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 Jahr, 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.