Maschinelles Lernen im B2B-Vertrieb: Wo bleibt der Mensch?

Das Zusammenspiel zwischen Mensch und KI im B2B-Vertrieb.

Mit Maschinellem Lernen lassen sich wiederkehrende Muster von Kundendaten auslesen und daraus Verkaufsempfehlungen ableiten. Wo es aber zum direkten Kontakt von Verkäufer und Käufer kommt, spielt der Mensch nach wie vor eine zentrale Rolle.

Automatisierung und digitale Prozesse können administrative Aufgaben im Unternehmen verringern. An die Stelle vieler einzelner manueller Tätigkeiten, die von Menschenhand ausgeführt werden, treten Algorithmen und nehmen einem die Arbeit ab.


So werden Unternehmen zum Beispiel von bürokratischem Ballast entlastet und können sich voll und ganz auf ihr Kerngeschäft konzentrieren. Dies gilt natürlich auch für den Vertrieb. Die Stichworte hierfür sind Machine Learning (ML) und Künstliche Intelligenz (KI).

Schon 2018 bezeichnete Accenture-Cheftechnologe und Chief Digital Officer Paul Daugherty künstliche Intelligenz als die am schnellsten wachsende Technologie in der Geschichte seines Unternehmens.

Was ist seitdem geschehen? Was ist Maschinelles Lernen im Vertrieb, und warum braucht es Menschen, um erfolgreich zu sein.

Was ist Machine Learning?

Was bedeutet KI – und im Speziellen Machine Learning – nun für den Vertrieb eines Unternehmens?

Machine Learning ist ein Teilgebiet der Künstlichen Intelligenz. Dabei erkennen IT-Systeme aus vorhandenen Datenbeständen und Algorithmen bestimmte Muster und Gesetzmäßigkeiten.

Diese gewonnenen Erkenntnisse lassen sich verallgemeinern und wiederum für neue Lösungen nutzen. „Erfahrungslernen“ passiert hierbei auf der künstlichen Ebene, denn es ist ja nicht ein Mensch, der die Erfahrung macht. Insofern generiert Machine Learning künstliches Wissen.

Wo kann maschinelles Lernen den Vertrieb derart unterstützen, dass nicht nur Abläufe effizienter gestaltet und Zeit eingespart werden, sondern auch die Produktivität des Vertriebs erhöht wird. Sprich: Verkaufschancen besser erkannt und genutzt werden. Laut einer Untersuchung des US-amerikanischen Marktforschungsunternehmens Cirrus Insight verbringt der durchschnittliche Außendienstmitarbeiter nur zwei Tage in der Woche mit Verkaufen und Kundenkontakt.

Fast zwei Drittel seiner Zeit gehen für administrative Aufgaben, wie etwa die Qualifizierung von Leads, Reisen oder interne Meetings drauf.

Machine Learning ist ohne den Menschen undenkbar

Bezogen auf den Vertrieb lässt sich Machine Learning anwenden, um aus dem Datenbestand (bspw. eines CRM- oder ERP-Systems) bestimmte Muster zu erkennen. So können zum Beispiel erzielte Leads klassifiziert und priorisiert werden. Oder die ML-Software erkennt, bei welchen Kunden das Abwanderungsrisiko hoch ist. IT-Systeme, die auf Machine Learning setzen, sind in der Lage:

• Relevante Daten zu finden, zu extrahieren und zusammenzufassen.
• Vorhersagen auf Basis der analysierten Daten zu treffen.
• Wahrscheinlichkeiten für bestimmte Ereignisse zu berechnen.
• Prozesse auf Basis der erkannten Muster zu optimieren.

Die dahinter liegenden Regeln und Algorithmen, die diese Rechenoperationen durchführen und zu bestimmten Ergebnissen gelangen, müssen aber zunächst von einem Menschen festgelegt werden. Die Software braucht Daten, um bestimmte Wahrscheinlichkeiten vorherzusagen. Und mit diesen Daten versorgt sie wiederum ein Mensch.

Ohne das Zutun von Menschen ist Machine Learning also nicht denkbar.

Digitale Tools bereiten den Boden für strategische Entscheidungen im Vertrieb

Bezogen auf die oben genannte Studie und die administrativen Vertriebstätigkeiten lassen sich mögliche Potenziale erkennen, die Machine Learning im Vertrieb heben kann. Man kann sich leicht vorstellen, dass Vertiebsmitarbeiter*innen durch eine entsprechende Software-Unterstützung einiges ihrer Zeit einsparen, die sie stattdessen für ihre Verkaufsaktivitäten nutzen können.

Dies erscheint vor allem deshalb sinnvoll, da Kunden heutzutage in vielen Fällen schon über ein relativ umfangreiches Vorwissen über Produkte und Dienstleistungen verfügen. Sie informieren sich bereits im Vorfeld darüber, in der Regel übers Internet. Käufer von heute sind also content-getrieben. Dies hat Einfluss darauf, wie Vertiebsmitarbeiter und insbesondere Entscheider im Vertrieb an die Kunden herantreten. Die Art und Weise wird immer häufiger eine neue strategische sein. Heißt: Moderne, digitale Tools bereiten den Boden für zukünftige Vertriebsentscheidungen, die aber letztlich immer noch Entscheider, sprich Menschen, treffen.

Digitale Tools, etwa im Bereich Predictive Analytics, ermöglichen es, dass der Vertrieb der Zukunft datengesteuert sein wird. Aufgrund dieser Daten können Vertriebler ihre Kunden besser verstehen. Sie können Chancen fürs Neugeschäft, fürs Cross- und Up-Selling, aber auch Risiken erkennen, wie etwa eine wahrscheinliche Abwanderung bestimmter Kunden.

Daten, die dem Vertrieb ohne den Einsatz solcher Datenanalyse-Software zur Verfügung stehen, beschränken sich indes auf seine eigenen Erfahrungen, seine Intuition und möglicherweise auf die Strategien, die das Unternehmen vorschreibt. Ob das immer schlecht ist, liegt im Auge des Betrachters und ist von eigenen Werturteilen abhängig. Zumindest wird auch zukünftig immer dort, wo Verkäufer und Käufer in direktem Kontakt stehen oder stehen müssen, die zwischenmenschliche Ebene eine Rolle spielen.

Ich möchte maschinelles Lernen im B2B-Vertrieb einsetzen.

Käufer wollen nach wie vor direkt mit Verkäufern kommunizieren

Unternehmen können also Machine Learning einsetzen, um grundlegende strategische Fragen zu beantworten: Welche Vertriebsmöglichkeiten sollen verfolgt werden? Welche Ressourcen sollen zugeordnet werden?

Mit spezieller Predictive-Analytics-Software lassen sich differenzierte Kundenprofile erstellen und Aussagen über ein wahrscheinliches Verhalten von Kunden treffen. Dies wiederum hat zur Folge, dass der Vertrieb Kunden mit den für sie „richtigen“ Angeboten versorgt.

Durch die Kombination von Verkaufs- und Kundendaten lassen sich Eigenschaften und Verhaltensweisen von Käufern ermitteln, die statistisch mit einer charakteristischen Verkaufsleistung zusammenhängen.

Untersuchungen zum B2B-Bereich kommen zum Ergebnis, dass die Mehrheit potenzieller Käufer bei ihrer Recherche nach neuen Produkten und Services nach wie vor gerne direkt mit einem Verkäufer kommunizieren. Die Kommunikation von Mensch zu Mensch spielt hierbei also ungebrochen eine wichtige Rolle. Anders sieht es beim Wiederkauf des gleichen Produkts aus. Hier sind es wesentlich weniger Käufer, die den direkten Kontakt zum Verkäufer suchen.

BERECHNEN SIE JETZT DEN ROI VON QYMATIX PREDICTIVE SALES SOFTWARE

Datenanalyse-Verfahren mit kühlem Kopf nutzen

Wichtig für die Einordung von Verfahren wie Predictive Analytics oder Machine Learning allgemein ist: Sie haben den unbestreitbaren Vorteil, Vertriebsteams von wiederholenden, administrativen Aufgaben zu entlassen. Sie sind in der Lage, mehr Daten zu analysieren als es ein Mensch möglicherweise jemals tun kann. Und sie machen es möglich, dass Unternehmen die Präferenzen ihrer Nutzer verstehen und basierend auf diesen Daten Empfehlungen abgeben können.

Vorsichtig sollte man hingegen bei der Aussage sein, Daten könnten sich nie irren. Auch Algorithmen und KI können falsch liegen. Genauso wenig wie das gesamte Vertriebswissen, das sich ein Verkäufer aneignet, kann eine Software eine Garantie für späteren Verkaufserfolg sein. Mit diesem Hintergedanken im Kopf sollten Unternehmen entsprechende Verfahren auch einsetzen.

Als Unterstützung für den Vertrieb, als Möglichkeit, neue Erkenntnisse aus vorhandenen Kundendaten zu gewinnen, die sonst vielleicht nicht möglich gewesen wären. Nicht jedoch als Wundermittel, mit dem von heute auf morgen die Umsätze explodieren. Immer dort, wo Verkäufer und Käufer direkt zusammentreffen, wo Menschen von Menschen kaufen, spielen letztlich Statistiken und Formeln eine untergeordnete Rolle. Jeder Mensch, jeder Käufer ist einzigartig und hat unterschiedliche Geschmäcker und Vorlieben. Diese lassen sich nicht einfach so auf eine Formel reduzieren.

 

Haben Sie weitere Fragen zu diesem Thema? Wir helfen gerne weiter!

Ich möchte heute anfangen.