KURZ ERKLÄRT
Eine Dublette im CRM ist mehr als ein ähnlicher Name. Zwei Datensätze können dieselbe Organisation beschreiben, verschiedene Niederlassungen betreffen oder bewusst getrennte Beziehungen abbilden. KI kann verdächtige Paare und Feldkonflikte sichtbar machen. Ob eine Zusammenführung fachlich richtig ist und welche Informationen erhalten bleiben müssen, entscheidet ihr anhand klarer Regeln und des tatsächlichen Nutzungskontexts.
Wie ihr einzelne KI-Anwendungen in verlässliche Marketingabläufe einordnet, zeigt der übergeordnete Guide KI-Transformation im B2B-Marketing: Von einzelnen Prompts zu verlässlichen Abläufen.
Die Art des Datenproblems zuerst unterscheiden
Trennt mögliche Dubletten von widersprüchlichen Feldwerten, veralteten Beziehungen und fehlenden Angaben. Diese Probleme benötigen unterschiedliche Maßnahmen. Zwei Datensätze mit derselben Domain können verschiedene Geschäftsbereiche abbilden; ein einzelner Datensatz mit zwei Adressen kann dagegen nur eine aktuelle Anschrift benötigen. Lasst die KI deshalb die vermutete Problemklasse und ihre Begründung nennen. Ein allgemeiner Qualitätsscore hilft wenig, wenn niemand daraus ableiten kann, ob ein Kontakt geprüft, ein Feld aktualisiert oder eine Beziehung unverändert erhalten werden soll.
Kandidaten anhand mehrerer Merkmale bilden
Nutzt stabile Kennungen, Domain, bekannte Zuordnungen und kontrollierte Namensvarianten für die Vorauswahl. Ähnlichkeitsverfahren dürfen Kandidaten liefern, aber ihre Bewertung nicht als Identitätsbeweis ausgeben. HubSpot beschreibt unterschiedliche Regeln für Kontakte, Unternehmen und Importe; insbesondere werden über die API angelegte Unternehmen nicht automatisch anhand der Domain dedupliziert. Prüft deshalb den tatsächlichen Anlageweg eurer Daten. Eine Regel, die in einem Import funktioniert, ist keine Garantie für dieselbe Wirkung in einer Integration oder einem KI-Workflow mit direkten Schreibzugriffen.
Ein Prüfblatt für jedes Paar erzeugen
Zeigt beide Datensatzkennungen, relevante Übereinstimmungen, widersprechende Werte und bestehende Beziehungen nebeneinander. Verlinkt den bestehenden CRM-Kontext, statt sensible Gesprächsnotizen unnötig in die Prüfansicht zu kopieren. Der Vorschlag sollte ausdrücklich offenlassen können, ob es sich um eine echte Dublette handelt. Nennt die zusätzliche Information, die zur Klärung fehlt. Eine solche Prüfansicht verkürzt die menschliche Entscheidung, ohne sie durch eine selbstbewusste Zusammenfassung vorwegzunehmen. Sie macht außerdem erkennbar, ob der Agent wichtige Gegenbelege überhaupt berücksichtigt hat. Mehr dazu im Leitfaden CRM-Datenqualität für belastbare Marketingentscheidungen.
Feldvorrang und Beziehungen vor einem Merge klären
Legt fest, welche Quelle für welches Feld maßgeblich ist. Das zuletzt geänderte Feld ist nicht zwingend das fachlich richtige. Prüft zusätzlich zu Stammdaten die verbundenen Kontakte, offenen Aufgaben, Opportunities und Zuständigkeiten. Eine Zusammenführung kann Berichte und laufende Arbeitsabläufe beeinflussen, obwohl alle sichtbaren Namensfelder korrekt aussehen. Definiert für eure Plattform, welche Änderungen rückgängig gemacht werden können und welche nicht. Wenn diese Folgen ungeklärt bleiben, endet der KI-Prozess bei einem dokumentierten Vorschlag statt bei einer automatischen Zusammenführung. Mehr dazu im Leitfaden KI-CRM-Anreicherung: Vorschläge belegen, Stammdaten schützen.
Ein hypothetisches Niederlassungsbeispiel bewerten
Stellt euch zwei Datensätze für eine Unternehmensgruppe vor. Beide nutzen dieselbe internationale Website, aber einer gehört zum deutschen Vertriebsteam und der andere zu einer französischen Rahmenvertragsbeziehung. Die KI meldet eine sehr ähnliche Organisation. Im Gespräch mit den Verantwortlichen zeigt sich, dass getrennte Kaufzuständigkeiten bestehen. Ihr behaltet beide Datensätze und ergänzt eine klare Gruppenbeziehung. Der Nutzen der Prüfung liegt hier nicht im Löschen eines vermeintlichen Duplikats, sondern in einer verständlicheren Struktur, die künftige Fehlzuordnungen verhindert.
Fehlzusammenführungen bewusst im Testbestand prüfen
Nehmt bekannte Dubletten und bewusst ähnliche, aber getrennte Organisationen in den Test auf. Ergänzt Namenswechsel, mehrere Domains, individuelle E-Mail-Adressen und frühere Arbeitgeberbeziehungen. Bewertet, welche falschen Zusammenführungen vorgeschlagen werden und welche echten Fälle übersehen bleiben. Die Folgen sind unterschiedlich: Ein übersehener Kandidat erzeugt weitere Arbeit, eine falsche Zusammenführung kann dagegen Geschäftsbeziehungen vermischen. Gewichtet diese Unterschiede bei euren Freigaberegeln. Eine gute Gesamtquote genügt nicht, wenn ausgerechnet die kritischen Sonderfälle ohne Rückfrage als eindeutig behandelt werden.
Ursachen an den Anlagewegen beheben
Ein bereinigter Bestand bleibt nur verlässlich, wenn neue Daten kontrolliert hineinkommen. Prüft Formulare, Importe, Schnittstellen und manuelle Anlage getrennt. Dokumentiert, an welchem Weg das Problem entstanden ist und welche Eingabeprüfung es künftig verhindern könnte. Haltet bestätigte Nicht-Dubletten fest, damit dieselben Paare nicht bei jedem Lauf erneut Arbeit erzeugen. Überprüft diese Ausnahmen nach relevanten Organisationsänderungen. KI unterstützt so eine dauerhafte Datenpflege mit nachvollziehbaren Entscheidungen, statt regelmäßig dieselben Symptome zu finden und anschließend riskante Massenänderungen vorzuschlagen.
INTERAKTIV / VOM LESEN ZUR ANWENDUNG
Drei Prüfpunkte für eure Umsetzung
Wähle einen Punkt und halte deinen persönlichen Lesefortschritt fest. Die Häkchen werden weder gespeichert noch übertragen und sind keine Bewertung eures Unternehmens.
PRÜFPUNKT 01
Ein Prüfblatt für jedes Paar erzeugen
Zeigt beide Datensatzkennungen, relevante Übereinstimmungen, widersprechende Werte und bestehende Beziehungen nebeneinander.
Im Artikel vertiefen ↗PRÜFPUNKT 02
Feldvorrang und Beziehungen vor einem Merge klären
Legt fest, welche Quelle für welches Feld maßgeblich ist.
Im Artikel vertiefen ↗PRÜFPUNKT 03
Ein hypothetisches Niederlassungsbeispiel bewerten
Stellt euch zwei Datensätze für eine Unternehmensgruppe vor.
Im Artikel vertiefen ↗Häufige Fragen
Reicht eine gleiche Domain als Dublettenbeweis?
Nein. Prüft Gesellschaft, Niederlassung, Kaufzuständigkeit und euren gewünschten Datenzuschnitt.
Soll die KI Datensätze direkt zusammenführen?
Beginnt mit Kandidaten und Prüfblättern. Eine Übernahme benötigt getestete Regeln zu Feldern, Beziehungen und möglichen Folgen.
Wie vermeiden wir dieselben Kandidaten bei jedem Lauf?
Dokumentiert bestätigte Nicht-Dubletten mit Grund und prüft diese Entscheidung erneut, wenn sich der Organisationskontext ändert.
Wie lässt sich „Die Art des Datenproblems zuerst unterscheiden“ praktisch umsetzen?
Trennt mögliche Dubletten von widersprüchlichen Feldwerten, veralteten Beziehungen und fehlenden Angaben. Diese Probleme benötigen unterschiedliche Maßnahmen. Zwei Datensätze mit derselben Domain können verschiedene Geschäftsbereiche abbilden; ein einzelner Datensatz mit zwei Adressen kann dagegen nur eine aktuelle Anschrift benötigen.
Was ist bei „Kandidaten anhand mehrerer Merkmale bilden“ besonders wichtig?
Nutzt stabile Kennungen, Domain, bekannte Zuordnungen und kontrollierte Namensvarianten für die Vorauswahl. Ähnlichkeitsverfahren dürfen Kandidaten liefern, aber ihre Bewertung nicht als Identitätsbeweis ausgeben. HubSpot beschreibt unterschiedliche Regeln für Kontakte, Unternehmen und Importe; insbesondere werden über die API angelegte Unternehmen nicht automatisch anhand der Domain dedupliziert.
