Cross-Selling Analytics mit Excel

Mitglieder 04.07.2018 Qymatix Solutions GmbH

Textoriginal mit Abbildungen auf unserem Blog.  


Cross-Selling (auch als Querverkauf bekannt) bezeichnet die Praxis, ein zusätzliches Produkt oder Dienstleistung an einen bestehenden Kunden zu verkaufen. Tatsächlich definieren B2B-Unternehmen Cross-Selling im Allgemeinen und Cross-Selling-Analytics im Besonderen in vielerlei Hinsicht und mit vielen Namen. Eine übliche Benennung, die im Einzelhandel verwendet wird, ist “Market-Basket-Analytics”.


Die meisten von uns sind mit Cross-Selling aus unserer Erfahrung als Online-Konsumenten vertraut. “Kunden, die X gekauft haben, kauften auch Y” oder “wird oft zusammen gekauft”. E-Commerce-Websites machen Produktvorschläge basierend auf einer Warenkorbanalyse. Die Liste der möglichen Vorschläge wird auch als “Assoziationsregel” bezeichnet. Marketingprofis sprechen oft über „Käuferverhalten“ und „Kaufgewohnheiten“, wenn sie Assoziationsregeln bezeichnen.

Unabhängig vom Namen ist Cross-Selling eine bekannte Vertriebsstrategie im B2B-Bereich. Dies ist der Fall, weil die Kosten für die Akquisition von Neugeschäften in der Regel wesentlich höher sind als beim Verkauf eines zusätzlichen Produkts an einen bestehenden Kunden.

Daher kann die Umsetzung einer Cross-Selling-Strategie eine finanziell attraktive Investition bedeuten, wenn ein Unternehmen genügend Cross-Selling-Möglichkeiten findet.

Lassen Sie uns sehen, wie man Cross-Selling-Analytics mit MS Excel durchführen kann.

Cross-Selling Beispiel mit Excel für Vertrieb – Einführung.

Dieser Beitrag beschreibt eine schrittweise Einführung von Cross-Selling-Analytics mit Excel. Hier erfahren Sie, wie Sie Assoziationsregeln aus der Liste der Verkaufstransaktionen aus Ihrem ERP-System ermitteln, auch als Assoziationsanalyse bekannt.

Disclaimer: Lassen Sie uns klarstellen, dass unsere Software auch Data-Mining-Methoden verwendet, um Benutzern zeitnahe Cross-Selling-Möglichkeiten zu bieten. Basierend auf diesen Data-Mining-Algorithmen und -Methoden möchten wir hier diskutieren, wie ein Sales-Manager Cross-Selling-Möglichkeiten mit Excel finden kann.

Wir wollen ein nützliches und lesbares Beispiel präsentieren und deshalb überspringen wir die meisten mathematischen Erklärungen. Kontaktieren Sie uns, wenn Sie mehr darüber erfahren möchten oder unsere Software testen möchten.

Wie aktivieren Sie Ihre Datenanalyse in Excel? Der erste Schritt, bereiten Sie die Daten vor.


In diesem Beispiel muss ein Vertriebsleiter zuerst eine Liste vergangener Transaktionen aus einem ERP-System herunterladen.

Die folgende Darstellung gilt als eine von vielen möglichen Vorlagen.

Wie bei jeder Datenanalyse-Methode sollten Sie sich jetzt einen Moment Zeit nehmen, um die Qualität Ihrer Verkaufsdaten zu definieren und zu verbessern. In diesem Schritt müssen Annahmen getroffen und Kompromisse geschlossen werden.

Sie können einen relevanten Zeitraum oder eine Teilmenge von Kunden oder Produkten auswählen oder filtern. Sie können sogar entscheiden, die Verkaufstransaktionen, die außerhalb eines “normalen” Bereichs liegen, aus der Analyse auszuschließen. Stellen Sie sich diese als “Ausreißer” oder unzuverlässige Daten vor.

Um die hier vorgestellte Methode der Predictive Analytics anzuwenden, müssen Sie Ihre Transaktionen zuerst in einer Form sortieren, die üblicherweise als “Binärdaten” bezeichnet werden.

Wenn Sie beispielhaft die obige Darstellung erneut verwenden, listen Sie die Kunden als Zeilen und die Produkte als Spalten auf und fügen Sie den aus Ihrem ERP heruntergeladenen Ereignissen oder Transaktionen eine Zahl “1” hinzu.

Kehren wir zu unserem Excel-Beispiel zurück. Jetzt sollten Sie eine Kalkulationstabelle haben, die der in der Abbildung unten ähnelt. Beachten Sie, dass wir den Namen der Produkte durch jeden ersten Buchstaben ersetzt haben (C: Components; T: Tools; S: Services; und M: Machines).

Cross-Selling mit Predictive Analytics berechnen mit dem apriori Algorithmus.


Was Sie bereits erstellt haben, ist eine binarische Transaktionsdatenbank. Jetzt brauchen Sie einen Algorithmus, um diese Datenbank zu durchsuchen und Assoziationsregeln zu finden. Apriori macht genau das.

Apriori ist ein Algorithmus, der für das Lernen von Assoziationsregeln und das Entdecken von Transaktionen in Datenbanken genutzt wird. Er identifiziert die gemeinsamen einzelnen Produkte in der Datenbank und sagt voraus, wo sie sonst noch erscheinen könnten. In einfachen Worten beantwortet apriori die Frage: “Wer könnte sonst Produkt C kaufen?”.

Dieser Data Mining-Algorithmus funktioniert, indem er das Auftreten aller möglichen Assoziationsregeln gewichtet. Assoziationsregeln sind alle erschwingbaren Produktkombinationen. Die Zahl der möglichen Kombinationen kann eine große Zahl sein, wenn Sie Tausende von Produkten haben.

Die Gesamtzahl der möglichen Assoziationsregeln, R, ist exponentiell zur Anzahl der Elemente (n; Anzahl Ihre Produkte), gemäß der folgenden Formel:

R = 3 n – 2(n+1) – 1

In unserem Beispiel haben wir bei vier Produkten (C, T, S und M) fünfzig verschiedene Assoziationsregeln. Der Einfachheit halber werden wir sie nicht alle hier aufführen. Um ein Apriori mit Excel zu implementieren, müssen Sie natürlich alle zu Papier bringen.

Fügen Sie eine Spalte in Excel ein, indem Sie alle möglichen Kaufkombinationen auflisten. Zum Beispiel erstellen Sie eine Spalte X und eine Spalte Y und platzieren Sie die ersten C,T; C,S; C,M. Diese Tabelle sieht wie folgt aus.

Es ist wichtig zu beachten, dass Assoziation keine Kausalität impliziert. Eine Assoziation zwischen Produkten ist das Maß des gemeinsamen Auftretens und repräsentiert nicht Ursache und Wirkung.

Um aus Ihren Assoziationsregeln zu lernen, müssen Sie den Support und die Konfidenz hinzufügen. Der Support bezeichnet die Häufigkeit der Regel in Ihrem Transaktionsdatensatz. Ein hoher Wert bedeutet, dass die Produktkombination häufig auftritt.

Die Konfidenz jeder Regel misst den Prozentsatz der Transaktionen, die das Produkt C enthalten, die auch das Produkt M enthalten. Diese Berechnung stellt eine Schätzung der bedingten Wahrscheinlichkeit dar.

Jetzt müssen wir sowohl den Support als auch die Konfidenz für jede der Assoziationsregeln berechnen. In unserem Beispiel könnte man dies für jede der 50 Regeln machen (oder zumindest für die Regeln, die in der Transaktionsdatenbank vorhanden sind). Dies kann mit den im vorherigen Schritt vorbereiteten “Binärdaten” geschehen.

Wir ersparen Ihnen hier die Details. Sie können die Anzahl der Vorfälle n (X U Y) schnell berechnen, indem Sie ein verschachteltes SUMMIF verwenden. Sie können das n (X) zählen, indem Sie die Gesamtsummen der binären Daten betrachten. N ist die Gesamtzahl der Transaktionen in unserem Beispiel 4. Sobald Sie dies beabsichtigt haben, berechnen Sie den Support als n (X U Y) / N und die Konfidenz als n (X U Y) / n (X).

Nachdem Sie dies getan haben, werden Sie eine Tabelle haben, die wie untenstehend aussieht.

Effektive Cross-Selling-Strategie? Filtern Sie die Regeln mit dem höchsten Support und Konfidenz.


Wenn Sie nun das obige Bild betrachten, können Sie nach zwei Schwellen filtern: Mindestsupport und Mindestkonfidenz. Da wir in unserem Beispiel nur vier Transaktionen haben, gibt es eine begrenzte Anzahl von Optionen. Nehmen Sie zum Beispiel Mindestsupport von 50% und Mindestkonfidenz von 70%. Sie werden eine Regel finden, die nur diese Bedingung erfüllt, die Regel Nummer 15: S – C.

Bei der Suche nach Assoziationsregeln mit Cross-Selling-Algorithmen finden Data Scientists normalerweise drei Kategorien von Regeln: triviale Regeln, unerklärliche Regeln und umsetzbare Regeln.

Triviale Regeln sind Kombinationen, die offensichtlich und bekannt sind. Zum Beispiel, wenn ein Kunde eine große Maschine kauft, kann er auch Wartung benötigen. Zu wissen, dass eine solche Regel vom Algorithmus bestätigt wird, fügt normalerweise keinen Wert hinzu.

Unerklärliche Regeln sind solche, die wir nicht erklären können und auch keinen Wert hinzufügen. Es gibt keine Möglichkeit, ein Angebot oder eine Cross-Selling-Strategie vorzubereiten, wenn die Assoziation-Regeln überhaupt keinen Sinn ergeben. Diese Situation tritt häufig im Data Mining auf. Als allgemeines Verfahren lassen Sie Ihre Vertriebsmitarbeiter die möglichen Cross-Selling-Regeln prüfen, bevor Sie versuchen, sie zu implementieren.

Die wertvollsten Entdeckungen, handlungsrelevante Erkenntnisse oder „Insights“ sind die umsetzbaren Regeln. Dies sind Informationen, die ein Vertriebsteam nutzen kann, beispielsweise indem es eine gezielte Marketingkampagne oder spezielle Angebote nur für die Kunden erstellt, die die höchste Wahrscheinlichkeit haben, sie zu akzeptieren.

In unserem Beispiel könnte die Assoziationsregel S – C (Dienste – Komponenten) umsetzbar sein. Wenn ein Kunde Dienstleistungen kauft, bieten Sie ihm Komponenten an (Customer D unsere Datenbank). Mit anderen Worten, ein Unternehmen kann ein gezieltes Angebot für Komponenten nur für Kunden vorbereiten, die Dienstleistungen kaufen. So spart das Unternehmen Zeit und Geld.

Data-Mining-Methoden für Umsatzsteigerung? Lassen Sie die Maschine lernen.


Was ist der nächste Schritt? Zuerst wurden in unserem Beispiel nur vier Transaktionen und vier Produkte verwendet. Diese begrenzte Anzahl von Produkten und Transaktionen ist im B2B-Bereich üblicherweise nicht der Fall, wo Hersteller oder Distributoren mit Hunderten oder Tausenden von Kunden und Produkten handeln. In einer solchen Situation sollte die Berechnung eines Apriori-Algorithmus andere Techniken verwenden und kann automatisiert werden.

Danach wird diese Analyse auf alle Produkte, Transaktionen und Kunden einer ERP-Datenbank ausgeweitet. Die Verwendung eines apriori Algorithmus über alle Transaktionen hinweg wird einige interessante Fälle von unentdeckten Korrelationen aufdecken.

Mit diesen Scoring-Modellen können Vertriebsleiter Kunden und Produkte bewerten und Cross-Selling-Strategien für diejenigen entwickeln, die an der Spitze stehen. Die vollständige Analyse könnte unter Verwendung einer Form von Predictive-KPI zusammengefasst und gemessen werden. Predictive-KPI basieren auf Predictive-Analytics-Modellen, die das Scoring von Kunden ermöglichen.

Bei der Auswahl dieser Predictive-KPI-Form kann ein Vertriebsleiter seine Kunden nur in einem bestimmten Segment, z. B. einer bestimmten Verkaufsregion, genauer nach Kundenwunsch einstufen. Das Ziel ist es, einen Anteil von Kunden im oberen Bereich der Scoring-Modelle anzusprechen, um ein Optimum an potenziellen Käufern zu entdecken, anstatt auf eine zufällige Auswahl von Kunden abzuzielen.

Sobald der erste Schritt abgeschlossen ist, kann ein System automatisiert werden, das regelmäßig mit einer steigenden Anzahl von ERP-Transaktionen versorgt wird. Sobald der Algorithmus einmal getestet wurde, können die Mindestsupport und Mindestkonfidenz automatisch angepasst werden, was einen beginnenden Fall des maschinellen Lernens ermöglicht.

Ein nützliches Beispiel für Predictive Sales Analytics mit Excel – Fazit:


Predictive Sales Analytics verwendet eine Sammlung von Data-Mining-Methoden, um die Wahrscheinlichkeit zukünftiger Ergebnisse zu beschreiben und vorherzusagen. Eine nützliche Anwendung von Predictive Sales Analytics ist das Cross-Selling oder die Market-Basket-Analytics.

Excel ist eine beliebte Software für Sales Analytics und Controlling. Mit etwas Zeit und grundlegenden Kenntnissen des Data Mining kann beispielsweise ein Vertriebsleiter erfolgreich Kunden nach Cross-Selling mit Excel priorisieren. Es gibt natürlich Alternativen zu Excel für Predictive Analytics.

In diesem Artikel haben wir einige grundlegende Konzepte des Cross-Selling mit einem Apriori-Algorithmus vorgestellt. Apriori wird im Data Mining verwendet, um Assoziationsregeln über Transaktionsdatenbanken zu ermitteln, z. B. Verkaufstransaktionen von einem ERP-System.

In statistischer Hinsicht arbeitet Apriori, indem es die Häufigkeit einzelner Elemente in der Datenbank identifiziert und diese Häufigkeit auf größere Datensätze anwendet. Je häufiger einige Produkte gekauft werden, desto höher ist die Wahrscheinlichkeit, dass sie wieder eingekauft werden.

Mit dieser Kalkulation kann ein Vertriebsleiter gezielte Angebote von genaueren Produkten erstellen, die bessere Chancen haben, von spezifischen Kunden akzeptiert zu werden.