Drei Gründe warum Projekte mit KI im B2B-Vertrieb scheitern

3 Gründe warum KI Projekte im B2B-Vertrieb scheitern
Erfolgreiche Unternehmen unterschätzen nicht die Komplexität und die versteckten Kosten von Projekten mit künstlicher Intelligenz (KI).

Künstliche Intelligenz (KI) für den Vertrieb ist zu einem Wettrüsten geworden. Richtig eingesetzt, wird KI die Gewinner von den Verlierern im Business-to-Business (B2B) trennen. Die Wahrscheinlichkeit, dass Ihr KI-Projekt nicht den versprochenen ROI liefert oder letztlich scheitert, ist jedoch sehr hoch.

Nick Heudecker, ein langjähriger Gartner-Vizepräsident im Bereich Data & Analytics, schätzt, dass über 85 % der Projekte im Bereich Data Science scheitern. Mehrere Studien stützen seine Erkenntnisse im Bereich KI für den Vertrieb. Diane Hagglund, Gründerin von Dimensional Research, fand beispielsweise heraus, dass weniger als 1 von 20 Unternehmen maschinelles Lernen erfolgreich in einer Produktionsumgebung einsetzen. Im Jahr 2017 stellte das CIO-Magazin eine 30-prozentige Misserfolgsrate für KI im B2B-Bereich fest.

Basierend auf unserer eigenen Erfahrung beim Einsatz unserer Predictive Sales Software mit KI, die oft mit internen KI-Projekten konkurriert, gibt es drei Hauptgründe, warum sie scheitern:

Unterschätzte Vertriebskomplexität, Wunschdenken der Data Scientists, schlechte ERP-Datenqualität für KI und fehlende informative CRM-Daten.

Diese drei Gründe führen dazu, dass der geschäftliche Nutzen ausbleibt und das Vertrauen in KI-Technologien untergraben wird. Ungeachtet der Entwicklungen in der KI-Technologie und -Infrastruktur scheint sich die traurige Bilanz von KI-Projekten in den letzten zwanzig Jahren nicht wesentlich verbessert zu haben.

Erlauben Sie mir, diese im Detail zu betrachten.

Grund Nummer eins: Unterschätzte Vertriebskomplexität

Künstliche Intelligenz im B2B-Vertrieb findet nicht im luftleeren Raum statt. Sie ist Teil der Orchestrierung und macht Vertriebsprozesse effizienter. Leider spielen viele Datenwissenschaftler*innen oder Business-Intelligence-Manager*innen, die für die interne KI-Entwicklung verantwortlich sind, die Vorbehalte ihres Vertriebs herunter.

Der Projekterfolg hängt von der Annahme und Akzeptanz durch das Management, die Vertriebsmitarbeiter*innen, die Entscheider*innen und sogar die Kunden ab. Leider ist den Unternehmen manchmal nicht klar, was eine KI-Lösung erfordert und wie sie aussieht, wenn sie einmal implementiert ist. Das ist einer der Hauptgründe, warum interne KI-Projekte oft scheitern. Daher ist es entscheidend, den Fokus auf die Lösung zu legen.

Andererseits stehen die Chancen schlecht, wenn Ihr Projekt zu breit definiert ist und viele Stakeholder ein Wörtchen mitzureden haben. Zu viele sich einmischende Stimmen in einem Projekt machen es zu einem riskanten Unterfangen.

Wie lösen erfolgreiche Unternehmen dieses Dilemma? Indem sie sorgfältig entscheiden, wann sie eine Lösung selbst erstellen und wann sie kaufen.

Unser Tipp: Entwickeln Sie die Lösung im Haus, wenn die KI ein Kernbestandteil Ihres Geschäfts sein wird, z.B. um Ihre Produkte intelligenter zu machen. Kaufen Sie dann, wenn es sich um unterstützende Funktionen handelt, z. B. im Vertrieb oder Marketing.

Außerdem implementieren Unternehmen leider oft eine KI-Lösung, um ihre Vertriebsmitarbeiter*innen zu schnelleren „Auftragsabwicklern“ zu machen, anstatt ihnen ein unterstützendes Werkzeug zu bieten. Mit anderen Worten: Sie bieten ihren Vertriebsteams keine Lösung, die sie erfolgreicher macht, sondern nur eine Ausrede, damit sie ineffektive Aufgaben schneller wiederholen.

Der B2B-Vertrieb ist komplex. Ihre KI-Lösung sollte es nicht sein. Erfolgreiche Vertriebsleiter*innen entscheiden sich für eine KI-basierte Predictive Sales Software, die die Komplexität ihres Vertriebs widerspiegelt, anstatt ein teures und ineffektives KI-Projekt zu riskieren.

Vertrieb ist nicht einfach, doch Ihre KI-Vertriebslösung muss nicht komplex sein.

Grund Nummer zwei: Wunschdenken des Data Scientist

Datenwissenschaftler*innen zu finden, ist heutzutage extrem schwierig und teuer. Studien zeigen, dass für jeden Eingestellten noch 43 Stellen unbesetzt sind. Daher sollten Sie als Unternehmen deren Zeit so effizient wie möglich investieren.

Datenwissenschaftler*innen verbringen normalerweise Wochen damit, Daten zu sammeln und zu bereinigen, Funktionen und Modelle auszuwählen, Produktionsumgebungen zu entwerfen und die Infrastruktur zu entwickeln, die für den kontinuierlichen Betrieb einer KI-Lösung erforderlich ist. Es gibt jedoch Tools auf dem Markt, die diese Aufgaben in wenigen Minuten erledigen können.

Leider überlassen viele Unternehmen die Entwicklung von KI für den Vertrieb ihrem internen Data-Science-Team oder der Business-Intelligence-Abteilung. Beide haben einen Anreiz, den Ball so lange wie möglich am Laufen zu halten, auch wenn das interne KI-Projekt nur geringe Erfolgschancen hat. Viele weigern sich, eine KI-Lösung für bspw. den Vertrieb zu kaufen, einfach aus der Gewohnheit heraus „not invented here“ zu meiden.

Ich nenne dies das „Wunschdenken der Datenwissenschaftler*innen“. Wenn sie genug Daten hätten, mehr Zeit, oder wenn das Vertriebsteam ihre Modelle nutzen würde, würde das KI-Projekt gelingen. Stattdessen schaffen sie es in beiden Fällen, die Schuld auf jemand anderen abzuwälzen, während sie weiterhin Ressourcen investieren.

Die Datenqualität bietet immer Raum für Verbesserungen und ist ein Feld, auf dem Ihre Dateneigentümer*innen ausgiebig arbeiten können. Andererseits können nur kollaborative Machine-Learning-Modelle helfen, wenn nicht genügend Daten vorhanden sind. Und schließlich wird Ihr Vertriebsteam KI einsetzen, wenn es die Anreize dazu hat und die KI-Software es unterstützt.

Unternehmen, die erfolgreich künstliche Intelligenz im Vertrieb einsetzen, investieren ihre Ressourcen klug.

Grund Nummer drei: Schlechte ERP-Datenqualität für AI und fehlende informative CRM-Daten

Sie können künstliche Intelligenz im Vertrieb nicht einsetzen, wenn Sie nicht genügend Vertriebsdaten haben. Wenn Ihr Unternehmen über einen begrenzten Datensatz, wenige Kunden und Transaktionen verfügt, sollten Sie Ihre Erwartungen zusammen mit einem kompetenten Partner sorgfältig prüfen.

Wie viele Daten sind generell genug für KI? Das hängt vom jeweiligen Fall und der Technologie ab. Im Fall von KI für den Vertrieb sind z. B. 1.000 Kunden mit etwa 10.000 Transaktionen pro Jahr vielleicht die geringste Anzahl von Datensätzen, die Sie sinnvoll nutzen können. Außerdem könnten bei einem so kleinen Datensatz nur kollaborative Machine-Learning-Modelle eine kontinuierliche Intelligenz ermöglichen.

Ebenso ist ein Mindestmaß an CRM- und ERP-Datenqualität die Grundlage für Künstliche Intelligenz im Vertrieb. Wenn Ihre Vertriebsdaten ein Mindestmaß an ERP-Datenqualität nicht erfüllen können oder wertvolle CRM-Funktionen fehlen, wird der Return on Investment von KI im B2B-Vertrieb leiden.

Garbage in, garbage out. Viele KI-Projekte im Vertrieb scheitern, weil Unternehmen nicht wissen, wie sie Datenqualität definieren oder wo sie investieren sollen. Die Verbesserung der Datenqualität ist immer eine Frage des Kosten-Nutzen-Verhältnisses. Wenn ein Kunde oder ein Produkt doppelt vorhanden ist, werden die meisten Informationen, die KI über ihn erhalten kann, gelöscht.

Nicht alle CRM-Daten bieten den gleichen Informationsgewinn. Nach meiner Erfahrung mit ein paar Milliarden Verkaufstransaktionen gibt es in der Regel eine Handvoll wertvoller Datensätze, einige Merkmale, bei denen es sinnvoll ist, zu investieren, und einige, bei denen der ROI unattraktiv ist. Zum Beispiel verbessert die Investition in ERP-Datenqualitätsmaßnahmen wie Produkttypologie und Vermeidung von doppelten Konten die Daten, die einer KI-Lösung im Vertrieb zur Verfügung stehen, erheblich.

Andererseits wird die Verwendung von veralteten Daten, Duplikaten, falschen oder fehlenden Informationen Ihr Team frustrieren und wahrscheinlich zum Scheitern führen. Mein Fazit lautet also:

Kein Unternehmen hat perfekte Daten, doch je besser die Daten sind, desto größer sind die Erfolgschancen.

BERECHNEN SIE JETZT DEN ROI VON QYMATIX PREDICTIVE SALES SOFTWARE

Drei Gründe warum KI-Projekte im B2B-Vertrieb scheitern – Zusammenfassung.

Künstliche Intelligenz verändert den B2B-Vertrieb, und Unternehmen werden weiter in sie investieren. Alle im Unternehmen wünschen sich, dass das KI-Projekt erfolgreich ist; einige werden es sein, viele nicht. Erfolgreiche Manager*innen konzentrieren sich auf Projekte mit einer höheren Chance auf einen positiven ROI und setzen, wenn möglich, Standard-KI-Software ein.

Wenn Unternehmen intern KI-Software für den B2B-Vertrieb entwickeln, tendiert das Data-Science-Team leider dazu, die Komplexität der Verkaufsvorgänge zu unterschätzen. Infolgedessen schwitzen sie hauptsächlich, um irgendein maschinelles Lernmodell zu finden, das funktioniert, ohne zu erkennen oder zu erklären, dass das Modell insgesamt nur ein Teil ist.

Das Team, das mit der Entwicklung einer KI-Lösung für den Vertrieb beauftragt ist, wird sich viel Mühe geben und monatelang hart arbeiten, um zu versuchen, die unausgesprochenen Komplexitäten zu überwinden und sie wegzuwünschen. Aber höchstwahrscheinlich wird das Projekt die folgende Änderung der Prioritäten nicht überleben und wird eingestellt, ohne irgendeinen Wert realisiert zu haben.

Man kann die Schuld für das Scheitern des KI-Projekts nicht allein dem technischen Team zuschreiben. Schlechte ERP-Datenqualität und fehlende informative CRM-Daten spielen auch eine Rolle. Unternehmen sind besser dran, wenn sie in diese Bereiche investieren und Standard-KI-Software für den Vertrieb einsetzen.

Lassen Sie sich durch eine schlechte Erfahrung mit KI für den Vertrieb nicht den großen Wert entgehen, den sie in Ihrem Unternehmen schaffen kann.

 

ICH MÖCHTE PREDICTIVE ANALYTICS FÜR DEN B2B-VERTRIEB
Literaturnachweis:

Gartner (2020): Five Questions for a Successful AI Project

Harvard Business Review (2019): Article Technology Building the AI-Powered Organization

Nechu BM (2019): Why 85% of AI projects fail

Neoteric (2020): The single most important reason why AI projects fail

Ryohei Fujimaki (2020):Most Data Science Projects Fail, But Yours Doesn’t Have To

Shaikha F. S. Alhashmi, Said A. Salloum & Sherief Abdallah (2019): Critical Success Factors for Implementing Artificial Intelligence (AI) Projects in Dubai Government United Arab Emirates (UAE) Health Sector: Applying the Extended Technology Acceptance Model (TAM)