IT-Unternehmen werden von massenweisen Leads/Anfragen über Social Media oder durch andere Online Werbungen überhäuft. Die Zahl der Anfragen steigt enorm – doch nicht jede Anfrage ist tatsächlich gut. Oftmals fragen viele Unternehmen an – allerdings sind die Kosten im Nachhinein doch zu hoch oder das Angebot ist unpassend. Grob geschätzt erweisen sich nur ca. 20% der Unternehmensanfragen als sinnvoll. Nicht alle Anfragen können intensiv bearbeitet werden, weil die Vertriebsressourcen stark begrenzt sind – denn oftmals steht nur wenig Personal zur Verfügung oder der Vertrieb ist generell zu beschäftigt.

Doch wie ist es so überhaupt möglich einen Überblick über die tatsächlich sinnvollen Anfragen zu bewahren, die bestenfalls auch zu einem Angebotsabschluss führen?

Diese Frage möchten wir Ihnen anhand eines Projekts mit einem Softwareunternehmen in einer Spezialnische beantworten, welches mit vielen internationalen Großkunden zusammenarbeitet.

Die Problemstellung des IT-Unternehmens lag darin, dass die Geschäftsführer Beschwerden über den Vertrieb bezüglich der Lead-Bearbeitung äußerten. Aufgrund der hohen Menge an ungefilterten Anfragen (ca. 1000 im Monat) war der Vertrieb überfordert damit jeden einzelnen Lead intensiv und anständig zu bearbeiten. Diese Überforderung äußerte sich wiederum in einer hohen Demotivation bei der Arbeit. Bei einer lediglich mittleren Qualität der Anfrage gingen die Vertriebsmitarbeiter davon aus, dass sowieso nichts bei „rumkommen“ würde.

Predictive Analytics für die Qualität der Leads
Aus diesem Grund haben wir von Dastani Consulting ein Verfahren – besser gesagt ein Predictive Analytics-Modell entwickelt – um im Vorfeld eine Anfrage qualitativ einstufen zu können. Dieses Modell zieht sämtliche Informationen über verschiedene Unternehmen aus dem Web (zB. Branche, Mitarbeiter, Umsatz), sowie aus verschiedenen Referenzdatenbanken. Im Anschluss werden die angelaufenen Interessenten gecrawlt. Auf Basis der historischen Anfragen, Abschlüsse und Opportunities, die gesetzt wurden, ist das System in der Lage zu beurteilen, welcher der Interessenten tatsächlich zum Kunden wird. Das KI-System lernt aus der Vergangenheit und kann demnach erhebliche Lernkurveneffekte realisieren.

Einsatz des KI-Tools
Das Softwareunternehmen setzt das KI-basierte Tool ein, um einerseits ältere Leads zu überprüfen, bei denen es sich auch noch nach einigen Monaten lohnt diese anzugehen. Andererseits können jeden Monat die neuen Anfragen in einem kontinuierlichen Prozess kontrolliert werden. Das KI-System soll jeden Monat a priori entscheiden, ob die neue Anfrage direkt an den Vertrieb zur intensiven Bearbeitung weitergeleitet wird oder ob sie erst durch den Innendienst, Social Media oder sogar automatisiert beantwortet werden sollte.

Ergebnis: Hohe Trefferquoten
Als Ergebnis zeigte sich erstaunlicherweise, dass das KI-System a priori mit einer hohen Trefferquote die Adressen identifizieren kann, bei denen sich die Anfragen zum Kunden entwickelt haben oder eine Opportunity, sprich letztendlich ein Angebot, erstellt wurde. Auf diese Weise war es möglich, „gute“ und „schlechte“ Interessenten voneinander zu differenzieren. Vielmehr wurden aber auch die Faktoren identifiziert, die aus einem Interessenten letztendlich einen Kunden machen. Genau diese Kunden muss der Vertrieb mit höchster Priorität bearbeiten.

Fazit: Konzentration auf die wichtigen Kunden
Das bedeutet, dass sich der Vertrieb durch die Einführung des Predictive Analytics-Modells auf die wirklich wesentlichen Kunden fokussieren kann. Somit bleibt die Vertriebsressource konstant, die Abschlusswahrscheinlichkeit erhöht sich und die Effizienz steigt. Zu guter Letzt erfreuen sich alle und selbst die Interessenten, die eine Anfrage hatten, sind glücklich, weil sie eben das bekommen haben, was sie wollten.

Sollten Sie weiterführende Fragen haben, schauen Sie doch auf unseren Social Media Kanälen vorbei (Xing, Linkedin, Instagram) oder rufen Sie uns an +49 (0)641 984 46 – 0.

Der Beitrag Mehr Umsatz durch Fokussierung erschien zuerst auf Dastani Consulting.

Mittlerweile stehen nicht nur historische Transaktionsdaten aus abgewickelten Geschäften oder Daten zur Kundenkontakthistorie aus CRM-Systemen zur Verfügung, sondern auch zusätzliche Quellen (z.B. Websites, Social Media) sind von hoher Bedeutung. Intelligente Cloud-Lösungen erlauben den Zugriff auf Nutzungsdaten im Real-Time-Modus und bieten Potenzial für eine flexiblere Performance.

Mit Big Data zum Erfolg
Durch die intensive Nutzung sämtlicher Online-Kanäle und Social-Media-Plattformen der Unternehmen können digitale Verhaltensmuster bestehender und potenzieller Kunden verwendet werden. Die Folge ist, dass der Datenpool immer größer wird. Wir reden von weltweit 2,5 Billionen Bytes pro Tag (das entspricht einer Speicherkapazität von 36 Millionen iPads). Um die Daten zu analysieren ist die Nutzung von Predictive Analytics nicht wegzudenken.

Next Best Offer: See what’s next
Intelligente Algorithmen sind in der Lage, automatisiert Nutzungs- und Verhaltensmuster der Kunden zu erkennen. Die Aktivitäten eines Kunden können systematisch beobachtet und ausgewertet werden. Dazu besteht die Möglichkeit Trends zu antizipieren. Im Vertrieb und Marketing können automatisierte Prognosen eingesetzt werden, um zu schauen, was der Kunde „als nächstes“ kaufen beziehungsweise nachfragen wird (Next Best Offer).

Das Prinzip des Next Best Offer (NBO) ist dasselbe wie bei dem beliebten Anbieter Netflix: Die Methodik der Film- und Serienempfehlungen kann gleichzeitig auch ins B2B-Geschäft übersetzt werden.

Hier wird auf Basis der einzelnen Bestellungen, Käufe und sonstiger Daten prognostiziert, welcher Kunde welches Produkt als nächstes kaufen wird. Durch die gezielte Kundenansprache erfolgt eine Optimierung der Geschäftsprozesse. Auch Cross Selling-Potenziale können so erschlossen werden.

Prognosen mit einer hohen Trefferquote
Die NBO-Prognosen von Dastani Consulting hatten in der Vergangenheit bei einem Online-Versandhandel, der über 10.000 Produkte verfügt, Trefferquoten von 42,90%. Beispielsweise 3.089 der 7.200 aktiven Kunden kauften in einem betrachteten Zeitraum mindestens eine individuelle Empfehlung. Das entspricht fast der Hälfte des gesamten Kundenstamms des Online-Händlers. Mit einer Quote von 17,35% erworben Kunden sogar mehr als eine Empfehlung (mind. zwei Produkte).

Im Vergleich – ohne die NBO-Prognosen – sind die Trefferquoten sehr hoch, weil der Online-Versandhandel über ein ziemlich großes Produktportfolio verfügt und es sehr schwierig ist, dass sich unter einer zufälligen Produktauswahl ein ansprechendes Produkt für den Kunden befindet. Das bedeutet, je größer die Produktauswahl im Online-Shop ist, desto mehr können Sie als Anbieter von den Big Data Analysen profitieren.

Fazit: Mehr Chancen als Risiken
Die Digitalisierung stellt den B2B-Vertrieb vor eine große Veränderung, wobei aber die Chancen den Risiken stark überwiegen. Unternehmen können von Big Data profitieren und deshalb müssen auch die Vertriebsmitarbeiter einen vertrauensvollen Umgang mit der Datenwelt erlernen, denn sie sind letztlich für die Vertriebsentscheidungen zuständig. Aktuell ist der Vertrieb noch vom „Machine Selling“, in der Maschinen alle Aufgaben übernehmen, ein ganzes Stück entfernt, aber ihnen gehört die Zukunft.

Sollten Sie weiterführende Fragen haben, schauen Sie doch auf unseren Social Media Kanälen vorbei (Xing, Linkedin, Instagram) oder rufen Sie uns an +49 (0)641 984 46 – 0.

Der Beitrag See what’s next – Big Data Analytics erschien zuerst auf Dastani Consulting.

Viele Unternehmen setzen CRM-Systeme ein, nutzen die vorhandenen Daten aber nur unzureichend, um Umsatzpotenziale zu identifizieren und auszuschöpfen. Mit KI (Künstliche Intelligenz)-gesteuerten Algorithmen lässt sich das individuelle Kaufverhalten prognostizieren. So werden die im CRM-System schlummernden Daten zu einer wertvollen Informationsquelle.

Eine aktuelle Studie legt nahe, dass CRM-Systeme ihr Ziel verfehlen: Der Vertrieb kennt die Kunden nicht! Daten sind zwar im Überfluss vorhanden, sie werden aber nur unzureichend ausgewertet. Vor allem ist den Unternehmen das Umsatzpotenzial nicht bekannt. Es gibt Aufschluss darüber, welcher Kunde welches Produkt mit welcher Wahrscheinlichkeit kauft, und dient als wesentliches Instrument der Marketing- und Vertriebssteuerung.

KI versteht unstrukturierte Daten
Mit PA (Predicitve Analytics) lassen sich Daten aus CRM-Systemen analysieren und das Kundenverhalten vorhersagen. Dazu lernt die Software aus der Vielzahl von Daten, Transkationen und Besuchsberichten. Während bis vor wenigen Jahren vor allem Transaktionen und normale Variablen für die Prognosen genutzt wurden, ermöglich die Entwicklung im KI-Bereich heute, auch unstrukturierte Daten einzubeziehen. So „verstehen“ die Anwendungen Besuchsberichten oder Einträgen in Freitextfeldern und beziehen diese wertvollen Daten in die Prognostik ein.

Getätigte Umsätze entscheiden nicht über Customer Value
Ausschlaggebend für den Customer Value sind nicht die tatsächlichen Umsätze, die das Unternehmen bisher mit einer Person oder Organisation gemacht hat, sondern die Analyse der getätigten Umsätze im Verhältnis zum Potenzial. Nicht nur der selbstlernende Ansatz, sondern vor allem ihre schier grenzenlose Performanz prädestiniert KI, wesentliche Informationen für Marketing und Vertrieb zu generieren. Sie wertet die Daten von Millionen von Kunden in wenigen Minuten aus und erkennen Beziehungen, die dem menschlichen Verstand verborgen bleiben.

Up- und Crossselling mit Next Best Offer
Anhand der Kaufwahrscheinlichkeit eines Kunden bezogen auf einzelne Produktgruppen oder Produkte lässt sich die Next Best Offer ermitteln. Oft treten dabei bisher unerkannte Up- und Crossselling-Potenziale zutage. Sowohl im Direktvertrieb als auch in E-Commerce und Telesales wirkt sich das positiv auf das Ergebnis aus. Gute Empfehlungen steigern die Conversion Rate. In Tests konnten wir belegen, dass sie mit etwa 15 Prozent die Akzeptanz eines willkürlich zusammengestellten Warenkorbs deutlich übertrifft

Der Beitrag Customer Value: KI (Künstliche Intelligenz) erweckt CRM-Daten zum Leben erschien zuerst auf Dastani Consulting.