Zoho CRM, Deluge und Infomaniak KI-API: Tutorial zur NBA-Engine für Fundraising

Zoho & Private AI: Baue deine eigene "Next Best Action"-Engine für Vertrieb und Fundraising

Du kennst das sicher: Deine Datenbank in Zoho CRM ist voller wertvoller Daten, aber im Tagesgeschäft fehlt oft die Zeit, aus diesen Informationen die wirklich beste nächste Aktion abzuleiten. Welchen Lead solltest du heute anrufen? Welcher potenzielle Spender benötigt eine persönliche E-Mail und welcher nur eine Einladung zum nächsten Newsletter? Genau hier setzt die Idee einer "Next Best Action"-Engine (NBA) an. Statt auf Bauchgefühl verlässt du dich auf datengestützte Empfehlungen, die direkt in deinem Zoho-System generiert werden. In diesem Artikel zeige ich dir, wie du eine solche Lösung mit Zoho und einer datenschutzkonformen, externen KI-API aufbaust, um deine Prozesse intelligenter und effektiver zu gestalten.

Das Praxisbeispiel: Intelligente Lead-Pflege für NGOs

Stell dir eine Plattform vor, die von Non-Profit-Organisationen (NGOs) genutzt wird, um potenzielle Spender zu verwalten – insbesondere Personen, die Interesse daran bekundet haben, die Organisation in ihrem Testament zu berücksichtigen. Das ist ein extrem sensibler und langfristiger Prozess. In Zoho CRM oder einer spezialisierten Zoho Creator-Anwendung werden zu jedem Lead zahlreiche Datenpunkte erfasst:

Demografische Daten (z.B. Altersgruppe, Region)
Art des Interesses (z.B. "Ich habe die NGO bereits berücksichtigt" vs. "Ich möchte mehr Informationen")
Kontaktwunsch (z.B. "Bitte rufen Sie mich an" vs. "Kein persönlicher Kontakt erwünscht")
Interaktionshistorie (Website-Besuche, heruntergeladene Broschüren etc.)

Die Herausforderung für die Fundraiser der NGOs ist enorm. Ein 45-jähriger Interessent ohne expliziten Kontaktwunsch benötigt eine völlig andere Ansprache als eine 75-jährige Person, die um einen Rückruf gebeten hat. Eine manuelle Priorisierung ist zeitaufwendig und fehleranfällig. Die Lösung ist eine KI-gestützte Empfehlung, die direkt im Datensatz des Leads angezeigt wird und dem Fundraiser eine konkrete, begründete Handlung vorschlägt.

Schritt-für-Schritt zur eigenen "Next Best Action"-Lösung

Die Umsetzung einer solchen Engine erfordert eine durchdachte Kombination aus Zoho-Werkzeugen und einer externen KI. Hier ist ein praxiserprobter Weg, den du nachvollziehen kannst.

Schritt 1: Die Datenbasis in Zoho CRM definieren

Alles beginnt mit sauberen und strukturierten Daten. Deine "Single Source of Truth" ist Zoho CRM. Stelle sicher, dass du alle relevanten Informationen in dedizierten Feldern im Modul "Leads" oder "Kontakte" erfasst. Für unser NGO-Beispiel wären das Felder wie:

Altersgruppe (Auswahlliste)
Kanton_Region (Textfeld)
Interesse_Typ (Auswahlliste: "Informationsbedarf", "Bereits berücksichtigt", "Unentschlossen")
Kontaktwunsch (Checkbox: Ja/Nein)
Letzte_Aktivitaet_Datum (Datumsfeld)
NBA_Empfehlung (Mehrzeiliges Textfeld, wird später von der KI befüllt)
NBA_Begruendung (Mehrzeiliges Textfeld, wird ebenfalls von der KI befüllt)

Je mehr strukturierte Daten du hast, desto präziser werden die Empfehlungen der KI.

Schritt 2: Die Wahl des richtigen KI-Modells (Datenschutz first!)

Der kritischste Punkt bei der Arbeit mit personenbezogenen Daten ist der Datenschutz. Dienste wie OpenAI oder Google Gemini sind zwar leistungsstark, verarbeiten deine Daten aber auf Servern in den USA, was nach DSGVO problematisch sein kann. Die Lösung: Nutze eine private oder regional gehostete KI-API.

Ein hervorragendes Beispiel hierfür ist der Schweizer Anbieter Infomaniak, der KI-Modelle als Service über eine API anbietet. Alle Daten bleiben in der Schweiz und du kannst sicher sein, die Datenschutzbestimmungen einzuhalten. Infomaniak bietet Zugriff auf verschiedene Modelle, darunter auch leistungsstarke Alternativen wie Kimi, die für komplexe Textanalysen und -generierungen bestens geeignet sind. Ein weiterer Vorteil ist die Kompatibilität mit etablierten Open-Source-Standards wie Ollama, was dir Flexibilität bei der Modellauswahl gibt.

Schritt 3: Die Verbindung herstellen: Zoho, Deluge und die KI-API

Das Herzstück der Integration ist eine Custom Function in Zoho CRM, geschrieben in der Zoho-eigenen Skriptsprache Deluge. Diese Funktion wird immer dann ausgelöst, wenn ein neuer Lead erstellt oder ein bestehender Lead entscheidend aktualisiert wird.

Die Funktion erledigt folgende Aufgaben:

Sie liest die relevanten Daten des Leads aus.
Sie formuliert einen präzisen "Prompt" (eine Anweisung) für die KI.
Sie sendet diesen Prompt per API-Aufruf (invokeurl) an den Endpunkt deines KI-Anbieters (z.B. Infomaniak).
Sie empfängt die Antwort der KI (im JSON-Format).
Sie parst die Antwort und schreibt die generierte Empfehlung und Begründung in die dafür vorgesehenen Felder im CRM-Datensatz zurück.

Schritt 4: Das Prompt-Engineering – Der KI die richtigen Fragen stellen

Die Qualität der KI-Antworten hängt direkt von der Qualität deiner Anweisungen ab. Anstatt einen vagen Befehl zu senden, solltest du einen detaillierten "Master-Prompt" erstellen, der Kontext, Daten und das gewünschte Ausgabeformat vorgibt. Du kannst sogar verschiedene Master-Prompts für unterschiedliche Lead-Kategorien erstellen, um die Ergebnisse noch besser zu steuern.

Beispiel für einen Master-Prompt:

code


Du bist ein erfahrener Fundraising-Berater für eine NGO. Deine Aufgabe ist es, basierend auf den folgenden Daten eines potenziellen Spenders die "Next Best Action" vorzuschlagen. Sei konkret, einfühlsam und professionell.

**Lead-Daten:**
- Altersgruppe: {{lead.Altersgruppe}}
- Region: {{lead.Kanton_Region}}
- Interesse: {{lead.Interesse_Typ}}
- Wunscht persönlichen Kontakt: {{lead.Kontaktwunsch}}
- Letzte Interaktion war vor: {{tage_seit_letzter_aktivitaet}} Tagen

**Deine Aufgabe:**
Gib deine Antwort ausschließlich im JSON-Format zurück. Das JSON-Objekt muss die folgenden Schlüssel enthalten:
- "action_type": Eine von diesen Optionen: 'E-Mail senden', 'Anrufen', 'Broschüre senden', 'In Newsletter aufnehmen', 'Warten'.
- "justification": Eine kurze Begründung (2-3 Sätze), warum du diese Aktion empfiehlst.
- "email_draft": Falls die Aktion 'E-Mail senden' ist, verfasse hier einen kurzen, personalisierten E-Mail-Entwurf. Ansonsten lasse das Feld leer.

Analysiere die Dringlichkeit und die Präferenzen des Leads sorgfältig.

Schritt 5: Die Anzeige der Empfehlung

Nachdem die Deluge-Funktion die Antwort der KI in die CRM-Felder geschrieben hat, kannst du diese Information prominent anzeigen. In Zoho CRM kannst du dafür eine "Canvas"-Ansicht gestalten oder die Felder einfach in einem separaten Abschnitt im Layout platzieren. Noch eleganter ist die Darstellung in einem externen Portal, das du mit Zoho Creator baust. Dort kannst du die Empfehlung visuell ansprechend aufbereiten und mit Buttons versehen, die z.B. direkt den Versand der vorgeschlagenen E-Mail über Zoho ZeptoMail auslösen.

Codebeispiel: Deluge Custom Function für Zoho CRM

Hier ist ein vereinfachtes Beispiel, wie die Deluge-Funktion aussehen könnte. Du würdest diese Funktion in Einstellungen > Automatisierung > Aktionen > Funktionen erstellen und sie dann über eine Workflow-Regel auslösen.

code


// Funktion, um die NBA von einer externen KI abzurufen
// leadId wird von der Workflow-Regel übergeben
void getNextBestAction(int leadId)
{
    // 1. Lead-Daten abrufen
    leadDetails = zoho.crm.getRecordById("Leads", leadId);
    altersgruppe = ifnull(leadDetails.get("Altersgruppe"),"unbekannt");
    region = ifnull(leadDetails.get("Kanton_Region"),"unbekannt");
    interesse = ifnull(leadDetails.get("Interesse_Typ"),"unbekannt");
    kontaktwunsch = ifnull(leadDetails.get("Kontaktwunsch"),false);

    // 2. Master-Prompt erstellen und mit Lead-Daten füllen
    masterPrompt = "Du bist ein erfahrener Fundraising-Berater...  ... - Altersgruppe: " + altersgruppe + " - Region: " + region + " - Interesse: " + interesse + " - Wunscht persönlichen Kontakt: " + kontaktwunsch;

    // 3. API-Aufruf an den privaten KI-Endpunkt
    apiKey = "DEIN_INFOMANIAK_API_SCHLUESSEL";
    apiUrl = "https://api.infomaniak.com/2/llm/66/chat/completions"; // Beispiel-URL
    
    headers = Map();
    headers.put("Authorization","Bearer " + apiKey);
    headers.put("Content-Type","application/json");

    body = Map();
    messages = List();
    message_content = Map();
    message_content.put("role", "user");
    message_content.put("content", masterPrompt);
    messages.add(message_content);
    body.put("model", "infomaniak/mixtral-8x7b-instruct-v0.1"); // Beispiel-Modell
    body.put("messages", messages);
    
    // API Call ausführen
    apiResponse = invokeurl
    [
        url :apiUrl
        type :POST
        headers:headers
        parameters:body.toString()
    ];
    
    // 4. Antwort parsen und CRM-Datensatz aktualisieren
    if(apiResponse.get("responseCode") == 200)
    {
        responseJson = apiResponse.get("response").toJSON();
        aiContent = responseJson.get("choices").get(0).get("message").get("content");
        
        // Extrahiere den JSON-Teil aus der Antwort
        jsonStartIndex = aiContent.indexOf("{");
        jsonEndIndex = aiContent.lastIndexOf("}");
        aiJsonString = aiContent.substring(jsonStartIndex, jsonEndIndex + 1);

        aiData = aiJsonString.toJSON();
        
        updateMap = Map();
        updateMap.put("NBA_Empfehlung", aiData.get("action_type"));
        updateMap.put("NBA_Begruendung", aiData.get("justification"));
        
        // Datensatz in Zoho CRM aktualisieren
        updateResponse = zoho.crm.updateRecord("Leads", leadId, updateMap);
        info updateResponse;
    }
    else
    {
        // Fehlerbehandlung
        info "API Call failed: " + apiResponse;
    }
}

Tipps und Best Practices

Know-how im Haus behalten: Die "Build vs. Buy"-Entscheidung Die Idee, Daten mit KI anzureichern, ist verlockend. Oft kommen externe Anbieter mit fertigen "Predictive Analytics"-Lösungen. Wäge hier genau ab: Deine Lead- und Kundendaten sind dein wertvollstes Kapital. Dieses Wissen und die daraus entwickelten Modelle an einen externen Dienstleister abzugeben, birgt strategische Risiken. Der hier gezeigte Ansatz, eine eigene Engine mit einer generischen, privaten KI-API zu bauen, stellt sicher, dass die "Intelligenz" und die Datenhoheit bei dir bleiben. Anstatt eine fertige "Lookalike Engine" zu kaufen, könntest du mit einem Data-Science-Studenten und deinen eigenen Daten ein viel präziseres, internes Modell entwickeln.
Vermeide das "Black Box"-Problem Starte mit einer Kombination aus festen Regeln und KI. Du könntest Leads z.B. in vier Hauptkategorien einteilen (z.B. nach Kontaktwunsch und Interessens-Typ) und für jede Kategorie einen spezifischen Master-Prompt verwenden. Das macht die Ergebnisse kontrollierbarer und nachvollziehbarer.
Iterativ Vorgehen Führe die Funktion nicht sofort für alle Mitarbeiter ein. Teste sie zunächst in einem kleinen Team. Sammle Feedback, optimiere die Prompts und erweitere den Funktionsumfang schrittweise. Vielleicht beginnst du nur mit der Empfehlung und fügst den E-Mail-Entwurf später hinzu.
Monitoring und Kosten Jeder API-Aufruf an das KI-Modell kostet Geld. Überwache die Nutzung genau. Du kannst die Ausführung der Funktion auf bestimmte Kriterien beschränken (z.B. nur für Leads mit einem bestimmten Status), um die Kosten im Griff zu behalten. Tools wie Zoho Analytics können dir helfen, die Nutzung und die Erfolgsquote deiner NBA-Engine zu visualisieren.

Fazit

Die Integration von künstlicher Intelligenz muss keine Raketenwissenschaft sein und erfordert nicht zwangsläufig die Preisgabe sensibler Daten an große US-Konzerne. Indem du die Flexibilität von Zoho – insbesondere Deluge Custom Functions – mit datenschutzkonformen, regionalen KI-APIs kombinierst, kannst du mächtige, maßgeschneiderte Lösungen wie eine "Next Best Action"-Engine schaffen.

Ein solches Projekt automatisiert nicht nur, sondern qualifiziert deine Prozesse. Es befähigt deine Mitarbeiter, bessere und schnellere Entscheidungen zu treffen, steigert die Effizienz im Vertrieb oder Fundraising und sorgt dafür, dass deine wertvollen Daten sicher und unter deiner Kontrolle bleiben. Der wahre Wert des Zoho-Ökosystems liegt nicht nur in den einzelnen Apps, sondern in seiner Fähigkeit, als zentrale Drehscheibe für moderne, datengesteuerte Arbeitsabläufe zu fungieren.

Verwendete Zoho Apps in diesem Szenario:

Zoho CRM: Als zentrale Datenbasis für Leads und Kontakte.
Zoho Creator: Optional, für die Erstellung eines benutzerdefinierten Frontends oder Partner-Portals.
Zoho ZeptoMail: Für den transaktionalen E-Mail-Versand, der durch die NBA ausgelöst wird.
Zoho Analytics: Zur Überwachung und Analyse der Performance der KI-Empfehlungen.