b2b lead predictive analytics
 

In diesem Gastartikel gibt Dr. Niladri Syam Tipps für erfolgreichen B2B Prognosemodelle.

 

Es ist unbestritten, dass Unternehmen im B2B-Bereich nur begrenzt Ressourcen für Vertrieb und Marketing übrig haben. Deren größte finanziellen Aufwendungen fallen für die Mitarbeiter des Vertriebs an, weshalb Organisationen auch ständig nach Methoden Ausschau halten, die die Produktivität des Vertriebspersonals erhöhen können.

Viele Vertriebsmitarbeiter verlassen sich ausschließlich auf diejenigen Leads, die durch Marketingaktivitäten generiert wurden oder durch den persönlichen Kontakt entstanden sind.

 

Bei genauerem Hinsehen fällt jedoch auf, dass nicht alle Leads gleichbedeutend sind – manche führen weitaus wahrscheinlicher zum Verkaufsabschluss als andere. Auch wenn es offensichtlich klingt, dass Vertriebsmitarbeiter effektiver zum Abschluss kommen, wenn ihnen ausschließlich zielführende Kundenkontakte weitergeleitet werden, sieht es in der Praxis meist ganz anders aus.

 

In einer aktuellen Studie von MarketingSherpa heißt es, dass „61 % der B2B-Marketingexperten alle Kontakte potentieller Neukunden direkt an den Vertrieb weiterleiten, auch wenn sich lediglich 27 % der Leads tatsächlich eignen“ (Doyle, 2011). Diese 27% an erfolgsversprechenden Kundenkontakten ergeben sich meist ad hoc und die Lead-Qualifizierung erfolgt, ohne moderne Analysemethoden anzuwenden.

 

Eine genaue Prognose der Kaufwahrscheinlichkeit ist unumgänglich für gutes Lead Targeting. Klick um zu Tweeten

 

Im Marketing hat es sich jedoch bewährt, die Prinzipien der Kundensegmentierung in B2B und des Targetings zu befolgen. Erst nachdem Marketingexperten den Absatzmarkt in mehrere homogene Gruppen aufgeteilt haben, ist es ihnen möglich, weitere Untergruppen zu identifizieren, die es dann entsprechend anzuvisieren gilt. Diese erlesenen Segmente bieten aus Sicht des Unternehmens die vielversprechendsten Umsatzpotentiale. Nur so wird sichergestellt, dass Marketingverantwortliche die ihnen zur Verfügung stehenden Mittel gezielt einsetzen, indem nur ausgewählte Kundensegmente angesprochen werden.

 

Es gibt noch eine weitere, ähnlich profitable Lösung in Sachen Lead Management für Vertriebsorganisationen. Unternehmen sollten sich generell auf Daten gestützte Analysemethoden konzentrieren, die die Leads je nach Eignung in unterschiedliche Kategorien einteilen. Indem ausschließlich vielversprechende Kontakte anvisiert werden, kann das Risiko der Ressourcenverschwendung an Kunden der weniger profitableren Segmente vermieden werden. Dieses Prinzip bezeichnet man auch als ‚Lead Targeting’.

 

Erfolgreiches Lead Targeting orientiert sich an wenigen, jedoch altbewährten Grundsätzen:

 

1) Durch Verhaltensweisen der Vergangenheit können zukünftige Prognosen abgeleitet werden.
2) Vertriebskennzahlen der Inferenzstatistik sind stichhaltiger als Schätzungen.
3) Ressourcen sollten bestenfalls in diejenigen Bereiche investiert werden, in denen Deckungsbeiträge am höchsten ausfallen.

 

Äußerst erfreulich ist, dass die Sozialwissenschaft eine ganze Reihe von Analysemethoden hervorgebracht hat, die all die oben genannten Bedingungen berücksichtigen: Prognosemodelle. Einfach ausgedrückt sind Prognosemodelle dazu da, anhand von quantitativen Vertriebskennzahlen Wahrscheinlichkeiten abzuleiten, die verraten, ob ein Bestandskunde/ ein Lead in Zukunft einen Kauf tätigen wird. In die Berechnung des Modells fließen Daten über vergangene Verhaltensweisen und Kundenvorlieben mit ein, die als Endergebnis inferenzstatistische Vertriebskennzahlen oder KPIs liefern. Zusammen mit den Vorlieben bilden diese Vertriebskennzahlen die notwendigen Wahrscheinlichkeiten ab.

 

Bei genauerem Hinsehen fällt jedoch auf, dass nicht alle Leads gleichbedeutend sind. Klick um zu Tweeten

 

Diese marketingwissenschaftliche Herangehensweise an das Lead Targeting ist nicht nur auf die Theorie beschränkt. Einige Unternehmen haben diese Methoden bereits mit wiederkehrendem Erfolg in ihre Unternehmensprozesse integriert. Als Paradebeispiel hierfür ist folgender Fall zu nennen: Professor Dennis Gensch von der Universität Wisconsin-Milwaukee hat zusammen mit erfahrenen Führungskräften von ABB ein logistisches Regressionsmodell (Logit-Modell) entwickelt. Dieses Prognosemodell errechnet die Wahrscheinlichkeit, mit der ein Kunde von ABB in Zukunft einen Kauf tätigen wird (Gensch et. al., 1990). Anschließend werden die Kunden auf Basis der gewonnenen Wahrscheinlichkeiten in vier Gruppen eingeteilt. Die zwei rentabelsten Gruppen können nun identifiziert und herausgefiltert werden, um dort in die Kundengewinnung zu investieren.

 

Feststeht, dass es sich nicht lohnt, Kampagnen für Kunden zu entwerfen, die in Zukunft mit einer sehr hohen oder einer sehr geringen Wahrscheinlichkeit kaufen werden. Anders verhält es sich wiederum bei denjenigen Kunden, die möglicherweise zur Konkurrenz, z.B. zu GE, wechseln wollen, oder auch beim aktuellen Kundenstamm von GE, der an den Angeboten von ABB interessiert sein könnte. Letztere Kundensegmente sind relevant und sollten bei den Vertriebsmitarbeitern von ABB gezielt angesprochen werden. Zeitgleich gilt es Ressourcen nur auf diejenigen Leads aufzuwenden, deren Grenzproduktivität am höchsten ist.

 

Eine genaue Prognose dieser Wahrscheinlichkeiten ist unumgänglich für gutes Lead Targeting. Die Verfahren der Marketingwissenschaft bieten noch einen weiteren Vorteil; durch sie können gegensätzliche Fallkonstellationen zur Auswertung herangezogen werden. Gensch et al (1990) konnten mit diesem sog. kontrafaktischen Ansatz nachweisen, dass der neueingeschlagene Kurs den Umsatz tatsächlich signifikant steigern wird, im Gegensatz zur Beibehaltung der bisherigen Strategie. Diese Methoden haben sich mit den Jahren bewährt und es sollte deutlich geworden sein, dass viele weitere Unternehmen von der wissenschaftlichen Herangehensweise an das Lead Targeting profitieren könnten.

 

 
JETZT TERMIN FÜR LIVE-DEMO VEREINBAREN
 

Quellen:
1. Doyle, Jen, 2011, “Funnel Optimization: Why marketers must embrace change”, http://sherpablog.marketingsherpa.com/b2b-marketing/lead-gen/b2b-funnel-optimization/
2. Gensch, Dennis, Nicola Aversa and Stephen Moore, 1990, “A Choice-Modeling Marketing Information System that Enabled ABB Electric to Increase its Market Share”’ Interfaces, 20 (1), 6-25.

 
 

syam_niladri_web
About Niladri Syam:
Before joining the faculty as an Associate Professor of Marketing at the University of Missouri, Professor Syam taught at the Bauer College of Business, University of Houston. Prof. Syam also spent two years at Tilburg University in the Netherlands. His research has appeared in Marketing Science and Review of Marketing Science. He has served on the editorial board of Marketing Science. In 2008, he was one of two professors in the Bauer College of Business to receive the Melcher Award for Excellence in Research. Bio