Die Top 5 ERP Data-Mining Methoden, die ein Vertriebsmanager kennen muss
Die Top 5 Data Mining Methoden & Algorithmen für B2B Sales Analytics
In klassischen Zeiten war ein Orakel eine Person, die einen aufschlussreichen Rat oder prophetische Vorhersagen bot, von den Göttern inspiriert. Pythia, die Priesterin im Orakel von Delphi, war die wichtigste der hellenischen Welt und bestand bis in die Spätantike. Es war natürlich eine Form der Wahrsagerei.
Orakel waren in der Antike wichtig, weil sie durch eine Prophezeiung Herrschern in Zeiten der Not helfen sollten.
Krösus, der letzte König von Lydien ersuchte das Orakel, bevor er 546 v. u. Z. gegen Persien in den Krieg zog. Er wurde berühmt beraten: „Wenn Du den Fluss (heute Kizilirmak) überschreitest, wird ein großes Reich zerstört“. Krösus bezog diese Voraussage auf das Perserreich, es war aber sein eigenes, auf das sich die Vorhersage bezog.
Die Zeiten haben sich geändert. Moderne Orakel nutzen Daten, statt Magie. Data-Mining, Predictive Sales Analytics und künstliche Intelligenz. Technologie hat sich viel weiterentwickelt. Heutzutage müssen sich Vertriebsmanager nicht auf Wahrsagerei verlassen.
Warum sind ERP- und CRM- Data-Mining das bessere Orakel?
Es gibt mehrere Lektionen, die ein B2B-Vertriebsleiter aus der Geschichte von Krösus lernen kann. Zuerst muss er oder sie die richtigen Fragen stellen: „Wo sollen wir angreifen?“, „Was wird passieren, wenn wir es tun?“. Im modernen Data-Mining-Bereich, sollten Vertriebsmanager Geschäftsfragen mit dem höchsten Einfluss auf ihre Umsatzleistung zu anfangs stellen.
Unabhängig von den vielen spezifischen Data-Mining-Algorithmen und Technologien, die im Laufe der Jahre entwickelt wurden, gibt es nur eine handvoll Methoden, die einem B2B-Vertriebsteam helfen können, mehr zu verkaufen. Wenn Vertriebsleiter den Wert aus ihren Daten schöpfen wollen, der in ihren ERP- und CRM-Systemen dahinvegetiert, müssen sie diese Top-fünf Data-Mining-Methoden (oder Datenmustererkennung) kennen.
Das Vertriebsteam ist eine der teuersten Ressourcen, die ein B2B-Unternehmen hat. Effizienzsteigerung aus Predictive Sales Analytics bietet enorme Vorteile. Data-Mining spielt hier eine entscheidende Rolle.
Data-Mining Methoden aus ERP-Verkaufsdaten: Prognose- vs. Beobachtungsprobleme.
Bevor wir unsere Top-5 Data-Mining-Methoden präsentieren, stellen wir Ihnen ein wichtiges Konzept des Data-Minings vor: „Supervised“ und „Unsupervised“ Methoden, auf Deutsch grob gegliedert in Prognose- und Beobachtungsprobleme.
Betrachten wir ähnliche Fragen über B2B-Kunden. Zuerst: „Lassen sich Kunden in verschiedene Gruppen einteilen?“. Hier geben wir keinen bestimmten Zweck oder Ziel für die Gruppierung an. Wenn ein solches Ziel fehlt, wird die Data-Mining-Methode als Beobachtungsprobleme oder „nicht überwacht“ beschrieben. Dies wird auf Englisch „unsupervised“ genannt.
Im Gegensatz dazu, nehmen wir zwei leicht veränderte Fragen: „Gibt es Kundengruppen, die eine besonders hohe Wahrscheinlichkeit haben, mehr zu kaufen?“; oder „Bei welchen Bestandskunden gibt es eine niedrige Kundenbindung?“. In diesen letzten Fragen wurde ein sehr spezifisches Ziel definiert: welche Kunden ein neues Angebot annehmen oder kündigen.
Im Vergleich zur ersten Frage, wird hier die Segmentierung mit einer bestimmten Motivation ausgeführt: die Kunden zu besuchen, die mehr kaufen könnten oder deren baldiges Abwandern am wahrscheinlichsten ist. Dies ist ein Data-Mining Prognoseproblem, auch als „überwacht“ bekannt (auf Englisch „supervised“).
Der Unterschied zwischen diesen Fragen scheint gering, aber er ist wichtig. Wenn ein Ziel definiert wurde, kann das Data-Mining Problem als ein Prognoseproblem bezeichnet werden. Prognoseprobleme erfordern andere Methoden als Beobachtungsprobleme und ihre Ergebnisse sind im B2B-Vertrieb oft nützlicher. Allerdings ermöglicht die Anwendung des maschinellen Lernens auf Beobachtungsprobleme künstliche Intelligenz im B2B-Vertrieb.
Eine technische Voraussetzung sollte erfüllt sein, um eine Prognoseproblem Data-Mining-Methode durchzuführen: Es müssen Daten über das Ziel vorhanden sein. Will zum Beispiel ein Vertriebsmanager wissen, welcher Kunde ein Angebot für ein neues Produkt akzeptieren wird, braucht er vergleichbare Kunden, die dieses Angebot bereits akzeptiert haben.
Dies wird üblicherweise als „Positive Cases“ bezeichnet und können notfalls auch Vermutungen sein.
1) Data-Mining Methode: Regressionsanalyse (oder „Wertschätzung“)
Typ: Prognoseprobleme / überwacht („Supervised”)
Beispiel Geschäftsfrage: “Wie viel werden unsere Kunden im nächsten Quartal kaufen?“
Beispiel Vertriebsdaten: Umsatz pro Kunde pro Monat basierend auf dem ERP-System
Anwendungsbeispiel im B2B-Vertrieb: Eine Umsatzprognose mit Regression hilft, realistische Umsatzziele zu setzen und so den Außendienst effektiver zu motivieren.
Eine Regressions Data Mining-Methode versucht, den numerischen Wert einer beobachteten abhängigen Variable vorherzusagen oder zu schätzen, z.B. der Gesamtumsatz pro Kunde.
Einer Regressionsmethode kann alle Kunde und ihre historischen ERP-Verkaufstransaktionen nutzen. Mit diesen Daten schätzt die Methode den Umsatz der folgenden Periode.
Die am häufigsten genutzte Regression ist linear. Eine lineare Regression ist relativ einfach zu berechnen, sogar in Excel. Vertriebsmanager können durch eine lineare Regression Umsatzziele professionell setzen und so den Außendienst mit realistischen und dennoch ehrgeizigen Vorhaben motivieren. Dies erzeugt i.d.R. eine Situation, in der das Verkaufsteam engagierter und effektiver wird.
2) Data-Mining Methode: Klassifizierung (oder Statistische Klassifikationsverfahren)
Typ: Prognoseprobleme / überwacht („Supervised”)
Beispiel Geschäftsfrage: „Fällt eine Kaufentscheidung nach dem Kundenbesuch?“
Beispiel Vertriebsdaten: Eine Kombination aus ERP- und CRM-Daten (Verkaufsaktivitäten)
Anwendungsbeispiel im B2B-Vertrieb: Umsatz wird gesteigert, indem der Außendienst sich auf die Kunden mit höchster Kaufwahrscheinlichkeit konzentriert.
Klassifikation und Regression haben gemeinsame Charakteristiken sind aber unterschiedlich. Informel sagt eine Klassifikation voraus, ob etwas passieren wird. Im Vergleich prognostiziert eine Regression, wieviel von etwas passieren wird. Ein interessantes Beispiel von einem Klassifizierungsproblem basierend auf Data-Mining ist, besuchte B2B-Kunden auf Kaufwahrscheinlichkeit zu klassifizieren.
Da der Kundenbesuch eine relativ teure Aktion im B2B ist, sollte sich ein Key Account Manager auf Kunden mit der höchsten Kaufwahrscheinlichkeit konzentrieren.
In diesem Beispiel erstellt die Data-Mining-Methode zwei Gruppen, „der Kunde wird kaufen“ und “ der Kunde wird nicht kaufen“. Dieses Modell prognostiziert, zu welcher Klasse jeder B2B- Kunde gehört. Die Anwendung dieser Data-Mining-Technik steigert den Umsatz durch die Fokussierung begrenzter Ressourcen auf die vielversprechendsten Kunden und Projekten.
3) Data-Mining Methode: Clusteranalyse (Clustering-Algorithmen, gelegentlich auch: Ballungsanalyse)
Typ: üblicherweise Beobachtungsproblem / nicht überwacht („Unsupervised”)
Beispiel Geschäftsfrage: „Haben wir Kundensegmente, die abwandern könnten?“
Beispiel Vertriebsdaten: ERP-Verkaufstransaktionen. CRM-Daten oder Vertriebsaktivitäten können das Modell verbessern.
Anwendungsbeispiel im B2B-Vertrieb: durch die Erhöhung der Kundenbindung können Verkaufsergebnisse deutlich verbessert werden.
Eine Clusteranalyse versucht, Kunden abhängig ihrer Ähnlichkeit zu gruppieren. In einem sehr nützlichen Beispiel kann ein nicht überwachtes Data-Mining-Clustering aufdecken, ob es B2B-Kundensegmenten gibt, die abwandern könnten. Clusteranalyse bietet dem Vertriebsleiter einen wertvollen Input für die Entscheidungsfindung, Fokussierung und Priorisierung.
Die Kundenrückgewinnung ist im B2B i.d.R. eine sehr teure Angelegenheit. Frühzeitig eine mögliche Kundeabwanderung mit Clusteranalyse entdecken zu können steigert den Umsatz, indem Ressourcen nicht verschwendeten werden. Kombiniert mit maschinellem Lernen bietet diese Data-Mining-Methode außergewöhnlich gute Ergebnisse für Predictive Analytics.
4) Data-Mining Methode: Kausalanalyse (auch als Wirkungszusammenhänge oder Assoziationsanalyse bekannt)
Typ: Prognoseprobleme / überwacht („Supervised”)
Beispiel Geschäftsfrage: „Gibt es einen Zusammenhang zwischen Verkaufsaktionen und verbesserten Verkaufsergebnissen?“
Beispiel Vertriebsdaten: CRM-Vertriebsaktivitäten. ERP-Daten können das Modell verbessern.
Anwendungsbeispiel im B2B-Vertrieb: Vertriebsleiter können die Art der Verkaufsaktionen identifizieren, die die besten Ergebnisse liefern.
Kausalität impliziert ein Ursache-Wirkungs-Prinzip. Kausalanalyse hilft einem Vertriebsleiter zu verstehen, welche Art von Vertriebs- oder Verkaufsaktionen die Umsatzsteigerung beeinflussen. Betrachten wir bspw. die Anwendung von prädiktiven Modellen, um zu analysieren, wie bestimmte Verkaufsaktionen auf unterschiedliche Kundensegmente wirken.
Ein Vertriebsmanager kann beobachten, ob ein ausgewähltes Segment mehr kauft, nachdem eine gezielte Verkaufsaktion erfolgte. Hat bspw. der Besuch die Kunde zum Kaufen geführt? Oder hat das prädiktive Modell einfach einen guten Job gemacht, um Kunde zu identifizieren, die sowieso eine Bestellung platziert hätten?
Data-Mining-Methoden für die Kausalmodellierung können als „kontrafaktische“ Analyse bezeichnet werden: Sie versuchen zu erklären, was der Unterschied zwischen entgegengesetzten Verkaufsaktionen ist, ob sie stattfinden oder nicht. Diese Art von Predictive Analytics steigert den Umsatz, indem sie einen klaren Zusammenhang zwischen Vertriebsaktivitäten und Verkaufsergebnissen entdeckt.
5) Data-Mining Methode: Profilierung oder Verhaltensbeschreibung (auf Englisch „Profiling“)
Typ: Beobachtungsprobleme / nicht überwacht („Unsupervised”)
Beispiel Geschäftsfrage: „Was ist das typische Verhalten unserer erfolgreichsten Key Account Manager?“
Beispiel Vertriebsdaten: Hauptsächlich CRM. ERP-Daten können in einigen Fällen dazu beitragen, das Modell zu verbessern.
Anwendungsbeispiel im B2B-Vertrieb: Vertriebsleiter können die erfolgreichsten Verhaltensweisen identifizieren und darauf basierend Inzentiven effektiv gestalten.
Profilierung (die Erstellung eines Persönlichkeits-, Verhaltens- oder beispielsweise Bewegungsprofils) kann verwendet werden, um das typische Verhalten eines erfolgreichen Key Account Managers oder Vertriebsmitarbeiters zu charakterisieren.
Verhalten im B2B-Vertrieb ist selten einfach beschreibbar. Die Anzahl der Angebote, Follow-Ups, Besuche, die besuchten Kunden, die Zeit der Verkaufsgespräche, die Nutzung von Social Media zur Unterstützung von Vertriebsaktivitäten u.s.w. können beachtet werden.
Sollte z. B. ein Vertriebsmanager erkennen, dass die erfolgreichsten Key Account Manager nur eine reduzierte, aber gezielte Anzahl von Kunden besucht, kann er die Inzentiven auf die Besuchsqualität setzen.
BERECHNEN SIE JETZT DEN ROI VON QYMATIX PREDICTIVE SALES SOFTWARE
Die Top 5 Data-Mining-Methoden, um aus ERP- und CRM-Daten mehr zu verkaufen – Fazit.
So wie die Orakel vor Jahrhunderten, sollte Data-Mining für Predictive Sales Analytics heute geschätzt werden. In diesem Beitrag haben wir die Top 5 Prognose- und Beobachtung Data-Mining Methoden für den Vertrieb in Business-to-Business vorgestellt.
Jede dieser Datenanalyse-Techniken kann verwendet werden, um eine dringende Geschäftsfrage zu beantworten, abhängig von der Art der Daten und dem Geschäftsziel der analytischen Aufgabe. Im B2B-Vertrieb haben ERP- und CRM-Data-Mining verschiedene Anwendungsbeispiele, wie Cross-Selling, Kundenabwanderung und Fluktuation oder Preisanalysen.
Regressionsanalyse, Klassifizierung, Clusteranalyse, Kausalanalyse und Profilierung sind heute die Top-5 Data-Mining Methoden, die ein B2B-Vertriebsteams kennen muss. Vertriebsmanager können sie mithilfe ihrer ERP- und CRM-Daten anwenden, um den Customer Lifetime Value zu erhöhen.
Schreiben Sie uns noch heute, wenn Sie wissen möchten, wie Sales Data Mining Ihr Team voranbringen kann.
JETZT TERMIN FÜR LIVE-DEMO VEREINBAREN
Literaturnachweis:
Analysis & Prediction of Sales Data in SAP ERP System Using Clustering Algorithms
„The Effects of Data Mining in ERP-CRM Model – A Case Study of Madar“
Big data and predictive analytics in ERP systems for automating decision making process
Header Image: John Collier (1850–1934) – Priestess of Delphi
Auch interessant:
Predictive Analytics ERP: Alles zu Data-Mining für Ihren Vertrieb
Predictive Analytics Methoden | Einsatz von Big-Data im Bereich B2B-Vertrieb
