So funktioniert KI in Salesforce: Realistische Anwendungsbeispiele

Künstliche Intelligenz (KI) ist heutzutage allgegenwärtig und zieht weltweit große Aufmerksamkeit auf sich. Trotz des weit verbreiteten Hypes bleibt sie jedoch für viele ein abstraktes Konzept, dem es an klaren und spezifischen Anwendungsbeispielen mangelt. Entscheidungsträger stehen unter Druck, KI zu implementieren, doch es fehlt häufig an präzisen Informationen zu den Fähigkeiten, Zielen und geeigneten Tools. Dieser Artikel soll eine praktische Unterstützung bieten und dabei helfen, die zahlreichen KI-Funktionen von Salesforce erfolgreich zu einzusetzen.

Es gibt zwei Arten von KI-Tools in Salesforce: prädiktive und generative KI.

Prädiktive KI-Lösungen sind fortschrittliche Softwarelösungen, die künstliche Intelligenz nutzen, um Vorhersagen über zukünftige Ereignisse oder Trends zu treffen. Sie tun dies, indem sie große Mengen an Daten analysieren, um Muster und Beziehungen zu identifizieren. Der Prozess beginnt mit dem Sammeln von Daten in Salesforce oder anderen Systemen. Anschließend werden mithilfe mathematischer und statistischer Analysen Muster und Beziehungen in diesen Daten erkannt. Auf Basis dieser Erkenntnisse wird ein Daten-Modell erstellt. Wenn neue Daten ins System gelangen oder bestehende Daten verändert werden, wendet das Tool dieses Modell an, um Vorhersagen zu treffen. Beispielsweise kann prädiktive KI vorhersagen, welche Kunden wahrscheinlich abwandern oder welche Produkte sich in Zukunft gut verkaufen werden. Dadurch können Unternehmen frühzeitig Maßnahmen ergreifen, wie personalisierte Angebote oder verbesserte Kundenbetreuung.

Generative KI-Tools verwenden Sprachmodelle, die auf früherer Kommunikation mit Kunden und einer Wissensdatenbank basieren, um automatisch Texte zu generieren. Beispielsweise kann Salesforce automatisch Antworten auf Kundenfragen über Vertriebs- und Servicekanäle wie Chat und E-Mail generieren. Dies beschleunigt die Kommunikation mit Kunden und macht Ihr Team effizienter.

Die KI-Tools in Salesforce sind auf bestimmte, geschäftliche Anwendungsfälle ausgerichtet. Kunden müssen die erforderlichen Daten, Eingaben und grundlegende Konfigurationen bereitstellen, um die Tools sinnvoll zu nutzen. Diese Tools können von Administratoren oder Beratern verwendet werden, auch ohne tiefes Wissen in Datenwissenschaft oder Informatik. Einige der Tools sind sogar kostenlos oder bis zu einer bestimmten Nutzungsgrenze in den Salesforce Cloud Lizenzen enthalten.

Gerne beraten wir Sie zu Ihrem spezifischen Anwendungsfall und zeigen Ihnen die passenden Möglichkeiten.

Die Einführung von KI-Systemen in Unternehmen folgt einem klaren Muster, das verschiedene Phasen umfasst:  

• Zieldefinition: Klar definierte Ziele sind der Grundstein für den Erfolg. Was möchten Sie mit KI erreichen? Welche Geschäftsprobleme sollen gelöst oder Prozesse optimiert werden? 

• Datenstrategie: Identifizieren Sie die relevanten Datenquellen und stellen Sie sicher, dass Sie über ausreichende Datenmengen und -qualität verfügen, um die KI-Modelle zu trainieren und zu validieren. 

• Auswahl der KI-Lösung: Wählen Sie die passende KI-Lösung aus, die Ihren Anforderungen und Zielen entspricht. Berücksichtigen Sie dabei Umfang und Qualität der Daten und die spezifischen Anwendungsfälle, die Sie adressieren möchten. 

• Datenvorbereitung: Bereinigen, transformieren und integrieren Sie Ihre Daten, um sicherzustellen, dass sie für die KI-Analyse geeignet sind. 

• Modellentwicklung und -training: Entwickeln und trainieren Sie KI-Modelle, die auf Ihre spezifischen Anwendungsfälle zugeschnitten sind. 

• Modellbewertung und -optimierung: Testen und bewerten Sie die Leistung der Modelle und optimieren Sie sie bei Bedarf. 

• Implementierung und Integration: Integrieren Sie die KI-Modelle in Ihre bestehenden Systeme und Prozesse. 

• Monitoring und Wartung: Überwachen Sie kontinuierlich die Leistung der KI-Lösungen und passen Sie sie bei Bedarf an. 

Vorbereitung der Daten und Anforderungen

Im Folgenden werden wir uns eingehend mit den spezifischen Anforderungen und Best Practices für die Datenvorbereitung in Salesforce befassen, um sicherzustellen, dass Ihre KI-Implementierung auf einem soliden Fundament steht. 

Der Umfang der vorhandenen Daten spielt eine große Rolle.

KI-Modelle funktionieren umso besser, je mehr Daten vorhanden sind. Dies gilt sowohl für prädiktive als auch generative Tools. Beachten Sie, dass die meisten Salesforce-KI-Lösungen Mindestanforderungen an die Anzahl der Datensätze haben. Prüfen Sie Ihr Datenvolumen, bevor Sie sich für die Implementierung eines bestimmten Salesforce-KI-Tools entscheiden. Schätzen Sie Ihr erwartetes zukünftiges Datenvolumen in verschiedenen Objekten in Salesforce, um zu sehen, welche KI-Lösungen für Sie eine gute Wahl sind. Die Mindestanforderungen variieren je KI-Tool und Nutzung. Deshalb haben wir Ihnen die jeweiligen Anforderungen bei den Anwendungsbeispielen im folgenden ergänzt.

Die Qualität Ihrer Daten ist ebenfalls entscheidend für die Nutzung von KI-Tools

Auch die Qualität Ihrer Daten spielt eine große Rolle. Seien Sie nicht beunruhigt, wenn nicht immer alle Felder ausgefüllt sind oder vereinzelt Ihre Eingaben nicht vollständig sind. Einzelne und relativ zufällige Datenqualitätsprobleme in einem großen Datensatz führen nicht zu Verzerrungen in Ihren Daten. Wenn es jedoch systemische (groß angelegte, wiederholte) Inkonsistenzen mit der Datenqualität gibt, sollten Sie diese zuerst bereinigen, bevor Sie Ihr Modell auf "schlechten" Daten trainieren. Sie sollten sicherstellen, dass die Datenqualität auch in Zukunft hoch bleibt, um neue Probleme zu vermeiden. Dies gelingt durch die Einführung von Standardverfahren wie Validierungsregeln, Standardwerten und regelmäßige Prüfungen sowie Bereinigung oder Archivierung von Daten.

Ein Anwendungsbeispiel, wie Sie Ihre Vertriebs- und Lead-Management-Prozesse mithilfe von KI optimieren können.

Die Ausgangssituation für den Vertrieb

Das Vertriebsteam ist durch die hohe Anzahl an Leads und Kunden mit Verkaufschancen (Opportunities) überbelastet. Eine Priorisierung der eingehenden Leads ist aufgrund fehlender Prognosen schwer möglich. Dennoch möchten Sie, dass sich das Team auf die Leads mit hoher Kaufwahrscheinlichkeit fokussieren.

Einsatz von KI: Sales Cloud Einstein Opportunity Scoring und Einstein Lead Scoring

Diese beiden Prognosetools sind ähnlich: Sie sagen die Wahrscheinlichkeit voraus, dass eine Verkaufschance (Opportunity) erfolgreich abgeschlossen oder ein Lead konvertiert wird. Sie geben Ihnen auch wichtige Einblicke in die Verkaufschance oder den Lead, z. B. welche Attribute des Datensatzes zum Score beigetragen haben. Für den Datensatz des potenziellen Kunden wird eine Punktzahl (Score) berechnet, die Sie zum Filtern und Sortieren verwenden können, damit das Team an Kunden mit hoher Wahrscheinlichkeit mit Priorität arbeiten kann.

Anforderungen an die Daten

Für Opportunities sollten mindestens 200 gewonnene und 200 verlorene Datensätze in den letzten zwei Jahren vorliegen (mit einer Lebensdauer von mindestens zwei Tagen). Für optimale Ergebnisse empfiehlt es sich, mindestens 500 geschlossene (gewonnene und verlorene) Verkaufschancen (Opportunities) zu berücksichtigen. Bei Leads sollten mehr als 1.000 Lead-Datensätze erstellt worden sein, von denen mindestens 120 in den letzten sechs Monaten umgewandelt wurden.

Die Ausgangssituation im Service

Ihr Unternehmen bietet Support über Chat, Messaging oder E-Mail an und erhält zahlreiche Anfragen. Sie möchten sicherstellen, dass alle Kundenanfragen schnell und zuverlässig beantwortet werden, unabhängig von Uhrzeit, Datum und Kapazität Ihrer Teams. Zudem benötigen Ihre Teams viel Zeit, um individuelle Kundenanfragen zu beantworten. Dieser manuelle Aufwand soll minimiert werden.

Einsatz von KI: Einstein-Service-Replies & Einstein Reply Recommendations

Generative KI-Tools steigern die Effizienz Ihres Serviceteams, indem sie automatisch auf Kundenfragen im Chat oder per E-Mail antworten. Zudem liefert Einstein den Servicemitarbeitenden vorgeschlagene Antwortnachrichten, die nach Überprüfung und Anpassung an die Kunden gesendet werden können. Dies spart Zeit, Ressourcen und ermöglicht standardisierte Antworten und Prozesse.

Anforderungen an die Daten

Ihre Organisation muss einen Chat- oder Messaging-Dienst eingerichtet haben und mindestens 1.000 Chat-Fälle bearbeitet haben. Diese generativen KI-Tools funktionieren am besten, wenn eine Wissensdatenbank eingerichtet ist und den Fällen Artikel beigefügt sind. So kann die generative KI nicht nur aus den Chat-Antworten, sondern auch aus den Wissensartikeln zu ähnlichen Fällen lernen.

Ausgangssituation im Marketing

Ihr Unternehmen generiert viele Leads durch verschiedene Marketingkampagnen und möchte sicherstellen, dass die vielversprechendsten Leads priorisiert werden. Ziel ist es, die Conversion-Rate zu erhöhen, indem die Leads mit der höchsten Kaufwahrscheinlichkeit zuerst angesprochen werden.

Einsatz von KI: Einstein Lead Scoring & Einstein Campaign Insights

Diese KI-Tools helfen Ihrem Marketing-Team, die Effizienz zu steigern, indem sie die Leads automatisch bewerten und wertvolle Einblicke in die Performance der Kampagnen geben. Die Leads werden nach ihrer Kaufwahrscheinlichkeit eingestuft, und es werden datenbasierte Empfehlungen zur Optimierung zukünftiger Kampagnen gegeben.

Anforderungen an die Daten

Für die Nutzung der KI-Tools Einstein Lead Scoring und Einstein Campaign Insights in der Marketing Cloud muss Ihr Unternehmen eine umfangreiche Datenbasis über Leads und deren Interaktionen besitzen. Die Marketing Cloud sollte eingerichtet und regelmäßig verwendet werden, und es sollten bereits mindestens 1.000 Leads generiert und nachverfolgt worden sein. Zudem ist eine gut gepflegte CRM-Datenbank erforderlich, um präzise Vorhersagen treffen zu können.

Der Einstein Prediction Builder kann in den verschiedenen Salesforce Clouds eingesetzt werden und bietet somit Funktionen für verschiedene Abteilungen und Teams. Wir haben Ihnen die möglichen Anwendungsbeispiele aufgelistet:

Anwendungsfälle für den Einstein Prediction Builder:

• Vertragsverlängerung: Ihr Unternehmen hat befristete Verträge mit Kunden. Ihre Teams sollen wissen, wie wahrscheinlich es ist, dass ein Kunde seinen Vertrag nicht verlängert und abwandert (Churn Prediction). Ihre Teams sollen ebenfalls wissen, wann der beste Zeitpunkt ist, Maßnahmen zu treffen, um den Kunden zu halten.

• Anlagenwartung: Sie verkaufen Produkte (z.B. Anlagen) an Kunden und erhalten über IoT regelmäßige Updates zum Zustand der Anlagen. Sie möchten vorhersagen, wann eine Anlage ausfallen könnte, um rechtzeitig eine geplante Wartung durchzuführen.

• Treueprogramme: Sie haben ein Treueprogramm für Ihre Kunden gestartet und möchten den Lebenszeitwert eines Kunden vorhersagen. Dies hilft Ihnen, Kunden in Treuestufen einzuteilen und ihnen entsprechende Vorteile zu bieten.

• SLA-Einhaltung: Ihr Unternehmen hat strenge Service Level Agreements (SLAs) mit Kunden. Sie möchten vorhersagen, ob ein neuer Kundenfall zu einer Verletzung des SLA führen könnte, um rechtzeitig Maßnahmen zu ergreifen.

• Verkaufsplanung: Sie möchten das Abschlussdatum oder den Wert einer Verkaufschance vorhersagen, um diese Daten in Ihrer Verkaufs- oder Produktionsplanung zu verwenden.

So funktioniert der Einstein Prediction Builder:

Der Einstein Prediction Builder ist ein allgemeines Prognosetool, welches historische Daten nutzt, um die Wahrscheinlichkeit zukünftiger Ereignisse wie oben beschrieben vorherzusagen. Salesforce stellt ein aktives Prognosemodell kostenfrei zur Verfügung, was dieses Tool zu einem idealen, kostengünstigen ersten Schritt in Richtung KI macht.

Anforderungen an die Daten:

• Alle Eingabedaten für ein Modell müssen sich im gleichen Salesforce-Objekt befinden. Wenn relevante Daten in anderen Objekten liegen, müssen sie in das vorhergesagte Objekt integriert werden. Beispiel: Defekte von verkauften Maschinen müssen im Asset-Objekt aggregiert werden (z. B. "Anzahl der Defekte in den letzten 3 Monaten").

• Für binäre Vorhersagen (z. B. wird der Kunde abwandern? Ja/Nein) benötigen Sie mindestens 400 Beispieldatensätze, davon jeweils mindestens 100 Ja- und 100 Nein-Beispiele.

• Für numerische Vorhersagen (z. B. Chancenwert) benötigen Sie ebenfalls mindestens 400 Beispieldatensätze. Für ein starkes Modell sind nach unseren Erfahrungen mindestens 1.000 Datensätze erforderlich.

• Diese Datenanforderungen gelten für jedes Datensegment, nicht für das gesamte Objekt.

Die Integration von künstlicher Intelligenz in Salesforce bietet Unternehmen die Möglichkeit, ihre Geschäftsprozesse zu optimieren und datengestützte Entscheidungen zu treffen. Prädiktive und generative KI-Tools ermöglichen eine effizientere Verwaltung von Verkaufschancen und Kundenanfragen sowie personalisierte Kundeninteraktionen.

Durch die richtige Vorbereitung der Salesforce-Daten und die Auswahl passender KI-Tools können maßgeschneiderte Lösungen entwickelt werden. Salesfive unterstützt Sie dabei als kompetenter Partner. Unsere erfahrenen Berater, organisiert in speziellen Competence Centern, kennen die KI-Funktionen der jeweiligen Clouds und bieten umfassendes Know-how im Bereich Business Intelligence und KI.

Vertrauen Sie auf Salesfive, um Ihre KI-Integration erfolgreich zu starten und langfristigen Geschäftserfolg zu sichern.