Verkaufsanalyse und -beschleunigung mit Predictive Analytics Software: Wie die Kausalitätsfalle der Black Box „Machine Learning“ vermieden werden kann.

Alle sagen: „Nutzen Sie maschinelles Lernen, um mehr zu verkaufen.“. Aber wie kann man mehr verkaufen, wenn man die Ergebnisse der Predictive-Analytics-Software nicht nachvollziehen kann?

Erfolgreiche B2B-Manager setzen KI-basierte Predictive-Analytics-Software ein, um ihre Verkäufe zu beschleunigen. Sie möchten jedoch oft selbst herausfinden, was die Merkmale ihrer wichtigsten und profitabelsten Kunden oder Leads sind.

Kennen Sie folgende Situation? Sie möchten den Erfolg vorhersagen. Und Sie möchten eine Reihe von Regeln erstellen, die Ihr Vertriebsteam befolgen kann, um zu verhindern, dass Kunden abwandern oder um versteckte Verkaufschancen zu finden. Warum kann Ihre KI-Vertriebssoftware dies nicht tun?

KI-Experten formulieren diese Einschränkung oft als regelbasierte Verkaufsanalyse vs. maschinelles Lernen (ML). Es gibt keine einfache Lösung und es erfordert Ihr Verständnis, um zu wissen, wann was anzuwenden ist.

Wir werden in diesem Artikel diskutieren, was ein regelbasiertes System ist und es mit einer KI-basierten Predictive Sales Software vergleichen. Sie lernen außerdem eine neue Denkweise oder Logik, die hinter dem maschinellen Lernen steht: Wir nennen es das „actionable is actionable“-Prinzip. Denn, wie Goethe schon sagte: „Es ist nicht genug zu wollen, man muss auch tun“

Zuletzt werden wir Ihnen zeigen, wie Sie weiter vorgehen können. Beginnen wir mit dem Vergleich.

Predictive Analytics für den Vertrieb: regelbasierte Kundenanalyse vs. maschinelles Lernen

Vertriebsleiter versuchen häufig vorherzusagen, welcher Kunde abwandern, mehr kaufen oder einen höheren Preis akzeptieren wird – drei typische Herausforderungen zur Beschleunigung des Vertriebs. Sie könnten dafür versuchen, eine Reihe von Regeln aufzustellen, um Ihre Kunden zu klassifizieren.

Nehmen wir das Beispiel der Kundenabwanderung. Sie segmentieren Ihre Kunden nach dem Land, in dem sie ansässig sind – sagen wir Großbritannien oder Deutschland – und danach kategorisieren Sie Ihre Kunden nach der Höhe des Jahresumsatzes – sagen wir über oder unter 5.000 Euro.

Am Ende erhalten Sie vier verschiedene Kategorien, wie in der Abbildung unten dargestellt. Nun gilt es herauszufinden, ob es zwischen der Wahrscheinlichkeit, dass ein Kunde abwandert und diesem Regelwerk einige Zusammenhänge oder Korrelationen gibt.

Customer attrition software qymatix

Das Diagramm stellt jeden Entscheidungsknoten in Form einer Raute dar und jede mögliche Option als ein Quadrat. Die Farbe Rot steht für Kunden, die abwandern werden und Grün für Kunden, die bleiben. Sieht zu einfach aus, nicht wahr?

Allerdings sind für die Kundenbindung im B2B-Bereich Verkaufs- und Abwanderungsanalysen nicht so einfach. Es gibt Hunderte von verschiedenen Merkmalen, die abwanderungsgefährdete Kunden von „loyalen“ Kunden trennen.

Und hier kommt maschinelles Lernen ins Spiel:

Eine Predictive Analytics Software bezieht alle diese Merkmale mit ein und ein einzelnes Merkmal hat dadurch nur einen minimalen prozentualen Anteil am Endergebnis. Die Prognose ist dadurch viel umfangreicher und genauer.

Allerdings erschwert diese Tatsache professionellen Vertriebsmitarbeitern das „Warum“ zu verstehen. Sie möchten die Merkmale wissen, die dazu führen, dass ein Kunde eine höhere Abwanderungswahrscheinlichkeit hat. Doch mehr dazu später.

Zurück zur regelbasierten Kundenanalyse: Motivierte Vertriebsmanager werden also versuchen, eine Reihe von Regeln aufzustellen, um neue Verkaufschancen oder Kunden, die am ehesten zur Abwanderung neigen, zu priorisieren. Das Problem? Es gibt keine einfachen Regeln oder die „eine goldene Regel“. Wenn das der Fall wäre, dann wären Abwanderungsprognosen extrem einfach und jeder würde seine Kunden behalten. Sie wissen, dass das nicht der Fall ist.

Dasselbe Prinzip lässt sich beispielsweise auf das Finden von Cross-Selling, Preissetzungsspielräume oder die Kaufwahrscheinlichkeit von Neukunden – in der Regel bekannt als Lead-Scoring – anwenden.

Ich möchte genauere Prognosen mit Machine Learning.

Predictive Sales Analytics mit künstlicher Intelligenz – KI Geheimtipp

Wie schon erwähnt, können KI-basierte Software Tools und maschinelle Lernsysteme mit Millionen von Variationen verschiedener Merkmale aufwarten, um Kunden zu klassifizieren. Dadurch schaffen sie Prädiktoren dafür, dass sie abwandern, ein neues Produkt kaufen oder einen höheren Preis akzeptieren.

Im Gegensatz zu den oben genannten regelbasierten Methoden ist maschinelles Lernen (ML) probabilistisch. Es verwendet statistische Modelle statt deterministischer, von Menschen festgelegter Regeln. Allerdings ist es im B2B-Bereich oft relevant, die von einem Algorithmus getroffene Entscheidung zu erklären. Einige Algorithmen des maschinellen Lernens eignen sich nicht für eine Erklärung.

Customer Churn Machine Learning Qymatix

Ausgehend vom ersten Bild können Sie nun die Zweige des Entscheidungsbaums und die Tiefe der einzelnen Zweige erweitern. Es gibt verschiedene Arten von ML-Algorithmen für Klassifizierungen.

Darüber hinaus ist eine Klassifizierung natürlich nicht das einzige Data-Mining-Beispiel für ML.

Maschinelle Lernsoftware, die Entscheidungsbäume verwendet, arbeitet normalerweise mit bis zu zehn Tiefenschichten und Tausenden von verschiedenen Zweigen. Moderne Predictive Sales Analytics Software iteriert diese Übung und verstärkt die Zweige, die mehr Informationen über Kunden bieten.

Der Vorteil ist, dass Vertriebsleiter nun in der Lage sind, Kunden, die abwandern oder ein neues Angebot annehmen könnten, viel genauer zu klassifizieren. Dieses Prinzip gilt auch in anderen Fällen, z.B. bei Cross-Selling-Modellen oder Preisanalysen. Maschinelle Lernsysteme gewinnen Informationen aus Millionen von kleinen Korrelationen.

Der Nachteil ist, dass Sie nicht in der Lage sind, die genauen Merkmale nachzuvollziehen, die Ihnen mehr Informationen über einen bestimmten Kunden geben. Einige Predictive Analytics Softwares- wie unsere – können trotzdem eine Liste von Merkmalen sichtbar machen, die Informationen über die Vorhersage bieten.

Effektiver Einsatz einer Predictive Analytics Software: leisten Sie Ihren Beitrag.

Sie bekommen den Erfolg einer Maßnahme vorhergesagt. Der Kunde wird mit hoher Wahrscheinlichkeit dieses Produkt kaufen. Der Kunde wird mit hoher Wahrscheinlichkeit diesen Preis akzeptieren. Also, wen kümmert das „Warum“? Actionable is actionable. Ihre Sales Analytics Software kann viel besser vorhersagen, welcher Kunde mehr kaufen, abwandern oder einen höheren Preis akzeptieren wird als Ihr regelbasiertes System. Sie kann nur nicht immer sichtbar machen, was der spezifische Grund für diese Erkenntnis ist.

Selbst wenn Ihre Software für Predictive Analytics Ihnen die Merkmale geben kann, auf denen die meisten Informationen beruhen, gibt es noch ein Problem: viele Merkmale kann man nicht ändern. Vielleicht erfahren Sie, dass Kunden in Ihrem Heimatland eine höhere Wahrscheinlichkeit der Abwanderung haben oder dass Kundenbeziehungen, die älter als fünf Jahre sind, dazu neigen, niedrigere Preise zu zahlen. Was nun? Sie können weder Ihr Heimatland noch die Jahre, die Sie an einen Kunden verkauft haben, ändern.

Was würden Sie also versuchen? Sie würden versuchen, diese Erkenntnisse zur Vorhersage der Kundenabwanderung oder zur Preisanalyse zu nutzen. Aber Moment mal. War das nicht genau das, was die Software mit künstlicher Intelligenz besser kann? Machen Sie sich das Leben einfacher und wetteifern Sie bei der Analyse von Daten nicht mit einem Algorithmus. Ein Mensch hat nicht die geringste Chance.

Es gibt zahlreiche Studien, die zeigen, wie viel besser Algorithmen Prognosen erstellen als Menschen. Vielleicht haben Sie über die Amazon-Geschichte gelesen, in der ihr CEO Jeff Bezos ein ganzes Redaktionsteam entließ, nachdem er erfahren hatte, dass die Algorithmen viel besser darin waren, vorauszusagen, welche Bücher andere Kunden kaufen würden.

Ihre Aufgabe ist es, das zu tun, was Sie am besten können: an den Kunden verkaufen, ihn an sich binden und ihn über den Mehrwert Ihrer Produkte und Lösungen zu informieren. Verschwenden Sie nicht Ihre wertvolle Zeit mit dem Versuch, eine Maschine zu schlagen.

Predictive Analytics mit Hilfe des maschinellen Lernens funktioniert am besten bei Entscheidungen, die immer wieder getroffen werden. Zum Beispiel, bei der Entscheidung, welchen Kunden Sie kontaktieren und welche Produkte Sie bewerben wollen. Große strategische Entscheidungen sind schön und gut. Allerdings hilft Ihnen KI und Predictive Analytics dabei, jeden Tag kleine und wichtige Entscheidungen zu treffen. Bewegen Sie Ihre Füße einen Schritt nach dem anderen.

BERECHNEN SIE JETZT DEN ROI VON QYMATIX PREDICTIVE SALES SOFTWARE

Wie die Kausalitätsfalle des maschinellen Lernens mit Black-Box vermieden werden kann – Fazit

Fortgeschrittene Software für Predictive Analytics verwendet maschinelles Lernen, um den Vertrieb zu beschleunigen. Sie bietet einen ganzheitlichen Ansatz für den Vertrieb mit Preisanalyse, Kundenabwanderung und Cross-Selling-Modellen.

Die Anwendung einer Predictive Analytics Software für den Vertrieb ist nicht ohne Vorbehalte. Erfolgreiche Vertriebsleiter wissen, wie sie die Kausalitätsfalle vermeiden können: Sie lernen, wie sie die Vorteile von Modellen des maschinellen Lernens nutzen können, selbst wenn es nicht möglich ist, ihre Vorhersagen zu erklären.

Um den Wert der Kundenlebensdauer durch maschinelles Lernen zu erhöhen, versuchen erfolgreiche Vertriebsleiter nicht, die Algorithmen zu schlagen. Sie stoppen die alte, regelbasierte Priorisierung und ersetzen sie durch das auf maschinellem Lernen basierende Scoring. Der Einsatz von Predictive Analytics für den Vertrieb bedeutet jedoch, dass man nicht immer weiß, warum oder wie die Software zu ihren Empfehlungen kommt. Das einzige, was man weiß ist, dass die Prognosen mit hoher Wahrscheinlichkeit zutreffen.

Regelbasiert vs. maschinelles Lernen

Regelbasierte Priorisierung Maschinelles Lernen
Definition: Sie möchten Verkaufsprognosen erstellen. Sie legen die Kriterien selbst fest und versuchen Zusammenhänge zu finden. Definition: Sie möchten Verkaufsprognosen erstellen. Sie trainieren eine Software mit Ihren Verkaufsdaten. Das Ergebnis: schnelle und präzise Prognosen.
Hauptvorteil: Die Korrelationen erscheinen Ihnen verständlich und erklärbar. Hauptvorteil: Eine Predictive Analytics Software mit ML hat mehr Rechenkapazität und ist viel präziser. So kann sich das Vertriebsteam auf den Verkauf fokussieren und nicht auf Analysen.
Hauptnachteil: Das Modell verwendet einen begrenzten Satz an Regeln und seine Anwendung erfordert zeitaufwändige Analysen und Interpretationen. Hauptnachteil: Die hohe Anzahl möglicher Korrelationen, die das Modell miteinbezieht, kann seine Vorhersagen schwer verständlich und erklärbar machen (Black Box).

 

Ich möchte heute beginnen.
Literaturnachweis:
 
Fitzgerald, M.: The Four Traps of Predictive Analytics, Hg. MIT Sloan Review