Von der Sprachnachricht ins CRM: wie gesprochene Updates Datensätze aktuell halten

Es gibt einen ganz bestimmten Moment, in dem die meisten Kundendaten verloren gehen, und niemand hat ihn je eingeplant. Es sind die neunzig Sekunden, nachdem ein Gespräch zu Ende ist. Der Kunde ist schon wieder hineingegangen, die Autotür steht noch offen, der nächste Termin ist in elf Minuten, und das eben Vereinbarte existiert an genau einer Stelle: im Kurzzeitgedächtnis eines Menschen. Bis zum Abend ist daraus ein ungefährer Eindruck geworden. Am nächsten Morgen ist die Zahl weg, das Datum ist weg, und übrig bleibt "die wirkten interessiert".

Das ist die letzte Meile betrieblicher Daten, und sie reißt aus einem Grund, der nichts mit Disziplin zu tun hat. Genau die Menschen mit den wertvollsten Informationen sind diejenigen, die sich am wenigsten hinsetzen und tippen können. Zwischen Terminen, im Auto, auf der Baustelle, im Treppenhaus, am Gate. Das Erfassungssystem ist für einen Schreibtisch gebaut, und die Wahrheit entsteht ganz woanders. Jeder Ratgeber über ein aktuelles CRM ist in Wirklichkeit ein Ratgeber über das Schließen dieser Lücke.

Sprache ist die naheliegende Antwort, denn Sprechen ist die einzige Eingabemethode, die funktioniert, während Hände und Augen mit etwas anderem beschäftigt sind. Aber "sprich einfach mit deinem CRM" ist eine Demo, kein System. Dieser Text handelt davon, was zwischen einem gesprochenen Satz und einem gespeicherten Datensatz tatsächlich passiert, was der Vorgang verlässlich falsch macht, warum die Lösung ein Bestätigungsschritt und kein besseres Transkriptionsmodell ist, und was sich in einem Betrieb ändert, wenn ein Update acht Sekunden statt acht Minuten kostet.

Warum Datensätze auf der letzten Meile sterben

Es lohnt sich, beim Beschreiben des Fehlers genau zu sein, denn er wird meist Faulheit genannt und ist keine.

Ein Kundendatensatz hat eine Halbwertszeit. In dem Moment, in dem das Gespräch endet, ist er am genauesten und am detailliertesten, und von da an verfällt er schnell. Die konkrete besprochene Summe, der geäußerte Einwand, der Name der Person, die tatsächlich unterschreibt, das Datum der Rückkehr aus dem Urlaub: all das ist ein paar Minuten lang scharf und binnen Stunden unscharf. Erfassung ist ein Wettlauf gegen diesen Zerfall.

Das Problem ist, dass sich das Fenster der Erfassung und das Fenster des Tippens fast nie überschneiden. Tippen braucht eine stabile Fläche, zwei Hände, Aufmerksamkeit und meist Netz. Das Erfassungsfenster öffnet sich genau in den Umgebungen, in denen nichts davon vorhanden ist. Also wird das Update auf das Ende des Tages verschoben, wo es gegen Rechnungen, Familie und Erschöpfung antritt und verliert.

Danach folgt die bekannte Spirale. Ein paar fehlende Updates machen die Pipeline leicht falsch. Eine leicht falsche Pipeline lohnt keinen Blick mehr. Ein System, in das niemand mehr schaut, wird gar nicht mehr gefüttert, und schon haben Sie ein weiteres Stück Software, die Sie gekauft und liegen gelassen haben. Niemand hat entschieden, sie aufzugeben. Der Datensatz hat schlicht immer wieder ein Rennen gegen einen Terminkalender verloren, bis der Rückstand nicht mehr aufzuholen war.

Die interessante Folge ist, dass die Höhe der Erfassungskosten weit schwerer wiegt als die Qualität der Software drumherum. Ein CRM mit mittelmäßigem Funktionsumfang und einem Erfassungsweg von fünf Sekunden wird mehr Wahrheit halten als ein exzellentes mit einem Fünfminutenweg, weil nur das erste in dem Moment benutzt wird, in dem die Wahrheit existiert.

Was zwischen Sprachnachricht und Datensatz wirklich passiert

"Sprach-CRM" wird als eine Funktion verkauft. Tatsächlich sind es vier getrennte Stufen, und zu wissen, wo jede scheitern kann, ist der Unterschied zwischen Vertrauen und bösem Erwachen.

1. Transkription: Audio wird Text

Die erste Stufe verwandelt Gesagtes in Wörter. Moderne Spracherkennung kann das sehr gut bei gewöhnlichen Gesprächssätzen, unter sauberen Bedingungen, in der Muttersprache der sprechenden Person. Deutlich schlechter, sobald eine dieser Bedingungen wegfällt, was unten im Detail steht.

Wichtig zu verstehen ist, dass die Transkription keine Ahnung hat, was sie transkribiert. Sie weiß nicht, dass eine bestimmte Lautfolge ein Firmenname und kein gewöhnliches Substantiv ist, und wird deshalb selbstsicher das Substantiv ausgeben, das in der allgemeinen Sprache häufiger vorkommt. Sie optimiert auf plausibles Deutsch, nicht auf Ihre Kundenliste.

2. Absicht: Text wird Bedeutung

Das ist die Stufe, die unterschätzt wird, und sie ist es, die tatsächlich Wert schafft. Ein Absatz transkribierter Text ist kein Datensatz. Etwas muss ihn lesen und herausfinden, worauf er sich bezieht und was sich ändern soll.

Das heißt, "die" und "der Auftrag" und "der übliche Preis" gegen echte Objekte in Ihrem Arbeitsbereich aufzulösen. Es heißt zu erkennen, dass "Mittwoch" ein Datum ist, und welcher Mittwoch. Es heißt zu bemerken, dass ein Satz über eine Person, die nicht in Ihren Kontakten steht, wahrscheinlich die Bitte ist, sie anzulegen. Es heißt, den Teil, der eine Notiz ist, von dem Teil zu trennen, der eine Anweisung ist, denn "er war genervt von der Verzögerung" ist Geschichte und "schick ihm morgen das überarbeitete Angebot" ist eine Zusage.

Ein System, das diese Stufe überspringt und das Transkript einfach an einen Datensatz hängt, hat Ihnen nichts erspart. Sie müssen es später trotzdem lesen und die Arbeit machen, nur liegt diese Arbeit jetzt im Textauswurf einer Audiodatei begraben statt auf einer Aufgabenliste.

3. Aktion: Bedeutung wird Änderung an echten Daten

Auf der dritten Stufe wird die Absicht auf Ihren tatsächlichen Datensätzen ausgeführt: der Kontakt angelegt, der Deal verschoben, die Notiz angehängt, die Aufgabe mit einem echten Fälligkeitsdatum in einem echten Kalender geplant.

Entscheidend ist hier, dass alles gegen Live-Daten läuft und nicht gegen die Erinnerung eines Modells. Wenn Sie fragen, was letzten Monat mit einer Kundin vereinbart wurde, muss die Antwort im Moment der Frage aus dem Datensatz gelesen werden. Ein Assistent, der aus dem Gedächtnis antwortet, produziert gelegentlich eine flüssige, selbstsichere und vollständig erfundene Zahl, und eine selbstsicher falsche Zahl ist gefährlicher als gar keine Antwort, weil Menschen danach handeln.

4. Bestätigung: Änderungen werden sichtbar

Die letzte Stufe zeigt Ihnen, was verstanden und was getan wurde, in einer Form, die Sie in zwei Sekunden prüfen und mit einer Nachricht korrigieren. Es wurden nicht drei Kontakte angelegt, sondern einer. Die Wiedervorlage liegt auf Mittwoch, dem 20., nicht auf dem 13. Die erfasste Summe ist die, die Sie wirklich genannt haben.

Diese Stufe wird am häufigsten gestrichen, weil sie die Demo weniger magisch macht. Sie ist zugleich die Stufe, die das Ganze im echten Leben brauchbar macht, aus Gründen, die es wert sind, ausbuchstabiert zu werden.

Was Sprache verlässlich falsch macht

Ehrlich über die Fehlermodi zu sprechen ist der einzige Weg, um sie herum zu entwerfen. Vier Kategorien decken fast alles ab.

Eigennamen. Das ist die größte einzelne Fehlerquelle, und sie wird schlimmer, je seltener der Name ist. Nachnamen, Firmennamen, Produktnamen, Straßennamen und alles aus einer anderen Sprache als der gesprochenen werden viel häufiger als lautlich benachbartes Alltagswort transkribiert. Das System rät plausible Sprache, und der Nachname Ihres Kunden ist per Definition nicht das Plausibelste an dieser Stelle. Ironischerweise gilt: je markanter und einprägsamer der Firmenname Ihres Kunden ist, desto wahrscheinlicher verstümmelt ein Transkript ihn.

Zahlen. Preise, Mengen, Termine, Telefonnummern, Referenzcodes. Hier addieren sich zwei Probleme. Gesprochene Zahlen sind auf eine Weise mehrdeutig, wie geschriebene es nie sind, und ein Fehler in einem einzigen Element verändert die Bedeutung vollständig statt geringfügig. Ein falsches Wort in einer Notiz ist Rauschen. Eine falsche Ziffer in einem genannten Preis ist ein kaufmännisches Problem, das Wochen später in einem Gespräch auftaucht, an dem niemand Freude hat.

Hintergrundgeräusch. Die Umgebungen, in denen Sprachaufnahme am nützlichsten ist, sind exakt die, in denen das Audio am schlechtesten ist: ein fahrendes Fahrzeug, eine betriebsame Baustelle, eine Straße, ein Raum mit drei weiteren Gesprächen. Wind auf einem Telefonmikrofon ist besonders zerstörerisch. Das ist keine lösbare Unannehmlichkeit, sondern eine dauerhafte Eigenschaft dieser Arbeit im Feld.

Akzente, Sprachwechsel und mehrsprachiges Sprechen. Die Erkennungsgenauigkeit ist über Akzente hinweg nicht gleich und fällt weiter ab, wenn jemand mitten im Satz die Sprache wechselt, was in vielen Märkten völlig normal ist. Ein Satz, der englisches Geschäftsvokabular in eine andere Sprache mischt oder einen Kundennamen aus einer dritten einstreut, ist selbst für gute Modelle ein harter Fall.

Mehrere Anliegen in einer Nachricht. Eine nützliche Sprachnachricht ist meist ein Resümee: was war, was sich geändert hat, was als Nächstes kommt. Das sind drei oder vier getrennte Vorgänge, geliefert in einem unstrukturierten Strom, oft nicht der Reihe nach, manchmal mit einem Detail am falschen Bezug. Das Risiko ist nicht, dass das System ein Anliegen übersieht, sondern dass es die richtige Anweisung am falschen Datensatz festmacht, und das ist die Fehlerklasse, die sich im Nachhinein am schwersten erkennen lässt.

Beachten Sie, was nicht auf dieser Liste steht. Der grobe Verlauf eines Gesprächs, die Stimmung, die Reihenfolge der Themen: das wird gut transkribiert. Sprache ist stark in der Prosa und schwach in den Details. Auf diese Asymmetrie muss das Design antworten.

Warum die Lösung Bestätigung heißt und nicht bessere Transkription

Die instinktive Reaktion auf die Liste oben ist, auf bessere Technik zu warten. Sie kommt, schrittweise. Das Problem löst sie nicht, aus drei Gründen.

Die Fehler, auf die es ankommt, sind konzentriert und nicht verteilt. Wenn ein System den Großteil des Gesagten richtig trifft, sitzen die verbleibenden Fehler fast vollständig in Namen und Zahlen, weil das die Elemente mit der geringsten kontextuellen Redundanz sind. Ein gewöhnlicher Satz hat genug Struktur um sich herum, um sich selbst zu korrigieren. Ein Preis nicht. Die Fehlerquote, auf die es ankommt, verbessert sich also kaum im Takt der plakativen Fehlerquote.

Ein Teil des Verlusts entsteht vor dem Modell. Wind, ein vorbeifahrender Lkw, eine Hand über dem Mikro, ein halb verschlucktes Wort. Die Information wurde nicht aufgenommen, also holt keine Verarbeitung sie zurück. Ein besseres Modell liefert eine selbstsicherere Vermutung über das fehlende Wort, was wohl schlimmer ist.

Sicherheit ist nicht auf Wichtigkeit kalibriert. Ein Transkriptionssystem weiß nicht, dass ausgerechnet diese Zahl das ist, woran der ganze Abschluss hängt. Es gibt sie mit exakt derselben Gewissheit aus wie das Wort "und". Nichts in der Verarbeitungskette sagt Ihnen, welche seiner Ausgaben Prüfung verdienen.

Ein Bestätigungsschritt beantwortet alle drei Punkte auf einmal und ist auf eine Weise günstig, die man leicht unterschätzt. Vier kurze Zeilen zu überfliegen, "dieser Kontakt angelegt, diese Notiz an diesem Deal, in diese Phase verschoben, diese Aufgabe auf dieses Datum", dauert etwa zwei Sekunden. Eine davon zu korrigieren kostet eine weitere Nachricht. Währenddessen werden die neunzig Prozent, die richtig waren, überhaupt nicht ausgebremst, weil Sie prüfen statt tippen.

Es gibt einen zweiten Grund, und der handelt von Vertrauen statt von Genauigkeit. Menschen übernehmen keine Werkzeuge, um die sie sich sorgen müssen. Wenn eine Sprachnachricht still etwas Falsches mit Ihren Kundendaten anstellen könnte, fangen Sie an, sich abzusichern: kürzere Nachrichten, die wichtigen lieber gar nicht, hinterher in der App nachsehen. Genau dieses Nachsehen ist der Aufwand, den Sie loswerden wollten. Sichtbare Bestätigung ist das, was es erlaubt, eine Nachricht im Gehen zu schicken und wirklich nicht mehr daran zu denken.

Dieselbe Logik gilt mit noch mehr Nachdruck für alles Zerstörerische oder Großflächige. Aus einem missverstandenen Satz eine Aufgabe anzulegen ist ein kleines Ärgernis. Aus demselben Satz Datensätze zu löschen oder massenhaft zu ändern ist es nicht, weshalb alles Unumkehrbare vorgelesen und ausdrücklich freigegeben werden muss, bevor es geschieht, ausnahmslos, egal wie klar das Audio war.

Wo Sprache schlicht das falsche Werkzeug ist

Eine ehrliche Betrachtung muss die Fälle einschließen, in denen man sie nicht einsetzen sollte, denn der typische Ausgang einer überverkauften Eingabemethode ist, dass die Leute auch ihren guten Teilen nicht mehr trauen.

Lange Zahlenlisten. Ein Angebot mit elf Positionen, eine Bestandsaufnahme, eine Messreihe, ein Stapel Referenznummern. Sprechen ist linear und unstrukturiert, hat keine Spalten und bietet keine Möglichkeit, bei Position neun kurz auf Position vier zurückzublicken. Das ist die denkbar schlechteste Fracht für Sprache und die denkbar beste für ein Foto des Blattes, auf dem es ohnehin schon steht, oder für eine Tabelle.

Alles, was Sie vor dem Absenden noch einmal lesen wollten. Eine heikle Nachricht an einen unzufriedenen Kunden, eine Vertragsklausel, eine formale Zusage. Wenn die Formulierung zählt, schreiben Sie sie.

Exakte Kennungen. E-Mail-Adressen, Domainnamen, IBAN, Umsatzsteuernummern, Teilenummern. Sie haben überhaupt keine sprachliche Redundanz, und genau das macht sie zum Diktieren unbrauchbar.

Strukturierte Konfiguration. Berechtigungen einrichten, Importfelder zuordnen, eine komplexe Automatisierung bauen. Das will einen Bildschirm und eine Rückgängig-Historie. Etwas freizugeben, das der Assistent bereits entworfen hat, ist eine ganz andere Sache und funktioniert in einer Nachricht bestens.

Die Regel, die den Kontakt mit der Realität überlebt: Sprache für die Erzählung und die Absicht, Tastatur oder Foto für die Daten. "Wir sind uns einig, dass wir weitermachen, sie wollen es vor Monatsende, schick das überarbeitete Angebot" ist perfektes Sprachmaterial. Das überarbeitete Angebot selbst nicht.

Der Acht-Sekunden-Effekt

Hier wird es interessanter als eine Bequemlichkeitsfunktion.

Der Wert eines CRM wächst nicht linear mit seiner Vollständigkeit. Er ähnelt eher einer Treppenfunktion. Unterhalb einer bestimmten Aktualitätsschwelle werden die Datensätze als grober Anhaltspunkt behandelt, was heißt, dass jede echte Entscheidung durch Nachfragen bei einem Menschen fällt und die tatsächliche Funktion des Systems Lagerung statt Wahrheit wird. Oberhalb dieser Schwelle wird es zu dem, wohin man zuerst schaut, und eine ganze Reihe von Verhaltensweisen wird möglich, die es vorher nicht war.

Auf welcher Seite der Schwelle Sie landen, entscheiden die Kosten pro Update, denn diese Kosten werden dutzendfach pro Woche von Menschen unter Zeitdruck bezahlt. Bei acht Minuten passiert ein Update dann, wenn jemand entschieden hat, dass es eine Sitzung am Schreibtisch rechtfertigt, was bedeutet, dass die langweiligen drei Viertel Ihrer Kundenaktivität nie erfasst werden. Bei acht Sekunden passiert es standardmäßig, weil das Aufschieben mehr Aufwand ist als das Erledigen.

Der Zinseszins zeigt sich an gewöhnlichen Stellen statt an spektakulären. Eine Pipeline-Zahl, die man in einer Besprechung nennen kann, ohne sie zu relativieren. Eine Kollegin, die einen Kunden ohne Übergabegespräch übernimmt, weil die letzten vier Kontakte tatsächlich erfasst sind. Eine Wiedervorlage, die stattfindet, weil sie auf dem Parkplatz zu einer datierten Aufgabe wurde und nicht zu einem Vorsatz. Ein still gewordener Deal, der auftaucht, solange er noch zu retten ist, weil das System weiß, dass der letzte Kontakt drei Wochen her ist, statt es zu vermuten.

Nichts davon ist eine Sprachfunktion. Alles davon folgt daraus, dass der Datensatz wahr ist, und er ist wahr, weil sein Update aufgehört hat, eine Entscheidung zu sein. Das ist das ganze Argument dafür, die letzte Meile ernst zu nehmen, und es erklärt, warum eine kleine Senkung der Erfassungsreibung eine Verhaltensänderung erzeugt, die in keinem Verhältnis zur Größe der Verbesserung steht.

Wie Zoye mit einer Sprachnachricht umgeht

Der Assistent von Zoye auf WhatsApp ist genau um diesen Weg herum gebaut, und es ist derselbe Assistent wie in der Web-App, mit denselben Werkzeugen und denselben Berechtigungen, keine abgespeckte Mobilversion.

Sie schicken eine Sprachnachricht so, wie Sie sie einem Kollegen schicken würden. Sie wird transkribiert und ausgeführt, statt als Audioanhang abgelegt zu werden, den nie jemand abspielt. Eine einzige Nachricht kann mehrere Anliegen tragen, ein Resümee, das einen Kontakt anlegt, das Besprochene festhält, einen Deal weiterschiebt und eine Wiedervorlage setzt, wird also als eine Nachricht behandelt. Der Assistent kann Kontakte, Firmen, Leads, Deals, Aufgaben, Termine, Notizen, Dokumente und Rechnungen anlegen und aktualisieren, und er kann Fragen aus Live-Daten beantworten, sodass "wie viel liegt diesen Monat in der Pipeline" oder "wer ist still geworden" im Moment der Frage aus den Datensätzen gelesen wird.

Eine auf dem Parkplatz diktierte Wiedervorlage landet als datierter Eintrag im Kalender und nicht als Satz, den später jemand lesen und abarbeiten muss.

Alles Zerstörerische oder Großflächige fragt vor der Ausführung nach Bestätigung, und genau dieses Geländer macht aus Spracheingabe statt einer Nervenprobe eine Routine. Dateien arbeiten neben der Sprache für die Fälle, in denen Diktieren das falsche Werkzeug ist: aus dem Foto einer Visitenkarte wird ein Kontakt, aus einem PDF oder einer Tabelle werden Datensätze, was das Problem der Zahlenlisten abdeckt, ohne dass jemand Ziffern vorlesen muss.

Weil jeder Datensatz im Arbeitsbereich bereits mit den anderen verknüpft ist und ein Deal seinen Kontakt, seine Aufgaben, seine Dateien und seine Rechnungen kennt, landet ein einziges gesprochenes Update gleichzeitig an mehreren Stellen richtig, ohne dass hinterher jemand etwas abgleichen müsste. Und weil es keine App zu installieren gibt, können die Menschen, die das alte System nie angenommen haben, der Techniker, die Buchhalterin in Teilzeit, der Kollege, der letzten Monat angefangen hat, ab dem ersten Tag zum Datensatz beitragen. Für eine Sprachnachricht braucht niemand eine Schulung.

Die ehrliche Grenze: Zoye tut nicht so, als wäre ein Telefon ein Laptop. Schwere Konfiguration, sorgfältige Auswertung und Massenbereinigung gehören weiterhin auf einen großen Bildschirm. Der gesprochene Kanal ist für den Teil da, der verdirbt, wenn er warten muss.

Damit es wirklich hängen bleibt

Drei Gewohnheiten trennen Teams, bei denen das funktioniert, von Teams, bei denen es zwei Wochen lang eine Neuheit ist.

Erst den Namen, dann das Update. Mit dem Kunden oder dem Deal zu beginnen gibt der Absichtsstufe einen Anker für alles Folgende und macht eine falsche Zuordnung in der Bestätigung offensichtlich statt subtil. "Auftrag Riverside: sie wollen das überarbeitete Angebot bis Freitag" ist zuverlässiger als dieselbe Information in umgekehrter Reihenfolge.

Termine als Datum sagen. "Mittwoch, der Zwanzigste" übersteht die Transkription besser als "übermorgen", und es beseitigt eine ganze Klasse von Ein-Tages-Fehlern, die in einer Rückmeldung wirklich schwer zu bemerken sind.

Die Bestätigung anfangs wirklich lesen. Nicht für immer, aber die erste Woche oder zwei, bis Sie ein Gefühl dafür haben, was das System trifft und woran es sich ausgerechnet bei Ihren Kundennamen die Zähne ausbeißt. Die meisten stellen fest, dass die Fehlermodi eng und vorhersehbar sind, und passen danach ihre Formulierung an, ohne darüber nachzudenken.

Und eine für Teams statt für Einzelne: einigen Sie sich darauf, dass die Sprachnachricht der Datensatz ist und nicht eine Nachricht an eine Kollegin, die sie dann eintippt. In dem Moment, in dem ein menschlicher Abtippschritt zurückkommt, werden aus den acht Sekunden wieder acht Minuten, nur bezahlt von jemand anderem.

Worum es dabei geht

Niemand will mit seiner Software reden. Was Menschen wollen, ist, dass das gerade Erfahrene irgendwo außerhalb ihres eigenen Kopfes liegt, bevor es verblasst, und dass das so wenig kostet, dass es keine Entscheidung ist.

Sprache kommt dem am nächsten, nicht weil Sprechen angenehm wäre, sondern weil es zur Geometrie des Moments passt: Hände voll, keine Fläche, neunzig Sekunden, ein Balken Empfang. Sie ist schlecht in Präzision und gut in Erzählung, was ein völlig akzeptabler Tausch ist, solange das System um diese Form herum entworfen ist statt etwas anderes vorzugeben, und solange es Ihnen zeigt, was es verstanden hat, bevor Sie weitergehen.

Tun Sie das, und der Datensatz hört auf, etwas zu sein, das Menschen pflegen, und wird zum Nebenprodukt der Arbeit. Genau das ist ein aktuelles CRM: keine bessere Datenbank, sondern schlicht eine, für die sich niemand Zeit nehmen musste.

Probieren Sie Zoye aus und schicken Sie eine Sprachnachricht über Ihr nächstes Gespräch. Der Einstiegstarif ist Almost Free für 5 $ pro Monat, die gesamte Bandbreite steht auf der Preisseite.

Für mehr Zusammenhang siehe CRM ohne Dateneingabe, mobiles CRM für kleine Unternehmen, die besten WhatsApp-CRMs und den übrigen Zoye Blog.