LinkedIn: Spannende Sales Einblicke in eine intelligentere Vertriebsplanung

Zuverlässige und vertrauenswürdige Daten sind für Vertriebsmitarbeitende und Vertriebsleitende unerlässlich. Vertriebsmitarbeitende müssen Ergebnisse optimieren können, indem sie Gebiete evaluieren und definieren, um die Strategie festzulegen. Ihnen fehlt jedoch manchmal der Überblick über den gesamten adressierbaren Markt. Sie brauchen zuverlässige Daten, auf die sie sich verlassen können, um ihre Entscheidungen zu treffen.

Mit der Einführung von LinkedIn Sales Insights, haben Vertriebsleitende Zugang zum Economic Graph – eine Informationsquelle, die sowohl in Echtzeit als auch von Personen gespeist ist. Um ein Unternehmen zu verstehen, muss das Wissen vorhanden sein, wer dort arbeitet und was sie zu erreichen versuchen. LinkedIn Sales Insights (LSI), angetrieben durch den Economic Graph, kann dabei helfen, Produktpotenziale im Vorfeld zu klären, da es die Beziehungen zwischen Menschen, Unternehmen, Fähigkeiten, Jobs und Schulen abbildet.

LinkedIn brachte die Sales Insights Ende letzten Jahres auf den Markt. Die Plattform dient zur Datenanreicherung und -analyse, die von mehr als 722 Millionen Datensätzen befüllt ist. Die LSI ermöglicht es Vertriebsleitenden, strategischer vorzugehen und gleichzeitig die Privatsphäre der Mitglieder zu wahren. Dieses neue Tool hilft dem Vertrieb, ihre Teams auf die richtigen Accounts zu fokussieren auf Grundlage von Echtzeit-Markt-, Account- und Beziehungsstärke-Daten und Einsichten.

Intelligente Systeme zur Sicherung der Datenqualität

Die Rohdaten für die Sales Insights sind riesig und meist unstrukturiert. Mithilfe von künstlicher Intelligent (KI) werden Daten in verlässliche Strukturen und nützliche Erkenntnisse gebracht. Das LinkedIn-Team für Unternehmensstandardisierung nutzt künstliche Intelligenz, um die Datenverarbeitung für die Sales Insights auf verschiedene Weise zu unterstützen.

Nicht jede Unternehmensseite auf LinkedIn ist auch wirklich ein richtiges Unternehmen. Es kann ein Blog sein oder eine Fake-Seite. Es muss also definiert werden, was als Unternehmen gezählt wird. LinkedIn verwendet hier KI, um durch textliche Analysen zu entscheiden, ob es sich um ein echtes Unternehmen handelt oder nicht.

LinkedIn nutzt KI auch für Dubletten. Doppelte Datensätze müssen erkannt und verbunden werden, denn wie hält man „Hutter Consult“ und „Hutter Consult AG“ zusammen? Selbstredend haben Mitarbeitende der Hutter Consult ihr Profil identisch ausgefüllt, es soll an dieser Stelle nur als Beispiel dienen.

Diese Datensätze werden durch weitere öffentliche Informationen angereichert. Viele Informationen über Unternehmen sind zwar öffentlich, aber nicht für die digitale Verarbeitung vorbereitet. Unternehmensadressen sind ein gutes Beispiel, da diese auf den meisten Webseiten aufgefunden werden können, weil dort zum Beispiel die Anfahrt beschrieben ist. LinkedIn lässt diese Information über KI-Techniken suchen und teilt diese Informationen dann in digitale Häppchen wie Land, Stadt, Postleitzahl usw. auf. Allerdings müssen auch diese Daten überprüft und verglichen werden, denn ob nun „Lange Straße“, „Lange Strasse“ oder „Lange Str“ verwendet wird, macht einen Unterschied.

Aufrechterhaltung einer kontinuierlichen Datenqualität

Angesichts der Menge und Bedeutung der von LinkedIn gelieferten Daten muss die Plattform sicherstellen, dass die Qualität stets gegeben ist. LinkedIn hat hierfür in allen Phasen Kontrollen und Validierungen hinzugefügt.

Einige Beispiele für diese Validierungen umfassen die Sicherstellung, dass:

• die vorgelagerten Datenquellen für Mitglieder und Jobs zeitnah aktualisiert werden,
• der Prozentsatz der Unternehmen mit einem gültigen geografischen Standort einen bestimmten Schwellenwert übersteigt oder
• die Verteilung der Mitglieder auf die Titel (Analyst, Manager usw.) sich nicht wesentlich geändert hat.

Eine vereinfachte Darstellung der ETL (Extract, Transform, Load) -Pipeline (Quelle: LinkedIn)

Die Pipeline wird täglich ausgeführt, um Metriken mit den neuesten Daten aus vorgelagerten Quellen zu aktualisieren. Die Quelldaten für Unternehmen, Mitglieder, Jobs, Sales Navigator und CRM müssen konsistent, vollständig und aktuell sein, um sicherzustellen, dass die LinkedIn Sales Insights für Vertriebsleitende so nützlich wie möglich sind. Es gibt mehrere Prozesse und Systeme, um diese Qualitäten bei LinkedIn sicherzustellen:

• Konsistent: Um Konsistenz über alle LinkedIn-Produkte zu gewährleisten, hat die Plattform eine einzige Quelle für jede gemeinsame Metrik eingerichtet. Zum Beispiel ist “Headcount” eine Metrik, die an mehreren Stellen angezeigt wird, wie auf einer Unternehmensseite und im Sales Navigator, aber konsistent ist, weil sie eine gemeinsame standardisierte Quelle verwendet.
• Vollständig: Die Quellsysteme stellen auch die Genauigkeit und Vollständigkeit sicher, indem sie bei der Erstellung der Datensätze ihre eigenen Data Sentinel-Warnungen implementieren. Diese Prüfungen helfen dabei, die Gültigkeit der vorgelagerten Daten zu verifizieren und die Berechnung falscher Metriken zu verhindern.
• Aktuell: Die Verbindung hat für alle Eingabedatenquellen Schwellenwerte für die Aktualität festgelegt. Bevor die Berechnung der Metrik beginnt, wird die Aktualität festgehalten und mit dem Schwellenwert abgeglichen. Wenn die Pipeline feststellt, dass die Eingabedaten veraltet sind, wird im System eine Warnung ausgelöst.

Die Daten sind in Echtzeit, was bedeutet, dass die Änderungen täglich durch eine Metrikänderungs-Assertion und Domänennamen-Assertion überwacht werden müssen.
Hinweis: Bei einer Assertion wird eine Behauptung über den Zustand des Programms oder der Daten überprüft.

• Metrik-Änderung-Assertion: LinkedIn erkennt ungewöhnliche Änderungen in der Verteilung der Daten, indem statistische Daten-Assertion genutzt werden. Zum Beispiel werden signifikante Verschiebungen bei den Unternehmen erkannt, die Städten zuordnet sind oder bei Mitgliedern und deren Titeln. Diese Thesen können helfen, wenn z.B. mehrere neue Unternehmen ohne einen geografischen Ort hinzugefügt werden. Die vorgelagerten Unternehmensdatenquelle kann hier dazu führen, dass die fehlenden Informationen aufgrund dieser Schleife ergänzt werden.
• Domain-Daten-Assertion: Datensätze müssen ebenfalls bestimmte Erwartungen für Spaltenwerte erfüllen. Zum Beispiel müssen Unternehmens-IDs eindeutig sein, die Überprüfung erwartet einen bestimmten Abdeckungsgrad für Dimensionen wie Land und Stadt des Hauptsitzes.

Assertionen werden verschiedenen Schweregraden zugeordnet, die von “silent” über “notify” bis hin zu “severe” reichen. Im untenstehenden Bild ist ein Beispiel ersichtlich für einen Assertion-Fehler, der dazu beitrug, eine Änderung der HQ-Stadt für mehrere Unternehmen zu erkennen. Die Datenstrecke wurde angehalten und die Untersuchung ergab, dass eine vorgelagerte Änderung der Geotaxonomie dazu führte, dass mehrere Unternehmen in Australien die Stadtinformationen verloren. Die Plattform konnte mit den Eigentümern der Geodaten zusammenarbeiten, um das Problem zu beheben und zu verhindern, dass fehlerhafte Daten an das Produkt weitergegeben wurden.

Detailanzeige für die fehlgeschlagene Validierung (Quelle: LinkedIn)

CRM-Datenanreicherung

Um den Wert der Daten zu vervielfachen, müssen die Daten den Kunden dort zur Verfügung gestellt werden, wo sie die Daten auch am meisten brauchen. Heute ist es für Kunden ein komplizierter und manueller Prozess, saubere Daten in ihr CRM zu bekommen. Hierbei müssen eine Vielzahl von Daten zusammengeführt werden, die Daten bearbeitet und dann die Daten wieder zusammenführen und in das CRM hochladen. Darüber hinaus behindert eine schlechte Datenqualität im CRM die Fähigkeit des Vertriebsteams, mit Kunden zu arbeiten, Prioritäten zu setzen und mit anderen Vertriebstools zu integrieren. Um diese Herausforderungen zu meistern, hat LinkedIn eine LSI-CRM-Integration für Salesforce und Dynamics entwickelt.

Um den Datenfluss von der LinkedIn-Seite zu Salesforce und Dynamics zu vereinfachen, erstellt LinkedIn benutzerdefinierte Objekte, die Firmen-bezogene und demografische Daten von LinkedIn enthalten. Mit qualitativ hochwertigen firmografischen und demografischen Daten für jeden Account kann LSI ein wichtiger Input für CRM-Prozesse sein.

Fazit

LinkedIn tut viel dafür, die gesammelten Daten Unternehmen zur Verfügung zu stellen. Der CRM-Anschluss ist eine effektive Weise, um seine Daten immer aktuell zu halten, ohne selbst dafür ständig in die Datenbestände einzugreifen. Der Aufwand zur Sicherstellung der Datenqualität kann nur geschätzt werden, wird jedoch bei Terabytes von Datensätzen, nicht zu unterschätzen sein.

Schreib uns einen Kommentar