Die Geschichte der modernen Computertechnologie ist eine Blaupause für die Entwicklung von KI-Modellen hin zu kleineren, effizienteren und besser zugänglichen Systemen. Dort zeigt sich eine bemerkenswerte Parallele:
Alan Turing legte 1936 mit seiner universellen Rechenmaschine, der Turing-Maschine, den Grundstein für alle späteren Entwicklungen im Bereich der Computertheorie. Diese abstrakte Maschine definierte erstmals klar, was berechenbar ist und schuf damit eine theoretische Grundlage für sämtliche nachfolgenden Computerentwicklungen.

Von raumfüllender Rechenmaschine zur Hosentaschentechnologie

Ausgehend von Turings Konzept entstanden in den 1940er- bis 1960er-Jahren gewaltige Mainframe-Rechner wie der ENIAC oder IBM-Großrechner, die ganze Räume füllten und enorm viel Energie verbrauchten.
Durch Innovationen wie integrierte Schaltkreise und Mikroprozessoren schrumpften Computer jedoch kontinuierlich und wurden zunehmend zugänglicher. In den 1970er- und 1980er-Jahren erschienen erste Personal Computer wie der Apple II, die Rechenleistung und Funktionalität zu den Menschen nach Hause brachten.
Mit der Einführung der Smartphones, etwa des iPhones von Apple oder Android-Geräten wurde diese Technologie schließlich vollkommen mobil und für alle nutzbar.

Genau diese Entwicklung wiederholt sich nun in der Welt der KI-Modelle. Ursprünglich waren KI-Systeme wie GPT-Modelle oder Googles BERT extrem komplex und liefen ausschließlich in großen Rechenzentren. Heute werden KI-Modelle zunehmend kleiner, effizienter und damit alltagstauglicher.

Hardware als Vorbild für zukünftige KI-Modelle

Frühe KI-Modelle benötigten enorme Datenmengen, Milliarden von Parametern und teure Infrastruktur. Durch technologische Fortschritte wie Knowledge Distillation, Quantisierung, Pruning und der innovativen Mixture-of-Experts-Architektur (MoE) werden Modelle heute jedoch kompakter und effizienter. Modelle wie DeepSeek oder Mistral liefern hervorragende Ergebnisse mit deutlich weniger Parametern und funktionieren sogar auf mobilen Endgeräten. Die Miniaturisierung der KI-Technologie macht sie damit nicht mehr nur großen Unternehmen zugänglich, sondern einem viel breiteren Publikum.

Kleine KI-Modelle auf dem Vormarsch

Aktuell gibt es mehrere technologische Ansätze, die KI-Modelle kompakter, effizienter und gleichzeitig leistungsfähig gestalten.

Ein besonders erfolgreicher Ansatz ist die sogenannte Knowledge Distillation (Wissensdestillation). Dabei wird das Wissen großer KI-Modelle, die über Milliarden Parameter verfügen, auf kleinere, kompaktere „Schüler-Modelle“ übertragen.
Das Prinzip funktioniert ähnlich wie das Verhältnis eines Lehrers zu einem Schüler: Das große Modell trainiert ein kleineres Modell, sodass dieses mit weit weniger Ressourcen und Parametern ähnliche Ergebnisse liefert. Der Vorteil dieser Methode liegt darin, dass kleinere Modelle deutlich weniger Rechenleistung und Energie verbrauchen, und dabei nahezu die gleiche Qualität aufweisen.

Die Techniken des Prunings und der Quantisierung setzen hingegen direkt an der Optimierung der bestehenden Modelle an. Beim Pruning werden überflüssige oder unwichtige Parameter aus dem Modell entfernt, was die Komplexität reduziert. In Kombination mit Quantisierung, der Reduzierung der Genauigkeit von numerischen Berechnungen, verringert sich der Speicherbedarf massiv.
Modelle, die diese Techniken nutzen, laufen so deutlich schneller, verbrauchen weniger Strom und können auch lokal auf Smartphones oder IoT-Geräten eingesetzt werden.

Ein weiterer bahnbrechender Ansatz ist die MoE-Architektur, bei der Modelle in mehrere spezialisierte Teilnetzwerke (sogenannte „Experten“) aufgeteilt sind. Das Besondere: Je nach Eingabe werden zur Laufzeit nur diejenigen Experten aktiviert, die wirklich relevant sind. Dadurch sinkt der Aufwand pro Anfrage deutlich, da nicht sämtliche Parameter des Modells genutzt werden müssen. Diese Architektur erlaubt es großen Modellen, gleichzeitig kompakt und effizient zu sein, ohne Abstriche bei der Genauigkeit zu machen.

Schließlich gewinnt die Entwicklung sogenannter TinyML-Modelle stark an Bedeutung. TinyML steht für ultrakleine, hochspezialisierte KI-Modelle, meist mit weniger als einer Million Parametern, die direkt auf Mikrocontrollern, kleinen Geräten und Sensoren laufen können.
Ein populäres Beispiel ist der TinyTimeMixer von IBM, der extrem ressourceneffizient ist und somit KI-Technologie selbst in Umgebungen verfügbar macht, in denen traditionelle KI-Systeme aufgrund ihrer Größe und ihres Stromverbrauchs bisher nicht einsetzbar waren.

Die Demokratisierung der KI beginnt jetzt

Die zunehmende Verkleinerung von KI-Modellen hat weitreichende gesellschaftliche Auswirkungen und führt zu einer Demokratisierung der Künstlichen Intelligenz.
Technologie, die zuvor großen Unternehmen vorbehalten war, wird nun kleinen Unternehmen, Start-ups und Privatpersonen zugänglich gemacht. Lokale KI-Modelle verringern Abhängigkeiten von großen Cloud-Anbietern, verbessern den Datenschutz und erweitern so die Anwendungsfelder deutlich.

Der stärkere Wettbewerb und neue Innovationen sind ein weiterer Effekt der Demokratisierung. Kleine, spezialisierte Unternehmen haben die Chance, durch eigene, lokal nutzbare KI-Lösungen wettbewerbsfähiger zu werden und neue Geschäftsfelder zu erschließen.

Zusammengefasst bedeutet diese Entwicklung hin zu kompakten KI-Modellen nicht nur technologischen Fortschritt, sondern auch eine gerechtere und inklusivere Nutzung von KI-Technologien.

Technologischer Fortschritt wird nicht durch Größe definiert

Die Parallelen zwischen der Entwicklung von Computerhardware und KI-Modellen zeigen eindrucksvoll, dass technologischer Fortschritt nicht allein durch Größe und Komplexität definiert wird. Wie bei Computern folgt die KI-Entwicklung dem Muster, dass echter Durchbruch durch Miniaturisierung, Optimierung und breite Zugänglichkeit entsteht.

Standen am Anfang riesige Großrechner, denen später kleinere, erschwingliche Personal Computer folgten, so kulminierte diese Entwicklung schließlich in der alltäglichen Nutzung moderner Smartphones. Analog dazu zeigt sich auch in der KI-Entwicklung ein klarer Trend weg von großen, komplexen Modellen hin zu kompakteren, spezialisierten und lokal einsetzbaren KI-Lösungen.

Diese Entwicklung wird in Zukunft noch weiter an Bedeutung gewinnen. KI wird zunehmend zu einer Alltagsressource, die jeder auf dem Smartphone, der Smartwatch oder in den IoT-Geräten stets griffbereit haben wird. So wie es heute selbstverständlich ist, dass man jederzeit und überall einen leistungsfähigen Computer in der Tasche trägt. Dabei ist besonders bemerkenswert, dass durch diese Miniaturisierung und Dezentralisierung von KI-Technologie auch deren gesellschaftliche Reichweite erheblich zunimmt. KI wird nicht nur technologisch zugänglicher, sondern auch sozial fairer verteilt und vielfältiger nutzbar.

targenio Assistenten-Plattform als Wegbereiter

Um mit diesen rasanten technologischen Entwicklungen Schritt zu halten, ermöglicht unsere targenio Assistenten-Plattform eine einfache Integration verschiedenster KI-Modelle. Die Plattform ist so gestaltet, dass sie flexibel jedes neue KI-Modell aufnehmen kann. Egal, welche innovativen Modelle zukünftig entwickelt werden, unsere Plattform bleibt stets aktuell und einsatzbereit.

Du willst mehr darüber erfahren, wie unsere Assistenten-Plattform auch deinen Service zukunftsfähig macht? Kontaktier uns, wir freuen uns auf das Gespräch!

Image: KI-generiert

In den vergangenen zweieinhalb Jahren durften wir Teil eines außergewöhnlichen Forschungskonsortiums sein, dem Projekt X2Log (Anything-to-Log). Es hatte das Ziel, neue Wege zu finden, strukturierte und unstrukturierte Daten, also etwa Videomaterial, Sensorwerte oder Textdokumente, in logische Prozesse zu übersetzen.

Klingt theoretisch? War es auch. Aber was dabei herauskam, war für uns bei targenio ein Katalysator für unsere Zukunftsstrategie.

Daten sind nur der Anfang

Aus X2Log ergibt sich vor allem eine zentrale Erkenntnis: Entscheidend ist nicht die Datenmenge, sondern wie gezielt und sinnvoll sie genutzt wird.

Wir bei targenio betreuen Kundenserviceprozesse in hochkomplexen industriellen Umgebungen. Dort entstehen täglich Unmengen an Daten aus CRM-Systemen, ERP-Lösungen, Maschinensteuerungen und mehr. Und trotzdem haben wir erst durch die Zusammenarbeit in diesem Gremium wirklich verstanden, was unsere Nutzenden mit unserer Software machen.

• Prozesse sind nicht nur klickbare Abläufe. Unsere User springen zwischen Systemen, verwenden Kontextwissen, das nirgendwo dokumentiert ist, und lösen Probleme auf oft kreative Weise.
• Wir müssen dieses implizite Wissen sichtbar machen. Dazu entwickeln wir jetzt Assistenzsysteme, die genau beobachten, wie Entscheidungen entstehen, und daraus schrittweise lernen.
• Der Weg zur Automatisierung ist ein iterativer Prozess. Nicht alles muss sofort „vollautomatisiert“ sein. Stattdessen bauen wir auf lernende Systeme, die kontinuierlich besser werden.

Forschung, die Wirkung zeigt

Ein zentraler Bestandteil des Projekts war eine Reihe von begleitenden Forschungsarbeiten, die konzeptionell eng mit dem Fortschritt des Konsortialprojekts verknüpft waren. Diese lieferten fundierte Impulse für die Weiterentwicklung zentraler Komponenten. Die Komponenten dienten anschließend der Integration von strukturierten und unstrukturierten Datenquellen im Process Mining.

Zu Beginn stand eine umfassende Analyse des aktuellen „Stand der Technik“ rund um Process Mining mit Texten, Bildern und Videos im Fokus. Das Ergebnis bildete eine Art „Fahrplan für künftige Forschungsaktivitäten“.  So ist die Nutzung von Textdaten im Bereich Process Mining bereits gut erforscht, während es bei anderen Datenformen – insbesondere Videodaten – noch große Lücken gibt. Vor allem die Integration multimodaler Datensätze hat das Konsortium als dringendes Forschungsthema identifiziert.

Eine weitere Forschungsarbeit widmete sich genau dieser Lücke: der Nutzung von Videodaten als Input für Process Mining. In diesem Zusammenhang entwickelte das Fraunhofer FIT einen Ansatz, der mit Hilfe eines Algorithmus in der Lage ist, Prozessschritte allein anhand von Bewegungsmustern in Videos zu erkennen – ohne vorher zu wissen, wonach er sucht. Warum das relevant ist? In vielen industriellen Kontexten, wie Serviceeinsätzen oder Reparaturprozessen ist Video oft die einzige Datenquelle.

Aus der Zusammenarbeit heraus entstand seitens des Fraunhofer-FIT ebenfalls ein synthetischer, aber realitätsnaher Datensatz, der Videomaterial, Sensorwerte und strukturierte ERP-Daten vereint. Der Datensatz soll künftig anderen Forschungsgruppen zur Verfügung stehen, um daran neue Verfahren zu testen. Dadurch entstehen langfristig bessere Werkzeuge, die auch in der Praxis funktionieren.

Wie wir aus technologischer Architektur eine zukunftsfähige Lösung machen

Das Projekt hat uns auf Produktseite stark geprägt. Wir haben in den vergangenen Jahren unsere bestehende Plattform überdacht und setzen nun auf einen radikal neuen Technologieansatz.

Wir haben uns intensiv mit datengetriebener Optimierung, Protokollierung von Kontextdaten und weiterem beschäftigt. Damit wir all das in unserem Produkt vereinen, ist für uns die Überzeugung erwachsen, in Zukunft auf Basis der Low-Code-Plattform Mendix zu arbeiten.

Die Gründe dafür lagen auf der Hand:

• Geschwindigkeit | Wir sind mit Mendix 5–7x schneller als mit herkömmlicher Java-Entwicklung.
• Sicherheit & Skalierbarkeit | Als Teil des Siemens-Ökosystems erfüllt Mendix höchste Sicherheitsstandards.
• Kundenzentrierung | Wir können Lösungen in Echtzeit verändern, auf neue Anforderungen reagieren und gleichzeitig eine moderne User Experience gewährleisten.

Unsere neue Plattform denkt nicht mehr in starren Abläufen, sondern in dynamischen Assistenzsystemen, die lernen, wie Menschen Probleme lösen. Dabei protokollieren wir alle relevanten Kontextinformationen.

Diese Informationen bilden die Grundlage für kontinuierliche Verbesserung, gesteuert von einem „Trainer“-Modul, das Verbesserungsvorschläge liefert oder direkt Anpassungen an der Automatisierung vornimmt.

X2Log war ein Forschungsprojekt mit echtem Impact

Für targenio war X2Log weit mehr als ein Forschungsprojekt. Es war ein Innovationslabor, das uns neue Perspektiven eröffnet und unser Produktverständnis grundlegend erweitert hat.

Wir gehen aus dem Projekt mit:

• einem klareren Blick auf den Wert von Daten,
• konkreten Lösungen für unsere Kunden,
• und einer Technologieplattform, die bereit ist für die nächste Generation von digitalen Assistenten im industriellen Kundenservice.

 

Seit zwei Jahren sind sie das Hauptthema der digitalen Welt: Large Language Models (LLMs). Ob beim Beantworten von Fragen, dem Komponieren von Liedern, der Generierung von Code oder der automatisierten Textanalyse – ihre Einsatzmöglichkeiten scheinen nahezu unbegrenzt.

Doch wie grenzenlos sind LLMs wirklich? Und wo kommen sie eigentlich her?

Ein Buch mit 500 Seiten enthält etwa 250.000 Tokens

Zwei technologische Durchbrüche verhalfen in den letzten Jahren zum Erfolg. Large Language Models lesen Texte nicht wie Menschen. Damit die Technologie versteht, was wir wollen, wandelt sie die Texte in so genannte Tokens um. Tokens sind Zahlenfolgen, anhand derer das Sprachmodell Zusammenhänge erkennt und clustert. Diese Tokens können ganze Wörter, Silben oder häufige Zeichenfolgen sein.

Je nach Schriftgröße und -art enthält ein 500-seitiges Buch etwa 250.000 Tokens. Diese Umwandlungstechnik erhöht die Effizienz und macht die Verarbeitung großer Textmengen robuster – insbesondere bei unbekannten oder neuen Wörtern.

Next-Level-Sprachverarbeitung mit Transformer

Frühere Sprachmodelle waren langsam und hatten ein begrenztes Erinnerungsvermögen. Der Transformer-Ansatz, den es seit 2017 gibt, bringt zwei wesentliche Vorteile mit sich:

• Self-Attention: Der Transformer setzt jedes Wort in Beziehung zu allen anderen Wörtern im Text. Dadurch kann das Modell kontextabhängige Bedeutungen besser erfassen.
• Parallele Verarbeitung: Anstatt jedes Wort einzeln zu analysieren, verarbeitet der Transformer den gesamten Satz gleichzeitig. Das führt nicht nur zu einer schnelleren Verarbeitung langer Texte, sondern verbessert auch das Verständnis von Zusammenhängen über längere Passagen hinweg.

Woher weiß ein Large Language Modell so viel?

Ein LLM muss – ähnlich wie ein Mensch – erst „zur Schule“ gehen. Während des Pretrainings liest die KI Milliarden von Texte aus Wikipedia, Büchern, Nachrichtenseiten, Foren und Code-Datenbanken. Jede Information wird analysiert und in einen entsprechenden Kontext eingeordnet.

Über die Methode der Next-Token-Prediction gewinnt das Modell zunehmend Sicherheit in seinen Annahmen. Dabei erhält es unvollständige Sätze und soll das wahrscheinlichste nächste Wort vorhersagen. Beispielsweise wäre bei dem Satz „Die Sonne geht im Westen …“ die wahrscheinlichste Vorhersage „unter“. Je häufiger die KI diesen Prozess erfolgreich wiederholt, desto präziser werden ihre Wahrscheinlichkeitsannahmen.
Fehlannahmen werden durch einen Algorithmus namens Backpropagation korrigiert. Dieser schickt die Fehler eines LLMs rückwärts durch das Netzwerk und korrigiert die Gewichtung der Fehlaussage, um die Vorhersagequalität iterativ zu verbessen. So passt das neuronale Netz seine Vorhersagen kontinuierlich an.

Das abschließende Fine-Tuning ermöglicht es dem Modell, spezifische Anwendungsfälle abzudecken. Dadurch kann es beispielsweise unangemessene oder gefährliche Inhalte filtern, sich auf bestimmte Sprachstile einstellen oder Fachgebiete wie Medizin oder Recht professionell abdecken.

Eine weit verbreitete Methode ist das Reinforcement Learning from Human Feedback (RLHF). Hierbei bewerten Menschen verschiedene KI-Antworten und helfen dem Modell, bessere Ergebnisse zu liefern. Diese Technik wird auch genutzt, um unsere Skills während ihrer Laufzeit kontinuierlich zu verbessern.
So wächst das Wissen der LLM in kürzester Zeit exponentiell.

Die Grenzen und Herausforderungen von LLMs

Trotz ihres Fortschritts unterliegen LLMs einigen Herausforderungen und Limitierungen, die Nutzer kennen sollten:

• Halluzinationen: Da Large Language Modelle auf Wahrscheinlichkeiten und nicht auf echtem Wissen basieren, können sie falsche oder erfundene Inhalte generieren. Eine Lösung hierfür ist die Retrieval-Augmented Generation (RAG), bei der externe, verifizierte Datenquellen zur Faktenprüfung herangezogen werden.
• Vorurteile (Bias): LLMs spiegeln die gesellschaftlichen Vorurteile ihrer Trainingsdaten wider. Beispielsweise könnte ein Modell den Satz „Ein Arzt ist…“ eher mit „männlich“ als mit „kompetent“ vervollständigen. Um Bias zu reduzieren, nutzen Entwickler vielfältigere Trainingsdaten und setzen Methoden wie RLHF ein.
• Eingeschränktes Langzeitgedächtnis: Obwohl die Sprachmodelle den Kontext über lange Textpassagen erfassen können, besitzen sie kein echtes Langzeitgedächtnis. Alle Informationen einer Sitzung sind nach deren Ende verloren.
  Zwei Entwicklungen wirken dieser Schwäche entgegen:
  • Erweiterung des Kontextfensters: Es bestimmt, wie viele Tokens das Modell gleichzeitig speichern und analysieren kann.
  • Memory-Augmented LLMs: Diese speichern Nutzerdaten über mehrere Interaktionen hinweg.
• Hoher Energieverbrauch: Large Language Models sind extrem rechenintensiv. Allein die Anfragen für ChatGPT verbrauchen jährlich 226,82 Millionen kWh – das Doppelte des Energiebedarfs für Bitcoin-Mining. Forschende arbeiten bereits an effizienteren Hardware-Lösungen, um diesen Verbrauch zu senken.

Aktuelle Trends und Forschung: Die Zukunft der Large Language Modelle

Aktuell forscht man an kompakteren Modellen, die leistungsfähig und zugleich ressourcenschonend sind. Ein Beispiel ist Mistral 7B, das mit nur sieben Milliarden Parametern eine Leistung bietet, die mit GPT-3 (175 Milliarden Parameter) vergleichbar ist. Solche Entwicklungen ermöglichen das direkte Ausführen der Modelle direkt auf Smartphones oder Laptops.

Auch das Gedächtnis rückt zunehmend in den Fokus. Künftige Modelle sollen sich langfristig an Nutzer und frühere Konversationen erinnern können. Das ist ein bedeutender Schritt hin zu personalisierten KI-Assistenten.

Ein weiteres Forschungsfeld ist die Multimodalität. Neuere Modelle verarbeiten nicht nur Text, sondern auch Bilder, Videos und Audio, können diese verknüpfen und neu generieren.

Ansätze wie Tree-of-Thoughts und Chain-of-Thoughts verbessern das logische Denken der Modelle. Hierbei rückt die bloße Wahrscheinlichkeitsberechnung in den Hintergrund, während valide Informationen stärker gewichtet werden. Zudem ermöglichen Kombinationen mit Mathematik-Engines wie Wolfram Alpha präzisere Berechnungen in Wissenschaft und Technik.

Der Markt wird derzeit von Closed-Source-Modellen wie ChatGPT dominiert. Doch es zeichnet sich eine Verschiebung zu Open-Source-LLMs ab. Diese bieten mehr Transparenz und Anpassungsmöglichkeiten – bei gleichzeitig geringeren Kosten für Unternehmen und Forschende. Namen wie LLaMA 3, Mistral 7B und Falcon werden in Zukunft eine immer größere Rolle spielen.

Foto von Google DeepMind auf Unsplash

Als Unternehmen, das sich seit Jahrzehnten mit Kundenservicesoftware befasst, haben wir täglich mit dem Begriff „Kunde“ zu tun. Wir wissen, wie wir mit unseren Kunden umgehen wollen und welche Ziele diese mit ihren Kunden verfolgen.

Deshalb haben wir uns zum Ziel gesetzt, diesen Begriff detaillierter zu beleuchten und was man verstehen muss, wenn man gemeinsam vom Kunden spricht.

Wir wühlten uns durch verschiedene Lektüren, sprachen mit Experten und fragten Kundenservicemitarbeiter.

Woraus hat sich „Kunde“ entwickelt?

Laut Wikipedia kommt das Wort „Kunde“ vom althochdeutschen „kundo“, das etwa um 870 nach Christus zum ersten Mal auftaucht. Übersetzt in die heutige Sprache bedeutet das soviel wie „Einheimischer“, „Bekannter“ oder „Kundiger“. Das heißt, die Person war für den Verkäufer in gewisser Weise bekannt. Eine Eigenschaft, die auch heute noch relevant ist, wenn wir herausfinden, welche Zielgruppe wir haben.

Im kommerziellen Sinn taucht der Begriff erstmals im 16. Jahrhundert auf. Kunde ist „wer (regelmäßig) ein Geschäftsangebot wahrnimmt, einen Laden, Dienstleistungsbetrieb (wiederholt) in Anspruch nimmt“ (Pfeifer 1997, S. 744).

Wie wird Kunde definiert?

Hans Heinrich Path definierte im 20. Jahrhundert den Kunden so: „Ein Kunde ist die jeweils wichtigste Person in dem Betrieb. Er ist nicht von uns abhängig, sondern wir von ihm. Er bedeutet keine Unterbrechung unserer Arbeit, sondern ist ihr Inhalt. (…) Ein Kunde ist eine Person, die uns ihre Wünsche mitteilt. Unsere Aufgabe ist es, diese zu seiner Zufriedenheit auszuführen.“

Im Gespräch mit zwei unserer B2B-Kunden erfuhren wir eine ähnliche Definition: „Der Kunde ist eine Person, die den eigenen Lohn zahlt.“ Deshalb bieten sie die bestmögliche Kundenerfahrung an, inklusive Serviceerlebnis.

Der Kunde ist jemand, der kauft?

Einen Unterschied gibt es: Während Path den Kunden als eine Person definiert, die einen Wunsch äußert, gehen unsere Ansprechpartner weiter. Bei ihnen ist der Kunde jemand, der zahlt – den eigenen Lohn. Das heißt, hier ist der Kunde jemand, der bereits eine vertragliche Beziehung mit einem kaufrechtlichen Verhältnis eingegangen ist. Prof. Matthias Gouthier für Marketing und digitale Services von der Uni Koblenz sagt dazu: „Kauf und Nutzung einer Leistung bilden die Kernelemente des Kundenverständnisses.“

Der Kunde im eigenen Lebenszyklus

Für unsere Ansprechpartner aus dem Automotive Ersatzteilbereich haben Kunden einen hohen Wert, weshalb sie alles daran setzen, diese glücklich zu machen. Der Kundenwert kann, je nach Stadium, hoch oder niedrig sein. In diesem Lebenszyklusmodell verorten Unternehmen ihre Kunden, um sie einzuordnen und passende Maßnahmen zu ergreifen.

Nicht-Kunden sind vielleicht noch ahnungslos

Der Lebenszyklus eines Kunden beginnt beim Nicht-Kunden. Dieser hat noch keinen Kontakt zum Unternehmen. Er unterteilt sich in Kunden, die das Unternehmen noch nicht wahrgenommen haben und jene, die das Unternehmen kennen, aber noch nicht interagiert haben.

Diese Form von Kunde muss erst auf das Unternehmen, und im Zweifelsfall auch auf das Bedürfnis, das sie haben, aufmerksam gemacht werden. Mit dem Herausarbeiten einer zum Produkt passenden Zielgruppe, können sich Unternehmen dieser Kundenform sukzessive nähern.

Potenzielle Kunden stehen dem Bestandskunden sehr nahe

Potenzielle Kunden beschäftigen sich eingehender mit dem Unternehmen. Sie waren vielleicht schon auf der Website, haben auf eine Werbeanzeige reagiert oder folgen dem Unternehmen auf den Sozialen Medien. Die Wahrscheinlichkeit, dass sie kaufen, ist höher als in der vorhergehenden Gruppe. An der Stelle lohnt sich das Investment, die Kunden immer wieder auf das Unternehmen aufmerksam zu machen, bis sie ein Kaufinteresse äußern. Nach dem ersten Kauf betreten Sie den Bereich der Neukunden.

Bestandskunden gleichen einer Goldgrube, die gepflegt sein will

Hat der Kunde schon einmal bestellt, wechselt er die Sparte zu den Bestandskunden. Diese Kunden haben den höchsten Wert, der weiter wachsen kann. Je häufiger der Kunde mit dem Unternehmen agiert, desto wertvoller wird er. Sei es, wenn er erneut kauft oder Feedback gibt.

Die Interaktion mit dem Unternehmen ist eine Goldgrube und bedarf besonderer Aufmerksamkeit. Geben die Kunden über Bewertungen oder den Kundenservice Feedback, bieten sich dem Unternehmen zwei große Chancen.

1. Die Servicemitarbeitenden können den Kunden mit ihrer schnellen und individuellen Antwort begeistern. Ein begeisterter Kunde wird leicht zum Fan und macht kostenlos Werbung.
2. Feedback öffnet den Blick von außen auf das Unternehmen. Wenn diese Rückmeldungen genutzt werden, um besser zu werden, gehen sie auf die Wünsche der Kunden ein und beseitigen blinde Flecken.

In dieser Phase entscheidet sich, ob der Kunde bleibt oder geht. Deswegen ist es ratsam, die Kommunikation schnell, effizient und qualitativ hochwertig zu gestalten. Stellst Du Nachbesserungsbedarf fest, melde Dich gerne bei uns und wir schauen gemeinsam, wie wir die Prozesse für Dich und Deine Kunden mit unserer Software unterstützen können.

Verlorene Kunden haben das Interesse verloren

Ist die Kommunikation nicht gut gelaufen, sinkt der Kundenwert. Der Kunde ist enttäuscht und wendet sich ab. Er ist verloren und kommt vermutlich nie wieder zurück.

Das ist schmerzvoll und geschäftsschädigend. Der Rückholprozess ist teuer und langwierig, wenn er überhaupt funktioniert. Deswegen ist es besser, passend auf den Kunden eingehen und ihn so lange wie möglich zu begeistern.

Die Definition passt nicht immer zu jedem Unternehmen

Im Gespräch mit Andreas Schöler, Professor für Dienstleistungsmanagement, Konsumentenpsychologie und Marketing an der Hochschule für angewandtes Management, ist die Standarddefinition richtig, hat aber Tücken. Es gibt je nach Unternehmen Unterschiede. Der Grad zwischen Nicht-Kunden und potenziellen Kunden ist fließend. Auch die Frage, ab wann Kunden nicht mehr aus dem Bereich der verlorenen Kunden zurückzuholen sind, kann man nicht allgemeingültig definieren.

Deshalb ist es wichtig, sich als Unternehmen darüber klar zu sein, worauf man den Fokus legen möchte und wann man welche Grenzen zwischen den Übergängen ziehen will.

Für uns als Dienstleister im Kundenservicesektor ist das Thema ebenfalls sehr wichtig. Wenn wir unsere Kunden genau verstehen, können wir die passende Lösung bieten. Deswegen freuen wir uns immer auf Experten in diesem Gebiet, die ihre aktuellen Erkenntnisse und Forschungen mit uns teilen möchten.