Predictive Sales Analytics für eine dynamische Vertriebsplanung: Antworten auf 5 Fragen des Vertriebs
Warum sollten wir Predictive Sales Analytics für eine dynamische Vertriebsplanung einsetzen? Dieser Beitrag richtet sich an alle, die mit dem Gedanken spielen, KI zur effizienteren Vertriebsplanung und Vertriebssteuerung einzusetzen.
Jeden Samstagvormittag besucht Herr Meier den Zeitschriftenladen um die Ecke, um sich dort die Wochenendausgabe seiner geliebten Zeitung zu kaufen. Das geht nun schon ein halbes Jahr so. Die Verkäuferin kennt Herrn Meier mittlerweile, und weil er jeden Samstag vorbeischaut, spricht sie ihn schon beim Betreten ihres Geschäfts mit der immer gleichen Frage an: „Guten Tag, Herr Meier! Die Wochenendausgabe, wie immer?“
Für Herrn Meier ist der Kauf seiner Zeitung am Wochenende zum Ritual geworden. Es ist ein Muster, dass sich jede Woche wiederholt. Die Verkäuferin hat dieses Muster erkannt und spricht Herrn Meier, quasi automatisch, darauf an.
Mit Predictive Sales deckt der Vertrieb Muster von Kunden auf
Muster von Kunden gibt es aber natürlich nicht nur im Zeitschriftenladen. Es gibt sie in jeder Branche und in jedem Unternehmen. Muster von Kunden und Interessenten ermöglichen es, unterschiedliche Kriterien zu vergleichen und gewünschte Eigenschaften zu identifizieren.
Im modernen Vertrieb geht es dabei darum, möglichst viele Kundendaten zu analysieren, daraus Muster abzuleiten und daraus wiederum mögliche Verhaltensweisen und Handlungen von Kunden zu prognostizieren. Um im Bild von Herrn Meier zu bleiben: Betritt er den Zeitschriftenladen, ist die Wahrscheinlichkeit ziemlich groß, dass er die aktuelle Wochenendausgabe seiner Lieblingszeitung kauft.
Predictive Sales beantwortet zentrale Fragen des Vertriebs
Solche Prognosen zum wahrscheinlichen Verhalten lassen sich mit Software-Lösungen für Predictive Sales erstellen – nur eben auf einer viel größeren Spielfläche mit viel mehr Kundendaten. Predictive Sales beantwortet dem Vertrieb unter anderem folgende Fragen:
1. Welche Preise werden von den Kunden am wahrscheinlichsten akzeptiert?
2. Welche Kunden versprechen Potenzial für Cross- und Up-Selling-Aktivitäten?
3. Wie hoch ist die Kaufwahrscheinlichkeit potenzieller Neukunden?
4. Bei welchen Kunden ist die Gefahr des Abwanderns am größten (Churn Prediction)?
5. Welche Bestandskunden werden den größten Wertbeitrag bringen (Customer Value Prediction)?
Ziel von Predictive Sales ist es, ähnlich wie beim Wetterbericht, die bestmögliche Einschätzung realistischer Zukunftsszenarien zu erstellen.
Sehen wir uns die einzelnen Fragen und die dahinterstehenden Problematiken etwas genauer an.
Preissetzungspotenziale je Kunde und Produkt erkennen und ausschöpfen
„Alle Preise sind dynamisch. Einige sind nur dynamischer als andere.“ Das schreibt Lucas Pedretti in einem Beitrag über dynamische Preissetzung im B2B-Bereich. Die dynamische Preisgestaltung ist eine Preisstrategie, bei der Unternehmen ihre Preise für Produkte oder Dienstleistungen auch auf der Grundlage von historischen Daten zu ihren Kunden und zum Markt anpassen.
Die meisten B2B-Unternehmen setzen ihre Preise basierend auf Faktoren wie Produktionskosten, Listenpreise oder Wettbewerbspreise fest. Doch dabei wird etwas Wichtiges vergessen: Das Verhalten ihrer Kunden in der Vergangenheit.
Aus den vergangenen Daten lassen sich Muster erkennen, die für eine individuellere Preisgestaltung genutzt werden können. Sie bekommen durch eine Predictive Sales Analytics Software eine errechnete Preisrange pro Kunde und Produkt, die am wahrscheinlichsten vom Kunden akzeptiert wird.
Eine solche Software ist ein wichtiges Hilfsmittel für B2B-Unternehmen, um datenbasierte Vorhersagen über die Preisakzeptanz ihrer Kunden zu erhalten.
Die Betonung liegt hier auf „Hilfsmittel“ – denn die letztendliche Entscheidung trifft immer noch der Mensch! Die Empfehlungen der Software bilden lediglich eine zusätzliche Entscheidungsgrundlage.
Cross- und Up-Selling-Potenziale erkennen
Man kennt das zum Beispiel von Internet-Providern. Ist man einmal Kunde geworden, hört man vom Anbieter über sehr lange Zeit nichts mehr. Es scheint, als sei man einfach eine leblose Nummer in der Kundendatenbank. Dabei ist es nicht nur wahrscheinlich, sondern auch realistisch, dass sich die Bedürfnisse und damit das (Kauf-) Verhalten von Kunden über mehrere Jahre ändern. Diese Bedürfnisse gilt es auf Anbieterseite zu erkennen. Nur wie?
Vertriebsmitarbeiterinnen und -mitarbeiter können in der Regel nicht jeden Kunden persönlich besuchen und ihm passende Angebote unterbreiten. Auch hier hilft KI in Form von Predictive Sales Analytics. Sie leitet neue Bedarfe aus dem Kaufverhalten der Vergangenheit ab und liefert Aussagen, wo versteckte (Kauf-) Potenziale schlummern.
Predictive Sales Analytics ermöglicht einen Vergleich zwischen dem Umsatz, den ein Unternehmen mit einem bestimmten Kunden gemacht hat, und der Prognose für zukünftige Umsätze mit diesem Kunden. So lassen sich Chancen fürs Up- und Cross-Selling erkennen und es kann sogar passieren, dass der Vertrieb Hinweise auf (anzubietende) Produkte für den Kunden erhält, die er selbst nicht in Erwägung gezogen hätte.
Prognosen zur Kaufwahrscheinlichkeit von Neukunden
Was für Bestandskunden gilt, gilt selbstverständlich gleichermaßen für potenzielle Neukunden. KI beziehungsweise Predictive Sales Analytics unterstützt zum Beispiel dabei, die Attraktivität von Kunden a priori zu bewerten und die dafür passenden Adressen zu identifizieren.
Mit prädiktiven Verkaufsanalysen, die Verbraucherdaten und historische Verkaufsinformationen vereinen, können Unternehmen prognostizieren, wie wahrscheinlich es ist, dass potenzielle Kunden zu einmaligen oder wiederkehrenden Käufern werden. Mit Predictive Sales können Unternehmen komplette Verhaltensmuster von Kunden in einem festgelegten Zeitraum antizipieren. So wird eine sehr hohe Genauigkeit der Prognose erreicht. Daraus wiederum können Handlungsempfehlungen mit hoher Erfolgswahrscheinlichkeit für den Vertrieb abgeleitet werden.
Identifikation möglicher abwanderungswilliger Kunden
Die Wirtschaftsprüfungsgesellschaft PricewaterhouseCoopers GmbH (PwC) hat den Titel eines Beitrags zum Thema Gefahr des Abwanderns von Kunden (Churn Risk) kreativ und zugleich treffend gewählt: „Nicht jeder Abschied tut weh“. Damit meinen die Autoren, dass nicht jeder als wahrscheinlich abwanderungswillig identifizierter Kunde es auch wert ist, mit Hilfe aufwändiger Kundenbindungsmaßnahmen zum Bleiben bewegt zu werden.
Das klingt zunächst vielleicht hart, ist im Sinne der betriebswirtschaftlichen Anwendung KI-getriebener Verfahren wie Predictive Sales Analytics aber logisch. Der Vertrieb muss sich immer fragen, welcher Einsatz von personellen und finanziellen Mitteln für Maßnahmen der Kundenbindung gerechtfertigt ist. Und bei Kunden, bei denen die Umsatz-Prognose vergleichsweise niedrig ausfällt, lohnen solche Maßnahmen eher nicht.
Somit kann Software für Predictive Sales dazu beitragen, sich auf die wertvollen Kunden zu fokussieren, bei denen das Risiko besteht, dass sie dem Unternehmen den Rücken kehren.
BERECHNEN SIE JETZT DEN ROI VON QYMATIX PREDICTIVE SALES SOFTWARE
Prognose zum Wertbeitrag von Bestandskunden
Wie oben erwähnt, kann man Predictive Sales ganz gut mit der Wettervorhersage vergleichen. Es geht um wahrscheinlich eintretende Ereignisse beziehungsweise um ein wahrscheinlich eintretendes Kundenverhalten – also zum Beispiel Abwanderung, Cross- oder Up-Selling-Aktivitäten, Änderung vom Lead- in den Kaufstatus oder den wahrscheinlich erwartbaren Umsatz beziehungsweise Wertbeitrag von Kunden. Customer Value Prediction bestimmt die Umsatzerwartung jedes einzelnen Kunden über einen definierten Zeitraum.
Mittels einer Prognose zum erwartbaren Umsatz je Kunden kann der Vertrieb effektiv gesteuert werden. Dies betrifft konkrete Vertriebsmaßnahmen oder auch den Umfang einzelner Investitionen in die Stärkung von Kundenbeziehungen. Predictive Sales ermöglicht es Unternehmen damit, ihre Ressourcen fokussiert und effizient einzusetzen – dort, wo Geschäftsbeziehungen am fruchtbarsten und wertvollsten sind.