Wie Predictive Analytics B2B-Vertrieb revolutioniert

Mitglieder 27.01.2017 Qymatix Solutions GmbH

Verpassen Sie nicht den Zug! Wie Predictive Analytics B2B-Vertrieb revolutionieren wird  


Die Fähigkeit, Vorhersagen über die Zukunft zu treffen, verändert den Vertrieb in Business-to-Business (B2B) radikal. In diesem Beitrag zeigen wir, wie Predictive Analytics das Key Account Management revolutionieren wird.


B2B-Vertrieb hat in den letzten Jahrzehnten viele Veränderungen überlebt. Mobil ist überall, CRM-Systeme sind universell und „Customer Journey“ hat einen Mainstream-Status erreicht. Diese Änderungen sind nichts im Vergleich zu der Revolution durch Predictive Analytics. Diese ist die entscheidende Technologie für den B2B-Vertrieb.


Mit einem Beispiel wird hier illustriert, wie Predictive Sales Analytics den B2B-Vertrieb von Grund auf verändert. Predictive Analytics spielt heute schon eine Rolle bei der Kundenakquise und Prospektierung. Dabei bieten sich Chancen in stagnierenden Märkten. Außerdem ergeben sich zweistellige Return on Investment (ROI), wenn erfolgsversprechende Investitionen getätigt werden.

Predictive Analytics birgt erhebliche Chancen für den B2B-Vertrieb. Entscheidende monetäre Vorteile, welche mit keinem der letzten Trends erreicht wurden, können erzielt werden. Des Weiteren hängt eine erfolgreiche Vorhersageanalyse von einem gut durchdachten ERP-Data-Mining-Prozess ab. Predictive Analytics schafft Wert nur, wenn Vertriebs-Controller und Vertriebsleiter sorgfältig überlegen, was ihre Geschäftsziele sind.


In diesem Beitrag soll mit Hilfe einer Kosten-Nutzen-Matrix exemplarisch aufgezeigt werden, welchen Vorteil Predictive Analytics Tools im Vergleich zu Analysen/Entscheidungsfindungen durch das „Bauchgefühl“ haben.

So optimieren Sie mit Predictive Analytics Ihren B2B-Vertrieb – Anwendungsbeispiel

Analytische Modelle sollten immer mit klaren Zielen eingeführt werden. Leider investieren Vertriebsmanager oft in Big Data ohne klare und konkrete Geschäftsziele. Daher wird erst das Vorhaben definiert. Im Folgenden ein Anwendungsbeispiel zum leichteren Verständnis der Vorteile.

Das Ziel in diesem Beispiel ist es, die Wirtschaftsleistung eines Key Account Managers (KAM oder Außendienstmitarbeiter) während eines Monats zu maximieren. Nehmen wir zum Beispiel an, dass unser KAM 100 Kunden innerhalb einer Verkaufsregion betreut. Er (oder sie) möchte diejenigen besuchen, die am wahrscheinlichste eine Bestellung aufgeben.


Welche möglichen Daten, die seine Entscheidungsfindung unterstützen, hat der KAM heutzutage zur Verfügung? Zunächst die ERP-Daten oder bisherige Verkaufstransaktionen aus einem Warenwirtschaftssystem. Außerdem könnten Vertriebsaktivitäten aus einem CRM-System vorhanden sein. Darüber hinaus besitzt er auch sonstige Kundeninformationen z.B.: Größe (in Mitarbeiter und Jahresumsatz), Standort und Branche. Einer dieser drei Datensätze steht fast in jedem mittelständischen Unternehmen zur Verfügung.

Kosten-Nutzen-Matrix für Vergleich von Modellen

Nun wird eine Kosten-Nutzen-Matrix vorgestellt. Eine Kosten-Nutzen-Matrix (oder Wahrheitsmatrix) vergleicht den Nutzen und die Kosten eines Analysemodells. Es berechnet die Summe aller Leistungen abzüglich der Kosten jeder prognostizierten Situation.


Dieses Modell hat (zur Simplifizierung) nur zwei mögliche wirkliche Resultate: positiv (der Kunde kauft) oder negativ (der Kunde kauf nicht). Diese finden sich auf der horizontalen Achse der Matrix – die tatsächlichen Ergebnisse. Ebenso werden zwei mögliche Prognosen dargestellt: „Ja, der Kunde wird kaufen“, und „Nein, der Kunde wird nicht kaufen“. Diese Klassifizierung wird durch „Y“ (aus dem Englisches YES) und „N“ (NO) auf der vertikalen Achse dargestellt.


predictive-sales-analytics-b2b 


Dabei können vier mögliche Fälle auftreten:


Richtig positiv („true positive“): Der Kunde kauft und das Modell hat dies richtig prognostiziert.

Richtig negativ („true negative“): Der Kunde platziert keine Bestellung, genau wie das Modell dies richtig prognostiziert hat.


Dies sind die „guten“ oder die „richtigen“ Vorhersagen des Modells.


Falsch positiv („false positive“): Der Kunde kauft nicht, obwohl das Modell ihn als „Kunde wird kaufen“ klassifiziert hat.

Falsch negativ („false negative“): der Kunde hätte eine Bestellung aufgegeben, wenn er besucht worden wäre. Das Modell hat ihn fälschlicherweise als „Kunde wird nicht kaufen“ prognostiziert.


Dies sind „schlechte“ oder „falsche“ Klassifikationen. In beiden Fällen hat das Modell die tatsächlichen Ergebnisse falsch prognostiziert.


Die Hauptaussage unseres Anwendungsbeispiels ist, dass i.d.R. beide falschen Klassifikationen oder „Fehler“ nicht das gleiche kosten. Was kostet ein Kundenbesuch, dem kein Auftrag folgt?

Was sind die Kosten (oder verpassten Umsätze) eines nicht besuchten Kunden, der doch gekauft hätte?


Lassen Sie uns das genauer anschauen.

Vorteile von Predictive Analytics für B2B-Vertrieb

Wir müssen jetzt die Kosten und Nutzen definieren, die mit jeder Entscheidung entstehen. Geben wir unserer Analyse einige reale Zahlen mit den folgenden durchschnittlichen Annahmen:

Obwohl dies nur Annahmen sind, reflektieren sie eine realistische B2B-Vertriebskostenschätzung. Vertriebsleiter können natürlich dieser Kalkulation mit ihren eigenen Verkaufskosten und -vorteilen berechnen. 


  •  Jeder Kundebesuch kostet das Unternehmen € 500. Der KAM kann bis zu fünf Kunden pro Tag besuchen. 
  • Jede Bestellung bringt einen Umsatz von € 10.000 bei einer Marge von 50%. D.h. jeder kaufende Kunde bringt einen Gewinn von € 5.000. 
  • Nur 10 Kunden platzieren eine Bestellung, wenn sie in diesem Monat besucht werden. Der Außendienstmitarbeiter weiß nicht, welche Kunden dies sind. Sein Bauchgefühl lässt er ihn erahnen, dies ist aber nicht sicher. Kommt Ihnen diese Situation bekannt vor? 


Obwohl dies nur Annahmen sind, reflektieren sie eine realistische B2B-Vertriebskostenschätzung. Vertriebsleiter können natürlich dieser Kalkulation mit ihren eigenen Verkaufskosten und -vorteilen berechnen.


Vergleichen wir jetzt zwei Modelle. Der zufällige Besuch aller Kunden, versus den Besuch nur der Kunden mit höchster Kaufwahrscheinlichkeit, laut Predictive Analytics. Bauchgefühl vs. Algorithmus.

Erstes Modell: Der zufällige Besuch aller Kunden basierend auf dem Bauchgefühl

Keiner wird überrascht sein, herauszufinden, dass dies noch die häufigste Key Account Management-Methode ist. Vertriebsleiter und KAM orientieren sich oft an Erfahrungswerten und ihrem Bauchgefühl. Manche sind damit erfolgreich, aber sicher hat jeder Luft nach oben. Warum? Berechnen wir zusammen die Verkaufskosten und -vorteile dieses Modells.


Der KAM sollte 100 Kunden in einem Monat besuchen. Bei fünf Kunden pro Tag, braucht er 20 Tage. Termine werden aus dem Auto ausgemacht und E-Mails spät in der Nacht beantwortet. Es bleibt keine Bürozeit.


Beim Besuch aller möglichen Kunden, kommen alle Aufträge zu Stande. Davon gab es laut unsere Annahme 10. Mit einem Gewinn von € 5.000 pro Auftrag, erzielt das Unternehmen € 50.000 in diesem Monat. Doch in diesem hektischen Monat kostet der Außendienstmitarbeiter seinen Arbeitgeber € 50.000 (€ 500 x 100 Besuche).


Wahnsinn. Ein Gewinn von €50.000 kostet das Unternehmen €50.000. Dieses Modell bringt Null, Zero, Nada. Unabhängig von abweichende Rechnungsabgrenzungen (zum Beispiel, ob die Verkaufskosten in der 50% -Marge enthalten sind), ist dies eine äußerst ineffiziente Verkaufsmethode. Stressig und unwirtschaftlich. Viele B2B-Organisationen fordern ihre Vertriebsmitarbeiter auf, diese Verkaufsmethode anzuwenden. Vertriebsleiter können ihre eigenen Ineffizienzen berechnen, indem sie die oben getroffenen Annahmen mit ihren eigenen Zahlen überprüfen.


Man könnte argumentieren, dass kein erfahrener KAM alle 100 Kunden besucht. Effiziente KAM konzentrieren sich sicherlich auf eine reduzierte Anzahl, nämlich auf diejenigen von denen sie die höchsten Kaufchancen erwarten. Der Außendienstmitarbeiter folgt seinem Instinkt und Bauchgefühl. Das ist eine menschliche Vorhersage. Im Vergleich nutzt Predictive Analytics Algorithmen, ERP- und CRM Data-Mining.


Einige Vertriebsmitarbeiter werden auch argumentieren, dass sie es genießen, ihre Kunden zu besuchen. Das ist verständlich. Doch hier diskutieren wir nicht, was mehr Spaß macht, sonder was produktiver ist.

Zweites Modell: B2B-Vertrieb mithilfe von Predictive Sales Analytics.

Berechnen wir jetzt ein zweites Modell. Das Unternehmen nutzt eine Predictive Sales Analytics Software. Diese kann prognostizieren, welche 20 Kunden „am wahrscheinlichsten“ eine Bestellung aufgeben in diesem Monat. Der KAM besucht nur diese 20 Kunden. Er kann einen Kunden pro Tag besuchen. Er hat die Möglichkeit jede Verhandlung und jedes Follow-Up ordentlich vorzubereiten. Diese Arbeit des KAM kostet das Unternehmen € 10.000 (20 x € 500).


Um die Vorteile des zweiten Modells zu berechnen, muss bekannt sein, wie viele der 10 positiven Kunden korrekt vorhergesagt wurden. Sie sind die „Richtige positiven“: Kunden kaufen und das Modell hat dies richtig prognostiziert. Davon gab es 10 mit einem jeweiligen Umsatz von € 5.000. Wenn es das Modell schafft, sie alle zu erreichen, beträgt der Netto-Gewinn € 40.000 (10 x € 5.000 – € 10.000).

In der Tat bietet also das Predictive Analytics Modell einen € 40.000 Netto-Gewinn. Vor allem wegen den hohen Einsparungen. Dieser Gewinn steht im Vergleich zu den € 0 des „besuchen Sie alle Kunden“ -Modells. Auch wenn nur fünf „Richtige Positive“ Kunden gefunden werden (ein Extremfall) können mit Predictive Analytics immer noch € 15.000 (5 x € 5.000 – € 10.000) erreicht werden.


Diese Berechnung bezieht sich nur auf einen Monat, für einen Key Account Manager. Vertriebsleiter können den jährlichen Gesamtvorteil der Anwendung von Predictive Analytics im Vertrieb abschätzen, wenn sie das Ergebnis mit 12 und der Anzahl der KAM multiplizieren. Predictive Analytics kann zu monetären Vorteilen im 7-stelligen Bereich führen.

Predictive Analytics Beispiel für B2B-Vertrieb – Fazit

Predictive Analytics bietet große Chancen für den B2B Vertrieb. Die monetären Vorteile von dieser Technologie im B2B-Vertrieb sind immens. Allerdings fordert es durchdachte Ziele und effektive analytische Modelle.


Wir wollten auch die Grenzen darstellen. Da bspw. jede B2B-Verkaufssituation unterschiedlich ist, benötig ein Kost-Nutzen Kalkulation Anpassungen.


Vertriebsleiter sollten zunächst festlegen, was ihr Geschäftsziel ist. In diesem Beispiel ging es darum, die Leistung im Außendienst zu maximieren. Sobald das Ziel des Predictive Analytics Modells definiert ist, müssen Daten gesammelt werden. Die Vertriebsleitung sollte die zu erwartenden Kosten und Nutzen berechnen, um den Return on Investment (ROI) dieser Lösung zu erhalten.


Schließlich sollten die Unternehmen ihre Vertriebskräfte beauftragen, Prioritäten basierend auf Predictive Analytics zu ändern. Im hiesigen Beispiel wäre dies die Fokussierung auf eine begrenzte Anzahl von Kunden mit den höchsten Verkaufschancen.


Original auf unserem Blog.