Effektivität der eingesetzten Marketing Automation Systeme (z.B. Hubspot). Es mag zwar ermüdend sein, sich mit langen Tabellen und statistischen Daten zu beschäftigen, jedoch reichen für eine ausgeklügelte Geschäfts- und Marketingstrategie wenige, regelmässig verglichene Daten aus.

Wenige Daten heisst dabei nicht wenig Wirkung. Es heisst: dieselben Zahlen, jede Woche, im gleichen Format. Welche das konkret sind, zeige ich weiter unten im Wochen-Review.

Definition und Abgrenzung der Datenstrategie

Eine Datenstrategie ist ein formulierter, zielgerichteter Verfahrensplan, der es einem Unternehmen ermöglicht, Wissen aus Daten zu gewinnen. Dieser Plan dient als Fahrplan zur Nutzung der Datenanalyse, um das bestehende Geschäft zu optimieren und möglicherweise neue Geschäftsmöglichkeiten zu entwickeln. Wichtig ist die Abgrenzung zur Digitalstrategie, die sich auf die Digitalisierung und Erschliessung neuer digitaler Kanäle konzentriert, wohingegen die Datenstrategie sich auf die gewinnorientierte Nutzung von Daten fokussiert.

Kernaspekte der Datenstrategie

Zielsetzung und Rahmenbedingungen

Das Datenstrategie-Design legt klare Ziele inklusive Zeitvorgaben fest. Es umfasst den voraussichtlichen Einsatz von Ressourcen und die notwendigen Rahmenbedingungen wie technische und rechtliche Anforderungen (Datenschutz, Datensicherheit), um die Ziele zu erreichen. Es wird auch geprüft, ob die vorhandenen Arbeitskräfte die notwendigen Kapazitäten und Qualifikationen besitzen oder ob Schulungsmassnahmen erforderlich sind.

Vermeidung von Datensalat

Eine durchdachte Datenstrategie hilft, die Fokussierung auf irrelevante Datensammlungen zu vermeiden und sich stattdessen auf Projekte zu konzentrieren, die das Unternehmen voranbringen. Dies verhindert Frustration und stellt sicher, dass nur relevante Daten das Unternehmenswachstum unterstützen.

Die drei Grundpfeiler der Datenstrategie

Deine Strategie sollte auf der folgenden Datengrundlage basieren:

1. Definition von Zuständigkeiten: Wenn nicht klar definiert wird, wer für welche Daten in welchem Umfang zuständig ist, kümmert sich am Ende niemand darum. Dazu zählt nicht nur, dass die richtigen Daten gesammelt und analysiert werden, sondern auch für Datenhygiene und Datenschutz muss die Verantwortung klar benannt werden.
2. Qualität vor Quantität: Blosse Datenmengen bringen dich nicht voran. Für eine nachhaltige Datenstrategie benötigst du eine klare Aufteilung, die deine Daten nutzbar macht. Dazu ist es wichtig, dass du die Customer Journey vor Augen hältst und pro Phase definierst, welche Daten genau gesammelt werden müssen.
3. Aktualität: Mit jeder Handlung verändern sich auch die Kundendaten. Dies solltest du im Blick behalten, denn nur aktuelle Daten gewährleisten eine solide Entscheidungsgrundlage. Konsequenz ist an dieser Stelle die wichtigste Eigenschaft, um mit einem eigenen Daten-Audit für die Ausarbeitung einer langfristigen Strategie zu sorgen.

Für die Sammlung und Auswertung von Daten kannst du selbstverständlich zahlreiche Tools verwenden. Für das Customer Relationship Management im B2B sind CRM-Systeme wie Hubspot sinnvoll.

Das minimale Datenmodell: 3 Zahlenfamilien statt endloser Pflichtfelder

Die meisten CRM-Projekte scheitern nicht am Tool. Sie scheitern an der Frage, was das System eigentlich beantworten soll. Die knappste Antwort, die ich kenne, kommt von Jacco van der Kooij aus der SaaS Sales Method: Ein CRM muss genau 3 Familien von Kennzahlen liefern. Volumen, Conversion Rates entlang der Customer Journey und die Zeit zwischen den Schritten.

Volumen heisst: Wie viele Kontakte, Meetings und Opportunities kommen pro Woche rein? Conversion heisst: Wie viel davon schafft es in den nächsten Schritt, von der ersten Antwort bis zur Vertragsverlängerung? Zeit heisst: Wie lange wartet ein Deal zwischen 2 Schritten? Van der Kooij betont, dass die Wartezeit zwischen den Schritten den Verkaufszyklus treibt, nicht die Aktivität selbst.

Dahinter steht sein Kernsatz: Umsatz ist nicht die Summe der Deals, sondern das Produkt der Conversion Rates. Wenn dein CRM diese 3 Familien nicht beantworten kann, sammelst du Felder statt Wissen. Jedes weitere Pflichtfeld ist dann genau der Datensalat, vor dem ich oben gewarnt habe.

Dazu kommt seine Warnung: Eine Methodik muss Marketing, Sales und Customer Success umspannen. Wenn Marketing Leads misst, Sales Abschlüsse und Customer Success Tickets, jedes Team in eigener Logik, dann reisst die Customer Journey an den Übergaben. Genau dort verschwinden Daten, Kontext und am Ende Kunden.

Frühindikatoren: Wie Mark Roberge CRM-Daten liest

Mark Roberge, erster Sales-Chef von Hubspot, geht in The Science of Scaling einen Schritt weiter. Seine Disziplin: Nutze deine eigenen CRM-Daten, um einen einzigen messbaren Nutzungsmoment zu definieren, der Kundenerfolg anzeigt. Und prüfe diesen Indikator dann gegen die Retention, also die Kundenbindung.

Sein durchgerechnetes Beispiel: Kunden, die den definierten Moment erreichten, blieben zu 93 %. Kunden, die ihn verfehlten, nur zu 39 %. Erst diese Lücke beweist, dass der Indikator etwas taugt. Zur Einordnung: Roberge arbeitet mit konstruierten Beispielfirmen aus dem US-SaaS-Umfeld. Die Zahlen sind Illustration, keine Studie. Die Methode dahinter kannst du trotzdem diese Woche auf deine eigenen Daten anwenden.

Der zweite Punkt bei Roberge ist Governance in der Praxis. Er verlangt ein Änderungsprotokoll für das ICP, also das Ideal Customer Profile oder schlicht dein Wunschkundenprofil. Jede Änderung wird datiert, begründet und ist für Verwaltungsrat oder Beirat sichtbar. Das klingt bürokratisch. Es ist aber genau die Zuständigkeit, Qualität und Aktualität aus den 3 Grundpfeilern oben, gegossen in ein einziges Dokument.

Welche Zahlen gehören in dein Wochen-Review?

5 bis 7 Zahlen, jeden Montag, immer dieselben. Gemessen an Opportunities und Umsatz, nicht an Klicks und Öffnungsraten. Wenn du mehr Zahlen brauchst, um den Zustand deiner Pipeline zu erklären, misst du die falschen.

Eine bewährte Praxis ist eine Montags-Scorecard mit festem Format: neue qualifizierte Opportunities der Woche, Conversion pro Phase, Wartezeit pro Phase, Pipeline-Deckung gegenüber dem Quartalsziel, gewonnener und verlorener Umsatz. Dazu 1 Frühindikator für Kundengesundheit, wie ihn Roberge oben beschreibt. Das ist das minimale Datenmodell, auf Wochenrhythmus gebracht.

Zwei Heuristiken helfen bei der Auswahl. Erstens: Miss Antworten statt Öffnungsraten. Alles, was der Empfänger nicht aktiv tut, ist Rauschen. Zweitens: Plane die Pipeline-Deckung deutlich über dem Ziel ein, denn ein Teil der Deals stirbt immer. Woher diese Daten sauber kommen, habe ich im Artikel über Kundendaten im B2B Sales beschrieben.

Hole dir die Unterstützung eines Experten

Je umfangreicher und komplexer deine Datenmengen sind, desto empfehlenswerter ist es, an diesem Punkt einen Experten mit an Board zu holen. Das heisst nicht, dass du zwingend einen Data Analysten einstellen musst. Es reicht, wenn du dir jemanden für das initiale Setup holst, um Fehler bei der Marketing Automation zu vermeiden, insbesondere dann, wenn keine entsprechende Kompetenz im Unternehmen vorhanden ist.

Ein MarTech-Stack (Marketing-Technology-Stack) umfasst alle Technologien wie Tools, CRM- und IT-Systeme, die ein Unternehmen bzw. dessen Marketingabteilung zur Verwaltung, Ausführung, Messung und Optimierung der Marketingmassnahmen einsetzt und kann als tolle Datengrundlage eingesetzt werden.

Was ändert sich mit AI-Agents?

Nichts an der Logik, alles an der Hebelwirkung. AI-Agents, also Software, die selbstständig Recherche, Anreicherung oder Erstkontakt übernimmt, können nur mit Daten arbeiten, die sie lesen können. Deine Datenstrategie wird damit zur Kontext-Schicht für jede Automatisierung.

Ein Agent, der Accounts recherchiert oder Mails entwirft, ist genau so gut wie das CRM darunter. Garbage in, Garbage out. Fehlt das Feld zur heutigen Lösung des Kunden, erfindet der Agent eine plausible Annahme. Ist das ICP nicht dokumentiert, schreibt er an alle. Schlechte Daten werden durch AI nicht besser, nur schneller sichtbar.

Deshalb lohnt sich die Arbeit an den 3 Zahlenfamilien und am Änderungsprotokoll doppelt. Menschen verzeihen Datenlücken, weil sie sie im Kopf füllen. Agents nicht. Mehr Operator-Notizen zu diesem Stack findest du im Hub Marketing und Sales Automation.

Fazit

Eine effektive Datenstrategie bildet das Rückgrat jedes zukunftsorientierten Unternehmens. Sie ermöglicht es, aus Daten wertvolles Wissen zu ziehen und geschäftliche Entscheidungen zu fundieren.

Durch die Festlegung klarer Ziele, das Definieren von Verantwortlichkeiten und das Sicherstellen der Datenqualität und -aktualität können Unternehmen ihre Ressourcen optimal nutzen, ineffiziente Datensammlung vermeiden und das volle Potenzial ihres Marketings ausschöpfen.

Expertenunterstützung kann dabei helfen, diesen Prozess effektiv zu gestalten und zu optimieren. Es gibt allerdings auch zahlreiche Tools, wie zum Beispiel Hubspot, die Automatisierungsprozesse übernehmen und dir bei Aufgaben wie CRM helfen.