Wie kann Predictive Analytics Ihrer B2B Customer Journey helfen

Über das Customer Journey Management im B2B-Bereich und wie Predictive Analytics dabei hilft.

Predictive Analytics, kundenzentriertes Verkaufen und Optimierung der Customer Journey (CJ) ist im B2C-Bereich schon lange Alltag. Im B2B-Bereich sieht es etwas anders aus. Erste Projekte starten, die Theorie ist auch schon gehört und verstanden – aber es herrscht noch große Unsicherheit in Bezug auf die konkrete Umsetzung.

Das ist auch kein Wunder. Der B2B-Bereich weist einige grundlegende Unterschiede zum B2C-Bereich auf. Zum Beispiel haben Geschäftskunden häufig eine höhere Erwartung an die Geschäftsbeziehung.

Es ist wichtiger eine persönliche Beziehung zu seinen Kunden aufzubauen und seine Kunden zu kennen. Der zuständige Vertriebler kennt die genauen Titel, die Aufgabenbereiche und meist auch noch Hobbys seiner wichtigsten Ansprechpartner. Bei einem Geschäftstreffen wird sich auch gerne mal nach der Familie erkundigt. Das heißt, eine persönliche Beziehung und Vertrauen zwischen Käufer und Verkäufer spielt bei B2B-Organisationen eine große Rolle.

Ein anderes Unterscheidungsmerkmal sind die Kaufzyklen. Durch den B2B eCommerce werden die Kaufzyklen zwar auch im B2B-Bereich immer kürzer – im Vergleich zum B2C-Bereich sind sie im Normalfall jedoch immer noch deutlich länger. Allein schon deshalb, weil an der Kaufentscheidung ein ganzes Buying Center beteiligt ist statt nur eine Person. In einer Studie des Demand Gen Reports wird das Kaufverhalten im B2B-Bereich analysiert. Hierbei stellte sich heraus, dass die B2B Kaufzyklen i.d.R. 1-3 Monate dauern und in 80 % der Fälle bis zu 6 Personen beteiligt sind.

Long Story short, die B2B Customer Journey ist komplexer als im B2C-Bereich. Allerdings haben Sie eine gemeinsame Basis: die Menschen. Aus diesem Grund ist das Konzept der CJ auch im B2B-Sektor hochrelevant. Moderne Software Lösungen können Ihnen dabei helfen Ihre Customer Journey zu optimieren.

In diesem Beitrag geben wir Ihnen zuerst eine kurze Zusammenfassung über das Customer Journey Management. Danach erfahren Sie welche Predictive Analytics Funktionen Ihre CJ unterstützen können. Und Zum Schluss erhalten Sie Tipps wie Sie am besten starten können.

B2B Customer Journey Management und die Phasen der Customer Journey im B2B

Die Customer Journey (Kundenreise) beschreibt den gesamten Weg eines Kunden, der beim Kauf eines Produktes oder einer Dienstleistung zurückgelegt wird.

Sie wird grob in drei Phasen unterteilt: Die erste Etappe ist die Vorkaufphase, in welcher sich ein Kunde über das Produkt informiert und Alternativen abwägt. Danach findet in der Kaufphase der eigentliche Erwerb des Produktes statt. Zuletzt beinhaltet die Nachkaufphase die weitere Bindung des Kunden in Form von der Nutzung des Produktes, Weiterempfehlungen oder After Sales Services.

In der Praxis werden diese drei Phasen häufig in weitere Phasen gegliedert. Die Anzahl und Benennung dieser Subphasen kann je nach Unternehmen, Branche oder Ziel variieren.

In jeder dieser Phasen kann ein Kunde viele verschiedene Kontaktsituationen (Touchpoints) mit dem Produkt, der Dienstleistung oder dem Unternehmen selbst haben. Jedes Unternehmen besitzt eine Vielzahl an Touchpoints. Egal ob online, offline, direkt oder indirekt – ein Touchpoint ist ein Berührungspunkt des Kunden mit dem Unternehmen und jeder Kontakt ist ein weiterer Schritt in der Reise: Die Website, der Social-Media-Auftritt, Telefonate mit dem Kundenservice, der Web-Shop, ein Plakat, Radiowerbung, ein Blogbeitrag, ein Artikel in einem Magazin oder eine persönliche Empfehlung. Die Aufzählung könnte noch lange so weiter gehen.

Ein Touchpoint ist ein Berührungspunkt des Kunden mit dem Unternehmen.

Und deshalb gibt es das Customer Journey Management (CJM). Dessen Ziel ist es, all diese Touchpoints für den Kunden optimal zu gestalten und aufeinander abzustimmen, sodass die Kundenreise einwandfrei und ohne Probleme ablaufen kann.

Predictive Analytics entlang der B2B Customer Journey

Eine Predictive Sales Analytics Software analysiert mit Hilfe von maschinellem Lernen (ein Teilbereich der künstlichen Intelligenz) Ihre Kundendaten. Daraus errechnen sich Wahrscheinlichkeiten wie sich welcher Kunde in Zukunft verhalten kann.

Mit einer solchen Software können Sie Ihre B2B Customer Journey intelligent machen. Lassen Sie uns gemeinsam die verschiedenen Phasen der CJ anschauen und anhand von Beispielen erörtern wie Ihnen Predictive Analytics dabei helfen kann.

Predictive Lead Scoring

Diese Predictive Analytics Funktion ist eindeutig in der Vorkaufphase in der CJ von Bedeutung und teilweise auch in der Kaufphase. Ein Lead ist ein Kontakt eines potenziellen Neukunden. Also ein Interessent, der noch kein Kunde ist.

Lead Scoring ist eine Bewertung dieser Kontakte in Bezug auf verschiedene Eigenschaften: Wie wahrscheinlich wird dieser potenzielle Kunde kaufen? Welchen Preis wird er wahrscheinlich akzeptieren? Über welchen Kanal wird er wahrscheinlich kaufen? Usw.

Lead Scoring kann natürlich auch manuell über ABC-Analysen oder andere Scoring-Methoden ausgeführt werden. Was macht Predictive Lead Scoring anders? Ganz einfach, ein Algorithmus übernimmt die ganze Arbeit. Und das auch noch schneller und präziser. Eine Software, basierend auf maschinellem Lernen analysiert die Merkmale von in der Vergangenheit erfolgreich und nicht erfolgreich abgeschlossener Leads. Diese Merkmale werden auf aktuelle Leads übertragen und so können Prognosen erstellt werden.

Predictive Analytics erleichtert Ihnen das Leben, denn ein Algorithmus arbeitet für Sie.

Wie hilft das in der CJ? Durch die Vorhersage des Verhaltens Ihrer potenziellen Neukunden kann das Marketing und der Vertrieb im B2B-Bereich entsprechend der Erwartungen reagieren und die Interessenten zufrieden stellen. Positive Kundenerfahrungen können leichter kreiert werden.

Predictive Churn und Cross-Selling Analysen

Nun befinden wir uns in der Nachkaufphase. Ein Unternehmen ist bereits bei Ihnen Kunde und nutzt Ihre Produkte oder Dienstleistungen. Jetzt geht es darum, dem Kunden einen guten After Sales Service zu bieten und über weitere passende Angebote zu informieren.

Falls Sie in einem Großhandelsunternehmen, Dienstleistungsunternehmen oder bei einem Hersteller arbeiten, dann wissen Sie, dass man selbst sehr leicht den Überblick über die vielen Produkte und Kunden verlieren kann. Es ist unmöglich jede einzelne Customer Journey im Blick zu haben und zu wissen was der Kunde gerade brauchen könnte.

Zum Glück gibt es auch hierfür einen Experten: Churn und Cross-Selling Analysen mit Hilfe von Predictive Analytics. Das Prinzip ist auch hier das Gleiche: Anhand von historischen Verkaufsdaten prognostiziert eine KI-basierte Software welcher Kunde abwandern könnte und welche Kunden an welchem Produkt interessiert sein könnten.

Bei abwanderungsgefährdeten Kunden wissen Sie, dass in deren Nachkaufphase der CJ etwas nicht stimmt. Kontaktieren Sie diese Kunden und bieten Sie Ihre Hilfe an. Durch das richtige Maß an Aufmerksamkeit zum richtigen Zeitpunkt kann ein Kunde schnell zufrieden gestellt werden.

Genauso können passende Cross-Selling Vorschläge die CJ verbessern. Die richtigen Angebote könnten Ihre Kunden positiv überraschen. Auf jeden Fall vermeiden Sie dadurch zufällig generierte Angebote, die Ihre Kunden mit sehr geringer Wahrscheinlichkeit interessieren und im schlimmsten Fall sogar nerven.

 
WIE KANN ICH MEINE COUSTOMER JPURNEY MIT PREDICTIVE ANALYTICS VERBESSERN
 

Roadmap: Die ersten Schritte für eine intelligente Customer Journey

Wie Sie sehen, kann Ihnen Predictive Analytics über die gesamte CJ hinweg einiges an Arbeit und Analysen ersparen. Darüber hinaus sind Prognosen durch maschinelles Lernen viel schneller und genauer als über den manuellen Weg.

Wenn Sie Ihre CJ mit Predictive Analytics verbessern möchten, dann empfehlen wir folgendes Vorgehen:

1. Priorisieren Sie Ihre „Probleme“ in der CJ. Was möchten Sie zuerst verbessern? Alles auf einmal ist nie eine gute Idee. Fangen Sie lieber klein an und machen eins nach dem anderen.

2. Haben Sie die richtigen und genügend Daten? Wenn Sie Predictive Analytics implementieren möchten, sind zuverlässige und gute Daten das Fundament.

3. Jetzt brauchen Sie eine Software. Dazu haben Sie zwei Möglichkeiten: Sie haben genügend interne Ressourcen und Expertise, um selbst ein Machine Learning Programm zu schreiben. Oder Sie finden einen spezialisierten Predictive Analytics Anbieter.

4. Erstellen Sie einen Prozesskatalog mit Aktionen, die auf den Ergebnissen Ihrer Software beruhen. Ein Beispiel: Was ist zu tun, wenn die KI Ihnen sagt, dass ein Kunde droht abzuwandern? Allein die Information ist nur die halbe Arbeit. Es liegt immer noch an den Menschen entsprechend zu handeln.

 
ICH MÖCHTE MEINE COUSTOMER JPURNEY MIT PREDICTIVE ANALYTICS VERBESSERN

Literaturnachweis:

Buxmann, P. & Schmidt, H. (2019): Künstliche Intelligenz: Mit Algorithmen zum wirtschaftlichen Erfolg. Hg.: Springer Gabler

2018 B2B Buyers Survey Report. Hg.: Demand Gen Report

Tiffert, A. (2019): Customer Experience Management in der Praxis. Hg.: Springer Gabler