Was ist eine White Spot Analyse?

Wer "White Spot Analyse" recherchiert, bekommt vor allem Geomarketing-Anbieter:

Bevölkerungsdichte, Einzugsgebiete, Standortplanung für Einzelhändler und Franchisesysteme. Kai Barenscher, Senior Manager bei WIGeoGIS Wien, beschreibt die klassische Definition so: "We have been using spatial analysis methods for many years to identify so-called white spots, areas and regions with high potential where the company is not yet represented." Das ist präzise. Aber es ist nur die halbe Geschichte.

Im B2B-Großhandel bedeutet White Spot etwas anderes.

Ein White Spot ist jede Fläche auf der Vertriebslandkarte, die Potenzial hat, aber unbesetzt ist.

Geografisch kann das eine Region sein, in der die Marktdurchdringung deutlich unter dem eigenen Benchmark liegt.

Sortimentsbezogen ist es eine Produktkategorie, die ein Bestandskunde braucht, aber noch nie von dir bezogen hat. Kundenbezogen sind es Unternehmen, die dem idealen Kundenprofil entsprechen, aber noch nicht im Portfolio sitzen.

Der entscheidende Unterschied zur Marktpotenzialanalyse:

Eine Marktpotenzialanalyse beantwortet die Frage "Wie groß ist der Kuchen?"

Die White Spot Analyse beantwortet die Frage "Welche Stücke davon liegen noch auf dem Tisch?"

Die methodische Herkunft liegt in der BCG-Matrix der 1970er Jahre: Geschäftsbereiche nach Marktanteil und Wachstumspotenzial einordnen, um strategische Prioritäten zu setzen. Diese Grundlogik, Potenzial versus aktuelle Performance, ist bis heute die Basis jeder White Spot Analyse, egal ob geografisch oder kundenbezogen.

Für den Großhandel bedeutet das konkret: Du mappst deine Produktgruppen auf die Bedarfe deiner Kunden. Wo Bedarf vorhanden ist, aber kein Umsatz entsteht, das ist dein White Spot.

Warum ist die White Spot Analyse im Großhandel besonders relevant?

Dr. Dirk Jandura, Präsident des BGA, bringt es auf den Punkt:

‍"Über die Hälfte der Unternehmen unserer Wirtschaftsstufe hat im vergangenen Jahr Umsatz- und Ertragsrückgänge verzeichnet." In einem Sektor, der rund 1,7 Billionen Euro Umsatz und 1,9 Millionen Arbeitsplätze repräsentiert, ist das kein statistisches Rauschen.

In diesem Umfeld reicht es nicht mehr, dieselben Routen zu fahren, die man schon immer gefahren hat.

Das Kernproblem im Großhandelsvertrieb ist strukturell: Ein Außendienstmitarbeiter betreut zwischen 200 und 500 Kunden. Er hat maximal 8 bis 10 Besuche pro Tag. Welche 10 Kunden er besucht, entscheidet er meistens nach Erfahrung, Gewohnheit und persönlicher Beziehung.

Oder direkter: "Am Ende besucht man halt doch die Kunden, wo der Kaffee am besten schmeckt."

Das Ergebnis: Bestandskunden kaufen systematisch unter ihrem Potenzial. Trotz hunderttausender Artikel im Sortiment decken Außendienst-Teams oft nur 15 bis 20 Prozent des tatsächlichen Kundenbedarfs ab. Ein Vertriebsleiter formulierte das Kernproblem während eines gemeinsamen Termins noch direkter: "Unsere B- und C-Kunden fühlen sich nicht wirklich betreut, wir reagieren nur, wenn was schiefläuft."

Das ist kein Motivationsproblem. Das ist ein Informationsproblem.

Laut BGA dringen digitale Plattformen mit Preistransparenz zunehmend in klassische Großhandelsstrukturen ein. Neukundenakquise wird teurer, nicht günstiger. Gleichzeitig bleiben erhebliche Teile des Bestandskundenpotenzials unidentifiziert und unbearbeitet. Der Share of Wallet, der Anteil des eigenen Umsatzes am Gesamtbedarf eines Kunden, ist dabei der Schlüsselindikator:

Ein A-Kunde mit niedrigem Share of Wallet ist ein White Spot, der sofort auf die Agenda gehört.

Die 3 Dimensionen von White Spots im Großhandel

Das ist der Abschnitt, den du in keinem anderen Artikel zu diesem Thema findest, weil alle anderen White Spots ausschließlich geografisch denken. Im Großhandel gibt es drei eigenständige Dimensionen, jede mit anderer Datenbasis und Methodik.

Dimension 1: Regional

Die klassische Perspektive, angepasst auf B2B.

Nicht "Wo sollen wir eine neue Filiale eröffnen?", sondern "In welchen Regionen liegt unsere Kundendurchdringung deutlich unter dem Branchendurchschnitt?"

Konkret: Du hast in einer Region 50 potenzielle Kunden der richtigen Branche und Größe. Davon kaufen 8 bei dir, das entspricht 16 Prozent Marktdurchdringung, während du in vergleichbaren Regionen 35 Prozent erreichst. Diese Region ist ein regionaler White Spot.

Datenbasis: Eigene Kundenstammdaten plus externe Marktdaten (Unternehmensregister, NACE-Codes). Der Abgleich zeigt, wo du systematisch unter deiner eigenen Benchmark liegst.

Dimension 2: Sortimentsbezogen

Das ist der stärkste Hebel im Großhandel, und der am häufigsten übersehene.

Ein Bestandskunde kauft seit Jahren in Kategorie A. Er kauft nie in Kategorie B. Dabei wäre B naheliegend: gleiche Branche, gleicher Bedarf, gleiche Lieferkette. Warum kauft er woanders?

Drei Möglichkeiten:

• Er weiß nicht, dass du B auch anbietest.
• r hat es einmal versucht und war unzufrieden.
• Oder er kauft B beim Wettbewerb, und das ist niemandem aufgefallen.

Das Cross-Selling-Potenzial bei Bestandskunden ist fast immer günstiger zu erschließen als Neukundenakquise. Eine Kaufhistorien-Analyse pro Kunde, gemessen an der Sortimentsbreite vergleichbarer Kunden, macht diese Lücken sichtbar.

Beispiel: Ein Sanitär-Großhändler analysiert seine Bestandskunden und stellt fest, dass ein erheblicher Teil der Installateure regelmäßig Rohre und Armaturen bestellt, Werkzeuge jedoch nie, obwohl das Portfolio vorhanden ist und Wettbewerber diesen Bedarf bedienen. Das ist ein sortimentsbezogener White Spot mit direktem Handlungsauftrag.

Dimension 3: Kundenbezogen

Welche Unternehmen kaufen gar nicht bei dir, obwohl sie deinem Idealprofil entsprechen?

Du nimmst deine profitabelsten Bestandskunden (nach Deckungsbeitrag), analysierst ihre gemeinsamen Merkmale (Branche, Unternehmensgröße, Region, Sortimentsbreite) und suchst im Markt nach Unternehmen mit denselben Merkmalen, die noch nicht in deinem Kundenstamm sind. Das Ergebnis ist keine generische Kaltakquiseliste, sondern eine priorisierte Liste von Prospects, die mit hoher Wahrscheinlichkeit profitabel werden, weil sie deinen erfolgreichsten Kunden ähneln.

Eine fundierte Potenzialanalyse im Großhandel verbindet alle drei Dimensionen und liefert eine priorisierte Übersicht: Wo lässt du gerade wie viel Umsatz liegen?

Methoden der White Spot Analyse im Überblick

Drei Ansätze haben sich im B2B-Vertrieb bewährt, jeder mit anderen Stärken:

BCG-Matrix-Ansatz

Du ordnest Kunden oder Marktsegmente in eine 2x2-Matrix ein: Achse X ist der aktuelle Umsatz (oder Deckungsbeitrag), Achse Y das geschätzte Potenzial.

Der Vorteil dieser Methode: Sie ist intuitiv verständlich und erzeugt sofort Klarheit über Prioritäten, auch ohne tief in die Daten einzusteigen.

Scoring-Modell

Kundendaten aus CRM und ERP werden in ein gewichtetes Punktesystem übersetzt. Kriterien können sein:

• Kauffrequenz
• Sortimentsbreite
• Branchenzugehörigkeit
• Unternehmensgröße
• Reklamationsquote
• Besuchshistorie.

Das Ergebnis ist eine priorisierte Kundenliste, sortiert nach erschließbarem Potenzial.

Schmitz und Wieseke, ein Spin-off der Ruhr-Universität Bochum mit Spezialisierung auf B2B-Sales, beschreiben das Vorgehen: Auf Basis berechneter Kundenpotenziale lassen sich regionale Marktpotenziale, Ausschöpfungsgrad und Whitespots visualisieren, und die Analyse kann danach auch auf potenzielle Neukunden übertragen werden.

Marktvergleich und Benchmarking

Du vergleichst deine Kundendurchdringungsrate mit dem Branchendurchschnitt, oder mit deiner eigenen besten Region als internem Benchmark. Wo du systematisch darunter liegst, ist ein potenzieller White Spot.

Schritt-für-Schritt: So führst du eine White Spot Analyse im Großhandel durch

Die Strukturlogik ist in der Fachliteratur etabliert. Die Großhandels-Spezifika fehlen aber meistens. Hier ist der Prozess, wie er in der Praxis funktioniert:

Schritt 1: Ziel definieren

Was soll die Analyse liefern? Cross-Sell-Potenziale bei Bestandskunden, regionale Lücken oder Neukunden-Segmente? Das Ziel bestimmt die Datenbasis. Wer alles auf einmal will, scheitert an der Komplexität.

Schritt 2: Datenbasis aufbereiten

CRM- und ERP-Daten nach Kategorie, Kundenbranche, Umsatz, Sortimentsbreite und Besuchshistorie aufbereiten. Ehrlicher Hinweis: Wenn mehr als 30 Prozent der Kundendatensätze unvollständig sind, sind die Ergebnisse unzuverlässig. Garbage in, garbage out.

Schritt 3: Kunden segmentieren

Kunden nach aktuellem Deckungsbeitrag und geschätztem Potenzial in Cluster einteilen. Nicht nach Umsatz allein, Deckungsbeitrag ist der ehrlichere Indikator für Prioritäten.

Schritt 4: White Spots identifizieren

Welche Kunden, Regionen oder Sortimentsbereiche liegen systematisch unter Erwartung? Die Matrix aus Schritt 3 macht das sichtbar. White Spots sind Felder mit hohem Potenzial und niedrigem aktuellem Deckungsbeitrag.

Schritt 5: Priorisieren

Nicht alle White Spots sind gleich wertvoll. Die 20 Kunden oder Segmente mit dem höchsten erschließbaren Potenzial definieren. Weniger ist mehr.

Schritt 6: Im Tagesgeschäft umsetzen

Das ist der Schritt, an dem die meisten Analysen scheitern. Eine White Spot Analyse, die im Ordner landet, ist wertlos. Der Außendienst braucht die Erkenntnisse vor jedem Kundenbesuch als konkreten Handlungsvorschlag, nicht als PowerPoint-Folie.

Hier stoßen klassische Analyse-Projekte an ihre Grenzen: Die White-Spot-Analyse im Außendienst muss vom strategischen Erkenntnisrahmen in die tägliche Besuchsplanung übersetzt werden. Acto liest dafür kontinuierlich CRM- und ERP-Daten aus und zeigt dem Außendienst proaktiv, welche Kunden als nächstes besucht werden sollten, auf Basis der Potenziallogik, die eine White Spot Analyse einmalig aufdeckt.

Praxisbeispiele: White Spot Analyse im Großhandel

Beispiel 1: Technischer Großhandel (sortimentsbezogen)

Ein Industriebedarf-Großhändler führt eine Sortimentstiefenanalyse durch. Ergebnis: Ein erheblicher Teil der Kunden kauft ausschließlich Verbrauchsmaterial (Schleifscheiben, Schutzausrüstung, Kleinteile), aber nie Werkzeuge und Maschinen, obwohl dieselben Kunden in vergleichbaren Sortimentsbereichen bei Wettbewerbern kaufen. Die Cross-Sell-Initiative gibt dem Außendienst für diese Kunden eine konkrete Empfehlung vor dem nächsten Besuch. Das ist das typische Ergebnis einer sortimentsbezogenen White Spot Analyse.

Beispiel 2: Pharma-Großhandel (regional)

Ein regionaler Pharma-Großhändler vergleicht seine Marktdurchdringung nach Postleitzahlgebiet mit der Apothekendichte. In einem Ballungsraum liegt die eigene Penetrationsrate deutlich unter dem Schnitt vergleichbarer Regionen. Die Außendienstoffensive mit personalisierten Angeboten zielt gezielt auf diese Region. Das ist das klassische Ergebnis einer regionalen White Spot Analyse.

Beispiel 3: Systematische Kundendurchdringung mit messbarem Ergebnis

Böllhoff, Spezialist für Verbindungstechnik, erzielte mit dem systematischen Einsatz von Acto ein Umsatzwachstum von 8,6 Prozent. Schäfer Shop, Versand- und Online-Händler für Büro- und Betriebsausstattung, steigerte den Umsatz um 11 Prozent. Die zugrundeliegende Logik ist dieselbe wie bei einer White Spot Analyse:

Welcher Kunde kauft unter seinem Potenzial, und was braucht der Außendienst, um das zu ändern?

White Spot Analyse und KI: Vom Jahresprojekt zur kontinuierlichen Intelligenz

Die klassische White Spot Analyse ist ein Projekt. Du beauftragst sie, bekommst Ergebnisse, arbeitest die Liste ab, und ein Jahr später beginnt alles von vorne. Das reicht nicht mehr.

Datenbasierte Kundensegmentierung nach Ertrag, Potenzial und Cross-Selling-Möglichkeiten hilft, Vertriebsaktivitäten gezielt auszurichten. Der nächste Schritt: KI-gestützte Systeme wenden dieselbe Logik, Potenzial versus aktueller Deckungsbeitrag, kontinuierlich und automatisch auf CRM- und ERP-Daten an.

Der Unterschied in der Praxis ist erheblich. Statt einer Analyse alle 12 Monate bekommt der Außendienst täglich aktuelle Signale: Kunde X hat seinen Umsatz in Kategorie A um 30 Prozent reduziert, mögliches Churn-Signal. Kunde Y kauft regelmäßig in Kategorie A und B, aber nie in Kategorie C, obwohl sein Branchenprofil C eindeutig als Bedarf ausweist. Erkannt in Echtzeit, ohne Analysten-Skills auf Seiten des Außendienstes.

Predictive Sales im B2B-Großhandel ist die technische Weiterentwicklung der White Spot Analyse: kein Dashboard, das der Außendienst selbst auswerten muss, sondern ein konkreter Handlungsvorschlag direkt vor dem Kundentermin.

So nutzt du White Spot Erkenntnisse im Außendienst-Alltag mit Acto

Analyse ohne Umsetzung ist wertlos. Hier ist, wie White Spot Erkenntnisse vom Bericht in den Montagmorgen des Außendienstlers wandern.

Besuchsplanung und Priorisierung

Welche 10 Kunden sollten diese Woche besucht werden? Nicht die, bei denen der Kaffee am besten schmeckt, sondern die, die ein Cross-Sell-Signal zeigen, bei denen der Umsatz unerwartet gesunken ist oder die ihr Potenzial nachweislich nicht ausschöpfen. Acto priorisiert die Besuchsliste automatisch, täglich neu berechnet auf Basis der ERP-Daten. Das ist datenbasierte Steuerung der Besuchsfrequenz in der Praxis.

Besuchsvorbereitung

Der Außendienst fährt zum Kunden und weiß bereits: Dieser Kunde kauft Kategorie A und B, aber Kategorie C, obwohl branchenüblich, wurde noch nie bestellt. Das Gespräch ist vorbereitet, bevor der erste Kaffee eingeschenkt wird. Acto ermöglicht diese Vorbereitung auch per Sprachabfrage während der Autofahrt.

Nachbereitung ohne Bürokratie

Was wurde beim Kunden besprochen? Welche White Spots wurden angesprochen, wie war die Reaktion? Der Außendienst fasst das per Sprachnachricht zusammen, Acto erstellt daraus die CRM-Notiz automatisch. Plate spart so 1,5 Stunden pro Tag. Das ist Zeit, die nicht in Verwaltung fließt, sondern in Kundenbesuche, die bisher nicht auf der Agenda standen, genau die White Spots, die die Analyse identifiziert hat.

Du willst wissen, welche Kundenpotenziale in deinen CRM- und ERP-Daten schlummern? In einer kurzen Demo zeigen wir, wie Acto White Spots bei Bestandskunden kontinuierlich aufdeckt: Demo vereinbaren

Wann funktioniert die White Spot Analyse nicht?

Es gibt vier Situationen, in denen dieser Ansatz scheitert oder keinen Wert liefert.

1. Schlechte Datenqualität

Falsche Prioritäten sind schlimmer als keine Prioritäten, weil sie Ressourcen in die falsche Richtung lenken. Bevor du eine White Spot Analyse startest, braucht es eine ehrliche Bestandsaufnahme der Datenqualität. Das gilt auch für KI-gestützte Systeme: Sie brauchen saubere Eingangsdaten.

2. Kein Umsetzungswille

Wenn die Erkenntnisse nicht in veränderte Besuchsroutinen, angepasste Gebietsverantwortungen oder konkrete Cross-Sell-Initiativen übersetzt werden, ist die Analyse eine teure Bestätigung des Status quo. In vielen Unternehmen endet die White Spot Analyse mit einer Management-Präsentation und drei Wochen Begeisterung. Dann gewinnt der Alltag.

3. Zu schmales Sortiment

Wer drei Produkte verkauft, braucht keine sortimentsbezogene White Spot Analyse. Der Ansatz entfaltet seinen Wert erst ab einem Sortimentsumfang, der echte Cross-Sell-Felder ermöglicht, mindestens fünf bis acht relevante Produktkategorien mit echter Überschneidung in der Zielgruppe.

4. Außendienst nicht eingebunden

Eine Top-Down-Analyse, die dem Vertrieb ohne Erklärung der Methodik präsentiert wird, wird nicht geglaubt und nicht umgesetzt. Der Außendienst hat jahrelange Kundenerfahrung. Diese Erfahrung und die Daten müssen zusammenfinden, nicht konkurrieren. Change Management ist keine Option, es ist eine Voraussetzung.

FAQ: Häufige Fragen zur White Spot Analyse im Großhandel

Was ist der Unterschied zwischen White Spot Analyse und Marktpotenzialanalyse?

Die Marktpotenzialanalyse beantwortet die Frage: Wie groß ist der Gesamtmarkt, den ich theoretisch adressieren könnte? Die White Spot Analyse geht einen Schritt weiter und fragt: Welche konkreten Teile davon liegen bei mir noch brach, regional, sortimentsbezogen oder kundenbezogen? Sie ist präziser, handlungsorientierter und liefert direkt priorisierbare Erkenntnisse.

Welche Daten brauche ich für eine White Spot Analyse im Großhandel?

Mindestbasis: Kaufhistorie nach Produktkategorie, Kundenbranche (NACE-Code), Umsatz und Deckungsbeitrag pro Kunde sowie Besuchshistorie aus dem CRM. Für die regionale Dimension kommen externe Marktdaten hinzu (Unternehmensregister, Branchenstatistiken). Je vollständiger die Datenbasis, desto präziser die Ergebnisse, und desto weniger Interpretationsspielraum bleibt für subjektive Priorisierungen.

Was kostet eine White Spot Analyse?

Externe Beratungsprojekte kosten je nach Umfang und Datenbasis mehrere tausend bis mehrere zehntausend Euro. Mit internen Ressourcen (Excel, CRM-Standardauswertungen) ist ein erster Ansatz auch für einige hundert Euro Zeitaufwand machbar. Der ROI rechnet sich schnell: Wenn von 50 identifizierten White-Spot-Kunden nur 10 ein Cross-Sell-Produkt kaufen, amortisiert sich die Analyse innerhalb weniger Monate.

Wie oft sollte man eine White Spot Analyse durchführen?

Einmal jährlich als strategisches Projekt ist ein Minimum. Besser ist ein kontinuierliches Monitoring über datengestützte Vertriebstools, die Signale in Echtzeit aus CRM- und ERP-Daten ziehen. Die White Spot Analyse sollte als zyklisch wiederkehrender Bestandteil der Vertriebs- und Marketingplanung etabliert werden, oder durch ein System ersetzt werden, das diese Logik dauerhaft automatisiert.

Wie finde ich ungenutzte Kundenpotenziale ohne großes Analysebudget?

Einstieg über eine einfache ABC-Analyse kombiniert mit einer Sortimentstiefenauswertung pro Kunde. Konkret: Welche A-Kunden kaufen nur aus einer von drei Hauptkategorien, obwohl ihr Branchenprofil alle drei als relevant ausweist? Diese Schnittmenge ist dein erster, kostengünstiger White Spot Report. Werkzeug: Excel oder die Standardauswertungsfunktion deines ERP-Systems.

Die White Spot Analyse ist kein einmaliges Projekt, sie ist eine Denkweise. Wer den Vertrieb langfristig datenbasiert steuern will, stellt die Frage nach ungenutztem Potenzial nicht einmal im Jahr, sondern vor jedem Kundengespräch.

Die Daten dafür liegen bereits in CRM und ERP. Die Frage ist, ob sie jemand auswertet, und ob die Erkenntnisse tatsächlich beim Außendienst ankommen, bevor der nächste Termin beginnt.

Demo vereinbaren und wir zeigen dir, welche White Spots in deinen Bestandskunden-Daten schlummern.