Predictive Analytics für den Großhandel

Aus Bestelldaten werden Besuchsgründe.

Acto liest jede Nacht Ihre ERP- und CRM-Daten, bewertet jeden Kunden mit eigens trainierten Machine-Learning-Modellen und lässt jedes Ergebnis von KI-Agenten auf Relevanz prüfen, bevor es Ihren Vertrieb erreicht. Heraus kommen wenige Signale mit hoher Trefferquote, jedes mit einer Begründung in einem Satz.

Vom Modell zum Besuchsgrund
Machine Learning
Sprachmodell
„Elektro Muster: Kabelkanäle anbieten.“
Umsatzrückgang
Auftragsrückgang
Wegfall von Produktkategorien
Wiederkauf ausgeblieben
Abwanderungsgefahr
Produktvorschläge
Produktbundle
Potenzieller Wiederkauf
Reaktivierung
Umsatzanstieg
Auftragsanstieg
Geringer Umsatz je Gruppe
Substitutsprodukte
Margenrückgang
Margenanstieg
Offenes Angebot
Kontaktfrequenz
So entsteht ein Signal

Sieben Stufen von der Auftragszeile bis zum Besuchsgrund.

Acto ist gebaut wie ein Siebturm. Oben laufen alle Auftragszeilen hinein, jede Stufe misst, bewertet und ergänzt, unten kommen wenige Signale heraus. Was der Vertrieb zurückmeldet, fließt über die Rückführung wieder hinein.

Predictive Analytics im Vertrieb, Stufe 01: ERP- und CRM-Daten fließen jede Nacht in Acto einStufe 02: Aus Bestelldaten werden Kennzahlen wie Bestellzyklus und SegmentStufe 03: Machine-Learning-Modelle bewerten Abwanderungsrisiko und Cross-Selling-PotenzialStufe 04: Acto ergänzt Kontext aus CRM-Notizen, Feedback und HausregelnStufe 05: KI-Agenten prüfen jedes Signal auf RelevanzStufe 06: Signale mit Begründung gehen an Outlook, CRM und die Acto-AppStufe 07: Feedback aus dem Vertrieb fließt zurück in die Predictive Analytics
Acto Siebturm · Aufbau in sieben Stufen
Blatt 1/1
Stufe 01 · Einfülltrichter

Daten werden ins System geladen

Acto übernimmt, was in Ihren Systemen bereits liegt. Es entsteht kein neues führendes System und keine Doppelpflege.

Eingänge
Auftragspositionen
Artikel, Menge, Preis und Datum jeder Auftragszeile
Kundendaten
Stammdaten, Branche, Gebiet und Ansprechpartner
Produktdaten
Warengruppen, Sortiment und Konditionen
Besuchsberichte
aus dem CRM und aus der Acto-App
Anbindung
SAP
Microsoft Dynamics
Salesforce
und weitere, per Export, SFTP oder Datenbankzugriff
Wir empfehlen den Anschluss per Austauschserver. So bleibt das laufende ERP unberührt. Alle Integrationen
Stufe 02 · Messring

Algorithmen errechnen Kennzahlen

Eigens entwickelte Algorithmen übersetzen das Kaufverhalten in Kennzahlen auf Produktebene, gemessen an der eigenen Historie und an vergleichbaren Kunden.

Beispiel-Kennzahlen
Auszug
Saisonalität
Zyklische Muster, gegen die Vergleichsgruppe bereinigt.
Bsp.
Getränkehandel: Wetter und echtes Wachstum getrennt
Wiederbeschaffungsintervall
Erwartbarer Bestellzyklus je Kunde und Warengruppe.
Bsp.
bestellt alle 6 Wochen, überfällig nach 8
Segmentierung
Cluster nach Branche, Kaufverhalten und Sortiment.
Bsp.
Vergleichsgruppe für Cross-Selling
Trend
Bewegungen über rollierende Zeitfenster.
Bsp.
Warengruppe seit 3 Monaten rückläufig
Stufe 03 · Modellträger

Machine-Learning-Modelle bewerten Potenziale und Risiken

Machine-Learning-Modelle bewerten jeden Kunden, von der Abwanderungsprognose (Churn Prediction) bis zum Cross-Selling. Heraus kommt je Kunde eine Rangfolge nach Wahrscheinlichkeit und Ertrag.

Beispiel-Modelle
Auszug
Potenzial-Modelle
P1
Komplementär­produkte
Dübel gekauft, Bohrer fehlen.
P2
Cross-Selling nach Verhaltensmuster
Ähnliche Kunden kaufen mehr.
P3
Mengen­abweichung
Viele Schrauben, kaum Muttern.
P4
Margenstärkere Produkte
Profitablere passende Alternative.
P5
Reaktivierung
Früher bezogen, heute nicht mehr.
Risiko-Modelle
R1
Abwanderungs­risiko
Wahrscheinlichkeit je Kunde.
R2
Rückgangs­signale
Warengruppen brechen weg.
Training
Jedes Vorhersagemodell lernt nur aus den Daten Ihres Hauses, ohne personenbezogene Daten.
Stufe 04 · Kontextleitung

Acto bereitet zusätzlichen Kontext auf

Parallel sammelt Acto, was nicht in den Bestelldaten steht. Texte wie CRM-Notizen bereitet ein Sprachmodell (LLM) auf.

Kontextquellen
Aufbereitung
ERP-Zusatzdaten
Preise, Produktinfos, Konditionen
direkt aus dem ERP
CRM-Kontext
Notizen, E-Mails, Besuchsberichte
Zusammenfassung per Sprachmodell
Signal-Feedback
Was war relevant, was nicht und warum
Feedback und Sprachmodell
Hausregeln
Prioritäten, Ausschlüsse, Geschäftslogik
Konfiguration und Sprachmodell
Nutzereinstellungen
Vorgaben für die Ansprache
Konfiguration
Stufe 05 · Feinsieb · das Nadelöhr

KI-Agenten prüfen Relevanz und gewichten Empfehlungen

Die Agenten legen Modellergebnis und Kontext nebeneinander. Was gerade keine Handlung rechtfertigt, bleibt im Sieb hängen.

Prüfschritte je Signal
1
Relevanzprüfung
Jetzt relevant? Termin schon geplant? Kürzlich abgelehnt?
2
Feedback-Abgleich
Feedback fließt als Kontext in die nächste Bewertung des Kunden ein.
3
Hausregeln
Ihre Ausschlüsse, Prioritäten und Geschäftslogiken greifen.
4
Begründung
Das Ergebnis wird zu einer Empfehlung in einem Satz verdichtet.
Priorisierte Signale je Kunde
nach Dringlichkeit und Potenzial, weiter an Stufe 06
Stufe 06 · Verteiler

Acto stellt die Signale bereit

Jedes Signal kommt mit Begründung dort an, wo der Vertrieb ohnehin arbeitet, jeden Morgen oder direkt vor dem Termin.

Wiederkauf ausgeblieben
Beispiel
Kunde
Elektro Muster GmbH, Gebiet Süd
Grund
Bestellt Kabelkanäle alle 6 Wochen. Die letzte Bestellung liegt 9 Wochen zurück.
Empfehlung
Beim Termin am Donnerstag ansprechen und Befestigungsmaterial dazu anbieten.
Kanäle
Outlook
Seitenleiste neben Mail und Kalender
CRM
Dynamics 365, SAP C4C, Salesforce
Web und mobil, direkt vor dem Kundengespräch
Stufe 07 · Rückführung

Rückmeldungen fließen zurück ins System

Was im Vertrieb passiert, geht in den nächsten nächtlichen Durchlauf ein.

Rückläufe
06
01
Besuchsberichte
Was der Außendienst nach dem Termin festhält, auch per Sprache, liegt beim nächsten Durchlauf als Datenquelle vor.
06
04
Signal-Feedback
Relevant oder nicht relevant, je Signal. Das Feedback fließt als Kontext in die nächste Bewertung dieses Kunden ein.
Takt
Jede Nacht. Jeder Datenimport startet einen vollen Bewertungslauf.
Signalkatalog

Vier Gruppen von Signalen, und es kommen laufend neue dazu.

Die Signale werden gegen die eigene Kundenhistorie und, wo es passt, gegen vergleichbare Kunden gerechnet. Eine Auswahl je Gruppe:

01Abwanderung und Risiko

Beispiele
Umsatzrückgang
Umsatz fällt gegenüber Vergleichszeiträumen ab.
Wiederkauf ausgeblieben
Der übliche Bestellzyklus wird überschritten, gesamt oder je Produkt.
Abwanderungsgefahr
Ein Modell misst Bestellmengen und ausbleibende Käufe an der eigenen Historie und am gesamten Kundenstamm.

02Umsatzpotenziale

Beispiele
Produktvorschläge
Der Vergleich mit ähnlichen Kunden zeigt, was im Warenkorb fehlt.
Potenzieller Wiederkauf
Der Zyklus läuft ab, bevor der Kunde selbst bestellt.
Reaktivierung
Inaktiver Kunde mit hoher Reaktivierungschance, samt Produktvorschlag.

03Margen

Beispiele
Margenrückgang
Der Deckungsbeitrag sinkt gegenüber Vergleichszeiträumen.
Margenanstieg
Der Deckungsbeitrag steigt gegenüber Vergleichszeiträumen.

04Prozess und Betreuung

Beispiele
Offenes Angebot
Angebot ohne Auftrag, oder Auftrag ohne die angebotenen Positionen.
Kontaktfrequenz
Der übliche Kontaktrhythmus zu einem Kunden reißt ab.
Gemessen
92%

der ausgespielten Signale markiert der Vertrieb bei Schäfer Shop als relevant.

Das liegt an der Relevanzprüfung. Was gerade keine Handlung rechtfertigt, erreicht den Außendienst gar nicht erst. Die Liste bleibt so kurz, dass sie auch gelesen wird.

Kontext

Erst der Kontext macht Daten bedeutsam.

Die Bestelldaten zeigen, was passiert. Das Warum steht oft in Besuchsberichten, im Wissen Ihres Vertriebs und in den Regeln Ihres Hauses. Acto führt beides zusammen, bevor ein Hinweis beim Außendienst ankommt.

Beispiel · Gastronomiekunde Siebert
Stufen 04 und 05
Bestelldaten · ERP
Bestellungen seit drei Wochen bei null
Signal: Wiederkauf ausgeblieben
Besuchsbericht
„Betriebsferien bis Mitte des Monats angekündigt“
Eingesprochen nach dem letzten Besuch
Hausregel
Sommerloch ist in der Gastronomie kein Warnsignal
Von Ihrem Vertrieb festgelegt
Kontext
Mit Kontext
Siebert bestellt seit drei Wochen nichts. Kein Alarm: Betriebsferien bis Mitte des Monats.
Erinnerung am ersten Tag nach den Ferien
Ohne Kontext
„Siebert droht abzuwandern. Bitte sofort anrufen.“
Fehlalarm: ein Anruf mitten in den Betriebsferien
Fallstudien

Unsere Kunden messen mehr Umsatz pro Außendienst-Mitarbeiter.

Großhändler, die mit Acto arbeiten, steigern ihren Umsatz pro Außendienstler durch mehr Up- und Cross-Selling, weniger Abwanderung und mehr Zeit beim Kunden.

Böllhoff: gemessen gegen Nicht-Nutzer im Pilotprojekt. Plate: dazu 35 % weniger Zeit zwischen zwei Bestellungen.
FAQ

Häufige Fragen zu Daten und Technik.

  • Ist das ein Sprachmodell mit anderem Anstrich?

    Sprachmodelle arbeiten dort, wo Text im Spiel ist: beim Aufbereiten von CRM-Notizen, in der Relevanzprüfung der KI-Agenten und beim Formulieren der Begründung. Ob ein Kunde abrutscht oder Potenzial hat, berechnen Machine-Learning-Modelle auf Ihren Transaktionsdaten.

  • Wie sagt Acto Kundenabwanderung vorher?

    Ein eigenes Machine-Learning-Modell schätzt für jeden Kunden die Wahrscheinlichkeit, dass er abwandert (Churn Prediction). Es wertet Bestellmengen und ausbleibende Käufe aus und misst den Kunden an seiner eigenen Historie und an Ihrem gesamten Kundenstamm. Bevor daraus ein Hinweis wird, prüft Acto den Kontext. Hat der Kunde zum Beispiel Betriebsferien angekündigt, bleibt der Alarm aus.

  • Woher weiß Acto, was in unserer Branche normal ist?

    Die Merkmale sind auf Großhandelslogik gebaut: Wiederbeschaffung, Sortimentsstruktur, Saisonalität. Jeder Kunde wird an seiner eigenen Historie gemessen und, wo es passt, an vergleichbaren Kunden aus Ihren Daten, gruppiert nach Branche, Einkaufsvolumen und Bestellfrequenz.

  • Was passiert, wenn unser Vertrieb ein Signal für falsch hält?

    Er lehnt es ab und nennt den Grund. Die Ablehnung gilt nur für diesen einen Kunden, und der Grund fließt als Kontext in dessen nächste Bewertung ein.

  • Was passiert, wenn wir das ERP wechseln?

    Der Übergang ist fließend. Acto läuft auf dem bisherigen System weiter und wird nach der Migration einmal auf das neue ERP umgestellt. Ein zweites Datenprojekt mitten in der Migration entsteht dabei nicht.

  • Wo liegen unsere Daten, und wer sieht sie?

    Ihre Daten werden in Frankfurt gespeichert und DSGVO-konform verarbeitet. Die Sprachmodelle laufen in Rechenzentren innerhalb der EU. Die Vorhersagemodelle werden ausschließlich auf den Geschäftsdaten Ihres Hauses trainiert, ohne personenbezogene Daten und ohne Vermischung mit anderen Kunden. Die Sprachmodelle sind allgemeine Modelle und werden nicht mit Ihren Daten nachtrainiert.

Schnitt
Was Acto rechnet

Innen: sieben Stufen Rechenarbeit.

Algorithmen, Machine-Learning-Modelle und KI-Agenten rechnen jeden Kunden durch, bevor ein Signal den Vertrieb erreicht.

Technische Zeichnung der Predictive Analytics von Acto: sieben Stufen vom Datenimport bis zum Rückfluss
Stückliste
  1. 01
    Datenimport
    Bestell-, Kunden- und Produktdaten
  2. 02
    Kennzahlen
    Algorithmen
  3. 03
    Risiken und Potenziale
    Machine Learning
  4. 04
    Kontext
    Sprachmodell (LLM)
  5. 05
    Reasoning
    KI-Agenten
  6. 06
    Ausgabe
    Outlook, CRM, Acto-App
  7. 07
    Rückfluss
    Rückmeldungen aus dem Vertrieb
Ansicht
Was der Außendienst sieht

Außen: zwei Minuten bis zum Termin.

Davon sieht der Außendienst nur das Ergebnis: welcher Kunde, warum, was ansprechen. In Outlook, im CRM oder in der Acto-App.

Zur Außendienst-App
Acto-App auf dem Smartphone: Gesprächsleitfaden für Weber GmbH mit einem Risiko und einer Chance
Demo buchen

Jeden Morgen wissen, welcher Kunde dran ist.

Erleben Sie in 30 Minuten, wie Acto mit Beispielen aus Ihrer Branche arbeitet.

— kostenlos beraten lassen
— Demo mit Beispielen aus Ihrer Branche
— in 4 bis 6 Wochen produktiv
Gespräch vereinbaren