Wie GenAI bei der Verwaltung von Kundeneinblicken helfen kann und nicht helfen kann

Um ihre Kunden und Märkte zu verstehen, nutzen immer mehr kundenorientierte Unternehmen generative KI-Tools zusammen mit den Sprach- und Denkfähigkeiten beliebter großer Sprachmodelle (LLMs), um auf ihre eigenen internen Inhalte zuzugreifen und diese zu analysieren. Diese hybriden Wissensansätze, die typischerweise eine Technik namens Retrieval-Augmented Generation (RAG)einsetzen, ermöglichen die Integration der eigenen Kundeneinblicke eines Unternehmens mit der allgemeinen Wissensbasis, auf der ein LLM trainiert wurde. Unternehmen, die diesen Ansatz für das verfolgen, was früher „Wissensmanagement“ genannt wurde, ernten mehrere Vorteile, wie z. B. die Möglichkeit für Mitarbeiter, auf Inhalte in natürlicher Sprache zuzugreifen und sie zusammenzufassen. Diese Fähigkeit ist besonders wichtig in großen Organisationen – in denen Mitarbeiter, die nach Erkenntnissen suchen, oft keine Ahnung haben, woher diese Erkenntnisse stammen oder wie sie gefunden werden könnten.

Organisationen sammeln und beachten Erkenntnisse darüber, was ihre Kunden wollen, wie sie verkauft werden möchten und für welche Produkte und Dienstleistungen sie Interesse haben. Kundeneinblicke stammen typischerweise aus Marktforschungsabteilungen oder externen Marktforschungsagenturen, können aber auch in Vertriebsinteraktionen, Kundenbriefen und -E-Mails, Website-Verhalten, Social-Media-Interaktionen, Kundendienst-Tickets, Kaufmustern, Fokusgruppen und anderen Kanälen gefunden werden. Das kann eine Menge strukturierter und unstrukturierter Informationen ergeben, daher sind Tools zur Zusammenfassung, Kategorisierung, Speicherung und zum Zugriff darauf sicherlich sinnvoll.

Unternehmen, die sich jedoch ausschließlich auf die Speicherung und den Zugriff auf Wissen konzentrieren, machen denselben Fehler, den viele Organisationen in der früheren Generation des Wissensmanagements gemacht haben: Dieser Fokus ist zu eng. Stattdessen sollten Unternehmen auch Wissens- flüsse berücksichtigen – wie Kunden- und Markteinblicke erstellt, analysiert, gespeichert und abgerufen werden. Neue Technologien – die zumindest teilweise generative KI nutzen – können bei all diesen Schritten helfen.

Während frühere Tools für das Wissensmanagement (wie Lotus Notes und Microsoft SharePoint) einen breiten Zugang zu Kunden- und Markteinblicksinhalten ermöglichten, erlebten viele Organisationen keine Revolution beim Zugang und der Nutzung von Erkenntnissen. Die Technologie bot mehr Zugang, aber kulturelle Herausforderungen – Schwierigkeiten bei der Organisation und dem Abruf von Wissen, Gleichgültigkeit gegenüber den Inhalten, organisatorische Silos und Überschneidungen, mangelnde Zusammenarbeit mit externen Agenturen – setzten sich oft durch. Heute stehen Organisationen bei der Bewältigung des Wissensmanagements immer noch vor denselben kulturellen Hindernissen.

Um zu erfahren, wie generative KI Führungskräften helfen kann, Hindernisse im Wissensmanagement zu überwinden, und wo nicht, sprachen wir mit Kunden- und Markteinblicksspezialisten oder -leitern von acht verschiedenen konsumorientierten Unternehmen. Einige dieser Führungskräfte waren für die Erstellung und Überwachung des generativen KI-Systems verantwortlich; andere hatten eine breitere Verantwortung für Marktforschung oder einblicksorientierte Technologie. Wir sprachen auch mit mehreren Anbietern von GenAI-basierter Technologie für Kunden- und Markteinblicke und einer Marktforschungsagentur, die umfassend GenAI-basierte qualitative Forschungstechnologie einsetzt.

Wie generative KI-Tools helfen

Unternehmen können GenAI-Tools mit Kunden- und Markteinblicksinhalten selbst kombinieren (obwohl das schwierig sein kann), externe Softwareanbieter nutzen, um die Arbeit zu vereinfachen, oder eine Kombination beider Ansätze verwenden. Procter & Gamble beispielsweise verwendet anbietergelieferte Software für die Wissensspeicherung und den Zugriff, hat aber ein eigenes System für die GenAI-basierte Analyse und Kategorisierung der Inhalte entwickelt. Wie Kirti Singh, Chief Analytics, Insights and Media Officer bei P&G, anmerkte, erhalten sie auf diese Weise „präzise, gezielte Antworten von GenAI“ und nicht nur Links zu Dokumenten.

Bei den Tool-Anbietern unterscheiden sich die Schwerpunkte. Einige konzentrieren sich hauptsächlich auf die Speicherung von und den Zugriff auf Erkenntnisse, aber der Wert der Tools geht über die Bereitstellung einfacher automatisierter virtueller Aktenschränke hinaus. Zu ihren Funktionen gehören die automatische Kuratierung von Dokumenten, die Integration verschiedener Inhaltstypen, die bedarfsgesteuerte Analyse als Reaktion auf Anfragen und synthetisierte Antworten auf Aufforderungen. Diese Art von Tool setzt jedoch voraus, dass die Datenanalyse bereits durchgeführt wurde und Erkenntnisse darauf warten, gefunden zu werden. Die Analyse quantitativer Daten erfolgt durch Analysesoftware, und die Kapazität zur Analyse qualitativer Daten ist begrenzt.

Andere Anbieter konzentrieren sich auf die Analyse qualitativer Kundendaten und -dokumente für Kundeneinblicke. Wieder andere Anbieter legen Wert auf schnelle Tests der Verbraucherreaktionen auf Werbung. Heute gibt es Überschneidungen zwischen diesen Kategorien, und die meisten Anbieter versuchen, den breiten Prozess der Identifizierung oder Erstellung von Kundeneinblicken, deren Kuratierung und Kategorisierung sowie deren Bereitstellung für den späteren Zugriff zu adressieren. Wir erwarten, dass irgendwann breite Kundeneinblicksplattformen entstehen werden, die generative KI und andere Fähigkeiten einsetzen, um den gesamten Prozess zu bewältigen.

Wenn die Hauptfunktion des Anbieters die Speicherung von und der Zugriff auf Erkenntnisse ist, umfasst der Ansatz typischerweise das Hinzufügen der kundenspezifischen und proprietären Inhalte zu großen Sprachmodellen. Die gespeicherten Inhalte können strukturierte Daten (z. B. quantitative Marktforschungsergebnisse, Tabellenkalkulationen oder Kundenzufriedenheitsbewertungen) und unstrukturierte Daten (wie Transkripte von Interviews, Social-Media-Kommentare oder Ergebnisse von Fokusgruppen) aus internen und externen Quellen umfassen.

In den meisten Fällen zentralisieren Organisationen, die diesen Weg verfolgen, so viele Kunden- und Marktinhalte wie möglich in einem System. Eine Kuratierung ist erforderlich, um Inhaltsüberschneidungen zu reduzieren, veraltete/irrelevante Dokumente zu entfernen und allgemein die Qualität zu erhalten. Wie uns ein Kundeneinblicksleiter sagte: „KI ist nur so nützlich wie die Daten, aus denen sie lernt.“ Um Erkenntnisse sinnvoll zu nutzen, müssen die GenAI-Tools typischerweise Kategorisierung, Zusammenfassung und Inhalts-Tagging bewältigen. Das Tagging der Inhalte erhöht die Wahrscheinlichkeit, dass sie später abgerufen werden. Einige Unternehmen verwenden manuelles Tagging, während einige Systeme GenAI-basiertes Tagging mit einer vordefinierten Taxonomie einsetzen.

Novartis ist ein Beispiel für ein Unternehmen, das die Speicherung und den Zugriff auf Erkenntnisse mithilfe von GenAI-Tools erfolgreich überarbeitet hat. In Zusammenarbeit mit einem externen Anbieter entwickelte das Unternehmen ein Kunden- und Markteinblickssystem namens Sherlock für sein Konsumgütergeschäft. Nachdem Benutzer Fragen gestellt haben, gibt das System Antworten, indem es auf eine bestimmte Textzeile oder einen Zeitstempel in einem Video verweist. Sherlock integriert auch von Experten kuratierte Mikrosites, sogenannte Knowledge Zones, zu bestimmten Themen wie Verpackung. Benutzer, die dem System Inhalte hinzufügen, müssen strenge Governance-Richtlinien zu Dokumentenformaten und -qualität einhalten. Die Forschungsanbieter von Novartis können Projektergebnisse direkt in Sherlock hochladen.

Das System hilft Novartis, Ausgaben für redundante Einblicksdienste im gesamten Unternehmen zu vermeiden, und hilft Mitarbeitern, relevante Erkenntnisse schnell zu finden, ohne übermäßige Verallgemeinerungen. (Es könnte beispielsweise Ergebnisse kennzeichnen, die nur auf Patientendaten aus Europa basieren, mithilfe einer Funktion namens WatchOut.) Die Ergebnisse haben sich summiert: Novartis sparte in nur einem Jahr mehr als 29 Millionen US-Dollar an primären Marktforschungskosten. Eine solche Nutzung von GenAI zur Verbesserung der Speicherung und des Zugriffs auf Erkenntnisse kann die Demokratisierung von Informationen erleichtern, indem sie Mitarbeitern hilft, sowohl Wissen als auch sachkundige Personen zu finden.

Qualitative Datenanalyse: Ein besonderes Problem

Lange Zeit war die Fähigkeit zur qualitativen Datenanalyse – ein unordentliches Geschäft – nicht in Standard-Analysetools enthalten. Spezialisierte Software für diesen Zweck wurde hauptsächlich in der akademischen qualitativen Forschung eingesetzt; historisch gesehen haben die meisten Marktforscher halbmanuelle Analysen mit Tabellenkalkulationen durchgeführt. GenAI-Tools bieten eine Alternative zu dieser extrem zeitaufwändigen qualitativen Analysearbeit.

Ein aktueller Ein wissenschaftlicher Artikel argumentierte, dass GenAI für die qualitative Analyse ungeeignet sei, aber unsere Analyse deutet darauf hin, dass dies nur für generische KI-Chatbots gilt. Spezialisiertere Tools verfügen über andere Fähigkeiten, die sie für eine effektive qualitative Datenanalyse geeignet machen.

Tracy Tuten, die bei der Marktforschungsagentur Illuminas (jetzt Teil von Radius Insights) die qualitative Forschung leitet, war eine frühe Anwenderin der generativen KI-Software eines Anbieters, um Kundeneinblicke zu gewinnen. Tuten, die an mehreren Universitäten Marktforschung gelehrt hat, bezeichnet diesen Ansatz als „konversationelle qualitative Datenanalyse“.

Über GenAI-basierte Software verwendet Tuten natürliche Sprachaufforderungen, um qualitative Daten aus Interviews und Fokusgruppen zu analysieren. Das System ermöglicht ihr das Hochladen von Audio- und Videodateien zur automatischen Transkription, das Generieren von Zusammenfassungen, das Aufdecken von Themen und deren Vergleich über Zielgruppensegmente hinweg. Ein groß angelegtes qualitatives Projekt wie eine globale Studie mit über 30 Interviews hätte in der Vergangenheit sechs Wochen für die Analyse gebraucht, kann aber jetzt an einem Tag synthetisiert werden, so Tuten. Das Tool ermöglicht ihr auch, sekundäre Erkenntnisse aufzudecken, die sie in den unstrukturierten Daten möglicherweise übersehen hätte. Tuten verwendet die Software oft gemeinsam mit Kunden in Workshops, was eine schnellere und partizipativere Entdeckung von Erkenntnissen ermöglicht.

Angesichts der Tatsache, dass viele qualitative Forscher zuvor auf Tabellenkalkulationen und manuelle Ausschneide-und-Einfüge-Codierung zur Datenanalyse angewiesen waren, stellt dieser KI-basierte Ansatz einen großen Fortschritt in Effizienz und Strenge dar. Eine unkritische Nutzung von generativer KI oder anderen Formen der KI kann jedoch erhebliche Nachteile haben. Die konversationelle qualitative Datenanalyse ersetzt nicht die Forscher; sie verbessert nur ihre Leistung.

PepsiCo nutzt umfassend Software zur Generierung von Kunden- und Marktwissen, einschließlich strukturierter und unstrukturierter Daten. Das Unternehmen hat sich besonders darauf konzentriert, herauszufinden, wie Kunden auf bestimmte Werbekampagnen und Markenbotschaften reagieren. Aber das ist nicht die einzige Anwendung, die das Unternehmen eingesetzt hat. In einem Interview mit uns und in The Consumer Insights Revolution, einem Buch, das die Transformation der Kundeneinblicke bei PepsiCo beschreibt, erläuterte Stephan Gans, Senior Vice President und Chief Customer Insights and Analytics Officer, die „Plattform“ des Unternehmens für Marktforschung namens Ask Ada. Sie umfasst:

• Die Möglichkeit, neue kreative Inhalte an echten oder synthetischen Kunden zu testen.
• Ein Daten-Repository mit Ergebnissen aus Werbe-, Influencer- und anderen Kampagnenarten.
• Social-Listening-Funktionen.
• Prädiktive Modellierung.
• Wissensmanagement von Kundeneinblicken, gegenwärtigen und vergangenen, einschließlich Meta-Lernen.
• Eine konversationelle Schnittstelle zu allen Inhalten von Ask Ada.

Gans führte auch an, dass Ask Ada die Abhängigkeit von PepsiCo von externen Agenturen und Beratern verringert habe.

Warum KI nicht ausreicht: Vier herausfordernde Faktoren

Trotz dieser neuen Fähigkeiten kann ein GenAI-Tool einen Marketingverantwortlichen für Strategiearbeit nicht ersetzen. Wie Gans anmerkte: „Die Messlatte für Marketing- und Innovationseffektivität zu erhöhen, um kommerzielle Exzellenz zu fördern, wird zunehmend automatisiert. Das Verständnis der Kundennachfrage zu führen, ist viel strategischer und erfordert weiterhin Menschen.“

Wie wir in unserer Forschung entdeckt haben, behindern mehrere wichtige Probleme die Fähigkeit der KI-Technologie, Kunden- und Markteinblicke zu transformieren. Diese Probleme bestehen bereits vor dem Wissensmanagement und der generativen KI und werden Probleme verursachen, wenn sie nicht angegangen werden. Betrachten wir vier dieser Faktoren zusammen mit Beispielen von Organisationen, die ihnen begegnet sind und sie überwunden haben.

1. Geografische und geschäftliche Einheiten haben keine gemeinsamen Ansätze.

Ein globales Konsumgüterunternehmen, bei dem wir Interviews geführt haben, hatte ein GenAI-basiertes Kunden- und Marktwissenstool von einem Anbieter erworben, aber bisher kaum Fortschritte bei der Verbesserung des Zugangs zu globalem Wissen gemacht. Das Problem war, dass das Unternehmen in über 100 Ländern tätig ist und die länderspezifischen Einheiten ein hohes Maß an Autonomie haben. Es gibt keinen unternehmensweiten Konsens über Namen für Marken, Kategorien und Vertriebsansätze. „Wir haben Wissensinseln, aber sie sind sehr inkohärent“, sagte uns der Leiter des Wissensmanagements für Einblicke. „Verschiedene Leute investieren in verschiedene Dinge. Wir haben widersprüchliche Zahlen und Ergebnisse – sie sind alle unterschiedlich kontextualisiert.“ Kein leitender Angestellter hat versucht, eine größere Gemeinsamkeit von Informations- und Wissensformaten über die Einheiten hinweg zu schaffen; es würde als gegen die Unternehmenskultur gerichtet angesehen werden. Infolgedessen wird das generative KI-Tool nur von wenigen geografischen Einheiten genutzt, und die Vermarkter und Produktentwickler des Unternehmens können nicht voneinander lernen. Das Unternehmen versucht, eine Strategie zu entwickeln, um einen zentraleren, globalen Ansatz zu schaffen.

Bei PepsiCo ist die Geschichte anders. Als Gans 2017 zum ersten Mal zum Chief Consumer Insights and Analytics Officer ernannt wurde, hatte das Unternehmen eine vielfältige Reihe von Ansätzen für Kunden- und Markteinblicke. Aber Gans wollte eine „eine Nation“ der Marktforschung schaffen, damit die Vermarkter des Unternehmens voneinander lernen und relevante Erkenntnisse teilen können. Mit starker Unterstützung des CMO gründete Gans den Global Insights Council, der aus 15 Insights-Leitern bestand, die alle Regionen und zentralen/globalen Fähigkeiten repräsentierten. Heute sind Kundeneinblicke eng in die Innovationsarbeit von PepsiCo integriert.

2. Kunden- und Markteinblicke sind nicht Teil der Strategie und Kultur.

Selbst die besten Technologien werden keinen Erfolg haben, wenn die Entscheidungsträger der Organisation keine leidenschaftlichen Konsumenten dieser Art von Wissen sind. Ohne diese leidenschaftlichen Konsumenten von Informationen werden die Marktforschungsbemühungen eines Unternehmens scheitern, zeigte unsere Forschung. Daher wird von Führungskräften oft Kultur- und Veränderungsmanagementarbeit verlangt.

Die Leidenschaft für Daten ist bei P&G hoch, das für seinen langfristigen Fokus darauf bekannt ist, kunden- und marktorientiert zu sein. Tatsächlich feierte P&G kürzlich sein 100-jähriges Bestehen der Marktforschung; 1924 beauftragte der damalige CEO einen Forscher herauszufinden, warum Kunden Ivory-Seife kauften. P&Gs Singh sagte uns: „Im Mittelpunkt von allem, was wir tun, steht der Verbraucher. … Unsere Strategie ist es, unseren Verbrauchern ein überlegenes Produkterlebnis zu bieten. Wir nutzen experimentelle Wissenschaft, Human- und Verhaltenswissenschaft, Datenwissenschaft und Technologieplattformwissen, um unsere Verbraucher zu verstehen.“

3. Agenturbeziehungen führen zu Komplexität bei der Dateneigentümerschaft.

Viele Unternehmen nutzen externe Werbe- und Marketingagenturen für Verbraucherforschung. Die Kunden-Agentur-Beziehung kann zu Unsicherheiten und Dysfunktionen in Bezug auf Analysestrategien, Interpretationen von Analysen und das fortlaufende Eigentum an Daten und Ergebnissen führen. Wenn Agenturen am Ende alle oder die meisten Kunden- und Markteinblicke besitzen, können die Mitarbeiter eines Unternehmens die Kundenbedürfnisse ohne externe Hilfe nicht erfüllen. PepsiCos Gans argumentierte stark, dass das Kundenunternehmen alle Forschungsergebnisse und Erkenntnisse besitzen muss, die von Agenturen im Namen des Kunden erstellt werden. Er fügte hinzu, dass es keine gute Idee sei, die Daten zu besitzen, aber das Lernen daraus auszulagern, da Mitarbeiter die aus der Marktforschung gewonnenen Erkenntnisse in zukünftigen Kampagnen anwenden sollten.

Für konsumorientierte Unternehmen, die weiterhin mit Agenturen zusammenarbeiten, kann jedoch einige Anbietersoftware die Zusammenarbeit zwischen Kunden und Agenturen erleichtern. Beide Parteien können Verbraucherforschung ansehen, bearbeiten und abfragen sowie eine Vielzahl von Ergebnissen produzieren.

4. Analyseexperten könnten als statusniedrige „Auftragsnehmer“ angesehen werden.

Wenn dies in Ihrer Organisation der Fall ist, muss sich dieser Ruf ändern. Bei einem der Konsumgüterunternehmen, bei dem wir Interviews geführt haben, hatte die Insights- und Analytics-Funktion immer einen bibliotheksähnlichen Fokus. Früher mussten interne Kunden, die an Erkenntnissen interessiert waren, einen Forscher oder „Bibliothekar“ konsultieren. Mit dem Aufkommen eines von einem Anbieter bereitgestellten GenAI-Tools wurde die Funktion demokratisiert.

Allerdings behandeln die Nutzer des Systems des Unternehmens es immer noch wie eine Bibliothek; sie tragen nicht viel zum Bestand an Erkenntnissen bei. Die Ermöglichung des Selbstbedienungszugangs für interne Kunden hat die Nachfrage nach Inhalten und Analysen nicht wesentlich erhöht. Nutzer liefern auch nicht immer qualitativ hochwertige Eingabeaufforderungen; sie könnten fragen: „Was wissen wir über den Schulanfang?“, ohne zu realisieren, dass das Unternehmen jahrzehntelange Marktforschung zu diesem Thema hat. Wie bei Novartis erstellten Experten Mikro-Sites mit kuratierten Inhalten innerhalb der Plattform, um bestimmte Informationszugangsprobleme für bestimmte Bereiche zu adressieren. Dennoch wurden die Budgets und Personalzahlen in der Insights- und Analytics-Funktion in den letzten Jahren gekürzt. Ähnliche Funktionen außerhalb der USA wollen nicht für das GenAI-fähige Tool bezahlen, daher verfolgen sie unterschiedliche Ansätze für Kunden- und Marktwissen.

PepsiCo hatte zuvor eine gewisse „Auftragsnehmer“-Mentalität für die Marktforschung, und Forscher wurden selten gebeten, mit internen Kunden zusammenzuarbeiten oder bei der Gestaltung der Anfragen nach Erkenntnissen zu helfen. Die Mitglieder des Forschungsteams hatten wenig Respekt für ihre Rollen, und die Funktion wurde mehrmals aufgefordert, ihr Budget zu kürzen. Als Gans die Führungsrolle für die Funktion übernahm, kamen er und der CMO zu dem Schluss, dass PepsiCo Hunderte Millionen Dollar pro Jahr für Verbrauchereinblicke ausgab und dass es wenig Sinn machte, dies zu tun, es sei denn, das Unternehmen würde kundenorientierter werden. Er nahm eine Reihe von Änderungen vor – einschließlich der Implementierung eines neuen KI- und Insights-Softwaresystems und der Ask-Ada-Plattform – die schließlich dazu führten, dass die Organisation für Kundeneinblicke und Analysen gut angesehen und gut finanziert war.

---

Insgesamt sollte jedes KI-Tool nicht als Ersatz für das betrachtet werden, was die Organisation bereits gut macht. Wie P&Gs Singh uns sagte: „Wir haben unsere Tradition, den Kunden zu verstehen, mit den neuesten KI-Lösungen zusammengebracht – nicht um beispielsweise Kundenbesuche zu Hause zu ersetzen, sondern um sie mit KI zu ergänzen.“

Unsere Studie deutet auch darauf hin, dass sich die KI-gestützte Software zur Verwaltung von Kunden- und Markteinblicken rasant weiterentwickelt. Führungskräfte sind oft an verschiedenen Funktionen und Merkmalen interessiert, die zur spezifischen Situation ihres Unternehmens passen. Aber Führungskräfte sollten sich bewusst sein, dass die heutige Software Grenzen hat. In schlecht integrierten globalen Organisationen haben Menschen über verschiedene Regionen hinweg unterschiedliche Namen für Kunden, Marken und Marketingansätze geschaffen; selbst KI kann in diesem Fall keine einheitlichen Kunden- und Markteinblicke zusammenstellen. Unternehmen brauchen Menschen, um diese Daten zu integrieren und zu standardisieren, damit sie effektiv analysiert und genutzt werden können.

Schließlich: Wenn die Belegschaft eines Unternehmens nicht wirklich daran interessiert ist, Kunden- und Markteinblicke zu sammeln und zu nutzen, wird wahrscheinlich keine Software diese Situation ändern. Dies sind Probleme, die von Menschen und nicht von KI gelöst werden müssen.