Studie im B2B-Vertrieb: Automatische, KI-basierte Preissetzungen versus Menschen
Sie erfahren hier die Ergebnisse eines Feldexperiments, durchgeführt von Yael Karlinsky-Shichor (School of Business at Northeastern) und Oded Netzer (Columbia University), mit dem Ziel herauszufinden „Wer trifft die besseren Preisentscheidungen im B2B – Mensch oder Maschine?“
Wir wissen inzwischen, dass Algorithmen und künstliche Intelligenz in unserem täglichen Leben angekommen sind. Auch das allgemeine Vertrauen in Systeme wie Google Maps ist recht hoch, wenn man sich die Nutzerzahlen anschaut.
Trotzdem passiert es hin und wieder, dass wir einen Routenvorschlage sehen und mit der Stirn runzeln: „Das kommt mir komisch vor, ich glaube das stimmt nicht.“
Ähnlich reagieren wir zum Teil auf die prognostizierte Reisezeit. Es könnte ein eigener Erfahrungswert sein, der sich in Form eines Bauchgefühls meldet. Oder wir sind einfach nur in Eile und trauen deshalb der Reisezeit nicht. Woran auch immer es liegt, (ob berechtigt oder unberechtigt) es passiert. Was geht dabei in uns vor?
Yael Karlinsky-Shichor hat es sich zur Aufgabe gemacht genau das herauszufinden. Karlinsky-Shichors Forschung konzentriert sich auf die Automatisierung der Entscheidungsfindung und deren Anwendung im Marketing und Vertrieb. Sie untersucht auch die psychologischen Aspekte der Nutzung von Automatisierung und Modellen der künstlichen Intelligenz.
In diesem Beitrag geht es um eine bestimmte Studie der Forscherin, in welcher untersucht wird, wie gut künstliche Intelligenz im Gegensatz zu Menschen in Bezug auf Preissetzungsentscheidungen im B2B-Großhandel ist.
Schauen wir sie uns genauer an.
Anmerkung: in diesem Beitrag wird zur besseren Lesbarkeit das generische Maskulinum verwendet.
Feldexperiment Mensch versus Maschine – was wurde gemacht?
Das Experiment fand in einem B2B-Großhandelsunternehmen in den USA statt, welches Aluminium verkauft. Es sollte untersucht werden, was für das Unternehmen einen höheren Gewinn erzielen kann – vom Menschen festgesetzte Preise oder die, die von einer Maschine bestimmt wurden.
Eine Gruppe von Vertriebsmitarbeitern hat ein Tool zur Verfügung gestellt bekommen, welches automatische Preissetzungsempfehlungen pro Kunde und Produkt in Echtzeit abgibt. Die Daten, mit denen das Tool trainiert wurde, waren historische Verkaufstransaktionen des Unternehmens. Das Tool basierte auf dem maschinelles Lernen Modell „Random Forest“. Einfacher gesagt, es wurden Wahrscheinlichkeiten für Preisakzeptanz berechnet und daraus den Vertriebsmitarbeitern konkrete Preisempfehlungen ins CRM ausgespielt.
Somit hatte diese Gruppe die Möglichkeit ihre Preissetzung datenbasiert anzupassen. Die Kontrollgruppe bestand aus einer anderen Gruppe im Vertrieb, ohne dieses Tool.
Jede eingehende Anfrage ist zufällig an eine der beiden Gruppen zugespielt worden. Während des Experiments wurden insgesamt 2.000 Preisangebotsnachfragen und über 4.000 Produktanfragen bearbeitet.
Was wir besonders gut an dem Experiment finden ist, dass die Vertriebsgruppe mit dem Pricing-Tool nicht gezwungen wurde die Preisempfehlungen anzunehmen. Die Verkäufer haben die Entscheidungsmacht, also ein Vetorecht gegenüber dem Vorschlag des Algorithmus. Warum finden wir das gut? Es ist realistisch. Ein KI-Tool, wie in diesem Fall Predictive Sales Analytics, ist eine Hilfestellung und kein Diktator.
Die Ergebnisse des Experiments
Die Gruppe der Vertriebsmitarbeiter mit dem Pricing-Tool machte 10 % mehr Profit im Vergleich zur Kontrollgruppe. Und das, obwohl dem Modell viele Informationen, die der Verkäufer hat, nicht zur Verfügung stehen. Wir erinnern uns; das Modell wurde allein mit vergangenen Verkaufstransaktionsdaten trainiert (also: wer hat wann, wie viel, in welchen Abständen etc. gekauft). Die Vertriebsmitarbeiter besitzen häufig schwer codierbare Informationen über ihre Kunden, die Produkte, Wettbewerbersituationen etc..
In einer tiefergehenden Analyse hat sich gezeigt, dass das Modell in den meisten Fällen zu einer höheren Rentabilität führt. Aber, wenn es um Preise oder Angebote bei Kunden mit einzigartigen oder komplexen Merkmalen geht, erzielen die Verkäufer weitaus höhere Gewinne als die Algorithmen.
Was nun? Wann sollten automatische Preise angenommen werden und wann sollte ein Mensch die Preissetzung übernehmen? Die Studie wurde aufgrund der Ergebnisse erweitert. Die Forscherin hat ein hybrides Modell entwickelt. Ein maschinelles Lernen System berechnete, wann welche Preissetzung angewandt werden sollte: „Wir verwenden maschinelles Lernen, um automatisch zu entscheiden, wer die Preisentscheidung treffen sollte – der Verkäufer oder das Modell“, erklärte Karlinsky-Shichor.
Das Ergebnis spricht für sich: „Wir haben festgestellt, dass eine hybride Struktur, bei der das Modell die meisten der eingehenden Angebote kalkuliert, während der fachkundige Verkäufer die Fälle übernimmt, die eher einzigartig oder außergewöhnlich sind, sogar noch besser abschneidet.“
Wir freuen uns sehr über die Ergebnisse der Studie, denn sie bestätigen auf wissenschaftlicher Ebene unsere Erfahrungen aus der Praxis. Wir sind davon überzeugt, dass Menschen und Maschinen gemeinsam die besten Ergebnisse erzielen.
BERECHNEN SIE JETZT DEN ROI VON QYMATIX PREDICTIVE SALES SOFTWARE
Schlussfolgerung für B2B-Unternehmen
Was ist nun zu tun? Es ist erwiesen, dass Verfahren des maschinellen Lernens präzise Prognosen erstellen und somit bei Verkaufsentscheidungen enorm unterstützen können. Das Fachwort im Bereich Vertrieb ist hierfür „Predictive Sales Analytics“. Allein Preissetzungsprognosen haben in diesem Fall die Profitabilität um 10 % erhöht. Wenn Sie nun auch noch Kundenabwanderung und Cross-Selling prognostizieren, um ihre Kunden effektiv binden zu können, werden Sie Ihre Margen noch mehr verbessern können.
Der B2B-Markt wird auf Billionen von Dollar geschätzt, liegt aber bei der Einführung von Technologien zur Automatisierung weitgehend hinter dem Business-to-Consumer-Markt (B2C) zurück. Es ist an der Zeit das zu ändern. Gerade der Großhandel in Deutschland leidet unter immer kleineren Margen und könnte am meisten von solchen Modellen profitieren.
Nutzen Sie Ihre Verkaufsdaten und liefern Sie Ihrem Vertriebsteam ein Verkaufsprognose-Tool (Predictive Sales Analytics Software), welches es mit konkreten, datenbasierten Handlungsempfehlungen unterstützt. Ihre Vertriebsmitarbeiter verlieren dadurch nicht ihre Jobs, sie werden besser in dem, was sie tun.
Ist es für Sie Zeit datengetrieben zu agieren? Dann sprechen Sie mit uns, oder lesen Sie das kostenlose Whitepaper „Predictive Analytics: Was es ist und wie Sie beginnen können“.
ICH MÖCHTE PREDICTIVE ANALYTICS FÜR DEN B2B-VERTRIEB
Kostenloses eBook zum gratis Download: Predictive Analytics im B2B-Großhandel
Kurz erklärt: Wie Sie mit Predictive Sales Analytics im Großhandel beginnen können.
Downloaden Sie jetzt das kostenlose eBook.
- Wir verwenden diese Daten nur zur Beantwortung Ihre Anfrage. Hier können Sie unsere Datenschutzerklärung finden.
Literaturnachweis:
Khalida Sarwari (2019): Who makes better decisions: Humans or Robots?
