Wie viele Daten benötigen Sie für Predictive Analytics?
Predictive Analytics ist eine der Technologien mit den größten finanziellen Auswirkungen im B2B-Vertrieb. Mehrere beliebte Anwendungen der Predictive Analytics werden heute zu einem “Must-Have”.
Vertriebsleiter verlassen sich auf Lead-Scoring, Kundenabwanderungsmodellierung, Cross-Selling-Analysen und Preisanalysen, um ihre Vertriebsaktivitäten zu priorisieren und ihren Customer Lifetime Value zu steigern.
Diese Predictive-Analytics-Methoden helfen Vertriebsmitarbeitern, sich auf eine begrenzte Anzahl von Kunden zu konzentrieren, auf die, die eine höhere Chancen auf den Abschluss neuer Geschäfte bieten, bei denen die Abwanderung verhindert werden soll, die mehr zahlen können oder ein größeres Up- und Cross-Selling Potenzial haben.
Predictive Analytics erfordert gut durchdachte Business Cases, eine leistungsstarke Sales Analytics Software und Verkaufsdaten. Heute schreiben wir über diesen letzten Punkt.
Es gibt den weit verbreiteten Irrglauben, dass Vertriebsleiter “nicht über genügend Daten verfügen” (was auch immer das bedeutet) oder dass sie unweigerlich “externe Datenquellen erwerben müssen”.
Ist es so? Wie viele Daten erfordert Predictive Analytics? Wie oft benötigen Sie zusätzliche Datenquellen? Lassen Sie uns diese Punkte einmal im Detail betrachten.
Daten sind ein Mittel zum Zweck.
Ihr Vertriebscontrolling hat festgelegt, dass Cross-Selling Priorität hat oder dass die Kundenabwanderung zu hoch ist und es diese verringern möchte. In all diesen Fällen stellt sich oft die eine Frage: Haben wir genügend Daten, um Umsatzpotenziale zu entdecken oder die Kundenabwanderung zu verringern?
Die Frage ist jedoch falsch formuliert. Es geht nicht darum, genügend Daten zu haben oder nicht. Die eigentliche Frage ist, wie hoch ist die Verbesserung des Cross-Sellings oder der Fluktuation (oder einer anderen Predictive-Analytics-Methode), die Sie mit den aktuellen Verkaufsdaten, die Sie haben, erwarten können? Haben Sie einen soliden Business Case?
Verkaufsdaten sind immer Mittel zum Zweck. Das Ziel ist die Verbesserung der finanziellen Leistungsfähigkeit eines Unternehmens. Wie können Sie erkennen, ob die Daten, die Sie bereits haben, Ihnen helfen werden, diese Verbesserung zu erreichen?
Welche Art von Verkaufsdaten haben Sie bereits? Im Business-to-Business-Bereich sind die meisten Unternehmen im Besitz von Kundendaten oder Verkaufstransaktionen. Diese Datensätze stammen in der Regel aus CRM- und ERP-Systemen oder ähnlichem. In vielen Fällen werden die Verkaufsdaten auf verschiedene Datenbanken verteilt, darunter Excel- und alte Access Datenbanken. Ein Manager kann jeden dieser Datensätze für Predictive Analytics verwenden.
Predictive-Analytics: es hilft, wenn Sie das richtige Ziel und informative Attribute haben.
Wie kann man wissen, ob man die Daten, die man hat, für Predictive Analytics nutzen kann? Ziemlich einfach, in drei Schritten: Definieren Sie die Predictive-Analytics-Methode, die Sie verwenden möchten, wählen Sie die verfügbaren Verkaufsdaten aus und identifizieren Sie die Datenattribute.
Vom letzten bis zum ersten Punkt oben. Was ist ein Attribut? In der Datenwissenschaft stellt ein Attribut ein Merkmal dar, das eine Gruppe von Elementen beschreibt. Wenn Sie beispielsweise CRM-Daten verwenden, kann der Kundenstandort (Land, Adresse usw.) ein Attribut sein. Wenn Sie ERP-Verkaufsdaten verwenden, können die Produkte, die Ihre Kunden kaufen, Attribute sein. Wenn Sie eine Liste von Opportunities in Excel haben, kann ein Attribut sein, ob sie gewonnen oder verloren werden.
Abhängig von der gewählten Predictive-Analytics-Methode müssen Sie eines der Attribute Ihrer Daten finden, das Sie als “Zielattribut” verwenden können. Auch wenn Sie eine Liste von Verkaufsplänen oder Opportunities haben und mehr davon schließen (gewinnen) wollen, ist intuitiv das Attribut “win or lost” Ihr Zielattribut. Es ist das Hauptmerkmal Ihres Datensatzes in Bezug auf Ihre Predictive Analytics-Anwendung.
Wie kann man wissen, ob man die Daten, die man hat, für Predictive Analytics nutzen kann? Ziemlich einfach.
Ähnlich verhält es sich, wenn Sie Kundenabwanderung definieren wollen, müssen Sie ein Attribut namens “churn” oder Kündigung finden. Da Sie dies wahrscheinlich haben, können Sie eine Situation oder einen Kundenstatus definieren, der Ihr Zielattribut repräsentiert, z.B. Kunden, die für einen bestimmten Zeitraum nicht kaufen. In diesem Fall kann so etwas wie “Kunden ohne Umsatz in diesem Quartal” Ihr Zielattribut sein.
Verwenden Sie die Verkaufsdaten, die Sie bereits haben für Predictive-Analytics.
Zusätzliche Merkmale Ihrer Verkaufsdaten werden - hoffentlich - informative Attribute sein. Informative Attribute sind solche, die Informationen über das von Ihnen gewählte Zielattribut bieten.
Betrachtet man beispielsweise die Kundenabwanderungen erneut, so könnte die durchschnittliche Anzahl der Transaktionen pro Quartal ein aussagekräftiges Attribut sein. Ebenso könnte bei einer Preisanalysemethode der durchschnittliche Preis, der über das gesamte Produktportfolio gezahlt wird, ein informatives Attribut sein.
Sobald Sie informative Attribute und ein explizites Zielattribut zur Vorhersage haben, benötigen Sie Daten. Hier beziehen wir uns auf die Datenmenge, z.B. die Anzahl der ERP-Sätze, Opportunities oder CRM-Aktivitäten. Haben Sie genügend Daten?
Die Frage ist nicht nur, wie viele Verkaufsbelege, Transaktionen oder Datenpunkte Sie benötigen, sondern auch, ob Sie genügend positive Zielelemente haben. Es gibt keine genaue Anzahl, um diese Frage zu beantworten. Sie benötigen ausreichend positive Fälle (geschlossene Verkaufschancen oder abgewanderte Kunden) und entsprechend informative Attribute.
Was sind positive Zielelemente? Wenn Sie Lead-Scoring auf Basis von Predictive Analytics implementieren wollen, werden positive Zielelemente zu “gewonnenen” Leads. Ähnlich, wenn Sie die Kundenabwanderung verringern wollen, werden positive Elemente Kunden sein, die bereits abgewandert sind. Basierend auf diesen Zielelementen berechnet eine Predictive Analytics Software die Informationen, die sie über Ihre Features enthält.
BERECHNEN SIE JETZT DEN ROI VON QYMATIX PREDICTIVE SALES SOFTWARE
Wie viele Daten benötigen Sie für die Implementierung von Predictive Analytics? - Fazit.
Auf die Frage: “Wie viele Daten benötigen wir für Predictive Analytics” gibt es eine einfache Antwort: “nicht viel”. Darüber hinaus hängt die Datenmenge von der Predictive-Analytics-Methode, dem gewählten Geschäftsziel und der Datenqualität ab.
Leider glauben viele Unternehmen immer noch fälschlicherweise, dass sie “nicht genügend” Daten für Predictive Analytics besitzen. Es kommt wirklich darauf an.
Predictive Analytics im B2B-Vertrieb stellt solide Business Cases dar. Unternehmen sollten diesen Business Case und die ausgewählten Daten “so nah wie möglich” an ihrem Ziel definieren. Wenn beispielsweise die Verringerung der Kundenabwanderung das Geschäftsziel ist, sind die Verkaufsdaten aus einem ERP die “nächstmöglichen” Daten, gefolgt von Kundenaufträgen und Kundenkontakten.
Sobald ein Unternehmen festgestellt hat, welche Art von Daten es für Predictive-Analytics benötigt, kann es beurteilen, ob es externe Datenquellen benötigt. Sie sollten dieser Berechnung eine Kosten-Nutzen-Analyse zugrunde legen.
Wir arbeiten seit einigen Jahren im Bereich Predictive Analytics mit künstlicher Intelligenz und sind bisher noch nie einem B2B-Vertriebsteam ohne ausreichende Daten begegnet. Schreiben Sie uns eine Nachricht, wenn Sie mit uns über den möglichen Einsatz von Predictive Analytics in Ihrer Vertriebsorganisation sprechen möchten. Wir helfen Ihnen gerne weiter.