AI-Driven Lead Discovery and Ranking for Middle-Sized Enterprises

Abstract

In einem zunehmend wettbewerbsintensiven Geschäftsumfeld stehen kleine und mittlere Unternehmen(KMUs) vor erheblichen Herausforderungen bei der Identifizierung und
Gewinnung hochwertiger Leads. Obwohl Customer Relationship Management(CRM)-
Systeme große Mengen an Kundendaten speichern, haben viele Unternehmen Schwierigkeiten, diese Daten in umsetzbare Erkenntnisse zu verwandeln.
Diese Arbeit untersucht das Potenzial von künstlicher Intelligenz (KI), um Prozesse zur
Lead-Erkennung und -Bewertung zu optimieren und so die Kundenakquisitionsbemühungen von KMUs zu verbessern. Durch die Nutzung von Daten aus CRM-Systemen
zur Entwicklung fortschrittlicher maschineller Lernmodelle gibt diese Arbeit Empfehlungen zur Automatisierung der Lead-Generierung und -Priorisierung. Die Forschung
konzentriert sich auf Web-Scraping-Techniken, um CRM-Daten mit externen Datensätzen anzureichern und diese erweiterten Datensätze zum Training von maschinellen
Lernalgorithmen zu nutzen, welche die Lead-Qualität und das Umsatzpotenzial vorhersagen können.
Wichtige KI-Techniken wie Random Forest, logistische Regression und lineare Regression werden bewertet, um die effektivsten Methoden zur Vorhersage und Bewertung von
Leads zu identifizieren.
Die Ergebnisse zeigen, dass KI-gestützte Lead-Vorhersage und -Bewertung nicht nur
zufälliges Raten übertreffen, sondern auch das Potenzial haben, die Effizienz von Vertriebsteams zu steigern, indem sie wertvolle Leads priorisieren.
Darüber hinaus werden Empfehlungen zur Integration dieser KI-Modelle in bestehende
CRM-Systeme sowie Hinweise zur Weiterentwicklung der vielversprechendsten maschinellen Lernmodelle dieser Arbeit gegeben.

Datum der Bewilligung	2024
Originalsprache	Englisch (Amerika)
Betreuer/-in	Ulrich Bodenhofer (Betreuer*in)