Bleib informiert und abonniere den Blog.

Wie Machine Learning den Vertrieb unterstützen kann

Machine Learning kann dem Vertrieb mit smarten und zielgerichteten Vorhersagen das Leben erheblich erleichtern. Das Ziel ist dabei nicht, den Vertriebler zu ersetzen, sondern es ihm zu ermöglichen, sich bestmöglich auf den Kunden zu konzentrieren. Und das zu tun, was am wichtigsten im Vertrieb ist: das Verkaufen. Es gibt zahlreiche Anwendungen, wie Machine Learning den Vertrieb unterstützen kann. Wir greifen hier greifen wir die häufigsten Anwendungen auf.

CRM Customer Relationship Management for business sales marketing system concept presented in futuristic graphic interface of service application to support CRM database analysis.
iStock.com/BluePlanetStudio

Vorab: Die Anwendungsszenarien von Machine Learning im Vertrieb sind erstens sehr zahlreich. Zweitens sind sie absolut abhängig von den Geschäftsprozessen des Unternehmens. Daher greifen wir hier die häufigsten Szenarien auf. Je nach Prozessen und verfügbaren Daten können unterschiedlichste Machine Learning Modelle zum Einsatz kommen – unabhängig voneinander, ineinandergreifend oder als Grundlage für einander.

Machine Learning in a nutshell

Das Ziel von Machine Learning Modellen ist die Vorhersage von Zielgrößen. Zielgrößen können Ereignisse bzw. Zustände oder kontinuierliche Zahlen sein. Beispiele dafür:

Ereignisse/ Zustände

  • Kauf eines Produktes
  • Abwanderung bzw. Kündigung
  • Ausfüllen eines Formulars
  • Zugehöriges Segment

Kontinuierliche Zahlen

  • Umsatz
  • Customer Lifetime Value
  • Cross- und Up-Sell-Potenzial
  • Absatz

Für die Vorhersage werden Input-Daten verwendet. Die Art der Input-Daten hängt von der jeweiligen Zielgröße ab. Es werden Daten gesucht, von denen man vermutet, dass sie Einfluss auf die Zielgröße haben. Wenn eine Kaufwahrscheinlichkeit vorhergesagt werden soll, dann könnten als Input-Daten die vorherigen Käufe mit in das Modell einfließen. Beispiele für Input-Daten findest du hier.

Machine Learning Modelle werden mit Daten trainiert und anschließend evaluiert. Sobald (ausreichend) neue Daten verfügbar sind, werden die Modell erneut trainiert bzw. nachtrainiert. Diesen Prozess bezeichnet man als „Lernen“ im Machine Learning. Das Trainieren findet mit unterschiedlichsten statistischen Algorithmen statt. Eine Auflistung von häufig verwendeten Machine Learning Algorithmen findest du weiter unten.

Oftmals werden die Begriffe Machine Learning und Künstliche Intelligenz synonym verwendet. Was Machine Learning und künstliche Intelligenz unterscheidet findest du in folgendem Beitrag:

Unterschied Machine Learning und Künstliche Intelligenz

Wir verwenden in diesem Beitrag den Begriff Machine Learning, weil dieser im Kontext der beschriebenen Anwendungsszenarien zutreffender ist.

Weiterführende Ressourcen zu Machine Learning

Algorithmen

Leads oder Kunden segmentieren

Ein häufiges Anwendungsbeispiel von Machine Learning stellt Segmentierung mittels Cluster-Algorithmen dar. Cluster-Algorithmen zählen im Machine Learning zu den Verfahren von Unsupervises Learning. Dabei werden Leads oder Kunden aufgrund von Merkmalen in Segmente automatisch in Segmente eingeteilt. Die Segmente sind in sich maximal homogen und untereinander maximal heterogen. Ein Beispiel für ein heuristisches Clustering, ohne Machine Learning, könnte der Umsatz eines Kunden sein. Man nimmt den Mittelwert aller Umsätze pro Kunde und teilt dann in zwei Gruppen auf, je nachdem ob der Kunde über- oder unterdurschnittliche Umsätze bringt. Dahingegen besteht der Vorteil von Clustering im Machine Learning darin, dass die verfügbaren Informationen für eine Segmentierung genutzt werden und so Muster erkannt werden können, die nicht direkt ersichtlich sind. Kommen neue Kunden oder Leads dazu, werden diese dem Segment zugeordnet, dem sie am ähnlichsten sind. Segmentierung hat den Vorteil, dass durch die homogenen Gruppen gezieltere Marketing- und Vertriebsaktionen angewendet werden können.

Abschlusswahrscheinlichkeiten berechnen

Vertriebler können ihre Tätigkeit konzentrieren, wenn sie bereits vorab Abschlusswahrscheinlichkeiten von Leads oder Kunden haben. Die Machine Learning Modelle liefern die Abschlusswahrscheinlichkeiten für die jeweiligen Produkte oder Services. Darauf basierend kann der Vertriebler seine Leads oder Kunden nach Abschlusswahrscheinlichkeiten sortieren und die vielversprechendsten zuerst kontaktieren. So entsteht eine Priorisierung, nach welcher der Vertriebler sich richten kann, aber nicht muss. Auch ist es so möglich, dass ein Vertriebler innerhalb eines Kunden, das vermeintlich vielversprechendste Produkt vertreiben kann. Oder auf Basis der Abschlusswahrscheinlichkeiten werden automatisierte Kampagnen ausgespielt. Neben der reinen Abschlusswahrscheinlichkeit kann auch der monetäre Erwartungswert betrachtet werden. Dafür müssen die Abschlusswahrscheinlichkeiten lediglich mit den Durchschnittserlösen der Produkte multipliziert werden. Damit könnte der Vertrieb anhand von Euro-Werten seine Leads und Kunden priorisieren.

Die Erwartungswerte können bei den Leads auch so einen adjustierten Sales Funnel abbilden. Dieser zeigt dann keine absoluten Werte, sondern ist bereinigt um die Abschlusswahrscheinlichkeiten.

Den Customer Lifetime Value berechnen

Für gezielte Marketing- und Vertriebsaktionen ist es entscheidend, dass die profitabelsten Kunden bekannt sind. Denn zu diesen ist Customer-Relationship-Management am wichtigsten. Oftmals gilt hier auch etwa die 80/20-Regel. 20% der Kunden generieren 80% des Umsatzes (ungefähr). Jedoch ist eine reine Betrachtung nach Umsatz eines Kunden zu kurz gegriffen. Die Kosten, welche ein Kunde verursacht, sind ebenfalls zu berücksichtigen. Ebenso wie die Abwanderungswahrscheinlichkeit (churn probability). Machine Learning Modelle können dabei helfen, diese komplexen Zusammenhänge abzubilden und den Customer Lifetime Value (CLV) zu berechnen. Der CLV ermöglicht eine ganzheitlichere Betrachtung eines Wertes eines Kunden. Kurz: Der CLV umfasst den vorhergesagten Gesamtprofit eines Kunden über seinen gesamten Lebenszykluses, bereinigt um Abwanderungswahrscheinlichkeiten und Diskontierungen.

Next-Best-Offer (Recommendation Engines)

Recommendation Engines erfreuen sich im Machine Learning großer Beliebtheit. Hier wird basierend auf Ähnlichkeiten zu anderen Personen, eine Empfehlung für das nächste Offer (z.B. Produkt, Service, Whitepaper, Mailing etc.) ermittelt. Damit sind personalisierte Vorschläge für das Next-Best-Offer (NBO) möglich. Die Empfehlungen können entweder automatisiert ausgespielt werden oder durch den Vertriebler an den Kunden getragen werden. Der Vorteil besteht darin, dass die Empfehlungen darauf basieren, was andere Personen gekauft haben. Die Anwendungsmöglichkeiten reichen vom Online-Retail-Shop über Newsletter-Interessen und Versicherungen bis hin zu Machinenbauteilen. Recommendation Engines sind dafür ausgelegt auch mit großen Datenmengen zuverlässig und schnell, Ergebnisse zu liefern.

Potenzial berechnen

Cross- und Upselling-Potenziale zu auszuschöpfen, ist ein oftmals vernachlässigter Bereich in Marketing und Vertrieb. Schlicht und ergreifend, weil die Potenziale nicht bekannt sind und im Dunkeln liegen. Auch hier können Machine Learning Modelle helfen, die Potenziale aufzudecken. So sollten Vertriebler natürlich Kunden priorisiert angehen, bei denen viel Potenzial noch offen liegt. Die Möglichkeiten, Potenziale zu berechnen sind vielfältig. Häufig werden hierfür auch mehrere Machine Learning Modelle kombiniert. Damit erhalten Vertriebler eine Indikation, wie viel monetäres Potenzial verschiedene Kunden tendenziell noch aufweisen und können so ihre Aktivitäten auch priorisieren und Kunden mit hohem Potenzial priorisiert kontaktieren.

Wie Machine Learning von Datenintegration profitiert

Die Kausalkette „Datenintegration-Datenqualität-Modellperformance“ beschreibt die Notwendigkeit von effektiver Datenintegration für einfacher und schneller umsetzbares sowie erfolgreicheres Machine Learning. Kurzum: aus guter Datenintegration folgt bessere Vorhersagekraft der Machine Learning Modelle wegen höherer Datenqualität.

Betriebswirtschaftlich liegen sowohl kostensenkende als auch umsatzsteigernde Einflüsse vor. Kostensenkend ist die Entwicklung der Modelle (weniger Custom Code, damit weniger Wartung etc.). Umsatzsteigernd ist die bessere Vorhersagekraft der Modelle, was präziseres Targeting, Cross- und Upselling und ein genaueres Bewerten von Leads und Opportunities betrifft – sowohl im B2B- als auch im B2C-Bereich.

Hier findest du einen detaillierten Artikel zu dem Thema:

Wie benutze ich Machine Learning mit der Marini Integration Platform?

Du kannst die Daten deiner zentralen Marini Integration Platform externen Machine Learning Services und Applikationen zur Verfügung stellen. Die Anbindung funktioniert nahtlos durch die HubEngine oder direkten Zugang zur Plattform, abhängig von den Anforderungen des Drittanbieters. Ein Anbieter für Standardanwendungen des Machine Learnings im Vertrieb ist z.B. Omikron. Du kannst aber auch Standardanwendungen auf AWS oder in der Google Cloud nutzen. Eine Anbindung an deine eigenen Server ist ebenso problemlos möglich, wenn du dort deine eigenen Modelle programmieren möchtest.

Wenn du Unterstützung dabei brauchst, wie du Machine Learning Modelle in deine Plattform einbinden kannst, dann kontaktiere unseren Vertrieb. Wir helfen dir gerne weiter!

Profitiere von Expertentipps, News und Wissen per E-Mail