Predictive Analytics – Interview mit Lucas Pedretti

Wie wäre es, wenn Sie wüssten, dass Ihr Kunde demnächst nicht mehr bei Ihnen kauft und das nicht erst, wenn die turnusmäßige Bestellung ausbleibt? Oder es eine Möglichkeit gäbe herauszufinden, welche der vielen Anfragen tatsächlich zustande kommt? Antworten auf diese Fragen liefert Predictive Analytics.

Wie es genau funktioniert, wo es heute bereits eingesetzt wird und ob es in Zukunft überhaupt noch Vertriebsmitarbeiter braucht, das beantwortet Lucas Pedretti im nachfolgenden Interview. Er ist CEO von Qymatix, deren gleichnamiges CRM-Tool auf Predictive Analytics setzt. Er war selbst jahrelang Vertriebsleiter und hätte damals gerne schon gewusst: „Welche Kunden können mehr kaufen?“ Sie nicht auch?

Ute Mündlein: Lucas, du hast in einem Blogartikel die provokante These aufgestellt, dass ein Unternehmen das nächste Jahrzehnt nur überleben kann, wenn es Predictive Sales Analytics einsetzt. Was ist Predictive Sales Analytics?

Lucas Pedretti: Predictive Sales Analytics nutzt die Methoden des Data Minings, um Vorhersagen zu treffen. Dafür gibt es verschiedene algorithmische bzw. statistische Modelle.

Ich hatte heute beispielsweise ein Gespräch mit einem potenziellen Kunden, der Gebrauchtwagen verkauft. Sie möchten gerne wissen, was sind die Merkmale eines für uns gewinnbringenden Autos? Sind es die gefahrenen Kilometer, das Modell, der Hersteller, die Farbe? Sie haben viele Daten und möchten nun damit vorhersagen können: Was ist für uns besser? Silberfarbige Autos oder doch eher schwarz? Oder sind es alle, die mehr als 20.000 Kilometer auf dem Tacho haben oder weniger?

„Mit Lead Scoring kann man unter anderem bewerten, wie gut eine Verkaufschance (Opportunity) ist.“

Ein weiteres Beispiel ist Lead Scoring. Damit kann man unter anderem bewerten, wie gut eine Verkaufschance (Opportunity) ist. Vertriebsmitarbeiter betreuen oft Hunderte von Kunden und eine Vielzahl an Leads. Die kann man alle gar nicht mehr nachverfolgen, das ist unmöglich. Predictive-Analytics-Methoden versuchen nun vorherzusagen, welche dieser Leads haben eine hohe Abschlusswahrscheinlichkeit und priorisieren sie entsprechend. Statt nur mit Bauchgefühl geht man an Verkaufschancen mit mathematischen Methoden heran.

UM: Wie funktioniert das konkret?

LP: Unser Tool Qymatix verwendet 17 Merkmale für das Lead Scoring, darunter Projektgröße, Kundentyp, wie „alt“ ist das Projekt, welche Aktivitäten gab es schon oder um welche Verkaufsregion handelt es sich.

Aus allen diesen Daten wird dann eine Prognose erstellt. Diese Algorithmen verbessern sich über die Zeit und werden immer genauer. Das heißt, das System lernt, welche der Merkmale sind wichtiger bzw. haben mehr Einfluss auf die Erfolgswahrscheinlichkeit, Stichwort Machine Learning.

Es kommt durchaus vor, dass man überrascht wird und vom Bauchgefühl her anders entschieden hätte.

Ein drittes Beispiel ist Kundenbindung bzw. -abwanderung. Das gab es bereits in den 1970er Jahren. Telekommunikationsunternehmen haben damals schon versucht vorauszusagen, wer könnte bei ihnen Kunde werden.

Vor ein paar Wochen hatten wir ein Gespräch mit einem IT-Leiter, der meinte: „Predictive Analytics, schön und gut, aber das machen wir bereits.“ Meine Frage daraufhin war: „Wie sieht bei Ihnen eine Kundenabwanderungsanalyse aus?“ – „Wir schauen ins ERP-System. Wenn ein Kunde drei Monate nicht bestellt hat, dann vereinbaren wir einen Besuchstermin.“ Ich meinte daraufhin: „Dann kommen Sie vielleicht schon drei Monate zu spät.“ „Aber wie können wir sonst reagieren?“

Genau darum geht es bei Predictive Analytics. Damit kann man ein Modell bauen, das vorhersagen kann, welcher Kunde vielleicht – das betone ich – nicht mehr kaufen wird. Mit diesen Daten kann ein Mitarbeiter aktiv werden, etwa indem er dort anruft. So können Sie schon im Vorfeld versuchen zu vermeiden, dass der Kunde abwandert.

UM: Setzen schon viele Unternehmen Lead Scoring bzw. Kundenabwanderungs- und Kundenbindungsanalysen ein?

LP: In Deutschland stehen wir noch ganz am Anfang. Momentan ist das nur für Unternehmen ein Thema, bei denen der Schuh schon arg drückt. Sei es, weil es bei vielen Produkten einen negativen Deckungsbeitrag gibt, der Umsatz seit Jahren stagniert oder sie aufgrund der Kosten nicht mehr konkurrenzfähig sind. Die sind dann aktiv auf der Suche.

Was man sagen kann, es gibt in Deutschland zahlreiche Startups, die im Datenanalyse-Bereich viele tolle Sachen machen – Blue Yonder, GPredictive oder RapidMiner –, die versuchen das Thema voranzutreiben, aber auch SAP oder Software AG.

Deutsche Unternehmen sind allerdings in der Regel weniger risikobereit, wollen erst einmal sehen, dass es funktioniert, bevor sie es selbst einsetzen. In den USA ist eher die Denke: Es ist neu, das muss ich haben, und wenn es funktioniert, dann habe ich einen riesigen Vorteil. Wenn nicht, auch okay.

UM: Was fasziniert dich am Thema Predictive Analytics? Wie bist du überhaupt dazu gekommen?

LP: Ich hatte als Vertriebsleiter selbst das Problem, dass wir zwar viele Daten hatten, aber damit zu wenig anfangen konnten. Ich hätte gerne gewusst: „Welche Kunden können mehr kaufen? Bei welchen gibt es ein Abwanderungsrisiko (churn risk)? Welche Produkte haben einen negativen Deckungsbeitrag und sollten lieber nicht verkauft werden? Bei Letzterem habe ich mich immer gefragt: Warum erfahre ich das immer erst drei Monate später?

Einem Kunden, ein Physiker, hatte ich davon erzählt. Er meinte, dass es dafür mathematische/statistische Methoden gäbe, die entsprechende Prognosen erstellen könnten. Vor zehn Jahren gab es noch nicht die Infrastruktur, inzwischen ist das anders. Ich habe es dann als Vertriebsleiter eingeführt und daraus ist dann die Idee zu Qymatix entstanden. Die Vorteile, die Predictive Analytics bietet, sind enorm.

UM: Du hast also zunächst Beratung im Bereich Predictive Analytics gemacht und daraus ist dann das CRM-Tool entstanden?

LP: Nein, nicht ganz. Wir wollten schon von Anfang an ein Produkt auf den Markt bringen. Unsere Strategie war: Wenn wir ein Produkt haben, das die Fähigkeit hat zu lernen, also über entsprechende Algorithmen verfügt, dann haben wir einen riesigen Wettbewerbsvorteil. Der Nachteil dieser Strategie ist, es kostet Zeit, damit auch Geld – und ist natürlich auch riskant. Daher haben wir von Anfang an auch Beratungsprojekte übernommen. Wir sind natürlich auf der Suche nach Investoren, denn unser Produkt hat ein großes Potenzial.

UM: Ist Predictive Analytics nur für große Unternehmen interessant? Man braucht ja eine gewisse Datenbasis, um Vorhersagen treffen zu können.

LP: Grundsätzlich ist das Thema für jedes Unternehmen interessant, das komplexe Daten hat. Das können große Unternehmen mit einer Vielzahl an Produkten oder Dienstleistungen sein, aber auch Startups können davon profitieren. Gerade bei mittelständischen Unternehmen und Konzernen gibt es zahlreiche interessante Einsatzmöglichkeiten, die einen entsprechend hohen Return on Investment garantieren.

Bei Unternehmen mit nur wenigen Kunden lohnt sich der Einsatz eher nicht. Man darf nicht vergessen, dass Predictive Analytics nicht kostenlos ist. Neben den Daten braucht es genaue Spezifikationen, man muss es implementieren, ggf. anpassen und die Mitarbeiter schulen. Wenn man damit „nur“ ein paar Tausend Euro mehr Umsatz macht, ist es die Frage, ob es sich lohnt.

UM: Worauf sollte man bei der Einführung von Predictive Analytics achten?

LP: In einem Wort: Erwartungshaltung.

Ein Unternehmen muss seine Erwartungen gut definieren können. Das heißt, man muss das Problem zunächst selbst verstehen. Was wollen wir lösen? Wo drückt uns der Schuh? Geht es um die Verbesserung des Deckungsbeitrages, geht es um die Akquise neuer Kunden oder die Frage, auf welche Kunde sollten wir uns konzentrieren?

„Predictive Analytics sollte man nicht nur machen, weil es gerade in Mode ist; man braucht wirklich einen konkreten, gut definierten Case.“

Predictive Analytics sollte man nicht nur machen, weil es gerade in Mode ist; man braucht wirklich einen konkreten, gut definierten Case. Ich habe es selbst als Vertriebsleiter erlebt: Ohne eine konkrete Erwartungshaltung, ohne konkreten Anwendungsfall, stehe ich sechs Monate später da und habe nichts, nada.

Meine Empfehlung ist: klein anfangen. Wichtig ist in dem Zusammenhang auch: Welche Daten haben wir schon? Die meisten Unternehmen haben ein Warenwirtschaftssystem (ERP) und eine CRM-Lösung, woraus man schon viele wertvolle Erkenntnisse erhält.

Ein Beispiel: Ein Unternehmen hat Tausende Produkte und Kunden, somit auch unzählige Rechnungen. Jede dieser Rechnungen enthält eine Unmenge an Informationen. Sie wissen damit, welcher Kunde welche Produkte zu welchen Preisen in welchen zeitlichen Abständen gekauft hat. Diese Daten erhält man über das ERP-System, die durch Informationen aus dem CRM ergänzt werden können, etwa welche Vertriebsaktivitäten wurden schon unternommen. All das kann ich analysieren und dann im Vertriebsalltag nutzen.

UM: Wie lange dauert es, so etwas einzurichten, bzw. bis man die Daten sinnvoll nutzen kann?

LP: Mit unseren Tool Qymatix geht das prinzipiell ziemlich schnell. Wir haben verschiedene Templates. Wenn die Daten darauf angepasst sind, kann man sofort loslegen. Meine Erfahrung ist jedoch, dass etwas dauert, bis die Daten so angeliefert werden, wie wir es brauchen. Das heißt, wir machen zunächst ein kleines Implementierungsprojekt inkl. Schulung, diskutieren über die Ziele und den Case. Das dauert fünf bis zehn Tage. Derzeit kann unser Tool nur Daten aus ERP, CRM sowie aus bestimmten externen Datenquellen verarbeiten, zum Beispiel Wetterdaten oder Twitter-Feeds.

UM: Ein häufiger Kritikpunkt bei Predictive Analytics ist, dass Daten aus der Vergangenheit genommen werden, um die Zukunft vorherzusagen. Das wäre auch nichts anderes als in einer Glaskugel zu lesen. Was sagst du dazu?

LP: Ich habe diese Kritik nie verstanden. Wirft man uns vor, dass wir versuchen, in einer Kugel zu lesen? Das ist für mich keine Kritik, denn jeder Vertriebsleiter oder Geschäftsführer macht tagtäglich nichts anderes: Er fragt sich, worauf sollten wir uns als Unternehmen konzentrieren und trifft dann anhand der vorliegenden Informationen eine Entscheidung.

Wir haben einfach eine effektivere Kugel, die auf Algorithmen beruht und dadurch bessere Prognosen treffen kann. Aber klar, es ist immer noch eine Kugel. Die Zukunft ist – egal, wie – immer unbekannt, ich kann die Zukunft nie zu 100 Prozent richtig vorhersagen. Ich höre häufig die Frage: „Wie können wir wissen, ob ihre Prognose richtig ist oder nicht?“

Es ist eine Prognose, die kann nicht richtig oder falsch sein, sondern nur gut oder schlecht. Das ist wie mit der Regenwahrscheinlichkeit. 80 Prozent Regenwahrscheinlichkeit heißt nicht, dass es morgen definitiv regnet. Ich muss berechnen, was es mich kostet, es nicht zu machen bzw. keinen Schirm mitzunehmen.

Der große Vorteil von Datenanalyse-Tools ist, dass sie ständig weiterlernen und dadurch die Prognose immer weiter verbessern.

Ich ergänze deine Frage noch um folgendes Konzept: Ja, wir nehmen Daten aus der Vergangenheit, aber unerwartete Daten, die nicht in dieses Konzept passen, kennen wir auch nicht. Wenn etwa ein Dieselfahrverbot kommt, kann das niemand vorher wissen. Es gibt einfach Ereignisse, die niemand vorhersagen kann. Predictive Analytics kann nur die vorhandenen Daten besser nutzen.

Ich finde, insgesamt machen Unternehmen zu wenig aus ihren Daten. Diejenigen, die sie nutzen, nehmen Excel. Das ist fehleranfällig und zeitaufwändig. Der Schluss, den viele dann ziehen, ist: Das funktioniert alles nicht, sie haben einfach nicht den richtigen Ansatz gefunden. Oder man stellt fünf Datenanalysten ein, die haben aber meist keinen Vertriebs-Background. Die müssen erst einmal verstehen, was wollen wir mit den Daten erreichen, was ist die Fragestellung. Haben wir die Daten, um die Frage zu beantworten, fehlen uns Daten und müssen wir sie unter Umständen kaufen, was kostet das? Dieses Geschäftsverständnis hat nur der Kunde selbst, nicht per se ein Datenanalyst.

UM: Bleiben also doch noch Menschen übrig? Werden wir in naher Zukunft nicht durch Maschinen ersetzt?

LP: Absolut. Prinzipiell werden im Vertrieb Prozesse automatisiert. Man geht davon aus, dass im B2B-Bereich 50 Prozent der Bestellungen automatisch ablaufen werden. Das heißt, das ERP-System eines Automobilherstellers bestellt automatisch Teile beim Zulieferer. Da kommuniziert dann ein ERP-System mit einem anderen und kein Mensch interveniert. In ein paar Jahren betrifft das die Hälfte aller Transaktionen. Der Mensch hat dann immer noch eine, wie ich finde, schöne Rolle. Er entwickelt Strategien, er muss Kunden von seinem Produkt überzeugen, uns stehen dafür aber viel mehr Möglichkeiten zur Verfügung. Das gab es vor fünfzehn Jahren nicht. In dem Punkt wird der Mensch auch in absehbarer Zeit eine wichtige Rolle spielen.

„Insgesamt machen Unternehmen zu wenig aus ihren Daten.“

Nimmt man da dann zwei Unternehmen. Das eine nutzt Predictive Analytics zur Automatisierung, das andere macht es nicht. Das erste wird einen großen Vorteil haben, womit wir wieder beim Ausgangspunkt sind, meiner eingangs zitierten Behauptung, dass ein Unternehmen das nächste Jahrzehnt nur überleben kann, wenn es Predictive Sales Analytics einsetzt. Wenn man dadurch einen vier oder fünf Prozent höheren Deckungsbeitrag hat, ist das enorm. Das Geld kann man dann in Marketingmaßnahmen, in neue Technologien und so weiter investieren und dadurch den Vorsprung weiter ausbauen. Irgendwann hat man genug Geld, die Konkurrenten zu kaufen (lacht).

UM: Vielen Dank, Lucas, für die Einblicke. Wer mehr über das Thema Predictive Analytics lesen möchte, Lucas Pedretti hat zahlreiche Artikel dazu verfasst, die hier im Interview erwähnt wurden, unter anderem:

Die nackte Wahrheit über Predictive Sales Analytics & Controlling

Mensch gegen Maschine: Ist Ihr Vertriebsjob schon ersetzbar?

Drei Beispiele für Predictive Analytics | Einsatz von Big-Data im Bereich B2B-Vertrieb

 
KOMMEN SIE INS GESPRÄCH MIT QYMATIX

Veröffentlicht mit Genehmigung | Original von Ute Mündlein | CRM Manager.de am 29. August 2017