3 Beispiele für Predictive Analytics im B2B-Vertrieb

Dank Predictive Analytics ist Big-Data eine „Big Chance“ für B2B-Vertriebsleiter. Sie erfordert jedoch ein genaues Verständnis jeder Verkaufssituation und Kenntnis der zur Verfügung stehenden Big-Data Mining Modelle.

Grundlage für Predictive Analytics ist die systematische Auswertung vorhandener Verkaufsdaten
Grundlage für Predictive Analytics ist die systematische Auswertung vorhandener Verkaufsdaten© Jakub Jirsák/stock.adobe.com

View: 3.027 Kommentieren: 0

Eine Verkaufssituation wird am besten durch eine Liste wichtiger Leistungsfragen zusammen mit Key Performance Indicators (KPIs) beschrieben. Sobald KPIs ermittelt wurden, sollten die verfügbaren Daten und die Methoden der Datenanalyse im Überblick beurteilt werden.

Im Business-to-Business sind die wertvollsten Daten von Big-Data immer vorhanden: Verkaufstransaktionen aus einem ERP-System bzw. Vertriebsaktivitäten aus einer CRM-Software. Um effektive Vorhersagen zu erstellen, müssen Vertriebsmanager vor allem „positive“ Fälle finden: z. B. Kunden, die ein bestimmtes Produkt gekauft haben oder ein Angebot akzeptiert haben. In anderen Worten: Predictive Analytics erfasst die Beziehungen zwischen den vergangenen Daten und gewinnt dadurch Erkenntnisse für die Zukunft.

Mithilfe von ERP- und CRM-Verkaufsdaten und Big Data Analytics-Methoden kann Predictive Analytics beispielsweise den Vertriebsleitern helfen, bei bestehenden B2B-Kunden unentdeckte Verkaufschancen zu erkennen.

Digitaler vertrieb Whitepaper SUXXEED

Digitalisierung im B2B-Vertrieb: So nutzen Sie erfolgreich Sales-Technologien

In diesem Whitepaper stellen wir die wichtigsten Sales-Technologien vor. Erfahren Sie anhand von Use Cases, wie Sie mit dem Einsatz von Big Data Analysen, Webcrawlern und Automation Tools Ihre Vertriebsprozesse effizienter gestalten und erkennen Sie die Potenziale für Ihre Vertriebsorganisation.

3 Data-Mining-Techniken für Predictive Analytics auf Basis von ERP- und CRM-Verkaufsdaten

1. Beispiel: B2B-Marktsegmentierung mit einer Clustering-Methode

Eine erfolgreiche Marktsegmentierung ist wichtig, um die Produktpolitik und das Angebot einer Firma an die Bedürfnisse und Anforderungen des Marktes anzupassen. Eine Clustering-Methode gruppiert Kunden abhängig von ihrer Ähnlichkeit. In der Regel wird diese Segmentierung nicht mit einer bestimmten Motivation ausgeführt.

Aufgrund der „positiven“ Natur der bisherigen Verkaufstransaktionen – Kunden, die ein Produkt oder eine Dienstleistung gekauft haben -, gibt es keinen besseren Start als die ERP-Verkaufsdaten eines Unternehmens, um eine Clusteranalyse erfolgreich durchzuführen.

Vertriebsleiter können Clusteranalysen anwenden, um bereits bestehende Kunden in verschiedene „Anhäufungen“ aufzuteilen. Sobald die Gruppierungen vorgenommen wurden, können die Trends der Anhäufungen verglichen werden, um nach weiterem Vertriebspotenzial zu suchen.

Moderne Predictive Sales Analytics Software sollte eine fortschrittliche arithmetische Cluster-Funktion betreiben, um Kunden zu gruppieren. Durch den Vergleich mit ähnlichen Kunden, werden Kaufpotenziale sichtbar.

2. Beispiel: apriori-Algorithmus zur Entwicklung einer Cross-Selling-Strategie

Die meisten ERP-Systeme wie SAP, Oracle, MS Dynamics u.a., verwenden Transaktionsdatenbanken. Apriori-Algorithmen bieten wertvolle Handlungsempfehlungen, wenn sie mit dieser Art von Datenbank verwendet werden.

Ähnlich wie bei dem oben genannten Cluster-Beispiel kann der Apriori-Algorithmus nützliche Zusammenhänge und Regeln bei kaufenden Kunden erkennen. Im B2C Bereich ist die Warenkorbanalyse eine häufige Anwendung des Apriori-Algorithmus.

Wenn zum Beispiel mehrere Kunden Produkte A und B zusammen gekauft haben, dann platziert der Algorithmus diese im gleichen Cluster. Vertriebsleiter können dann diese Cluster vergleichen, um Kaufpotenzial aufzudecken und das Cross-Selling zu erhöhen.

Schlussendlich können diese Cluster dann verwendet werden, um Preisunstimmigkeiten bzw. Produktpolitik bei Kunden aufzudecken. Ein Apriori-Algorithmus kann erkennen, welche Kunden Preise bezahlen, die über dem Durchschnitt liegen.

3. Beispiel: Berechnung und Optimierung der Absatzplanung dank eines Kundenverhalten-Modells

Mit Big-Data Analytics sollte die richtige Verkaufsaktion oder Marketing Maßnahme den richtigen Kunden zum richtigen Zeitpunkt erreichen. So kann ein Unternehmen auch seine Verkaufsplanung deutlich verbessern. Wie kann ein B2B-Vertriebsleiter seine Verkaufsplanung, Umsatzprognose bzw. Absatzplanung basierend auf Kundenverhalten verbessern? Vertriebsleiter können prädiktive Analysemodelle zum Kundenverhalten anwenden und dann zielgerichtete Maßnahmen durchführen.

Ein ARIMA (autoregressive integrated moving average) Algorithmus, ist eine brillante Big-Data Methode zur Verbesserung der Umsatzprognose basierend auf Kundenverhalten. Er wird von CRM Verkaufsdaten generiert. Verbesserungen bei der Umsatzprognose und Absatzplanung bieten Vorteile – nicht nur für den Lagerbestand und Out-of-Stock-Raten, sondern auch Vorteile bei der Kundenbindung bzw. Kundenabwanderung.

Zum Beispiel können Vertriebsleiter die Kombination von einem ARIMA-Algorithmus aus ERP-Verkaufstransaktionen zusammen mit CRM-Signalen (z. B. Anrufe, Reklamationen, Vertriebsaktivitäten) nutzen, um versteckte Verkaufschancen zu erkennen und so die Umsatzprognose deutlich verbessern.

Darüber hinaus sind Vertriebsmanager in der Lage, mit einer solchen erweiterten prädiktiven Umsatzanalyse-Funktion, die Gründe für eine Kundenabwanderung früh zu erkennen und diese rechtzeitig zu vermeiden.

Predictive Analytics mit Big Data im B2B-Vertrieb – Ein Fazit

Unabhängig davon, wie groß Big Data ist, beginnt die Definition von Data Mining und Predictive Analytics Methoden mit dem Verständnis der Art von Informationen, die das Vertriebsteam braucht, um erfolgreich zu sein.

CRM und ERP Data-Mining für Predictive Analytics ist ein Prozess zur Erforschung der vergangenen Verkaufsdaten auf der Suche nach Mustern bzw. Zusammenhänge zwischen Variablen.

Sobald diese Zusammenhänge entdeckt wurden, können B2B-Vertriebsmanager diese als Muster verwenden, um genaue Prognosen zu erstellen, neue Verkaufschancen zu identifizieren und die Effizienz des Vertriebsteams zu steigern.

In Business-to-Business-Verkaufssituationen muss Big Data nicht so groß sein: CRM und ERP Data Mining sind als Startkapital ausreichend für Predictive Analytics. Denn diese Verkaufsdaten sind einer der wertvollsten Datensätzen, die ein Unternehmen analysieren kann. Deshalb sollten B2B-Vertriebsleiter diese Verkaufsdaten für wertvolle Erkenntnisse analysieren.

Clustering-Analyse, apriori-Algorithmus und Absatzplanung mithilfe eines Kundenverhalten-Modells sind drei gute Beispiele, wie die Wertschöpfung mit Big-Data Analytics beginnen kann.

predictive alanlytics

Predictive Analytics: Was es ist und wie Sie beginnen können

Kommentar hinzufügen

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert