All About ERP Data Mining for Sales

Data-Mining ERP – Was wir nach der Analyse von 100 Millionen Verkaufstransaktionen erkannt haben.

Data-Mining ist die Anwendung einer Vielzahl von verschiedenen statistischen Methoden auf Daten im ERP-System. Heutzutage nutzen Unternehmen Data-Mining, um Ergebnisse vorherzusagen, Verkaufstrends zu erkennen, eine Abwanderung von Kunden zu verhindern und die Preispolitik dynamisch anzupassen.

Die Mustererkennung aus Enterprise Resource Planning (ERP) Daten ist im Business-to-Business Bereich von entscheidender Bedeutung, da bereits kleine Verbesserungen der Vertriebseffizienz erhebliche Auswirkungen auf die Ergebnisse haben können. Das Data-Mining der Vertriebsdaten im ERP-System hilft den Kunden dabei, eine beträchtliche Wertschöpfung zu erreichen, Quick-Wins zu entdecken und ihre Verkaufsaktivitäten zu priorisieren. Die Automatisierung dieses Prozesses ist heute mithilfe von künstlicher Intelligenz (KI) möglich.


Unsere Lösung integriert künstliche Intelligenz in ERP-Systeme. Einfach gesagt, ERP-Systeme mit künstlicher Intelligenz (KI) ermöglichen Cross- und Up-Selling Möglichkeiten effizient zu identifizieren, die Preispolitik dynamisch anzupassen und eine Kundenabwanderung zu reduzieren.

Seit der Einführung unseres Tools für Predictive Analytics haben wir mehr als 100 Millionen Verkaufstransaktionen analysiert, eine ähnliche Anzahl von CRM-Aktivitäten integriert und Dutzende verschiedener Data-Mining-Modelle erstellt.

Hier stellen wir Ihnen das vor, was wir bisher gelernt haben. Wir führen einige der wichtigsten Erkenntnissen auf, die wir in Tausenden von ERP-Datensätzen wieder und wieder gefunden haben.

B2B-Unternehmen können beim ERP-Data-Mining auf Gold treffen

Was ist ERP Data-Mining im Vertrieb? Eines der Projekte mit der höchsten Rentabilität, das ein Unternehmen im B2B-Bereich heutzutage finden kann.

Wenn Daten das neue Gold sind, ist ERP Data-Mining die Goldgewinnung.

Was wir bisher gelernt haben, ist, dass die meisten B2B-Unternehmen immer noch nicht nach diesem Gold schürfen. Es liegt unter ihren Daten vergraben. Wir fragen uns oft, warum das so ist. Wir können uns drei Hauptgründe vorstellen.

Erstens, da fast 75 % aller Unternehmen eine stressige Zeit damit hatten, ihr ERP-System zu implementieren, glauben sie, dass ERP-Data-Mining auch teuer und aufwendig ist. Da liegen sie falsch. Es gibt inzwischen technische Lösungen, die ohne viel Aufwand und Ressourcen Data-Mining in ein CRM- oder ERP-System integrieren.

Die Implementierung eines ERP-Systems kann bis zu zwei Jahre dauern und Millionen kosten. Dank der Cloud-Architektur und KI ist Data-Mining in ERP-Systemen vergleichsweise preiswert und von geringerem Risiko. Die meisten Manager wissen noch nichts davon oder ignorieren dies. Auch der Hype um „Big Data“ hilft nicht dabei, Vertrauen in eine solch neue Technologie zu schaffen.

Zweitens, setzen Vertriebsleiter eher ihre Ressourcen dafür ein, Neukunden zu gewinnen, anstatt den Kundenwert der bestehenden Kunden zu steigern. Dabei vernachlässigen sie jedoch zwei Dinge: Zum einen, die langfristige Auswirkung, die Predictive Analytics auf die Vertriebsleistung haben kann. Und zum anderen ist die Kundenbindung 5x günstiger als die Neukundengewinnung.

Schließlich sind Vertriebsleiter, die eventuell bereits versucht haben, Predictive Analytics oder Data-Mining zu implementieren vermutlich bei Excel gelandet. Sie sind sich darüber im Klaren, dass präzise Vorhersagen zu einem Wettbewerbsvorteil führen… Und dann kam Excel. Excel ist ein großartiges Produktivitätstool, aber eine lausige Software für Data-Mining bzw. zur Vertriebsplanung. Es gibt eindeutig bessere Alternativen auf dem Markt. Sie sind einfach zu verwenden und erfordern keine Vorkenntnisse im Data-Mining.

Zu wissen, dass Unternehmen in ihrem ERP noch nicht nach Gold geschürft haben, ist nicht unbedingt eine schlechte Nachricht. Sobald sie damit anfangen, machen sie eine aufregende Entdeckung: ERP-Data-Mining ist finanziell außerordentlich lohnend.

In dieser neuen KI-Welt gelten immer noch die klassischen Vertriebsregeln.

ERP Data-Mining bietet heute einen sehr attraktiven ROI – beginnen Sie mit den folgenden drei Methoden

ERP-Data-Mining kann einen ROI von 800 % in drei bis sechs Monaten bringen. Mithilfe von Data-Mining kann ein Vertriebsleiter Cross- und Up-Selling Potenziale erkennen, Vertriebskosten sparen, die Kundenfluktuation vermindern und die Preise dynamisch anpassen. All diese Maßnahmen haben einen enormen Einfluss auf den Umsatz und die Rentabilität eines jeden Unternehmens.

Dies sind die drei “Low Hanging Fruits” von Predictive Analytics im B2B-Bereich: dynamische Preisfindung, Reduzierung der Kundenfluktuation und die Entdeckung von Cross-Selling Potenzialen.

Die Preisanalyse ist die Data-Mining-Technik mit der höchsten Auswirkung auf den Unternehmensgewinn. Wir schätzen, dass eine selektive Anpassung der Preise um etwa 5 % oder die Identifikation von Kunden, die mehrere überlappende Rabatte in Anspruch nehmen, die Einnahmen um 40 % bis zu 50 % erhöhen können.

Die Reduzierung von Kundenabwanderung ist die zweitprofitabelste Data-Mining-Methode im B2B-Bereich. Mit steigenden Akquisitionskosten und teureren Key-Account-Managern können es sich B2B-Unternehmen nicht leisten, wertvolle Kunden zu verlieren. Wenn Sie alle gleich behandeln, wirkt sich dies erheblich auf die Marketingbudgets aus. Die Antwort? Vorhersage der Abwanderung von Kunden und Segmentierung von Vertriebs- und Marketingaktivitäten.

Auch das Entdecken von Cross- und Up-Selling Potenzialen kann unter dem Strich enorme Auswirkungen haben. Die meisten Unternehmen, die zu uns kommen, versuchen bereits, bisher unentdeckte Chancen zu finden. Meistens allerdings manuell oder eventuell mithilfe eines Datenvisualisierungstools. Die Ausstattung der Vertriebsmitarbeiter mit einem Datenvisualisierungstool für die Verkaufsanalyse ist zeitaufwendig und äußerst ineffektiv.

Was ist effektiver? Gleich den konkreten Handlungsbedarf zu nennen.

Wie das geht? Durch die Implementierung eines automatisierten Apriori-Algorithmus für das Data-Mining erhalten Key Account Manager beispielsweise genau das, was sie brauchen: priorisierte Produktvorschläge basierend auf der Wahrscheinlichkeit, dass ein Kunde kauft.

Vergessen Sie KI. In dieser neuen KI-Welt gelten immer noch klassische Vertriebsregeln

Zu Beginn des vergangenen Jahrhunderts stellte Vilfredo Pareto, ein in Paris geborener italienischer Bauingenieur, fest, dass 80 % der Ländereien in den Händen von 20 % der Bevölkerung waren.

Heutzutage ist seine Analyse allgemein als die 80/20-Regel bekannt, die nach ihm als Pareto-Prinzip bezeichnet wird. Dieses Prinzip hat unzählige empirische Beispiele und ist ein Gesetz der Wahrscheinlichkeitsverteilung.

Die Verteilung einer großen Vielfalt von biologischen, physikalischen und von Menschen gemachten Phänomenen folgen – in etwa – dem Pareto-Prinzip. Dazu gehören die Größen von Aktivitätsmustern neuronaler Populationen, der Nahrungssuchmodus einiger Arten, die Dimensionen von Sonneneruptionen und Kratern auf dem Mond, die Häufigkeit von Wörtern in den meisten Sprachen, Häufigkeiten von Familiennamen und viele andere Quantitäten.

Seit Jahren sprechen Führungskräfte von dem Pareto- Prinzip als “dem heiligen Gral im Vertrieb und Marketing”. Nach der Analyse von Millionen von ERP-Verkaufstransaktionen haben wir festgestellt, dass das Pareto-Prinzip in fast allen Fällen und Vertriebssituationen Bestand zu haben scheint.

Faszinierenderweise, haben wir erkannt, dass nicht nur die meisten Unternehmen 80 % ihres Umsatzes mit 20 % ihrer Kunden machen, sondern manche machen ihn mit nur 20 Kunden.

Diese Erkenntnis hat weitreichende Auswirkungen auf die Vertriebsplanung und -strategie. Dies bedeutet, dass sich Key Account Manager auf die Top 20 Accounts konzentrieren sollten, die den Unterschied machen. Unternehmen sollten sich gründlich überlegen, wie sie den Rest mit E-Commerce, E-Mail-Marketing und anderen Lösungen zur Vertriebssteigerung abdecken können.

 

BERECHNEN SIE JETZT DEN ROI VON QYMATIX ERP DATA-MINING SOFTWARE

ERP Data-Mining – Was wir nach Analyse von 100 Millionen Verkaufstransaktionen erkannt haben – Fazit

Das Data-Mining von ERP-Daten ist kein kostspieliges Projekt mehr. Unternehmen nutzen heute Data-Mining-Methoden, um Umsatztrends zu erkennen und Ergebnisse vorherzusagen. Leider ignorieren die meisten B2B-Unternehmen immer noch, wie man es macht und wie attraktiv – im Sinne von profitabel – die Investition sein kann. Die Unternehmen glauben immer noch, dass ERP-Data-Mining teuer und riskant ist. Aufgrund von Änderungen in der Technologie ist dies aber nicht mehr der Fall.

Das Data-Mining von ERP-Daten bietet Renditen von mehr als 800 %. Die meisten Projekte amortisieren sich in weniger als einem halben Jahr. Darüber hinaus können Unternehmen diesen überzeugenden ROI mit nur drei Predictive-Analytics-Anwendungen erreichen.

Vertriebsleiter im B2B können Preise dynamisch anpassen, die Abwanderung von Kunden reduzieren und Cross- und Up-Selling Potenziale mit Data-Mining erschließen. Diese Aktivitäten haben einen enormen Einfluss auf die Rentabilität der meisten Unternehmen.

Wir haben auch erkannt, dass in dieser neuen Welt der künstlichen Intelligenz einige charakteristische Regeln für den B2B-Vertrieb weiterhin gelten. Zum Beispiel können wir nach der Analyse von Millionen von Verkaufstransaktionen sagen, dass die Pareto-Regel auch hier meist zutrifft.

Wie relevant ist das Thema ERP Data-Mining für Sie? Schreiben Sie es uns!

 

JETZT TERMIN FÜR EIN PERSÖNLICHES GESPRÄCH VEREINBAREN

Kostenloses eBook zum gratis Download: Predictive Analytics – Was es ist und wie Sie beginnen können

Predictive Analytics: Methoden, Daten und Ideen aus der Praxis

Downloaden Sie jetzt das kostenlose eBook.


  • Wir verwenden diese Daten nur zur Beantwortung Ihre Anfrage. Hier können Sie unsere Datenschutzerklärung finden.
  • Predictive Analytics: Was es ist und wie Sie beginnen können


    Literaturnachweis:

    Provost, F. and Fawcett, T. (2013) Data Science For Business: What You Need to Know About Data Mining & Data-Analytic Thinking. O’Reilly.

    Grus, J. (2016) Einführung in Data Science: Grundprinzipien der Datenanalyse mit Python. O’Reilly.

    Witten, I. (2016) Data Mining: Practical Machine Learning Tools and Techniques. Morgan Kaufmann Series in Data Management Systems.

    Goodfellow, I., Bengio, Y. and Courville, A. (2016) Deep Learning (Adaptive Computation and Machine Learning) – The Mit Press.


    Auch interessant über ERP Data-Mining:

    Wie viele Daten benötigen Sie für die Implementierung von Predictive Analytics?

    Predictive Analytics – Einsatz im Vertriebscontrolling


    Leave a Reply

    Your email address will not be published. Required fields are marked *