Wie KI heute in Ihrem Vertrieb Mehrwerte schaffen kann

Ausgangspunkt aller Vertriebsaktivitäten sind die Bedürfnisse unserer (potenziellen) Kunden: Je mehr wir über diese verstehen, desto eher können wir durch unsere Produkte und Dienstleistungen einen Mehrwert schaffen. Um dieses Verständnis zu schaffen, müssen wir Daten erheben und analysieren. In Zeiten von Big Data stehen uns hierzu mehr Daten zur Verfügung als jemals zuvor. Leider ist die Analyse und Interpretation dieser Daten zeitraubend und fehleranfällig. Tatsächlich sammeln Unternehmen zwar häufig viele Daten, tun sich aber schwer damit, diese strategisch auszuwerten und die richtigen Entscheidungen abzuleiten.

Hier kommt Künstliche Intelligenz ins Spiel: Der springende Punkt der KI ist, dass sie Daten zum Kunden- und Marktverhalten selbstständig analysiert und Muster bzw. Zusammenhänge darin finden kann. In dieser Disziplin ist sie uns Menschen in aller Regel sogar deutlich überlegen. KI bedeutet also nicht einfach nur "Datenauswertung mit dem Computer", wie man es etwa mit einem Tabellenkalkulationsprogramm tun würde. Der wesentliche Unterschied der KI ist, dass sie selbstständig intelligent Erkenntnisse aus den Daten zieht und dabei Zusammenhänge erkennt, die wir Menschen wahrscheinlich nicht einmal wahrgenommen hätten.

Wie lässt sich diese Technologie nun im eigenen Vertrieb einsetzen?

Bottom-Up gewinnt

Wenn Sie in Ihrem Marketing Mehrwerte durch KI erzielen wollen, ist der zügige Einstieg in die Praxis der beste Weg. Suchen Sie sich genau einen Use Case Ihrer Marketing- oder Salestätigkeit aus, den Sie durch den Einsatz von Künstlicher Intelligenz verbessern möchten. Die anvisierte Verbesserung sollten Sie dabei in Form eines messbaren Mehrwerts benennen.

In unserer Marketing & Sales Use Case Library finden Sie einige Beispiele dafür, wie Sie KI in Ihre Vertriebsaktivitäten integrieren können:

Gut zu wissen

Mehr grundlegende Informationen zum Thema KI und Machine Learning finden Sie in unserer Artikelreihe Machine Learning für Entscheider.

Absatz-/Bedarfsprognose

KI-gestützte Vorhersage der Nachfrage nach einem bestimmten Gut oder einer Dienstleistung.

Mehrwerte:

  • Gezieltere Priorisierung von Marketing-Kampagnen und dadurch bessere Conversion Rate
  • Reduktion der Wartezeit von Kunden durch Anpassung von Lagerung und Produktion
  • Kostenreduktion in Lagerung, Transport und Organisation

Vorgehen: Ein Bedarf hängt von unzähligen Faktoren ab - von Trends, dem Wetter, von wirtschaftlichen und politischen Ereignissen, Preisentwicklungen, dem Wirken der Konkurrenz und vielen mehr. Im Gegensatz zu klassischen statistischen Methoden lassen sich mit Machine Learning sehr viele dieser Faktoren in Echtzeit analysieren. Aus den Zusammenhängen all dieser Faktoren können Machine Learning-Algorithmen eine Prognose für die künftige Nachfrage ableiten. Im ersten Schritt sollten Sie die wesentlichen Einflüsse für Ihren Markt aufzählen und priorisieren. Welche Datenquellen können Sie nutzen und welche betriebsinternen historischen Daten zu Bedarf und Absatz stehen Ihnen zur Verfügung?

Das müssen Sie bedenken:

  • Prüfen Sie, ob Ihre Supply Chain flexibel genug ist, um sie an Veränderungen anzupassen. Eine funktionierende Bedarfsprognose macht nur Sinn, wenn Ihr Unternehmen mit sinnhaften Maßnahmen darauf reagieren kann.
  • Für neue Produkte und Dienstleistungen funktioniert eine Prognose nur in Teilen, da keine historischen Erfahrungswerte aus Sales und Marketing vorliegen.

Make or Buy? Mittlerweile gibt es einige Softwarepakete am Markt, welche für die KI-gestützte Bedarfsprognose eine Basissoftware bieten. Da die Einflüsse auf Markt und Produkt jedoch hochgradig unternehmensspezifisch sind, sollten Sie in eigene KI-Projekte investieren. Ob dies am Ende eine Eigenentwicklung oder ein Customizing eines Standardprodukts wird, kann sich in einer Evaluationsphase entscheiden.

Churn Prediction

KI-basierte Früherkennung und Prävention der Kundenabwanderung in abbonnement-basierten Geschäftsmodellen.

Mehrwerte:

  • Besseres Verständnis für Optimierungsbedarf in Geschäftsprozessen, z.B. im Kundendialog oder beim Kundensupport
  • Nützliche Kennzahl für die Absatzprognose
  • Weniger Druck beim Abschluss von Neugeschäften

Vorgehen: Das erste Ziel in der Churn Prediction besteht darin, jedem Kunden ein Abwanderungsrisiko zuzuordnen. Mittels Machine Learning können ausschlaggebende Merkmale für eine Abwanderung auf Basis der Kundenprofile identifiziert und besser verstanden werden. In einem weiteren Schritt kann eine KI auch Handlungsempfehlungen für die Prävention liefern, zum Beispiel durch die Gewährung von Rabatten oder vergünstigen Serviceangeboten.

Die Kundenabwanderung ist vorallem in wettbewerbsintensiven Märkten wie Telekommunikation oder bei der Energieversorung ein präsentes Thema. Durch Analyse und Tracking der Konkurrenzsituation und der Beobachtung von Stimmungen und Meinungen in sozialen Medien kann die Qualität der Churn Prediction deutlich verbessert werden.

Das müssen Sie bedenken:

  • Die Informationsquellen für eine Churn Prediction sind im Wandel. So können etwa neue Verbraucherportale entstehen und Kanäle in sozialen Medien auftauchen, die für eine Stimmungsanalyse herangezogen werden sollten. Kalkulieren Sie also mit ein, das Churn Prediction-Modell in regelmäßigen Abständen zu reviewen.
  • Achten Sie darauf, dass die KI hilfreiche Aussagen liefert. Es besteht die Gefahr, dass eine KI zunächst Kunden erkennt, die sich von Ihrem Produkt bereits abgewendet haben, und nicht mehr für Angebote empfänglich sind. Der Schlüsselaspekt ist hier tatsächlich die Früherkennung: Kunden sollten dann Ihre Aufmerksamkeit erhalten, wenn sich die Zufriedenheit verschlechtert, nicht wenn sie bereits am Tiefpunkt ist. Eine KI muss dies berücksichtigen.

Make or Buy? Im Bereich der Churn Prediction sind in den letzten Jahren KI-basierte Standardsoftwarepakete entstanden, die bei relativ geringem KI-Know-How bereits gute Ergebnisse liefern können. Eine Evaluation fertiger Software ist daher auf jeden Fall eine gute Idee. Falls in Ihrem Unternehmen jedoch historische Daten zum Kundenverhalten existieren, sollten Sie diese im Rahmen eines zusätzlichen KI-Projekts in jedem Fall auswerten und ggfs. die Standardlösung erweitern.

Cross- bzw. Up-Selling

KI-gestützte Empfehlung von relevanten oder komplementären Produkten und Dienstleistungen, die für einen existierenden Kunden interessant sein könnten. Eine solche KI kann entweder in Online-Shops in Form einer Produktempfehlung eingesetzt werden, als Assistenz im Vertrieb dienen oder in Form von Retargeting-Kampagnen genutzt werden.

Mehrwerte:

  • Gesteigertes Ertragsvolumen pro Kunde
  • Mehr Kundenzufriedenheit durch Angebotspersonalisierung

Vorgehen: Eine wichtige Grundlage des KI-gestützten Cross Sellings ist die Klassifikation von Kunden. Dabei werden Kunden anhand verschiedener Merkmale (demografisch, psychografisch, verhaltensorientiert) mittels Machine Learning automatisch in Cluster eingeteilt. Produktempfehlungen lassen sich nun aus der Kaufhistorie ähnlicher Kunden aus dem gleichen Cluster ableiten. Ein alternativer Ansatz ist die Warenkorbanalyse, bei der ermittelt wird, welche Produkte häufig gemeinsam gekauft werden.

Das müssen Sie bedenken:

  • Mit Machine Learning kann das Cross Selling deutlich besser auf den jeweiligen Kunden zugeschnitten werden. Die üblichen Probleme rund um das Thema Cross Selling bleiben jedoch bestehen: Verschiedene Kundentypen reagieren unterschiedlich auf die Zusatzangebote. Es kann also Sinn machen, Cross Selling auf bestimmte Produktbereiche oder lediglich in gezielten Customer Journeys einzusetzen. Der Einsatz von KI ersetzt also nicht die sorgfältige Planung und die Recherche hinsichtlich einzelner Kampagnen. Allerdings kann auch hier Machine Learning eingesetzt werden, um schneller wertvolle Insights zu einzelnen Kundentypen und deren Verhalten zu gewinnen.
  • Im überwachten Lernprozess müssen den Algorithmen die richigen Rahmenparameter mitgegeben werden, um nicht auf sinnlose Produktempfehlungen zu trainieren. So gehören das Sommerkleid und der Wintermantel zwar beide in die Produktkategorie Bekleidung, jedoch würde man sie wohl kaum gemeinsam anbieten wollen.

Make or Buy? Der Markt an End-to-End-Softwarepaketen im Bereich Cross Selling ist derzeit noch überschaubar. Es gibt einzelne Produkte und CRM-Plugins, welche direkt auf den Daten verschiedener CRM-Systeme arbeiten und KI-gestützte Insights generieren. Alles in allem ist es jedoch schwierig, der individuellen Natur des jeweiligen Marktes, der Kunden und Produkte mit einer fertigen KI-Lösung gerecht zu werden. In den meisten Fällen wird ein individuelles Machine Learning-Modell die besseren Ergebnisse erzielen.

Dynamische Preisanpassung

Intelligente Anpassung des Preises auf Basis der aktuellen Marktbedingungen. Einflussfaktoren sind dabei beispielsweise Produktionskosten, Preise des Wettbewerbs, die aktuelle Nachfrage und Kundenprofile bzw. Zielgruppen.

Mehrwerte:

  • Ausnutzung von Potenzialen bei der Steigerung von Umsätzen
  • Höhere Auslastung bzw. Verkäufe durch situative Kaufanreize
  • Besseres Verständnis für Zielgruppen und Personas und damit Optimierungspotenzial für Marketingkampagnen

Vorgehen: Da der dynamische Preis von mehreren Einflussfaktoren abhängt, müssen diese im Rahmen des KI-Projekts separat voneinander betrachtet werden. Im ersten Schritt kann zunächst eine feingranulare Segmentierung der Kunden mittels Machine Learning erfolgen. Hier können sich interessante Zielgruppen herausbilden, denen man im späteren Verlauf der Preisfindung besondere Aufmerksamkeit widmen möchte. Beim Flugticketverkauf wären solche Zielgruppen beispielsweise die Ferientouristen als Frühbucher und Geschäftsreisende als Spätbucher. Weitere interne Datenquellen (z.B. CRM- oder WMS-Daten) und externe Datenquellen (z.B. Mitbewerber, marktbeeinflussende Faktoren) werden in einer frühen Konzeptphase sondiert und gewichtet. Faktoren wie Produktionskosten oder die Nachfrage fließen als Regressionsmodelle mit in die Preisfindung ein. Das Programm zur Preisfindung ist am Ende in aller Regel ein mehrstufiges System, das aus einem Ensemble von Machine Learning-Modellen und einem zusätzlichen Regelwerk besteht.

Das müssen Sie bedenken:

  • Die dynamische Preisanpassung darf übergeordnete Geschäftsziele wie etwa eine Mindestmarge nicht missachten. Die Entscheidungsfreiheit einer KI sollte insofern immer durch ein Regelwerk ergänzt werden, welches entsprechende Schranken definiert.
  • Faktoren für die Preisanpassung sollten sehr sorgfältig anhand geschäftsstrategischer Entscheidungen gewichtet werden. So können beispielsweise die Preise des Wettbewerbs als Faktor bei der Preisfindung dienen, könnten aber bei einer zu starken Gewichtung dem Ziel widersprechen, die Produkte eher in einem Premiumsegment zu platzieren. Das Design eines geeigneten Machine Learning-Modells muss solche Gewichtungen von Beginn an berücksichtigen.

Make or Buy? Aufgrund der Komplexität bei der dynamischen Preisfindung sind existierende Softwarelösungen sehr branchenspezifisch oder beziehen sich auf einzelne Bausteine im Gesamtprozess (z.B. beim Preisvergleich oder bei der Marktdatenanalyse). Fertige Lösungen sind hauptsächlich auf den Onlinehandel zugeschnitten. In Ihrem Dynamic Pricing-Projekt können Sie nach anfänglicher Festlegung von Einflussfaktoren und deren Priorisierung im Rahmen einer Softwareevaluation entscheiden, welche Teilaspekte oder Datenquellen zugekauft werden, und welche Machine Learning-Modelle in Eigenentwicklung entstehen sollten.

Kundenanalyse

KI-gestützte Analyse von Kunden und deren Bedürfnissen, Verhalten und Präferenzen.

Mehrwerte:

  • Bessere Personalisierung von Werbung, beispielsweise in Bezug auf Format und Art der Ansprache
  • Besser zugeschnittene Marketing-Kampagnen und Customer Journeys und damit höhere Conversion Rates

Vorgehen: Bei der Erhebung und Analyse marketingrelevanter Kundendaten (z.B. demografisch, psychografisch oder verhaltensorientiert) können Machine Learning-Algorithmen auf verschiedenen Ebenen einen großen Mehrwert bringen. So erlaubt die Customer Sentiment Analysis beispielsweise die automatische Analyse von Stimmungen und Meinungsbildern in Text, Sprache oder Bild, was gerade in Verbindung mit Social Media wichtige Insights für die Optimierung von Marketingkampagnen liefern kann. Die KI-gestützte Kohortenanalyse und Clusterbildung auf Basis existierender Kundendaten kann den Aufwand bei der Marktforschung enorm reduzieren und darüber hinaus Zusammenhänge sichtbar machen, die manuell nur schwer zu entdecken sind. Je nach Anwendungsfall kann Machine Learning auch dazu verwendet werden, psychografische Informationen zum Kunden anhand seines Onlineverhaltens abzuleiten.

Das müssen Sie bedenken:

  • Die KI-gestützte Kundenanalyse ist ein weites Feld und bedarf der Kombination verschiedener Ansätze, um den Marketingprozess optimal zu unterstützen. Auch wenn einzelne Analyseansätze bereits recht schnell Ergebnisse liefern, muss man den Prozess immer mal wieder verfeinern und neue Erfahrungswerte mit einfließen lassen, um langfristig die besten Insights zu generieren.

Make or Buy? Ihr individueller Marketingprozess wird durch ein individuelles Set an KI-Werkzeugen am besten unterstützt. Jedoch gibt es je nach Anwendungsfall eine Reihe fertiger Bausteine, mit denen sich die Entwicklungszeit stark beschleunigen lässt. Die Customer Sentiment Analysis lässt sich beispielsweise für verschiedene Sprachen komplett einkaufen, ohne in Eigenentwicklung investieren zu müssen.

Predictive Targeting

KI-gestützte Anpassung von Angeboten und Werbung für den einzelnen Kunden auf Basis der persönlichen Daten und Verhaltensinformationen.

Mehrwerte:

  • Bessere Personalisierung von Angeboten und Werbung
  • Gesteigertes Ertragsvolumen pro Kunde

Vorgehen: Predictive Targeting kann als Weiterentwicklung bzw. Verfeinerung eines trigger-basierten Marketingansatzes gesehen werden. Trigger-basiertes Marketing reagiert auf bestimmte Aktionen des Kunden, um ein zu dieser Aktion passendes Angebot zu machen. Beispiel: Ein Kunde verbringt längere Zeit in der Kategorie "Sportbekleidung" eines Online-Shops. Als Reaktion könnte der Hinweis auf aktuelle Angebote im Bereich Fitness-Wearables erfolgen.

Während trigger-basiertes Marketing auf Basis manueller Regeln funktioniert, kann Predictive Targeting die optimalen Trigger für ein bestimmtes Kaufverhalten automatisch finden und damit eine deutlich bessere Angebotspersonalisierung erreichen. Grundlage dafür ist eine automatisierte Analyse von Verhaltensdaten und Kaufhistorie aller Kunden. Das resultierende Modell wird dazu verwendet, das Interesse eines Kunden in Bezug auf bestimmte Angebote und Produktgruppen vorherzusagen. Diese Information kann im Anschluss wiederum dazu verwendet werden, personalisierte Angebote kundenspezifisch zusammenzustellen.

Das müssen Sie bedenken:

  • Predictive Targeting ist dann lohnenswert, wenn auch tatsächlich viele Daten zum Kundenverhalten vorliegen. Im Bereich E-Commerce ist die Datenerhebung recht gut automatisierbar. Findet die Kundenineraktion zu einem hohen Anteil offline statt, muss diese zunächst einmal in einer strukturierten Form erfasst werden, bevor eine KI-basierte Analyse stattfinden kann. Da in aller Regel tausende von historischen Verhaltensinformationen benötigt werden, um ein sinnhaftes Machine Learning-Modell aufzubauen, ist Predictive Targeting nur dann interessant für Sie, wenn Sie bereits ein großes Reportoire an Daten zu vielen unterschiedlichen Kunden haben.

Make or Buy? Die Anbieter großer Cloud-Plattformen bieten mittlerweile leistungsstarke Lösungen an, welche die Entwicklung von Personalisierungs- und Targeting-Lösungen stark vereinfachen. So bietet etwa Amazon mit "AWS Personalize" die Möglichkeit, eigene Targeting-Lösungen auf Basis der gleichen Technologie zu entwickeln, die Amazon im eigenen Online-Shop einsetzt.

 

Projektverlauf: In wenigen Monaten zur lauffähigen KI

Die Umsetzung und Einführung eines KI-gestützten Use Cases in Ihrem Unternehmen ist ein mehrstufiger Prozess, in dem verschiedene Bereiche im Unternehmen involviert sind:

Rollen im Projekt
Fachabteilung

Expertinnen und Experten aus Marketing und Vertrieb, die ihre Erfahrung bei der Ausarbeitung von Lösunsgsideen und Beurteilung von Daten im gesamten Projektverlauf mit einbringen.

Data Scientists

Erfahrene KI-Spezialisten, die gemeinsam mit der Fachabteilung Lösungskonzepte entwickeln, die Datenaufbereitung vornehmen und Machine Learning-Modelle entwickeln.

Software Engineers

IT- und Softwareexperten, die für die optimale Einbettung der KI-Lösung in die Unternehmens-IT sorgen und ggfs. Integrationen in ein CRM-System oder in andere IT-Systeme vornehmen.

Management

Verantwortliche Person aus Geschäftsleitung, Fachbereich bzw. IT zur Einbringung strategischer Ziele und ggfs. zur Klärung organisatorischer Fragen, bspw. im Bezug auf Data Governance.

Projektphasen
1
Zielsetzung
1 - 3 Tage
Fachabteilung
Management
Data Scientists
  • Gemeinsame Beleuchtung Use Case & anvisierte Mehrwerte und Unternehmensziele
  • Betrachtung des zugrundeliegenden Geschäftsprozesses inklusive aller beteiligten Teams und Systeme
  • Analyse und Priorisierung möglicher Datenquellen
  • Definition Aktionsplan & Meilensteine
2
Proof of Concept
4 - 8 Wochen
Fachabteilung
Data Scientists
  • Demonstration der Lösbarkeit der Aufgabenstellung
  • Intensive Konzeptionsphase gemeinsam mit Fachabteilung
  • Datenanalyse und -aufbereitung
  • Entwicklung einer KI für einen vereinfachten Scope des Use Cases
3
Verfeinerung
2 - 7 Monate
Fachabteilung
Data Scientists
Software Engineers

Weiterentwicklung der Lösung in zweiwöchigen Zyklen (Sprints) mit regelmäßigen Zwischenständen und gemeinsamen Absprachen. Jetzt wird Ihre KI für den anvisierten Use Case bis zur produktiven Reife gebracht.

In dieser Phase setzen wir auch die gewünschte Darstellung des KI-Outputs um, z.B. in Form einer CRM-Integration oder in Form eines E-Mail-Reports. Diese Integration kann in aller Regel parallel zur Verfeinerung ablaufen.

4
Go Live
Meilenstein


5
Retrospektive
1 - 2 Tage
Fachabteilung
Management
Data Scientists
    Nach der Inbetriebnahme Ihrer Lösung setzen wir uns noch einmal zusammen, um das Ergebnis gemeinsam zu reviewen. In diesem Schritt klären wir auch final, wie Ihr Unternehmen künftig mit der KI arbeiten wird. Braucht es für Ihre KI-Strategie im Unternehmen weitere Schritte? Funktionieren KI-relevante Geschäftsprozesse wie die Datenakquisation bzw. Datenpflege?

Mit SIMPI können Bedienungsanleitung in interaktive Kundenerlebnisse gewandelt und in verschiedene E-Commerce Kanäle eingebunden werden. Mit unserer KI-basierten Analyse der daraus resultierenden Daten können unsere Kunden schneller und fundierter als bisher auf Änderungen im Markt reagieren. Das Team von der axio concept GmbH unterstützt uns bei der Umsetzung optimal mit einem Mix aus Machine Learning-Expertise und Kompetenz im Digital Marketing.

Jochen Hildebrandt, Geschäftsführer
SIMPI GmbH
www.simpi.com


 

Machen Sie den ersten Schritt mit uns gemeinsam - gratis und unverbindlich

Wenn Sie einen erfahrenen Partner bei der Umsetzung von KI-Lösungen im Bereich Marketing oder Sales benötigen, stehen wir Ihnen gerne mit Beratungs- und Entwicklungsdienstleistungen zur Seite.

Der erste Schritt ist ein gemeinsamer, unverbindlicher Workshop zu Ihrem Vorhaben:

Workshop
6 - 8 Stunden
Sie interessieren sich für KI im Bereich Marketing & Sales? Gerne bieten wir Ihnen einen unverbindlichen Workshop an. An diesem Tag erarbeiten wir gemeinsam Ihren Use Case und entwickeln ein Zielbild für die Einführung von KI in Ihrem Unternehmen. Im Workshop erhalten Sie eine fachkundige Einschätzung zu Ihrem Vorhaben und einen konkreten Aktionsplan für Ihre weiteren Schritte.
Beispielhafte Agenda:
  • Vortrag: Wie funktioniert Machine Learning in der Praxis?
  • Gemeinsames Kennenlernen Ihrer Produkte und Prozesse
  • Gemeinsame Analyse des Use Cases und dessen Mehrwerte
  • Formulieren einer Roadmap für mögliche nächste Schritte

Jetzt Termin vereinbaren

Weitere Informationen zu unseren Dienstleistungen im Bereich Machine Learning finden Sie auf unserer Service-Seite zu Thema.

 

Sie haben ein Projekt, bei dem Sie gerne unsere Beratungs- und Entwicklungsleistungen in Anspruch nehmen möchten oder wünschen unverbindlich weitere Informationen? Sprechen Sie uns gerne persönlich an!
Kevin Braun
Head of Data Science
+49 7271 9899886
infoaxioconceptcom

Der Schutz Ihrer Daten ist uns wichtig! Zur Verarbeitung Ihrer Anfrage benötigen wir Ihren Namen sowie Ihre Telefonnummer oder E-Mail-Adresse. Alle anderen Angaben sind optional. Alle Angaben werden verschlüsselt übertragen und ausschließlich zur Bearbeitung Ihrer Anfrage verwendet.

Ja, ich bin einverstanden, dass die axio concept GmbH meine Daten zum Zweck der Anfrageverarbeitung gemäß ihrer Datenschutzerklärung verarbeitet.
Herzlichen Dank, Ihre Nachricht wurde erfolgreich versandt. Wir setzen uns schnellstmöglich mit Ihnen in Verbindung.
Ihre Nachricht konnte leider nicht versendet werden. Wir entschuldigen uns für die Umstände. Bitte nutzen Sie unsere E-Mail-Adresse.