Wie viele Daten braucht Predictive Analytics im B2B-Vertrieb?
Wohin dürfen wir das PDF senden?
Wie viele Daten benötigt Predictive Analytics? Erfahren Sie, wann ERP-Verkaufsdaten ausreichen, worauf es bei der Datenqualität ankommt und wann Excel sinnvoller ist.
Großhandelsunternehmen verfügen häufig über mehr relevante Verkaufsdaten, als ihnen bewusst ist. Eine große Zahl an Kunden, Produkten, Aufträgen und einzelnen Transaktionen erzeugt über die Jahre umfangreiche Datenbestände. Diese Informationen liegen in der Regel bereits im ERP-System vor.
Trotzdem gehen viele Unternehmen davon aus, dass sie für Predictive Analytics zunächst zusätzliche Daten sammeln, CRM-Systeme aufwendig bereinigen oder externe Marktinformationen einkaufen müssen. In vielen Anwendungsfällen ist das jedoch nicht notwendig.
Für Verkaufsprognosen, Cross-Selling-Analysen, die Erkennung von Abwanderungsrisiken und datenbasierte Preisanalysen sind historische Verkaufsdaten aus dem ERP häufig die beste Ausgangsbasis. Sie sind zuverlässig, eng mit dem eigentlichen Geschäftsziel verbunden, in großer Menge vorhanden und vergleichsweise einfach verfügbar.
Die entscheidende Frage lautet: Welche Daten helfen uns mit vertretbarem Aufwand dabei, eine konkrete Vertriebsentscheidung zu verbessern?
Warum ERP-Verkaufsdaten besonders wertvoll sind
ERP-Systeme enthalten in der Regel die tatsächlichen Geschäftstransaktionen eines Unternehmens. Dazu gehören unter anderem Kunden, Produkte, Mengen, Preise, Auftragszeitpunkte, Rabatte und Umsätze.
Damit bilden ERP-Daten nicht nur Absichten oder Einschätzungen ab. Sie dokumentieren, was Kunden tatsächlich gekauft haben, wann sie gekauft haben und zu welchen Konditionen eine Transaktion stattgefunden hat. Für Predictive Sales Analytics sind diese Daten aus mehreren Gründen besonders geeignet.
ERP-Daten sind zuverlässig
Verkaufsdaten werden für geschäftskritische Prozesse benötigt. Rechnungen, Lieferungen, Bestellungen und Zahlungen müssen korrekt verarbeitet werden. Deshalb werden ERP-Daten meist verbindlicher und konsistenter gepflegt als freiwillige Vertriebsinformationen.
Natürlich können auch ERP-Daten Fehler oder Lücken enthalten. Im Vergleich zu manuell erfassten Notizen oder uneinheitlich gepflegten CRM-Feldern besitzen sie jedoch häufig eine höhere Verbindlichkeit.
ERP-Daten liegen nahe am Geschäftsziel
Für viele Vertriebsprognosen ist tatsächliches Kaufverhalten besonders aussagekräftig. Wer Kundenabwanderung erkennen möchte, sollte beispielsweise analysieren, ob sich Bestellhäufigkeit, Umsatz, Produktauswahl oder Kaufintervalle verändern. Wer Cross-Selling-Potenziale sucht, benötigt Informationen darüber, welche Produkte von ähnlichen Kunden gemeinsam gekauft werden. Wer Preise analysieren möchte, braucht historische Preise, Mengen, Produkte und Kundenbeziehungen.
Diese Informationen befinden sich üblicherweise im ERP-System. Sie liegen damit sehr nah an den Ergebnissen, die später prognostiziert werden sollen.
ERP-Daten sind in großer Menge vorhanden
Gerade Großhandelsunternehmen arbeiten häufig mit Tausenden Kunden und Zehntausenden Produkten. Bereits über einen vergleichsweise kurzen Zeitraum entstehen dadurch zahlreiche Verkaufspositionen und Transaktionen.
Diese Datenmenge bietet erhebliches Potenzial. Viele Zusammenhänge bleiben in klassischen Berichten oder Excel-Auswertungen unsichtbar, weil sie sich erst durch die gemeinsame Analyse vieler Kunden, Produkte und Zeiträume erkennen lassen.
Für einen typischen mittelständischen oder größeren Großhändler ist eine zu geringe Datenmenge deshalb häufig nicht das eigentliche Problem. Durch zahlreiche Kunden, Artikel, Auftragspositionen und mehrere Jahre Verkaufshistorie entstehen schnell sehr große Transaktionsbestände.
ERP-Daten sind vergleichsweise einfach zu beschaffen
Ein weiterer Vorteil liegt in der Verfügbarkeit. Die Daten befinden sich bereits im Unternehmen und werden kontinuierlich aktualisiert.
Zusätzliche Datenquellen müssen dagegen häufig erst identifiziert, eingekauft, zusammengeführt und dauerhaft gepflegt werden. Bevor ein Unternehmen neue Datenquellen erschließt, sollte es deshalb prüfen, welchen Nutzen die bereits vorhandenen Verkaufsdaten bieten.
Die Zahl der ERP-Zeilen allein entscheidet nicht
Eine Million Auftragspositionen können eine sehr wertvolle Datenbasis sein. Sie können jedoch auch stark redundant sein, beispielsweise wenn sie überwiegend von wenigen Großkunden, wenigen Artikeln oder sehr ähnlichen Bestellvorgängen stammen.
Ein Modell benötigt nicht nur Datenvolumen. Es braucht genügend unterschiedliche und für das jeweilige Ziel relevante Beobachtungen. Tausende nahezu identische Bestellungen können für manche Anwendungsfälle weniger wertvoll sein als eine kleinere Zahl vielfältiger Transaktionen mit unterschiedlichen Kunden, Produkten und Verhaltensmustern.
Entscheidend ist, ob in den Daten wiederkehrende und generalisierbare Zusammenhänge vorhanden sind. Ein Modell soll schließlich nicht nur die Vergangenheit beschreiben. Es soll Muster erkennen, die sich auch auf bisher unbekannte Fälle übertragen lassen.
Zu wenige oder zu homogene Daten können ein Faktor für sogenanntes „Overfitting“ sein. Das heißt, es besteht die Gefahr, dass ein Modell gute Ergebnisse mit den Trainingsdaten erzielt, aber bei neuen Daten unzuverlässige Prognosen liefert.
Umsatz ist nur ein grober Indikator
Es wäre verlockend, die Eignung für Predictive Analytics an einer bestimmten Umsatzgröße festzumachen. Eine Grenze wie 1 Million Euro, 5 Millionen Euro oder 10 Millionen Euro Jahresumsatz wäre jedoch fachlich nicht belastbar.
Der Umsatz sagt wenig darüber aus, wie viele unterschiedliche Kunden, Produkte und Transaktionen ein Unternehmen tatsächlich besitzt. Ein Unternehmen mit 3 Millionen Euro Jahresumsatz könnte beispielsweise 2.000 Kunden und sehr viele kleinere Bestellungen haben. Ein anderes Unternehmen mit demselben Umsatz könnte lediglich zwölf Kunden betreuen und wenige große Projekte abwickeln.
Im ersten Fall könnten ausreichend wiederkehrende Muster vorhanden sein, um Predictive Analytics sinnvoll einzusetzen. Im zweiten Fall wäre ein individuelles oder regelbasiertes Vorgehen wahrscheinlich wirtschaftlicher. Auch die Zahl der Produkte allein reicht als Maßstab nicht aus. Entscheidend ist das Zusammenspiel aus Kunden, Produkten, Transaktionen, Zeiträumen und relevanten Zielereignissen.
Ein Unternehmen mit wenigen Produkten kann durchaus von einer Abwanderungsprognose profitieren, wenn es sehr viele Kunden mit regelmäßigem Kaufverhalten besitzt. Für ein Cross-Selling-Modell wären wenige Produkte dagegen eine deutliche Einschränkung, weil nur wenige Produktkombinationen analysiert werden können.
Welche Datenmenge benötigt der konkrete Anwendungsfall?
Die notwendige Datenbasis unterscheidet sich je nach Predictive-Analytics-Anwendung. Deshalb sollte die Frage nach der Datenmenge niemals losgelöst vom Geschäftsziel beantwortet werden.
1. Cross-Selling
Für Cross-Selling-Analysen werden ausreichend wiederkehrende Kaufkombinationen benötigt. Wenn viele Kunden regelmäßig unterschiedliche Produkte bestellen, kann ein Modell erkennen, welche Artikel häufig gemeinsam gekauft werden und welche Produktkombinationen bei vergleichbaren Kunden fehlen.
Gibt es dagegen nur wenige Kunden, wenige Artikel oder überwiegend einmalige Projektgeschäfte, lassen sich kaum belastbare Zusammenhänge zwischen Produkten und Kundengruppen ableiten.
Eine hohe Anzahl an Transaktionszeilen reicht dann möglicherweise nicht aus, wenn hinter diesen Zeilen nur wenige unterschiedliche Kaufmuster stehen.
2. Kundenabwanderung
Für die Prognose von Abwanderungsrisiken werden genügend Kunden mit wiederkehrendem Kaufverhalten benötigt. Zusätzlich müssen ausreichend Fälle vorhanden sein, die nach einer geschäftlich sinnvollen Definition als Abwanderung gelten.
Eine Abwanderung muss dabei nicht als eigenes Feld im ERP-System gespeichert sein. Sie kann beispielsweise darüber definiert werden, dass ein Kunde deutlich länger als üblich nicht mehr bestellt oder sein Kaufvolumen erheblich reduziert hat.
Gibt es jedoch nur sehr wenige abgewanderte Kunden, kann das Modell kaum lernen, welche Verhaltensänderungen typischerweise einer Abwanderung vorausgehen. Zehn abgewanderte Kunden unter mehreren Tausend aktiven Kunden könnten trotz einer großen Zahl an Transaktionszeilen zu wenig sein, um verlässliche Muster zu ermitteln.
3. Preisanalysen
Für datenbasierte Preisanalysen werden vergleichbare Transaktionen benötigt. Ein Modell kann beispielsweise untersuchen, wie sich Preise zwischen ähnlichen Kunden, Produkten, Mengen und Zeitpunkten unterscheiden. Dadurch lassen sich Auffälligkeiten und potenzielle Preisspielräume erkennen.
Werden Produkte jedoch nur selten verkauft oder sind nahezu alle Aufträge individuell konfiguriert, fehlen möglicherweise geeignete Vergleichsfälle. Auch ein hoher Umsatz garantiert deshalb nicht automatisch, dass ausreichend vergleichbare Preisdaten vorhanden sind.
4. Absatzprognosen
Für Absatzprognosen sind ausreichend lange und hinreichend regelmäßige Zeitreihen erforderlich.
Viele Buchungszeilen innerhalb weniger Monate ersetzen nicht automatisch eine mehrjährige Verkaufshistorie. Saisonale Muster, langfristige Veränderungen oder wiederkehrende Auftragsspitzen lassen sich nur erkennen, wenn der betrachtete Zeitraum lang genug ist.
Bei Produkten mit sehr unregelmäßiger Nachfrage oder extrem seltenen Verkäufen können einfache Planungsregeln oder Erfahrungswerte unter Umständen zuverlässiger sein.
Predictive Analytics erkennt mehr als einfache Korrelationen
Häufig wird vereinfacht gesagt, dass Predictive Analytics Korrelationen in Daten findet. Diese Beschreibung weist in die richtige Richtung, greift jedoch zu kurz. Predictive-Analytics-Modelle lernen wiederkehrende und generalisierbare Zusammenhänge zwischen verschiedenen Merkmalen und einem Zielwert. Diese Zusammenhänge können linear oder nicht linear sein. Sie können außerdem vom Zusammenspiel mehrerer Variablen abhängen.
Bei der Kundenabwanderung kann beispielsweise nicht nur ein sinkender Umsatz relevant sein. Möglicherweise steigt das Risiko erst dann deutlich, wenn gleichzeitig die Bestellhäufigkeit sinkt, wichtige Produktgruppen nicht mehr bestellt werden und sich die Kaufintervalle verlängern.
Solche komplexeren Muster lassen sich mit einfachen Einzelregeln nur schwer vollständig erfassen. Entscheidend ist jedoch, dass ein gefundenes Muster auch bei neuen Daten funktioniert. Aus diesem Grund muss die Modellleistung mit Daten geprüft werden, die nicht bereits für das Training verwendet wurden.
Nicht jede verfügbare Information ist automatisch nützlich
Neben ERP-Daten verfügen viele Unternehmen über CRM-Daten, Gesprächsnotizen, E-Mails, Besuchsberichte, Marktinformationen oder Wettbewerbsdaten. Solche Informationen können eine Prognose ergänzen. Ihr Vorhandensein bedeutet jedoch nicht automatisch, dass sie wirtschaftlich sinnvoll genutzt werden können.
Für Predictive Analytics werden möglichst standardisierte und konsistent verfügbare Daten benötigt. Strukturierte CRM-Felder können deshalb durchaus hilfreich sein. Dazu gehören beispielsweise eindeutig gepflegte Branchen, Kundensegmente, Vertriebsregionen oder dokumentierte Verkaufschancen.
Schwieriger wird es bei unstrukturierten Informationen wie freien Gesprächsnotizen oder individuell formulierten Texten. Solche Daten müssen zunächst aufbereitet, vereinheitlicht und in einen nutzbaren Kontext gebracht werden. Uneinheitliche Formulierungen, fehlende Einträge und subjektive Einschätzungen können den Aufwand zusätzlich erhöhen.
Hinzu kommt, dass CRM-Systeme in vielen Unternehmen nicht durchgängig gepflegt werden. Einige Vertriebsmitarbeitende dokumentieren ihre Aktivitäten sehr ausführlich, andere nur unregelmäßig. Dadurch können Datenlücken und Verzerrungen entstehen.
Das bedeutet nicht, dass CRM-Daten grundsätzlich ungeeignet sind. Unternehmen sollten jedoch realistisch bewerten, wie zuverlässig, vollständig und standardisiert diese Daten vorliegen.
Auch externe Daten müssen einen messbaren Zusatznutzen bieten
Ähnliches gilt für externe Datenquellen. Marktinformationen, Branchendaten, Unternehmensinformationen oder Wettbewerbsdaten können zusätzliche Zusammenhänge liefern. Sie verursachen jedoch ebenfalls Aufwand und gegebenenfalls laufende Kosten.
Besonders bei Wettbewerbsdaten stellt sich häufig die Frage nach der Konsistenz. Zu manchen Wettbewerbern, Märkten oder Kundengruppen liegen umfangreiche Informationen vor. Zu anderen sind nur wenige oder gar keine vergleichbaren Daten verfügbar.
Eine Datenquelle, die nur für einzelne Fälle Informationen liefert, kann zu einer ungleichmäßigen Datenbasis führen. Zudem können externe Daten schnell veralten oder müssen regelmäßig neu beschafft werden.
Deshalb sollte nicht allein gefragt werden, ob externe Daten verfügbar sind. Entscheidend ist, ob sie die Qualität der Prognosen so deutlich verbessern, dass sich die zusätzlichen Kosten und der Pflegeaufwand rechtfertigen.
Aufwand und Nutzen müssen gemeinsam betrachtet werden
Bei der Auswahl von Datenquellen sollte immer eine Aufwand-Nutzen-Abwägung stattfinden. Wie viel Zeit kostet es, CRM-Daten zu bereinigen und dauerhaft einheitlich zu pflegen? Wie aufwendig ist die Beschaffung externer Informationen? Sind diese Daten für alle relevanten Kunden und Produkte verfügbar? Wie häufig werden sie aktualisiert? Und vor allem: Wie stark verbessert sich die Prognose tatsächlich durch ihre Einbindung?
Eine zusätzliche Datenquelle ist nicht automatisch wertvoll, nur weil sie theoretisch weitere Informationen enthält. Wenn die Prognosequalität durch eine aufwendig beschaffte Datenquelle nur geringfügig steigt, kann der wirtschaftliche Nutzen begrenzt sein. In diesem Fall ist es häufig sinnvoller, zunächst mit den vorhandenen ERP-Daten zu arbeiten und die Ergebnisse schrittweise zu verbessern.
Predictive Analytics sollte einen positiven Business Case schaffen. Die technisch umfangreichste Lösung ist nicht zwangsläufig die wirtschaftlich sinnvollste.
Wann reichen Regeln oder Excel aus?
Predictive Analytics ist nicht für jedes Unternehmen und jeden Anwendungsfall automatisch die beste Lösung.
Regelbasierte Verfahren können angemessener sein, wenn nur wenige Kunden, Artikel oder relevante Geschäftsfälle existieren. Das gilt auch dann, wenn Entscheidungen auf wenigen transparenten Kriterien beruhen, relevante Ereignisse sehr selten auftreten oder kaum wiederkehrende Kaufmuster vorhanden sind.
Ein stark projektbezogenes Geschäftsmodell ist ein typisches Beispiel. Verkauft ein Unternehmen pro Jahr nur wenige große Anlagen an eine kleine Zahl von Stammkunden, können Vertriebswissen, feste Schwellenwerte und eine strukturierte Excel-Auswertung aussagekräftiger sein als ein individuell trainiertes Prognosemodell.
In einem solchen Fall sind die Geschäftsvorgänge überschaubar. Die verantwortlichen Mitarbeitenden kennen die Kunden häufig persönlich und können Besonderheiten direkt beurteilen. Ein komplexes Modell würde möglicherweise nur begrenzten zusätzlichen Nutzen schaffen.
Bei Tausenden Kunden, Zehntausenden Artikeln und Millionen möglicher Kunden-Produkt-Beziehungen stoßen feste Regeln dagegen schnell an Grenzen. Der Versuch, alle relevanten Zusammenhänge manuell in Excel abzubilden, würde einen erheblichen Aufwand verursachen und wäre kaum dauerhaft aktuell zu halten. Die Stärke von Predictive Analytics liegt daher besonders in Situationen, in denen große Mengen komplexer Zusammenhänge priorisiert werden müssen.
Ab wie vielen Daten lohnt sich Predictive Analytics?
Eine seriöse allgemeine Mindestmenge gibt es nicht. Aussagen wie „ab 10.000 Transaktionen“ oder „ab 5 Millionen Euro Umsatz“ wären zu pauschal. Der Datenbedarf hängt vom jeweiligen Anwendungsfall, der Modellkomplexität, der Zahl der untersuchten Merkmale, der Häufigkeit relevanter Ereignisse und der Vielfalt der Beobachtungen ab.
Statt einer festen Schwelle sollten Unternehmen mehrere Fragen prüfen. Gibt es ein klar definiertes wirtschaftliches Ziel? Sind genügend unterschiedliche Kunden, Produkte oder Vergleichsfälle vorhanden? Reicht die Verkaufshistorie weit genug zurück? Gibt es genügend Beispiele für das Ereignis, das prognostiziert werden soll? Erzielt das Modell bei neuen und zeitlich getrennten Daten bessere Ergebnisse als eine einfache Regel? Ist der zusätzliche wirtschaftliche Nutzen größer als die Kosten für Implementierung und Betrieb?
Die tatsächliche Eignung der Daten lässt sich am besten empirisch prüfen. Dazu wird ein Modell mit einem Teil der Daten trainiert und mit bisher nicht verwendeten Daten getestet.
Lernkurven können zusätzlich zeigen, ob sich die Prognosequalität durch weitere Trainingsdaten noch verbessert oder ob bereits ein Leistungsplateau erreicht wurde. Steigt die Qualität mit zusätzlichen Daten deutlich, könnte eine größere Datenbasis hilfreich sein. Verändert sie sich kaum noch, liegt die Begrenzung möglicherweise eher in der Datenqualität, den Merkmalen oder dem gewählten Modell.
BERECHNEN SIE JETZT DEN ROI VON QYMATIX PREDICTIVE SALES SOFTWARE
Fazit: Für Großhändler ist die Datenmenge häufig nicht das Hauptproblem
Die pauschale Aussage, dass Unternehmen für Predictive Analytics nur wenige Daten benötigen, ist fachlich nicht überzeugend. Ebenso wenig lässt sich eine allgemeine Mindestmenge nennen.
Entscheidend sind der konkrete Anwendungsfall, die Vielfalt der Beobachtungen, die Länge der Verkaufshistorie und die Zahl relevanter Zielereignisse.
Für typische mittelständische und größere Großhandelsunternehmen ist eine zu geringe Datenmenge jedoch häufig nicht die zentrale Herausforderung. Durch zahlreiche Kunden, Produkte und Auftragspositionen verfügen sie meist über umfangreiche Transaktionsdaten im ERP-System.
Diese Daten sind für viele Vertriebsprognosen besonders wertvoll, weil sie zuverlässig, strukturiert und eng mit dem tatsächlichen Kaufverhalten verbunden sind.
Die reine Zahl der Datensätze reicht dennoch nicht als Maßstab aus. Wenn ein Unternehmen nur wenige Kunden, Produkte oder wiederkehrende Geschäftsfälle besitzt, können auch große Umsätze oder viele ähnliche Buchungszeilen zu wenig Vielfalt für ein belastbares Prognosemodell bieten.
In solchen Fällen können regelbasierte Systeme, Erfahrungswissen und Excel-Auswertungen wirtschaftlich sinnvoller sein.
Predictive Analytics lohnt sich vor allem dort, wo die Zahl der Kunden, Produkte, Transaktionen und möglichen Zusammenhänge so groß wird, dass eine manuelle Analyse an ihre Grenzen stößt.
CRM-Daten und externe Informationen können die vorhandene Datenbasis ergänzen. Ihr Nutzen sollte jedoch immer den Kosten für Beschaffung, Bereinigung, Standardisierung und laufende Pflege gegenübergestellt werden.
Der pragmatische Ansatz lautet deshalb: Zuerst die vorhandenen ERP-Daten nutzen, ihre Eignung für den konkreten Anwendungsfall prüfen und zusätzliche Datenquellen nur dann integrieren, wenn sie die Prognosen und den wirtschaftlichen Nutzen nachweislich verbessern.