Zusammenfassung
- Ein Recommender-System im Großhandel vergleicht das Kaufverhalten eines Kunden mit seiner eigenen Historie und mit ähnlichen Kunden. Daraus schlägt es Artikel vor, die dem Kunden fehlen oder gerade fällig sind.
- Die Grundlage sind Auftragspositionen, Kunden- und Produktdaten aus dem ERP. Klickdaten aus einem Webshop braucht das System nicht, Wiederbestellungen in der Historie dagegen schon.
- Für den Außendienst taugt ein Vorschlag erst, wenn er fünf Prüfsteine besteht: Passung zum Kundentyp, Cross- und Upselling, Timing, Marge und eine Begründung in einem Satz.
- Next Best Offer ist das eine Angebot, das für einen bestimmten Kunden jetzt am meisten Sinn ergibt. Es wird aus vielen Kandidaten ausgewählt.
Nur 24,1 % der Unternehmen aus Großhandel und Logistik nutzen KI. Das ermittelt der IW-Report 2025 „KI als Wettbewerbsfaktor“ des Instituts der deutschen Wirtschaft Köln. Die Bestelldaten, aus denen sich ablesen ließe, welchen Artikel ein Kunde als Nächstes braucht, liegen trotzdem längst im ERP.
Signale im B2B-Vertrieb sind gerade der große Hype. Software-Firmen kaufen Websitebesuche und Likes als Kaufsignal ein. Im Großhandel ist dagegen jede Auftragsposition ein Signal: Wer seit Jahren Schrauben bestellt und nie Dübel, obwohl ähnliche Kunden beides kaufen, zeigt eine Sortimentslücke. Ich halte das für das bessere Kaufsignal. Es bleibt liegen, weil im Alltag niemand Zeit hat, danach zu suchen.
Wie entsteht ein guter Produktvorschlag für einen Großhandelskunden?
Ein guter Produktvorschlag entsteht, wenn ein System die Bestellhistorie eines Kunden mit der ähnlicher Kunden vergleicht. Bevor ein Kandidat beim Verkäufer landet, muss er fünf Prüfsteine bestehen. Was durchkommt, ist ein Artikel mit Anlass, Zeitpunkt und Begründung.
Ein Recommender-System (Empfehlungssystem) im B2B ist eine Software, die aus vorhandenen Kauf- und Kundendaten ableitet, welches Produkt ein bestimmter Kunde wahrscheinlich als Nächstes braucht. Ich vergleiche einen guten Verkäufer gern mit Spotify: Er kennt den Geschmack seines Kunden und schlägt Neues vor, bevor der Kunde selbst danach sucht. Ein Recommender-System macht dieses Wissen in jedem Gebiet verfügbar, auch dort, wo der erfahrenste Verkäufer nicht hinkommt.
| Prüfstein | Prüffrage | Woran Sie ein Scheitern erkennen |
|---|---|---|
| Passung zum Kundentyp | Kauft dieser Kundentyp den Artikel überhaupt? | Die Kantine bekommt Burger-Buns vorgeschlagen |
| Cross- und Upselling | Ergänzt der Artikel das Sortiment des Kunden oder wertet er es auf? | Vorgeschlagen wird, was der Kunde längst kauft |
| Timing | Ist der Bedarf jetzt fällig? | Der Vorschlag kommt außerhalb der Saison |
| Marge | Lohnt sich der Artikel auch für Sie? | Die Liste füllt sich mit margenschwachen Schnelldrehern |
| Begründung | Kann der Verkäufer in einem Satz sagen, warum? | Der Vorschlag steht ohne Erklärung da und wird übersprungen |

Aus vielen möglichen Artikeln bleibt ein Vorschlag, den der Verkäufer beim Kunden aussprechen kann.
Was unterscheidet eine Produktempfehlung von Next Best Action und Cross-Selling?
Eine Produktempfehlung nennt einen Artikel für einen bestimmten Kunden. Next Best Action nennt den nächsten Schritt beim Kunden, und Cross-Selling ist der Verkauf ergänzender Produkte an bestehende Kunden. Die verwandten Begriffe im Überblick:
- Webshop-Empfehlung: nutzt beispielsweise Klick- und Kaufdaten und richtet sich an den Käufer selbst
- Next Best Action: der nächste Schritt, etwa ein Anruf oder ein Angebot nachfassen; mehr dazu im Artikel zu Next Best Action im B2B-Vertrieb
- Next Best Offer: das eine Produkt, das unter allen Empfehlungen jetzt vorne steht (eigenes Kapitel weiter unten)
- Cross-Selling: der Verkauf ergänzender Produkte an bestehende Kunden; wie Teams das angehen, steht im Artikel zu Cross-Selling als Vertriebsarbeit
- Predictive Analytics: sagt voraus, was passieren wird; das Recommender-System wählt aus diesen Vorhersagen aus, was angeboten wird
Mit welchen Verfahren rechnet ein Recommender-System?
Ein Recommender-System rechnet mit vier Verfahren, die im Großhandel meist kombiniert werden. Das bekannteste, Item-to-Item Collaborative Filtering, wurde 2003 für Webshops beschrieben. Im Großhandel braucht es zusätzlich die Regeln des eigenen Geschäfts.
| Verfahren | Beispiel im Großhandel | Grenze |
|---|---|---|
| Collaborative Filtering | Ähnliche Kunden kaufen Dübel zu den Schrauben, dieser Kunde nicht | Ohne Bestellhistorie kein Vergleich |
| Content-based | Artikel aus derselben Warengruppe mit ähnlichen Merkmalen | Erkennt keine Kaufmuster |
| Regelbasiert | „Wer Burger-Patties kauft, braucht Buns und Pommes.“ | Jemand muss die Regeln pflegen |
| Hybrid | Kaufmuster plus Regeln des Unternehmens | Braucht gepflegte Stammdaten |
Was bringen Empfehlungen bei Amazon, Netflix und YouTube?
Am weitesten sind Empfehlungssysteme dort, wo Millionen Menschen jeden Tag kaufen oder schauen. Amazon, Netflix und YouTube zeigen, wie groß der Hebel ist, wenn der nächste Vorschlag zum Kunden passt.
| Unternehmen | Was das System vorschlägt | Wirkung | Quelle |
|---|---|---|---|
| Amazon | „Wird oft zusammen gekauft“ und „Kunden, die diesen Artikel gekauft haben, kauften auch“ | Rund 35 % dessen, was Kunden bei Amazon kaufen, kommt aus Empfehlungen (Schätzung von McKinsey) | McKinsey, 2013 |
| Netflix | Reihen auf der Startseite, sortiert nach Geschmack | Empfehlungen beeinflussen rund 80 % der gestreamten Stunden. Weil weniger Abonnenten kündigen, sparen Personalisierung und Empfehlungen nach eigener Angabe über 1 Mrd. US-Dollar im Jahr | Gomez-Uribe und Hunt (Netflix), 2015 |
| YouTube | „Als Nächstes“ neben dem Video und die Startseite | Über 70 % der Sehzeit kommen aus Empfehlungen | Neal Mohan (YouTube), CES 2018 |

„Wird oft zusammen gekauft“ bei Amazon: Zu den Dübeln schlägt das System die passenden Schrauben vor. (Screenshot: amazon.de, abgerufen am 4. November 2026)
Das ist dasselbe Muster wie im Großhandel, nur dass der Käufer im Shop den Vorschlag selbst sieht. Im Großhandel bestellen viele Kunden beim Außendienst, beim Innendienst oder über eine Schnittstelle. Dort muss die Empfehlung beim Verkäufer ankommen, mit einer Begründung, die er im Gespräch nutzen kann. Die Zahlen von Amazon, Netflix und YouTube stammen aus dem Endkundengeschäft und lassen sich nicht eins zu eins übertragen. Das Prinzip „Kunden wie Sie kaufen auch“ bleibt dasselbe.

„Als Nächstes“ bei YouTube: Neben einer Folge unseres Podcasts Revenue Signals schlägt YouTube weitere Videos vor, ganz oben eine weitere Acto-Folge. (Screenshot: youtube.com, ohne Anmeldung, abgerufen am 4. November 2026)
Welche Daten braucht ein Recommender-System im Großhandel?
Ein Recommender-System im Großhandel braucht aus dem ERP Auftragspositionen, Kunden- und Produktstammdaten sowie Konditionen und Margen. Besuchsberichte liefern den Kontext. Ohne Wiederbestellungen in der Historie gibt es nichts zu empfehlen.
Vieles, was ein erfahrener Verkäufer über seine Kunden weiß, steht längst in diesen Daten: Kaufmuster ähnlicher Kunden, Saison, Wiederkaufintervall und Bestellrhythmus. Nur die Beziehung, die Anwendung beim Kunden und der Kontext („der Sohn übernimmt bald“) stecken im Kopf. Der wertvollste Datenbestand für Produktempfehlungen liegt deshalb im ERP. Im CRM steht nur, was jemand eingetragen hat.

Der größte Teil des Verkäuferwissens über seine Kunden lässt sich bereits aus den ERP-Daten ablesen, nur Beziehung und Kontext bleiben persönliches Wissen.
Dass diese Signale trotzdem liegen bleiben, liegt an der schieren Menge aus Kunden, Artikeln und Konditionen.
„Das Volumen und die Datenheterogenität im Großhandel sind um ein Vielfaches größer als in den meisten Branchen.“
– Jan Peter Coblenz, Vorsitzender des AK Digitalisierung im BGA und Geschäftsführer der Brangs+Heinrich GmbH (BGA-Pressemitteilung zu KI im Großhandelsvertrieb)
Außendienstler sind Verkäufer. Zwischen Stau und fünf Terminen wertet niemand Auftragspositionen aus, deshalb gehört die Datenarbeit in ein System, das dem Vertrieb fertige Vorschläge liefert. Vorab sollten Sie vier Punkte prüfen:
- Historie: genug Auftragspositionen je Kunde, damit Wiederbestellungen und Saison erkennbar werden
- Stammdaten: gepflegte Warengruppen und Kundenbranchen
- Margen: Einkaufspreise oder Deckungsbeiträge je Artikel
- Zugang: ein nächtlicher Export, der das laufende ERP nicht belastet
Beispiel (hypothetisch): Wie wird aus Bestelldaten ein Vorschlag für einen Burgerladen?
Das folgende Beispiel ist erfunden, die Zahlen sind angenommen. Ein Foodservice-Großhändler beliefert die Burgerbraterei Krause. Sie bestellt jede Woche 40 kg Burger-Patties, kauft Buns und Pommes aber woanders. So läuft der Vorschlag durch die fünf Prüfsteine:
- Daten: Nachts kommen die neuen Auftragspositionen aus dem ERP.
- Muster: Vergleichbare Burgerlokale kaufen zu den Patties auch Buns und Pommes, Krause dagegen nie. Das ist eine Sortimentslücke.
- Passung: Krause ist als Burger-Gastronomie eingeordnet. Eine Kantine, die ebenfalls Patties bestellt, bekäme andere Vorschläge.
- Timing: Die Patties kommen jeden Dienstag, deshalb liegt der Vorschlag vor dem nächsten Bestelltag vor.
- Marge: Von zwei Pommes-Sorten steht die margenstärkere vorne.
- Begründung: „Ihre Patties kommen von uns, die Buns nicht. Vergleichbare Burgerläden bestellen beides zusammen.“
- Ausspielung: Morgens steht der Vorschlag in Outlook, im CRM oder in der App des Verkäufers.
- Rückmeldung: Ob der Verkäufer den Vorschlag erledigt oder übersprungen hat, fließt in die nächste Nacht ein.
Was die Lücke bei Krause wert ist, lässt sich schnell überschlagen. 40 kg Patties mit acht Stück pro Kilogramm ergeben 320 Burger pro Woche. Bei 0,40 € je Bun sind das 128 € Wochenumsatz. Über 50 Bestellwochen kommen 6.400 € im Jahr zusammen, für einen einzigen Artikel bei einem einzigen Kunden.

Hypothetisches Beispiel: Der Vorschlag entsteht nachts aus den Bestelldaten und wird durch jede Rückmeldung des Verkäufers genauer.
Was ist Next Best Offer?
Next Best Offer ist das eine Angebot, das für einen bestimmten Kunden jetzt am meisten Sinn ergibt. Es wird aus allen Kandidaten über die fünf Prüfsteine ausgewählt und nach Potenzial gereiht.
Warum nur ein Angebot? Außendienstler im Großhandel machen rund sechs Besuche am Tag. Das ist der Median aus 42 Angaben in unseren Vertriebsgesprächen 2024 bis 2026, ausgewertet in unserer Studie „Vertrieb im Großhandel 2026“. Für jeden dieser Besuche braucht der Verkäufer ein Thema, das er mitbringt.
Gute Produktempfehlungen drehen damit am Hebel Umsatz pro Besuch, denn der Verkäufer steht mit dem richtigen Artikel beim Kunden. Eine lange Liste erzeugt dagegen nur neuen Suchaufwand.
Menschen brauchen nicht noch ein Dashboard. Vor jedem Termin zählt eine Frage: Was biete ich diesem Kunden heute an?
Wie bringen Sie Produktempfehlungen in den Vertriebsalltag?
Produktempfehlungen kommen im Vertriebsalltag an, wenn sie dort erscheinen, wo der Außendienst ohnehin arbeitet. Dazu gehören wenige Vorschläge pro Tag, eine klare Reihenfolge und die Möglichkeit, einen Vorschlag zu überspringen. Der Außendienst arbeitet aus dem Auto heraus, und ein Dashboard, das er erst öffnen muss, bleibt geschlossen.
Was muss ein Recommender-System im Großhandel können?
Ein Recommender-System im Großhandel muss Bestelldaten lesen, die Geschäftslogik kennen und Vorschläge mit Begründung im vorhandenen Tool ausgeben. Auf Ihre Anforderungsliste gehören diese Punkte:
- ERP-Anbindung: liest die Daten per Export und schreibt nichts ins ERP
- Geschäftslogik: Kundentypen, Warengruppen, Saison und Abruflogik lassen sich hinterlegen
- Timing und Marge: Vorschläge werden nach Fälligkeit und Deckungsbeitrag gereiht
- Begründung: Jeder Vorschlag kommt mit einem Satz, der erklärt, warum
- Ausgabe: erscheint in Outlook, im CRM oder auf dem Smartphone
- Rückmeldung: Erledigen und Überspringen verändern die künftige Reihenfolge
- Steuerung: Fokusprodukte der Vertriebsleitung fließen direkt in die Empfehlungslogik ein
Für welche Vertriebe lohnt sich der Ansatz?
Der Ansatz lohnt sich, wo viele Kunden regelmäßig aus einem breiten Sortiment nachbestellen.
| Ausgangslage | Einschätzung |
|---|---|
| Hunderte Kunden je Verkäufer, tausende Artikel, regelmäßige Wiederbestellungen | Lohnt sich |
| Wenige Großkunden mit Rahmenverträgen | Prüfen, ob die Historie Muster hergibt |
| Einzelaufträge ohne Wiederholung | Eher nicht |
Nicht für Sie ist der Ansatz, wenn:
- Sie überwiegend Projektgeschäft ohne Wiederbestellungen machen
- Sie als Hersteller überwiegend über den Großhandel verkaufen und keine eigene Bestellhistorie Ihrer Abnehmer haben
- Sie an Endverbraucher verkaufen (B2C)
Woran scheitern Produktempfehlungen im Außendienst?
Produktempfehlungen scheitern im Außendienst meist an der Ausspielung: zu viele Hinweise, der falsche Zeitpunkt und keine Begründung. In Gesprächen mit Vertriebsleitern hören wir vor allem diese Muster:
- Jede Abweichung wird gemeldet: Der Verkäufer steht mit hundert Hinweisen da und weiß nicht, wo er anfangen soll.
- Die Saison fehlt: Ein Vorschlag für Grillkohle im November wird einmal belächelt und danach ignoriert.
- Priorisiert wird nach aktuellem Umsatz: C-Kunden, also die umsatzschwächste Klasse einer ABC-Analyse, bleiben C-Kunden, weil niemand sieht, was ihnen im Sortiment fehlt.
- Die Daten kommen nie beim Verkäufer an: Produktdaten werden aufwendig ins CRM integriert und bleiben dort ungenutzt.
- Der Verkäufer hat keine Wahl: Wer Vorschläge nicht überspringen kann, erlebt sie als Fremdbestimmung.
Am meisten kostet der dritte Punkt, denn kleine Kunden mit großem Bedarf tauchen in keiner Umsatzliste oben auf. Sascha Niederhagen von WIKA sagt das über Potenzialkunden, mit denen noch gar kein Umsatz läuft:
„[…] wenn wir die nicht von Anfang an so betreuen, als wenn wir schon 10 Millionen Euro Umsatz mit denen machen würden, dann werden sie wahrscheinlich nie bei uns kaufen.“
– Sascha Niederhagen, EVP, WIKA (Revenue Signals, Folge mit Sascha Niederhagen)
Potenzialbasierter Vertrieb, KI & warum Veränderung Halt braucht
Wie läuft eine Produktempfehlung mit Acto ab?
Mit Acto läuft der Fall der Burgerbraterei Krause jede Nacht automatisch durch, und der Verkäufer sieht morgens nur das Ergebnis. Acto ist unsere Vertriebs-KI im Großhandel und spielt die Vorschläge dort aus, wo der Vertrieb ohnehin arbeitet: in Outlook, im CRM oder in der Acto-App. Ein Durchlauf sieht so aus:
- Datenimport: Nachts kommen Auftragspositionen, Kunden- und Produktdaten sowie Besuchsberichte per Export oder SFTP. Das laufende ERP bleibt davon unberührt.
- Kennzahlen: Algorithmen berechnen je Produkt Saisonalität, Wiederbeschaffungsintervall und Trend. Verglichen wird mit der eigenen Historie und mit ähnlichen Kunden; Umsatzentwicklungen werden über 1, 3 und 6 Monate sowie im Quartalsvergleich betrachtet.
- Potenziale: Machine-Learning-Modelle bewerten Komplementärprodukte, Cross-Selling nach Verhaltensmuster, margenstärkere Produkte und früher bezogene Artikel. An dieser Stelle fällt die Lücke bei den Buns auf.
- Kontext: Ein Sprachmodell liest Besuchsberichte mit. Steht dort, dass Krause die Buns beim Bäcker nebenan kauft, fließt dieser Kontext in die Relevanzprüfung ein.
- Prüfung: KI-Agenten prüfen, ob schon ein Termin geplant ist oder der Vorschlag kürzlich abgelehnt wurde. Dann schreiben sie die Begründung in einem Satz.
- Ausgabe: Das Signal „Passende Produkte“ erscheint in der Outlook-Seitenleiste, im CRM oder in der Acto-App.
- Rückfluss: Ob der Verkäufer den Vorschlag erledigt oder überspringt, geht in den nächsten nächtlichen Lauf ein.

Vier Datenquellen werden zu Risiken, Potenzialen und Kontext und kommen beim Vertrieb in App, Sprache und Outlook an.
Bei Plate kauften Kunden im Schnitt 2,1 Produkte mehr, wenn sie infolge einer Acto-Benachrichtigung angesprochen wurden. Der Vorschlag erreichte den Verkäufer mit einem Anlass, und der Verkäufer sprach den Kunden genau darauf an. Bei Schäfer Shop markiert der Vertrieb 92 % der vorgeschlagenen Signale als hilfreich.
„Ich starte jeden Tag mit einer priorisierten Liste von hoch relevanten Signalen zu Umsatzentwicklungen und Verkaufspotenzialen. Das spart mir Stunden an Recherche, die ich jetzt mit Kunden verbringe.“
– Fabian Wolff, Area Sales Manager, Schäfer Shop (Fallstudie Schäfer Shop)

Karte eines Beispielkunden (Demodaten) mit Cross-Sell-Potenzial im Lack-Sortiment und dem Vergleich mit ähnlichen Betrieben als Begründung.
Eine Grenze gehört dazu: Für einen Artikel, der noch nie verkauft wurde, fehlt die Kaufhistorie, aus der ein Vorschlag entstehen kann. Kontext aus dem Kundengespräch kennt Acto nur, wenn er in Besuchsberichten, CRM-Notizen oder E-Mails vorliegt. Welche Systeme angebunden werden, steht auf der Seite Integrationen für ERP und CRM, alles Weitere zur Vertriebssoftware für den Großhandel.
Welche Sortimentslücke zeigen Ihre Bestelldaten schon heute?
Die erste Prüfung machen Sie mit einem ERP-Export, ganz ohne neue Software:
- Wählen Sie ein Komplementär-Paar aus Ihrem Sortiment, etwa Patties und Buns oder Schrauben und Dübel.
- Ziehen Sie alle Kunden, die Artikel A regelmäßig kaufen und Artikel B nie.
- Sortieren Sie die Liste nach der Menge von Artikel A. Der Gesamtumsatz des Kunden spielt dabei keine Rolle.
- Geben Sie Ihrem Außendienst die obersten fünf Kunden mit je einem Satz Begründung mit.
Zählen Sie danach, wie viele solcher Paare Ihr Sortiment hat.
Im Gespräch zeigen wir Ihnen, welche Produktvorschläge in den Bestelldaten Ihres Vertriebs stecken.
Häufige Fragen zu Recommender-Systemen im B2B
Lohnt sich ein Recommender-System auch für kleine Vertriebsteams?
Ob sich ein Recommender-System lohnt, hängt an der Zahl aktiver Kunden und Wiederbestellungen, kaum an der Teamgröße. Bei unseren Kunden beginnt der typische Einsatz ab etwa 1.500 aktiven Kundennummern. Zum Beispiel profitieren drei Verkäufer mit 2.000 nachbestellenden Kunden deshalb eher als zwanzig Verkäufer mit 300 Projektkunden.
Was empfiehlt das System bei neuen Artikeln ohne Bestellhistorie?
Neue Artikel ohne Bestellhistorie laufen zunächst über Regeln und die Zuordnung zur Warengruppe. Sobald ähnliche Kunden sie bestellen, kommt der Vergleich über Kaufmuster dazu.
Lassen sich Fokusprodukte oder Eigenmarken gezielt in die Vorschläge geben?
Ja, Fokusprodukte und Eigenmarken lassen sich in der Empfehlungslogik hinterlegen. Die Strategie der Vertriebsleitung erreicht den Außendienst dann im täglichen Vorschlag, und eine Rund-Mail, die im Posteingang untergeht, ist nicht mehr nötig.
Was mache ich, wenn mein erfahrenster Verkäufer die Vorschläge ignoriert?
Ein erfahrener Verkäufer überspringt Vorschläge, die er längst kennt, und das ist wertvoll. Lassen Sie ihn überspringen und einen kurzen Grund angeben, denn genau diese Rückmeldung macht die Vorschläge für das ganze Team besser.
Wie messen Sie, ob Produktempfehlungen Umsatz bringen?
Ob Produktempfehlungen Umsatz bringen, messen Sie in einer Pilotphase mit vorab festgelegten Kennzahlen. Verglichen werden Nutzer mit einer Kontrollgruppe, etwa bei den Produkten je Kunde und beim Umsatz in den vorgeschlagenen Warengruppen.






