Predictive Analytics im Vertrieb

Künstliche Intelligenz im Vertrieb

Künstliche Intelligenz (KI) findet zunehmend Eintritt bei der Marktbearbeitung. Maschinen lernen, ohne dass ihnen Menschen genau erklären müssen, wie das erfolgen soll. Nüchtern betrachtet, können sie viele Aufgaben für den Vertrieb vereinfachen, Empfehlungen basierend auf Prognoseverfahren aussprechen und damit die knappen Ressourcen in erfolgsversprechende Bahnen lenken. Welcher Kunde wird welche zusätzlichen Produkte oder Dienstleistungen benötigen (Best Offer), wo ist die Wahrscheinlichkeit am höchsten, neue Kunden zu gewinnen? Hat man sich früher auf die Erfahrungen der eigenen Mitarbeiter und Vergangenheitswerte verlassen, so konzentriert man sich heute vermehrt auf Algorithmen. Das bereitet vielen Mitarbeitern Angst, derartige Verfahren besitzen folglich (noch) keinen Vertrauensvorschuss. Sollen Maschine und der Mitarbeiter gemeinsam erfolgreich agieren, ist es unerlässlich, Verständnis, Interesse und Kompetenz beim Mitarbeiter zu entwickeln.

Vorausschauende (Big Data) Analyse

Predictive Analytics bezeichnet also die vorausschauende Analyse von internen und externen Daten. Die Vorteile liegen auf der Hand: Der Einsatz ermöglicht eine fundierte und zielgerichtete Entscheidungsfindung in den relevanten, unternehmerischen Fragestellungen. Dabei unterscheidet sich die Big Data Analyse grundlegend von klassischen Forecasts.
Während klassische Prognosemodelle basierend auf einer statistischen Datengrundlage die Gegenwart in die Zukunft fortschreiben, um Trends zur Umsatzentwicklung abzubilden, heben diese Modelle die Prognosen auf ein völlig neues Level. Predictive Analytics antizipiert das gesamte Verhaltensmuster einzelner Kunden in einem festgelegten Zeithorizont und erreicht dadurch eine sehr hohe Genauigkeit in der Prognose. Hieraus lassen sich Handlungsempfehlungen mit hoher Erfolgswahrscheinlichkeit für den Vertrieb und die Marktbearbeitung ableiten.

Wichtige Themen und Fragestellungen sind:

  • Für welche Vertriebsaufgabe soll Predictive Analytics eingesetzt werden (Neukunden, Customer Value Prediction, etc.)?
  • Welche Zielgruppe soll angegangen werden?
  • Bewertung historischer Transaktionen auf ihren künftigen Einfluss
  • Analyse über Transaktionen, Marktdaten, Stammdaten, Clicks, URL/Webseiten, Keywords, Meta Words, Bodytext
  • Customer Value Predicition: Kundenindividuelle Umsatzerwartungen auf Produktebene
  • Share-of-Wallet-Potentialprognosen
  • Next Best Offer
  • Wie können KI und Führungskräfte & Mitarbeiter zusammengeführt werden und erkennen, dass KI hilft, bessere Entscheidungen zu treffen, indem sie maßgeschneiderte Informationen liefert?