Kundenanalyse und Lead-Scoring im B2B Vertrieb, mithilfe von KI und Machine Learning

Nutzt du KI und Machine Learning effektiv in deinen B2B-Vertriebsprozessen?

Wenn du dich bei dieser Frage am Kopf kratzt, keine Sorge. Du bist nicht allein. Es ist ein neues und komplexes Feld und es gibt keine “one-size-fits-all” Lösung. Und nur weil du KI noch nicht im Vertrieb einsetzt, heißt das nicht, dass euer Sales hinterherhinkt.

Es lohnt sich aber, darüber nachzudenken. KI und Machine Learning können Vertriebsprozesse optimieren, Antworten aus Daten liefern und letztlich B2B-Vertrieb ankurbeln. Es mag einschüchternd wirken, aber du brauchst keinen Doktortitel in Informatik, um mit KI im Sales zu starten.

Was bedeutet es also, KI und Machine Learning im B2B-Vertrieb zu implementieren?

Das ist ziemlich subjektiv und hängt vom Unternehmen, Verkaufszyklen und Kunden ab. Einige nutzen KI für die Lead-Bewertung, andere um predictive Analytics im Verkaufsprozess zu nutzen. Und für viele ist es wahrscheinlich eine Mischung aus mehreren Anwendungen.

Unternehmen, die KI und Machine Learning effektiv in ihren Vertriebsprozessen nutzen, berichten oft von:

• Verbesserter Lead-Scoring und -Qualifikation
• Erhöhter Effizienz im Pipeline-Management
• Verbesserter Kundeninteraktion und Personalisierung
• Größeren Einblicken in das Kundenverhalten und die Kundenbedürfnisse
• Erhöhter Verkaufsproduktivität und Umsatz

Wir haben hier einige praktische Tipps, um dir den Einstieg in das Thema zu erleichtern.

‍

Machine Learning, um Kunden besser zu verstehen

Hattet ihr im Vertrieb schonmal das Gefühl, dass ihr im Dunkeln tappt, wenn es darum geht? Oder dass Vertriebserfolg mehr auf Bauchgefühl basiert, als man vielleicht zugeben möchte?

Machine Learning kann helfen ein klareres Bild über alle Accounts zu bekommen. Es kann Kundendaten analysieren, Muster erkennen und Einblicke in das Verhalten und die Bedürfnisse der Kunden geben.

Wie ein Detektiv, der 24/7 alle Kundendaten durchforstet und ein vollständiges Bild Ihres Kunden zusammensetzen kann. Mit diesem Wissen kann der Vertrieb mit Sales Alerts ausgestattet werden und besser auf die Bedürfnisse eurer Kunden eingehen.

‍

Lead-Scoring

Habt ihr euch schonmal dabei ertappt, wie ihr Leads verfolgt, die ins Leere laufen? Oder vielleicht habt ihr ein potentielles Goldgräberfeld übersehen, weil es auf den ersten Blick nicht vielversprechend aussah?

Hier kommt KI ins Spiel. Datenpunkte aus verschiedenen Quellen analysieren, Leads nach ihrer Wahrscheinlichkeit zur Konvertierung einstufen und dabei helfen, den Vertrieb dort hinzulenken, wo die Erfolgschancen am größten sind.

Wie eine Kristallkugel im Sales, die euch sagt, wo Sales-Power sinnvoll eingesetzt werden sollte. Keine Sorgen, die Einzelheiten solcher Algorithmen muss man nicht verstehen :)

Die meisten KI-Tools sind benutzerfreundlich und bieten klare Einblicke, die direkt in die Vertriebsstrategie integriert werden können.

Die Implementierung von KI und Machine Learning in Vertriebsprozesse bietet riesige Potentiale. Auch wenn es auf den ersten Blick komplex aussieht - Tools wie acto bieten mittlerweile “plug-and-play” die auf euren CRM-Systemen aufsetzen. Ohne aufwendige Implementierungsphase wie bei Salesforce, SAP und Co.

So bekommen auch traditionelle B2B-Vertriebsteams einen einfachen Einstieg und können von KI und Machine Learning im Vertrieb profitieren.

Wie schaffen es Unternehmen, den Überblick über Ihre Kunden zu behalten? Wie können Unternehmen noch näher an den eigenen Kunden sein? Wie können die Vertriebs- und Servicemitarbeiter:innen über aktuelle und zukünftige Auffälligkeiten und Potenziale immer up to date sein?

Genau das sind Fragen, die sich Vertriebsmanager täglich stellen! Die Antworten auf diese Fragen können mit Data Analytics - oder spezifischer: (Predictive) Customer Analytics – beantwortet werden. Um das genauer zu verstehen, haben wir fünf Analytics-Use Cases beschrieben, um im Vertrieb zukünftig datenbasierte Entscheidungen zu treffen und die passenden Antworten auf die obigen Fragen zu finden.

1) Den Überblick mit intelligenten Kundensegmenten

Kunden sind häufig sehr unterschiedlich in Bezug auf die Umsatzgröße, das Auftragsverhalten oder auch die Servicebedürftigkeit. Diese Unterschiede müssen auch in der Analyse der Kunden berücksichtigt werden. Deshalb macht es häufig keinen Sinn von «der einen Kundengruppe» zu sprechen, denn so werden Auffälligkeiten und Muster schnell generalisiert und die aus den datenabgeleiteten Informationen sind nicht zutreffend.

Intelligente Segmentierung kann hier der Schlüssel sein, um Kunden genauer zu Analysieren und dediziert Anzusprechen. Anders als bei einer klassischen Kategorisierung z. B. nach Regionen, Umsatz oder Produkten, wird bei einer intelligenten Segmentierung eine Vielzahl von relevanten Informationen (auch Kundenattribute bzw. Kunden-Features) mit einbezogen und es werden automatisch die Segmente gebildet, die das Kundenverhalten in Gänze am besten beschreiben.

Dies ist eine interessante Information z.B. für das Marketing und die Ableitung von Marketingmaßnahmen. Viel wichtiger ist aber, dass diese Kundensegmentierung die Basis für KI-basierte Analysen, wie z.B. die Abwanderungsvorhersage oder das Auftragsforecasting ist.

2) Den Überblick behalten: Auffälligkeiten im Kundenverhalten (Anomaly Detection)

Gerade wenn es viele unterschiedliche Kunden oder viele unterschiedliche Produkte im Portfolio gibt, ist es schwierig und auch sehr aufwendig im Tagesgeschäft den Überblick über alle Kunden zu behalten – selbst wenn diese segmentiert sind. Gerade bei den kleineren oder mittelgroßen Kunden, die nicht direkt durch einen oder mehrere Key Account Manager:innen betreut werden, fallen Auffälligkeiten in deren Kaufverhalten häufig erst zu spät oder gar nicht auf. Hier kann die Anomaly Detection helfen, die automatisiert und vollumfänglich alle Kunden tracked und den Vertrieb proaktiv auf Auffälligkeiten im Kaufverhalten der Kunden hinweist.

Das müssen nicht nur negative Auffälligkeiten, wie z. B. eine Umsatzreduktion bei einem speziellen Kunden sein, sondern können auch positive Ausschläge sein, wie z.B. der Anstieg bei einem Kunden in einer bestimmten Produktkategorie.

Aber wie kommt man (ohne viel Aufwand) zu diesen Ergebnissen? Es muss nicht immer die KI sein ... Hier funktioniert auch häufig ein eher klassischer Ansatz mit deskriptiven Analysen und einer hinterlegten Logik. Ziel ist hierbei aber in jedem Fall frühzeitig – am besten tagesaktuell – über Auffälligkeiten Bescheid zu wissen, um entsprechend agieren zu können.

3) Kunden langfristig binden : Abwanderungsvorhersage (Churn Prediction)

Die Vorhersage von Kundenabwanderungen ist häufig einer der «Klassiker» im Bereich der KI-basierten Kundenanalysen. Gerade wenn der Überblick über alle Kunden und das Kaufverhalten dieser Kunden unübersichtlich ist, können mithilfe der Churn Predicition potenzielle Kundenabwanderungen bereits erkannt werden, bevor sie überhaupt passieren.

Trainiert wird dieser Algorithmus mithilfe von historischen Auftrags-, Kunden- und Vertragsdaten aus den internen Systemen (z. B. ERP-, CRM-, oder Servicesystem) sowie häufig auch noch externen Informationen. Mithilfe dieser historischen Daten – und vor allem den Informationen aus bereits abgewanderten Kunden – werden Muster über das Kundenverhalten vor der Abwanderung erkannt. Die aktuellen Bestandskunden werden dann auf die erkannten Muster automatisiert überprüft und so kundenindividuell eine Abwanderungswahrscheinlichkeit ermittelt.

Wichtig ist hierbei vor allem, dass man die Vertriebsmitarbeitenden nicht mit den reinen Wahrscheinlichkeiten allein lässt, sondern auch Gründe und potenzielle Gegenmaßnahmen benennt bzw. vorschlägt. Dadurch lassen sich Probleme deutlich stärker „an der Wurzel packen“ mit dem schönen Nebeneffekt, dass auch das Vertrauen der Mitarbeitenden in die Analyse (bzw. in das Tool) und somit auch die Akzeptanz steigt.

4) Das Geschäft optimieren: Kundenpotenzial analysieren

Um Potenziale bei einzelnen Kunden zu entdecken, ist es zunächst wichtig, die Kunden zu identifizieren, die noch Potenzial haben und zu beziffern, wie hoch dieses Potenzial sein könnte. Um darüber eine Aussage zu treffen, findet häufig der sog. «Share of Wallet»-Ansatz Anwendung. Dieser gibt an, wie viel ein Kunde bzw. eine Kundin für die angebotenen Dienstleistungen oder Produkte im Vergleich zu seinem Gesamtbudget für diese Dienstleistungen oder Produkte ausgibt. Durch den Umsatzvergleich ähnlicher Kunden (z. B. vergleichbar Branche, Mitarbeitendenanzahl, Umsatz) können so Umsatzpotentiale identifiziert werden. Häufig liegen die relevanten Daten zum Kunden jedoch nicht vollständig oder korrekt in den Systemen vor – doch dabei kann die Anreicherung mit externen Firmendaten Abhilfe schaffen.

Beispiel: Der Kunde A, der dem Kunden B sehr ähnlich ist (beides Unternehmen aus der Elektrotechnik mit 1.500 Mitarbeitern und 200 M€ Jahresumsatz), bezieht aktuell Produkte für 500 T€ pro Jahre, wohingegen der Kunde B 1,5 M€ pro Jahr umsetzt. So müsste rein theoretisch bei Kunden A noch ein Potenzial von 1 M€ vorhanden sein, das mit den passenden Produkten und Maßnahmen gehoben werden könnte.

Und da sind wir auch schon bei der zweiten Kategorie an Kundenpotenzialanalysen, denn es ist wichtig, zu wissen, welche Produkte dieses Potenzial am besten ausschöpfen können. Hier kommen sog. Recommender Systeme zum Einsatz. Recommender Systeme werden auch bei Netflix oder Amazon verwendet. Systeme, die anhand von ähnlichen Kunden (z. B. durch eine intelligente Segmentation) oder auch anhand von passenden Produkt- und Servicekombinationen automatisch Vorschläge generieren. Konkret: Produkte, welche zu einem bestimmten Kunden bzw. Kundin passen, um ihm bzw. ihr diese mit einer hohen Erfolgswahrscheinlichkeit anzubieten.

5) Das Geschäft erweitern: Datenbasierte Neukundengewinnung

Ein weiterer spannender Use Case im Bereich Customer Analytics richtet den Blick weg von den Bestandskunden hin zur Neukundengewinnung. Wobei diese Aussage nicht ganz korrekt ist, denn bei der datenbasierten Neukundengewinnung spielen die Bestandskunden auch eine sehr entscheidenden Rolle.

Es werden besonders profitable oder umsatzstarke Bestandskunden identifiziert und die Eigenschaften und Muster dieser «wertvollen Bestandskunden» werden abgeleitet. Konkret: Was macht diese Kunden besonders? Aus diesen gewonnenen Eigenschaften und Mustern können nun sehr zielgerichtete Abfrage auf externe Firmendatenbanken gestartet werden, sodass  automatisiert potenzielle Neukunden vorgeschlagen werden, die sehr ähnlich zu «wertvollen Bestandskunden» sind.

Wenn dir dieser kurze Überblick zum Thema «Customer Analytics» gefallen hat und du mehr darüber erfahren willst, dann melde dich gerne persönlich bei: pascal@heyacto.com

‍

Revolutioniere dein B2B Sales Management mit Prescriptive Analytics

B2B Sales Organisationen sind voll mit Kundendaten. CRM, ERP, Ticketsysteme und Webshops sind nur ein paar von all den Datenquellen, die im Account Management heute analysiert werden, um Vertriebsentscheidungen treffen.

Jede Datenquelle erzählt dabei eine andere wichtige Story. Die Herausforderung im Sales Management ist es, all die Daten zusammenzubringen und aus all den Informationen rechtzeitig Risiken und Potenziale in der Kundenbasis zu erkennen.

‍

Die Grenzen von Excel und Business Intelligence

Excel und Business Intelligence Dashboards stehen an der Spitze der Sales Management Tools. Monatliche Exports aus dem CRM und ERP, Pivot-Tabellen, und schöne Balkendiagramme sollen dabei helfen, die richtigen Aktionen für den Vertrieb abzuleiten.

Auch wenn diese Sales Reports gut aussehen und ein Gefühl von “Transparenz” vermitteln, geben sie immer nur einen Blick auf einen bestimmten Zeitraum in der Vergangenheit.

Wie auch immer - Sales Reports sind wichtig. Also verschwenden Teams rund 1 Tag pro Woche mit der Analyse von Excel Tabellen und Drilldowns im BI Dashboard, um zu verstehen,

• warum der Umsatz im letzten Monat runter ging,
• wie viel Produkte Kunden im Durchschnitt kaufen und
• welcher Account noch Potential hat.

Dazu kommt, dass bei der Menge and Daten meist nur 22 % davon überblickt werden können. Und für den Blick nach vorne bleibt am Ende oft gar keine Zeit.

‍

Prescriptive Analytics im Sales Management

Künstliche Intelligenz mit Prescriptive Analytics erobert den B2B Sales Management-Markt. Mithilfe von KI-basierten Datenanalysen im Account Management haben Sales Teams immer alle Kunden im Blick ohne die aufwendige Analyse.

Prescriptive Analytics Tools analysieren nicht nur einen bestimmten Zeitabschnitt in der Vergangenheit, sondern verknüpfen alle relevanten Daten an einem Ort und analysieren das gesamte Kundenverhalten. So sind Vertriebsteams ständig über die wichtigsten Verkaufschancen und Risiken aus allen Kunden informiert - automatisch.

Und aus verstreuten Daten werden Sales Aktionen - ohne die tagelange Analyse im Excel-Chaos und Drilldowns in BI-Dashboards.

Sales Manager:Innen haben wieder mehr Zeit für Team Enablement und strategische Konzepte. Und Account Manager:Innen sind immer zur richtigen Zeit beim richtigen Kunden, um Abwanderungen zu verhindern und Potenziale zu heben.

So schaffen data-driven Sales Teams einen Umsatzanstieg von 2 - 5 %.

‍

TL;DR

Die schiere Masse an Kundendaten, verteilt über verschiedene Systeme, macht es im Sales Management unmöglich alles im Blick zu behalten. CRM-Systeme, Excel und BI-Tools liefern schöne Sales Reports, hinken aber in Handlungsfähigkeit und in ihrer Sicht nach vorne.

Prescriptive Analytics und automatisierte KI-gestützte Analysen helfen Sales Manager:Innen ihre Teams mit Informationen über Risiken und Potenziale zu versorgen - automatisch und proaktiv für das gesamte Account Management.

So werden alle Daten wirklich genutzt und in Sales Aktionen verwandelt. Damit sparen Vertriebsteams Zeit für Analysen, und haben mehr Zeit mit ihren Kunden.