Abonniere den Blog und erhalte wertvolles Wissen und praktische Tipps rund um Customer Intelligence ✨
Der Vertriebsleiter ruft die Top-50-Liste auf. Sieben Telefonnummern erreichen niemanden. Vier Kontakte sind nicht mehr im Unternehmen. Drei Firmen wurden übernommen. Der Tag fängt mit Aufräumen an. Ein Maschinenbauer mit 50.000 aktiven Kontakten verliert pro Jahr 11.250 Datensätze. Nicht durch fehlende Datenpflege, sondern durch Fluktuation, Umstrukturierung und Unternehmenswechsel. Im B2B-Maschinenbau mit Sales Cycles zwischen 6 und 18 Monaten ist das besonders kritisch: Bis ein Kontakt für die eigentliche Vertriebsaktivität relevant wird, hat er möglicherweise die Position oder das Unternehmen bereits gewechselt.
Research zeigt, dass etwa 22,5 % der Kontaktdatensätze jährlich vollständig ungültig werden, das entspricht einer monatlichen Decay-Rate von 2,1 %. Für einen mittelständischen Maschinenbauer mit 50.000 aktiven Kontakten bedeutet das: 11.250 Datensätze werden pro Jahr zu toten Adressen. Bei einer Datenbank von 100.000 Kontakten steigt die Zahl auf 22.500 verlorene Datensätze jährlich.
Die Gründe sind vielfältig. Kaufmännische Entscheider wechseln Positionen, technische Leiter gehen in Ruhestand, Unternehmen fusionieren oder werden übernommen. In High-Growth-Sektoren können die Wechselraten 30 bis 40 % erreichen. Selbst in stabileren Branchen wie dem Maschinenbau liegt die Mobilitätsrate bei etwa 25 %. Das bedeutet: Jeder vierte Kontakt wechselt pro Jahr den Arbeitgeber.
Die 22,5 % sind ein Durchschnittswert über alle Branchen hinweg. Einzelne Subsegmente können deutlich höhere Verfallsraten zeigen. Gartner nennt in bestimmten dynamischen Bereichen Raten von bis zu 70 % pro Jahr. Im Maschinenbau spielt weniger die Fluktuation im technischen Bereich die Rolle, sondern die oft unterschätzte Mobilität auf Entscheider-Ebene: Einkauf, Geschäftsführung, Produktion.
Im B2B-Maschinenbau dauern Verkaufszyklen durchschnittlich 3 bis 18 Monate, bei Großanlagen auch länger. Ein Lead aus dem Mai durchläuft mehrere Phasen: Awareness, Consideration, Decision. Bis der Deal in die Verhandlung geht, ist es November. Der Kontakt, mit dem der Vertrieb im Frühjahr sprach, ist im Herbst möglicherweise nicht mehr Teil des Buying Centers.
Der Lead ist damit nicht tot. Aber die Beziehung muss neu aufgebaut werden, der neue Entscheider qualifiziert, die Angebotskalkulation angepasst. Im schlechtesten Fall erfährt der Vertrieb erst beim Nachfassen, dass die Entscheidungsstruktur sich komplett geändert hat. Die Forecast-Pipeline läuft auf veralteten Annahmen.
Besonders problematisch: Buying Centers im Maschinenbau bestehen im Durchschnitt aus elf Stakeholdern. Wenn pro Jahr 25 % mobil sind, ist die Wahrscheinlichkeit hoch, dass mindestens ein Key-Entscheider während des Sales Cycles ausscheidet. Das stoppt Deals nicht zwingend, aber es verzögert sie. Oder schlimmer: Der neue Einkaufsleiter bevorzugt einen anderen Lieferanten.
Manuelle Datenpflege skaliert nicht. Ein Vertriebsmitarbeiter, der 2,5 Minuten pro Kontakt mit Datenanreicherung verbringt, kommt bei 200 Kontakten auf mehr als acht Stunden Aufwand pro Woche. Zeit, die für Kundengespräche fehlt. Die Lösung: kontinuierliche, automatisierte Datenpflege aus drei Quellkategorien.
Externe Wirtschaftsdatenbanken: Anbieter wie Dun & Bradstreet liefern Firmendaten, Bonitätsinformationen und Konzernhierarchien. Ein automatischer Abgleich mit der MARINI Data Cloud reichert Kontaktdatensätze um Mitarbeiterzahl, Umsatz, Branchenzugehörigkeit und Unternehmensstruktur an. Für den Maschinenbau besonders relevant: Informationen zu Tochtergesellschaften und Konzernverbindungen, die Cross-Selling-Potenziale aufdecken.
Web-Crawler und WebSearch: Öffentlich verfügbare Informationen wie Pressemeldungen, Stellenanzeigen oder LinkedIn-Wechsel liefern Echtzeit-Signale. Wenn ein Entscheider eine neue Position antritt, erscheint das oft zuerst auf LinkedIn, bevor das CRM aktualisiert wird. Web-Crawler erkennen diese Veränderungen automatisch und markieren betroffene Kontakte zur Überprüfung.
KI-gestützte Mustererkennung auf vorhandenen Daten: Predictive Data Quality analysiert die Aktivitätshistorie. Ein Kontakt, der seit sechs Monaten keine Interaktion zeigt, gleichzeitig aber ein LinkedIn-Wechsel-Signal vorliegt, wird als kritisch markiert. Die MARINI Plattform kombiniert Verhaltensmuster mit externen Signalen und priorisiert automatisch, welche Datensätze überprüft werden sollten.
Reaktive Datenpflege greift zu spät: Der Vertrieb merkt erst beim Anruf, dass der Kontakt nicht mehr erreichbar ist. Predictive Data Quality kehrt die Logik um. Statt auf Bounce-Raten zu warten, erkennt die MARINI Data Cloud Probleme, bevor sie Vertriebsschaden anrichten.
Ein Beispiel: Ein Key-Account-Kontakt hat seit vier Monaten keine E-Mail geöffnet, gleichzeitig zeigen LinkedIn-Daten einen Positionswechsel an. Der Datensatz wird automatisch markiert. Der Vertriebsmitarbeiter erhält eine Benachrichtigung: Kontaktdaten prüfen, bevor die nächste Kampagne läuft. Das spart nicht nur Zeit, sondern verhindert auch den Image-Schaden, der entsteht, wenn Angebote an veraltete Adressen gehen.
Predictive Data Quality arbeitet mit Wahrscheinlichkeiten, nicht mit Gewissheit. Ein Kontakt, der drei Monate inaktiv ist, kann immer noch valide sein. Aber die Kombination aus Inaktivität und externen Signalen erhöht die Wahrscheinlichkeit eines Problems. Die MARINI Plattform bewertet Kontakte nach Risikoklassen und priorisiert die Überprüfung.
MARINI ist keine isolierte Datenpflege-Lösung. Die Plattform verbindet Datenintegration, Data Cloud und Agentic zu einem durchgängigen System für Customer Intelligence. Datenanreicherung ist dabei ein zentraler Bestandteil der Data Cloud, nicht ein nachgelagertes Add-on.
Drei Quellkategorien werden automatisiert orchestriert: Externe Datenbanken wie Dun & Bradstreet liefern Firmendaten und Bonitätsinformationen. Web-Crawler erfassen öffentlich verfügbare Informationen. KI-gestützte Mustererkennung analysiert die vorhandenen Datenbestände und erkennt Anomalien. Die drei Quellen arbeiten zusammen, nicht nacheinander.
Besonders im Maschinenbau relevant: Die Verbindung zu Konzern-Account-Hierarchien und Dublettenerkennung. Ein mittelständischer Maschinenbauer beliefert oft mehrere Standorte desselben Konzerns. Wenn ein Kontakt am Standort A wegfällt, ist das nicht nur ein Datenproblem, sondern ein Signal: Wer ist der neue Ansprechpartner? Gibt es andere Standorte im Konzern, die ebenfalls betroffen sein könnten? Die MARINI Data Cloud erkennt diese Zusammenhänge und schlägt proaktiv vor, die Kontaktstruktur über alle Standorte hinweg zu prüfen.
MARINI Professional Services unterstützt bei der initialen Datenbereinigung und beim Aufbau der kontinuierlichen Pflege. KI-gestützte Datenbereinigung klassifiziert und bewertet Kontakte bei Migrationsprojekten. Kundenspezifische AI-Workflows automatisieren wiederkehrende Datenprozesse. Das Ziel: Ein Fundament schaffen, auf dem Sales Cycles nicht durch veraltete Daten ausgebremst werden.
Schlechte Datenqualität kostet. Untersuchungen zeigen: Organisationen verlieren durchschnittlich 15 % ihres Umsatzes durch ungenaue Kontaktinformationen. Für einen Maschinenbauer mit 50 Millionen Euro Jahresumsatz sind das 7,5 Millionen Euro, die durch verpasste Chancen, ineffiziente Kampagnen und manuelle Nacharbeit verloren gehen.
Die Regel ist einfach: 1 Euro pro Datensatz kostet die Einführung einer IT-Lösung, die saubere Daten bei der Erfassung sicherstellt. 10 Euro pro Datensatz kostet die nachträgliche Bereinigung in definierten Intervallen. 100 Euro pro Datensatz kostet das Nichtstun, durch Retouren, verpasste Verkaufschancen und niedrige Produktivität.
Im 18-Monate-Sales-Cycle bedeutet das: Jeder Deal, der durch veraltete Kontaktdaten um drei Monate verzögert wird, kostet nicht nur die Umsatzverschiebung. Er bindet Vertriebsressourcen, blockiert Pipeline-Plätze und erhöht das Risiko, dass der Kunde in der Zwischenzeit zum Wettbewerber geht. Kontinuierliche Datenpflege ist keine Kür, sondern eine Grundvoraussetzung für erfolgreichen B2B-Vertrieb.
Mehr dazu findest du im Fachbuch Customer Intelligence: Strategien und Use Cases zur Nutzung von Kundendaten von Prof. Dr. Emanuel Bayer und Manuel Marini, das über Springer Gabler publiziert wurde.
