Die Customer Experience ist auch im B2B-Umfeld entscheidend für den Verkauf. Künstliche Intelligenz kann schon heute dabei helfen, die steigenden Kundenerwartungen besser zu erfüllen.
Mit Predictive Analytics können Listen potentiell interessierter Kunden erstellt werden. Auch Wahrscheinlichkeiten für Wechsel oder Kündigung lassen sich bestimmen. Aber wie gelingt das?
von Klaus Haller
Drei bis acht Mal mehr Abschlüsse bei gleichem Personalaufwand. Das sind typische Erfolge von Predictive Analytics beim Up- und Cross-Selling im Retailbanking. Der Grund dafür ist, dass Predicitive Analytics bessere Listen an potentiell interessierten Kunden erstellt als dies selbst langjährige Vertriebsprofis mit perfekten Excel, SQL oder CRM-Kenntnissen können. Doch Predictive Analytics kann den Vertrieb nicht nur beim Up- und Cross-Selling unterstützen. Ein zweiter wichtiger Anwendungsfall ist, Kunden zu erkennen, die kündigen oder zur Konkurrenz wechseln könnten (Churn-Kandidaten).
+++ Melden Sie sich jetzt an für unseren kostenlosen Newsletter Vertriebsszene und erhalten Sie wöchentlich und kostenlos Einsichten aus der Vertriebspraxis, lukrative Jobangebote und eine Auswahl an Personalwechseln. +++
Wie arbeitet Predictive Analytics?
Predictive Analytics basiert auf statistischen Lernverfahren, die für jeden Kunden einen Score ermitteln, üblicherweise zwischen Null und Eins. Die statistischen Lernverfahren nutzen beispielsweise Informationen über den Kunden wie Alter oder Einkommen oder sein vergangenes Einkaufsverhalten. Der daraus statistisch ermittelte Score ist ein Indikator dafür, wie gut ein Produkt zum Kunde passt beziehungsweise ob bei einem Kunden ein hohes Churn-Risiko besteht. Der Score ist keine absolute Wahrscheinlichkeit. 0.5 bedeutet nicht, dass man 50 Prozent Erfolgschance hat und bei zwei Kontaktaufnahmen mit solchen Kunden einen Abschluss erwarten kann. Die Aussage ist, dass man besser den Kunden mit einem Score 0.5 anruft als einen Kunden mit dem Score 0.4.
(c) Klaus Haller
Das Ergebnis einer Predictive Analytics-Auswertung ist eine Liste, die alle Kunden entsprechend dem Score sortiert. Anschliessend kontaktieren die Vertriebsmitarbeiter die Kunden mit dem höchsten Score, um ihnen das Produkt anzubieten beziehungsweise eine Kündigung zu verhindern. Die Kontaktaufnahme erfolgt, wie auch sonst üblich, per Email, Telefon, persönlich et cetera.
(c) Klaus Haller
Wie verändert sich die Arbeit im Vertrieb?
Die Arbeit von Vertriebsmitarbeiter ändert sich also kaum. Sie arbeiten einfach Listen und Leads ab, die neu von der Predictive Analytics-Software erstellt werden. Die Vertriebsleitung muss hingegen zwei Aspekte beachten:
1. Vertriebsprozess: Die IT Abteilung erstellt zukünftig für Vertriebskampagnen Auswertungen mittels Predictive Analytics. Diese Auswertungen muss die Vertriebsleitung natürlich rechtzeitig anfordern.
2. Kulturelle Anpassung: In beratungsintensiven Branchen gehört es zum Selbstverständnis von Vertriebsmitarbeitern, dass sie ihre Kunden und deren Bedürfnisse sehr gut verstehen. Jetzt behauptet die IT-Abteilung, ohne jeden Kundenkontakt bessere Vorhersagen machen zu können. Das kann Emotionen auslösen.
Die Voraussetzungen für Erfolg mit Predictive Analytics
Vor lauter Begeisterung besteht bei innovativen (Hype-)Themen die Gefahr, dass man sie immer und damit auch auf unpassende Fälle anwenden möchte. Daher sollte die Vertriebsleitung prüfen, ob die folgenden drei Voraussetzungen erfüllt sind:
1. Predictive Analytics erfordert eine Datenbasis.
2. Predictive Analytics hilft ab der zweiten Verkaufswelle, nicht bei der Produktlancierung.
3. Predictive Analytics bringt einen Mehrwert bei begrenzten Vertriebskapazitäten, nicht aber, wenn der Vertrieb jedes Produkt sowieso jedem Kunden vorstellt.
Statistische Lernverfahren, wie sie bei Predictive Analytics eingesetzt werden, benötigen Daten und Informationen als Grundlage des Lernens. Ist der Vertrieb als Direktvertrieb organsiert, hat das Unternehmen die Daten über die Kunden und deren Verkaufsverhalten. Das ist ja die Grundlage für Predictive Analytics. Bei indirekten Vertriebsmodellen liegen solche Daten potentiell nicht oder nur unvollständig oder in schlechter Qualität vor.
Natürlich kann man auch nur dann mittels statistischer Lernverfahren das Kaufverhalten analysieren, wenn bereits eine erste Verkaufswelle durchgeführt wurde. Hat der Vertrieb bereits 1'000 Kunden kontaktiert und so 200 Kunden ein "Bundle Gold" verkaufen können, dann hilft Predictive Analytics für die nächsten 50'000 Kunden zu ermitteln, welche 10-15'0000 Kunden man am besten kontaktiert und welche 35-40'000 man mit unpassender Werbung eher verärgert.
Wann Predictive Analytics den meisten Sinn macht
Predictive Analytics ist also die Lösung, um bei begrenzten Verkaufskapazitäten diese für besonders erfolgsversprechende Kundenkontakte einzusetzen. Wenn der Vertrieb sowieso allen Kunden eine eher überschaubare Produktpalette regelmässig zeigt, bringt Predictive Analytics keinen Mehrwert. Diese Bedingung ist aber nur selten erfüllt. Ausserdem würde das auch beim Kunden Widerstände hervorrufen, wenn ein Vertriebsarbeiter jede Woche anruft oder hunderte Produkte vorstellen möchte.
Mit weniger Ressourceneinsatz und mit mehr Erfolg Upselling- und Cross-Selling-Kampagnen durchführen und Kundenabwanderung stoppen, das sind die Quick-Wins von Predictive Analytics im Vertrieb. Wie Predictive Analytics bei strategischen Fragestellungen hilft, das folgt hier in einer Woche.
Über den Autor:
von Klaus Haller
