22.07.2024
KOOPERATION

Darum sollten Produkt, Marketing, Vertrieb und Kundenerfolg ein integriertes Team bilden

Produkt, Marketing, Vertrieb und Kundenerfolg - im Gastbeitrag erklärt Gordan Volaric von Boom Strategy, warum ein integriertes Team mit vier Funktionen besser ist, als vier Teams mit je einer.
/artikel/produkt-marketing-vertrieb-kundenerfolg-integriertes-team
Boom Strategy Managing Partner Gordan Volaric | (c) Boom Strategy
Boom Strategy Managing Partner Gordan Volaric | (c) Boom Strategy

In der heutigen Geschäftswelt sind traditionelle Abteilungsstrukturen nicht mehr ausreichend. Sie konzentrieren sich oft auf ihre eigenen Ziele, anstatt die Customer Journey als Ganzes in den Mittelpunkt zu stellen. Dies führt zu nicht aufeinander abgestimmten Segmenten, die den Kundenerwartungen nicht gerecht werden und somit die Kundenzufriedenheit erheblich beeinträchtigen können. Unternehmen müssen Produkt, Marketing, Vertrieb und Kundenerfolg als integrierte Funktionen eines einheitlichen Teams betrachten, um den Umsatz zu steigern und die Kundenzufriedenheit zu verbessern.

Durch die Integration der Abteilungen können Unternehmen eine kohärentere Strategie entwickeln, die von der Marktforschung bis zur Kundenbetreuung reicht. Dies ermöglicht eine schnellere Anpassung an Marktveränderungen und eine verbesserte Fähigkeit, auf Kundenfeedback zu reagieren. Zudem können Ressourcen effizienter genutzt werden, da redundante Prozesse eliminiert und Synergien zwischen den Teams geschaffen werden. Letztendlich führt dies zu einer gesteigerten Wettbewerbsfähigkeit und langfristigem Erfolg.

Das Problem: Silos behindern den Fortschritt

Klassische Abteilungsstrukturen schaffen Silos, die den Informationsfluss behindern und zu ineffizienten Prozessen führen. Produkt-, Marketing-, Vertriebs- und Kundenerfolgsteams arbeiten oft isoliert voneinander, was zu Kommunikationslücken und verpassten Chancen führt. Ein Beispiel: Wenn das Vertriebsteam wichtige Kundenfeedbacks nicht an das Produktteam weiterleitet, können notwendige Produktverbesserungen nicht umgesetzt werden, was zu unzufriedenen Kunden führt.

Warum aktuelle Ansätze scheitern

Viele Unternehmen versuchen, diese Silos durch regelmäßige Meetings oder gemeinsame Projekte zu überwinden, doch diese Maßnahmen sind oft unzureichend. Ohne eine echte Integration bleiben wichtige Informationen fragmentiert und Entscheidungen werden verzögert.

Die Lösung: Ein integrierter Ansatz

Zusammenhängende Verantwortlichkeiten und Leistungen erkennen

Die Zusammenarbeit der Funktionen ist iterativ und funktionsübergreifend. Jeder Bereich liefert kontinuierlich Input zu den anderen Funktionen entlang der gesamten Customer Journey. Während jede Funktion ihre Hauptaufgaben hat (z.B. Marketing: Generierung von Leads), unterstützen sie auch die Hauptaufgaben der anderen Funktionen (z.B. Marketing unterstützt Kundenerfolg mit gezielten Kampagnen für den bestehenden Kundenstamm).

  • Produktteam: Entwickelt Lösungen basierend auf Kundenfeedback vom Kundenerfolgsteam und Input von Vertrieb und Marketing.
  • Marketing: Nutzt Produktinformationen und Kundendaten, um effektive Kampagnen zu gestalten, die sowohl neue Leads generieren als auch bestehende Kunden ansprechen.
  • Vertrieb: Setzt auf Marketingmaterialien und Produktupdates, um Kunden zu überzeugen und leitet wertvolle Informationen an das Produkt- und Kundenerfolgsteam weiter.
  • Kundenerfolg: Liefert kontinuierliches Feedback zur Verbesserung von Produkt und Service und unterstützt Marketing und Vertrieb durch Kundenbindung und Upselling-Möglichkeiten.
(c) Boom Strategy

Praktische Umsetzung und Angleichung von Zielen und Metriken

  1. Gemeinsame KPI-Definition: Festlegen von KPIs, die für alle Funktionen relevant sind, wie Kundenakquisitionskosten, Kundenlebenszeitwert und Kundenzufriedenheit.
  2. Regelmäßige Alignment-Meetings: Wöchentliche oder monatliche Meetings, in denen alle Teams ihre Fortschritte und Herausforderungen besprechen und gemeinsame Lösungen entwickeln.
  3. Integrierte Systeme: Nutzung eines einheitlichen CRM-Systems, das Daten aus allen Funktionen zusammenführt und Transparenz sowie Echtzeiteinblicke ermöglicht.
  4. Schulung und Weiterbildung: Regelmäßige Schulungen für alle Teams, um sicherzustellen, dass jeder die Ziele und Arbeitsweisen der anderen Funktionen versteht und unterstützt.
  5. Feedback-Schleifen: Implementierung von Feedback-Schleifen, bei denen z.B. Erkenntnisse aus der Kundenerfahrung kontinuierlich an Produktentwicklung, Marketing und Vertrieb zurückfließen.

Herausforderungen und ihre Überwindung

Die Umstellung auf ein integriertes Modell kann Herausforderungen mit sich bringen, wie Widerstand gegen Veränderungen und die Integration verschiedener Systeme. Um diese Hindernisse zu überwinden, sind klare Kommunikation, kontinuierliche Schulungen und die Nutzung moderner Technologien entscheidend. Ein effizientes CRM-System unterstützt den Informationsfluss und fördert die Zusammenarbeit. Zudem können Kollaborationstools wie Slack oder Microsoft Teams die Kommunikation zwischen den Abteilungen verbessern. Unternehmen sollten auch eine Kultur der Offenheit und des gegenseitigen Vertrauens fördern, um die Bereitschaft zur Zusammenarbeit zu stärken.

Eine wichtige Strategie zur Überwindung solcher kultureller Widerstände ist die Einführung von Change-Management-Programmen. Diese Programme sollten auf Transparenz und Kommunikation setzen, um den Mitarbeitern die Vorteile der Integration klar zu vermitteln. Workshops und Trainings können dazu beitragen, die notwendigen Fähigkeiten und das Verständnis für funktionsübergreifende Zusammenarbeit zu fördern. Zudem kann die Schaffung von Anreizen und Belohnungssystemen für erfolgreiche Teamarbeit die Motivation der Mitarbeiter steigern, sich aktiv an der Integration zu beteiligen.

Fazit: Der Weg zum Erfolg

Die Integration von Produkt, Marketing, Vertrieb und Kundenerfolg ist nicht nur eine strategische Entscheidung, sondern eine Notwendigkeit in der heutigen Wettbewerbslandschaft. Durch die Aufhebung von Silos und die Förderung der Zusammenarbeit können Unternehmen effizienter arbeiten, ein besseres Kundenerlebnis bieten und nachhaltiges Wachstum erzielen. Eine erfolgreiche Integration erfordert klare Ziele, gemeinsame Metriken und eine kontinuierliche Anpassung der Prozesse, um den sich ändernden Marktbedingungen und Kundenanforderungen gerecht zu werden.


Über den Autor:

Gordan Volaric ist ein Spezialist für die Optimierung von Vertriebsprozessen mit über einem Jahrzehnt Erfahrung. Als geschäftsführender Partner bei Boom berät er große Vertriebsorganisationen und hilft ihnen, Silos aufzubrechen und ihre Effizienz zu steigern. Durch die Gründung und das Wachstum mehrerer Technologieunternehmen hat er aus erster Hand erfahren, wie wichtig effektive Betriebs- und Ausführungsprozesse für den Erfolg sind. Seine Expertise ermöglicht es Unternehmen, integrierte und funktionsübergreifende Strategien zu entwickeln, die alle Aspekte der Customer Journey berücksichtigen und so Umsatz und Kundenzufriedenheit maximieren.

Deine ungelesenen Artikel:
27.01.2025

Open Source und KI: “Es geht nicht darum, zu den Guten zu gehören”

Nachlese. Die Nutzung von Open-Source-Modellen eröffnet Unternehmen auch im KI-Bereich weitreichende Möglichkeiten. Es gibt dabei aber auch einiges zu bedenken. Darüber und mehr diskutierten in Folge 5 von "No Hype KI" Stephan Kraft von Red Hat, Florian Böttcher von CANCOM Austria, Natalie Ségur-Cabanac von Women in AI und Patrick Ratheiser von Leftshift.One.
/artikel/no-hype-ki-folge-5
27.01.2025

Open Source und KI: “Es geht nicht darum, zu den Guten zu gehören”

Nachlese. Die Nutzung von Open-Source-Modellen eröffnet Unternehmen auch im KI-Bereich weitreichende Möglichkeiten. Es gibt dabei aber auch einiges zu bedenken. Darüber und mehr diskutierten in Folge 5 von "No Hype KI" Stephan Kraft von Red Hat, Florian Böttcher von CANCOM Austria, Natalie Ségur-Cabanac von Women in AI und Patrick Ratheiser von Leftshift.One.
/artikel/no-hype-ki-folge-5

“No Hype KI” wird unterstützt von CANCOM AustriaIBMITSVMicrosoftNagarroRed Hat und Universität Graz.

Kollaborativ, transparent, frei zugänglich und nicht profit-orientiert – mit Open-Source-Software wird eine Reihe von Eigenschaften assoziiert. Und oftmals stehen bei der Nutzung ethische Überlegungen im Zentrum. Dabei gibt es auch ganz praktische Gründe, die für eine Verwendung durch Unternehmen sprechen – auch bei der Implementierung von KI-Anwendungen, ist Stephan Kraft, Community Advocate & Business Development OpenShift & Application Services bei Red Hat, überzeugt. In Folge fünf der Serie “No Hype KI” diskutierte er dieses und weitere Themen mit Florian Böttcher, Solution Architect bei CANCOM Austria, Natalie Ségur-Cabanac, Policy Lead bei Women in AI und Patrick Ratheiser, Gründer & CEO von Leftshift.One.

“Thema ein Stück weit aus dieser emotionalen, moralisierenden Ecke herausholen”

“Ich will das Thema ein Stück weit aus dieser emotionalen, moralisierenden Ecke herausholen”, sagt Stephan Kraft. Für Red Hat als weltweit führenden Anbieter für Open-Source-Lösungen für Unternehmen gehen die Argumente für eine Nutzung nämlich weit darüber hinaus. “Es geht nicht darum, Open Source als Selbstzweck zu sehen, um zu den Guten zu gehören”, so der Experte. Tatsächlich sei die Verwendung von Open Source gerade bei der Etablierung von KI im Unternehmen für Startups und KMU eine wichtige Weichenstellung.

Offenheit, um Diskriminierung entgegenzuwirken

Auch Natalie Ségur-Cabanac sieht Open Source als “Key Technology” im KI-Bereich. Für “Women in AI” spiele die Offenheit eine zentrale Rolle: “Diese Offenheit braucht es, um Diskriminierung entgegenzuwirken.” Open Source verbessere den Zugang für Frauen zur Technologie, die Abbildung von Frauen in den Daten und es vergrößere die Möglichkeiten in der Forschung. Man müsse aber auch aufpassen, ob Software wirklich so offen sei, wie behauptet, sagt sie bezogen auf die aktuellen Diskussionen rund um OpenAI, das sich – ursprünglich als offenes Projekt gestartet – zum profitorientierten Unternehmen entwickelte. Es brauche auch eine klare Definition, was “open” sei.

Masse an Möglichkeiten

Leftshift.One-Gründer Patrick Ratheiser betont auch die schiere Masse an Möglichkeiten, die Open Source bietet. “2021 hatten wir weltweit Zugriff auf circa 5.000 Open-Source-Modelle. Jetzt sind es bereits mehr als eine Million.” Die Nutzbarkeit sei also klar gegeben, zudem biete die Technologie eine gewisse Unabhängigkeit und werde über ihre Vielfalt zum Innovationstreiber.

Ist Open Source immer die beste Lösung?

Doch bedeutet das, dass Open Source immer die optimale Lösung ist? Ratheiser sieht das differenziert: “Es ist ganz wichtig zu erkennen, was der Kunde braucht und was in dem Fall gerade notwendig ist. Egal, ob es nun On-Premise, in der Cloud, Open Source oder Closed Source ist.” Florian Böttcher von CANCOM Austria pflichtet hier bei: “Wir setzen genau so auf hybrid.”

Datenstruktur im Hintergrund ist entscheidend

Ein Thema, bei dem bei Open Source Vorsicht geboten ist, spricht Natalie Ségur-Cabanac an. Besonders wichtig sei es bei KI-Anwendungen, eine gute Datenstruktur im Hintergrund zu haben. “Die Verantwortung, dass ein Modell mit sauberen Daten trainiert worden ist, liegt bei den Anbietern. Bei Open Source verschwimmt das ein bisschen. Wer ist wofür zuständig? Das ist eine Herausforderung für die Compliance zu schauen, wo man selbst verantwortlich ist und wo man sich auf einen Anbieter verlassen kann.”

Compliance: Großes Thema – mehr Sichereheit mit professioneller Unterstützung

Stephan Kraft hakt hier ein. Genau aus solchen Gründen gebe es Unternehmen wie Red Hat, die mit ihrem Enterprise-Support für Open-Source-Lösungen die Qualitätssicherung auch im rechtlichen Bereich übernehmen. “Das ist ein ganz wichtiger Teil unseres Versprechens gegenüber Kunden”, so Kraft. Unbedacht im Unternehmen mit Open Source zu arbeiten, könne dagegen in “Compliance-Fallen” führen, pflichtet er Ségur-Cabanac bei.

Das sieht auch Patrick Ratheiser als Thema bei Leftshift.One: “Unsere Lösung ist Closed Source, wir setzen aber im Hintergrund Open Source ein. Wichtig ist, dass wir dem Kunden Compliance garantieren können.” Stephan Kraft empfiehlt Unternehmen bei der Open-Source-Nutzung: “Man kann nicht immer gleich die neueste ‘bleeding edge’-Lösung nehmen sondern sollte etwas konservativer herangehen.”

Infrastruktur: Gut planen, was man wirklich braucht

Unabhängig davon, ob man nun Open Source oder Closed Source nutzt, braucht es für die Nutzung von KI die richtige Infrastruktur. “Es kommt natürlich auf den Use Case an, den ein Unternehmen umsetzen will. Da sind die Anforderungen an die Infrastruktur sehr unterschiedlich”, grenzt Florian Böttcher ein. CANCOM Austria unterstützt seine Kunden in genau der Frage. Anwendungen wie das Training von KI-Modellen würde aus gutem Grund kaum in Österreich umgesetzt. “KI ist sehr stromhungrig und entwickelt viel Hitze. Das ist schwierig für ein eigenes Data-Center im Unternehmen, gerade wenn man die Strompreise in Österreich ansieht”, so Böttcher.

“Rechenleistungs-Hunger” von KI könnte sich in Zukunft verringern

Wichtig sei es letztlich, sich als Unternehmen sehr klar darüber zu sein, was man umsetzen wolle. “Danach, welche Software-Lösung man für seinen Use Case einsetzen muss, richtet sich auch die Infrastruktur”, so Böttcher. Er erwarte aber auch, dass die KI-Modelle im nächsten Entwicklungsschritt effizienter werden und der “Rechenleistungs-Hunger” sich verringere.

Patrick Ratheiser ergänzt: “Es ist grundsätzlich eine Kostenfrage.” Unternehmen müssten sich sehr gut überlegen, ob sie ein eigenes LLM (Large Language Model) betreiben und dieses sogar selbst trainieren wollen, oder lieber doch eine Usage-basierte Lösung wählen. Er sehe bei österreichischen Unternehmen – auch bei größeren – eine klare Tendenz zur zweiten Variante. “Es lässt sich deutlich schneller einrichten, ist kalkulierbarer und auch viel schneller skalierbar”, erklärt Ratheiser.

Etwa im Forschungsbereich sei es jedoch wichtig und notwendig, auch eigene LLMs und die damit verbundene Infrastruktur zu betreiben. Doch auch die Möglichkeit von hybriden Lösungen biete sich an. “Man kann mittlerweile auch Teile in der Cloud lassen und Teile On-Premise. Man kann etwa nur ein datenschutzsicheres LLM selbst betreiben”, erklärt der Experte, der auch bei der Wahl der genutzten Modelle einen hybriden Ansatz empfiehlt: “Man braucht nicht für alle Use Cases das neueste Modell. Manchmal braucht man überhaupt kein LLM.”

Datenschutz: Einige Herausforderungen bei LLMs

Stichwort: Datenschutz. Hier schafft die europäische Datenschutzgrundverordnung (DSGVO) im KI-Bereich besondere Herausforderungen, weiß Natalie Ségur-Cabanac, die vorab betont: “Ich persönlich halte die DSGVO für ein gutes Regulierungswerk, weil sie sehr viel Spielraum gibt. Ich sage immer: Datenschutz ist sehr komplex, aber nicht kompliziert.” Konkret seien etwa der Grundsatz der Zweckbezogenheit, also dass man Daten nur für konkrete Zwecke einsetzen darf, und dass man sie minimierend einsetzen muss, relevant für den KI-Bereich. “Da haben wir schon einen Konflikt, weil man ja [bei LLMs] erst einmal schaut, was man aus möglichst vielen Daten machen kann”, so die Expertin.

Ist KI rechtlich innerhalb der EU sogar per se in einem Graubereich?

Auch Transparenzbestimmungen – sowohl in der DSGVO als auch im AI-Act der EU – seien zu beachten. “Wenn ich KI verwende, muss ich auch wissen, was drinnen ist”, fasst Ségur-Cabanac zusammen. Ist KI also rechtlich innerhalb der EU sogar per se in einem Graubereich? “Nein, das glaube ich nicht. Aber man muss seine Hausaufgaben schon gut machen”, sagt die Expertin. Wichtig sei daher auch die im Rahmen des EU-AI-Acts eingeforderte KI-Kompetenz in Unternehmen – im technischen und rechtlichen Bereich.

KI-Kompetenz als zentrales Thema

Patrick Ratheiser stimmt zu: “Neben der Technologie selber sind bei unseren Kunden die Mitarbeiter ein Riesen-Thema. Man muss sie nicht nur wegen dem AI-Act fit bekommen, sondern es geht darum, sie wirklich auf die Anwendungen einzuschulen.” Wichtig seien dabei auch die Kolleg:innen, die sich bereits mit dem Thema auskennen – die “Pioniere” im Unternehmen. “AI Literacy ist sicherlich das Thema 2025 und in nächster Zeit. So, wie wir gelernt haben, mit dem Smartphone umzugehen, werden wir es auch mit generativer KI lernen”, so Ratheiser.

“Einfach einmal ausprobieren”

Stephan Kraft ergänzt: Neben einer soliden Datenbasis und der notwendigen Kompetenz brauche es bei KI – gerade auch im Bereich Open Source – noch etwas: “Einfach einmal ausprobieren. Es braucht auch Trial and Error. Das ist vielleicht oft das Schwierigste für CFOs und Geschäftsführer.” Dieses Ausprobieren sollte aber innerhalb eines festgelegten Rahmens passieren, damit die KI-Implementierung gelingt, meint Natalie Ségur-Cabanac: “Unternehmen brauchen eine KI-Strategie und müssen wissen, was sie mit der Technologie erreichen wollen.” Auch sich mit den zuvor angesprochenen rechtlichen Anforderungen – Stichwort Compliance – zu beschäftigen, komme zeitlich erst nach der Festlegung der Strategie.


Die gesamte Folge ansehen:

Die Nachlesen der bisherigen Folgen:

Folge 1: “No Hype KI – wo stehen wir nach zwei Jahren ChatGPT?

Folge 2: “Was kann KI in Gesundheit, Bildung und im öffentlichen Sektor leisten?

Folge 3: “Der größte Feind ist Zettel und Bleistift”: Erfolgsfaktoren und Herausforderungen in der KI-Praxis”

Folge 4: KI-Geschäftsmodelle: “Wir nutzen nur einen Bruchteil dessen, was möglich ist”


Die Serie wird von brutkasten in redaktioneller Unabhängigkeit mit finanzieller Unterstützung unserer Partner:innen produziert.

No Hype KI
Toll dass du so interessiert bist!
Hinterlasse uns bitte ein Feedback über den Button am linken Bildschirmrand.
Und klicke hier um die ganze Welt von der brutkasten zu entdecken.

brutkasten Newsletter

Aktuelle Nachrichten zu Startups, den neuesten Innovationen und politischen Entscheidungen zur Digitalisierung direkt in dein Postfach. Wähle aus unserer breiten Palette an Newslettern den passenden für dich.

Montag, Mittwoch und Freitag

AI Summaries

Darum sollten Produkt, Marketing, Vertrieb und Kundenerfolg ein integriertes Team bilden

AI Kontextualisierung

Welche gesellschaftspolitischen Auswirkungen hat der Inhalt dieses Artikels?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Darum sollten Produkt, Marketing, Vertrieb und Kundenerfolg ein integriertes Team bilden

AI Kontextualisierung

Welche wirtschaftlichen Auswirkungen hat der Inhalt dieses Artikels?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Darum sollten Produkt, Marketing, Vertrieb und Kundenerfolg ein integriertes Team bilden

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Innovationsmanager:in?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Darum sollten Produkt, Marketing, Vertrieb und Kundenerfolg ein integriertes Team bilden

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Investor:in?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Darum sollten Produkt, Marketing, Vertrieb und Kundenerfolg ein integriertes Team bilden

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Politiker:in?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Darum sollten Produkt, Marketing, Vertrieb und Kundenerfolg ein integriertes Team bilden

AI Kontextualisierung

Was könnte das Bigger Picture von den Inhalten dieses Artikels sein?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Darum sollten Produkt, Marketing, Vertrieb und Kundenerfolg ein integriertes Team bilden

AI Kontextualisierung

Wer sind die relevantesten Personen in diesem Artikel?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Darum sollten Produkt, Marketing, Vertrieb und Kundenerfolg ein integriertes Team bilden

AI Kontextualisierung

Wer sind die relevantesten Organisationen in diesem Artikel?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Darum sollten Produkt, Marketing, Vertrieb und Kundenerfolg ein integriertes Team bilden