Customer Mining: (Neu-)Kundenidentifikation per Machine Learning und AI » pmOne

Customer Mining: (Neu-)Kundenidentifikation per Machine Learning und AI

Mit der Artificial-Intelligence- und Machine-Learning-basierten Identifikation passender Neu- und Bestandkunden (Kurz: Customer Mining) bietet Ihnen pmOne eine Lösung, die alle genannten Herausforderungen löst – automatisiert und zielgenau.
on on on on on on

Automatisierte B2B-Neukundenrecherche und CRM-Pflege für bessere Vertriebserfolge

Unternehmen ab einer bestimmten Größe stoßen oft auf eine ähnliche Problemstellung: ein ganzes Team von Vertrieblern durchsucht immer wieder aufs Neue das CRM-System, um aus den Bestands- oder ehemaligen Kunden neue Aufträge zu generieren. Das ist aufwändig und zugleich wird dadurch die Akquise von Neukunden vernachlässigt. Dahinter steht der Irrglaube, dass sich Märkte, Branchen und auch die Kunden nicht wirklich verändern – dabei tun sie das schneller denn je. Durch diese Wahrnehmungsverzerrung lassen viele Firmen an dieser Stelle ungenutztes Neukundenpotenzial und mögliche Umsätze liegen.

Doch nicht nur die fehlende Akquise von Neukunden kann problematisch sein. Auch die Pflege der Bestandskunden im CRM ist eine Sisyphusaufgabe für Marketing und Vertrieb: CRM-Einträge sind oft nicht aktuell und enthalten veraltete oder unvollständige Kontaktdaten. Oftmals gibt es für einige Kunden hingegen doppelte Einträge, so dass mehrere Vertriebler sich mit einem Kunden beschäftigen. Dadurch geht Zeit verloren, die möglicherweise vielversprechenden Kunden zu bearbeiten.

Noch schwieriger wird es, wenn eine neue Vertriebskampagne ansteht. Betrachten wir als Beispiel eine Firma aus der Elektroindustrie, für die wir ein entsprechendes Projekt umgesetzt haben. Das Unternehmen plante, den Vertrieb von Photovoltaik-Produkten (PV) zu steigern. Ein Ansatzpunkt für die Neukundenrecherche war hier zunächst, Vertriebsfirmen mit einem ganz bestimmten Produktportfolio aufzusuchen. Da unsere Beispielfirma branchenerfahren ist und über Jahre einen großen Fundus an ehemaligen und potenziellen Kunden im CRM aufgebaut hat, suchte sie in diesen Daten nach möglichen Umsatzkandidaten. Das Problem: in den seltensten Fällen ist für jeden Kunden festgehalten, welche Bereiche er abdeckt und ob sich eine Kontaktaufnahme in Bezug auf PV-Anlagen tatsächlich lohnt. Je nach Breite des Kundenstamms wäre es hier also zu erheblichen Streuverlusten gekommen.

Csm Demand Forcecasting E4fd7eae4a

Im-Trüben-Fischen ist kein Vertriebskonzept

So oder so ähnliche Situationen treffen wir bei vielen Unternehmen vorwiegend aus dem B2B-Segment an. Hier stehen Vertrieb und Marketing also vor der Herausforderung, aus einer Liste von Kunden die vielversprechendsten zu identifizieren, ohne dazu ausreichend Bewertungskriterien zu haben. Ähnlich sieht es bei der Neukundenakquise aus. Auch dort gilt es, Neukunden auf Basis des Potenzials zu priorisieren, um die Ressourcen effektiv einzusetzen. Zwangsläufig muss das Vertriebsteam fast ausschließlich auf seine langjährige Erfahrung und mehr oder weniger gesicherte – und hoffentlich aktuelle - Kenntnis über die Kunden zurückgreifen. Neben den zahlreichen Unsicherheiten skaliert diese Lösung ab einer gewissen Anzahl an Kunden nicht mehr. Ihr wertvolles Vertriebs- und Marketingteam verbringt dann mehr Zeit damit, neue Kunden zu recherchieren, als wirklich Kontakt mit ihnen aufzunehmen.

Masse und Klasse: AI-basiertes Customer Mining

Genau an dieser Stelle setzt das Customer Mining von pmOne als (Neu-)Kundenrecherche per Machine Learning und künstlicher Intelligenz an. Ob es nun darum geht, das CRM um zusätzliche Kundeninformationen anzureichern oder tatsächlich Neukundenakquise zu betreiben: die Problemstellung ist jeweils sehr ähnlich und unterscheidet sich lediglich darin, dass Neukunden Unternehmen sind, die noch nicht im CRM erfasst wurden. In beiden Fällen ist vor allem eine umfangreiche Recherche nötig. Wie in dem oben genannten PV-Beispiel muss meist für tausende Unternehmen erfasst werden, aus welcher Branche sie stammen, wie ihr Produktportfolio sich zusammensetzt und welche Unternehmens- und Umsatzgröße vorliegt. Viele dieser Informationen sind auf den Unternehmens-Webseiten zu finden. Eine manuelle Recherche ist dabei jedoch mit erheblichem Zeitaufwand verbunden. Dabei könnten die Informationen weitestgehend automatisiert zunächst mit Hilfe von Data-Mining-Techniken erfasst und durch Künstliche Intelligenz ergänzt werden. Mit dem Einsatz von Cloud-Technologien lassen sich die Datenmengen problemlos bewältigen und benötigte Ressourcen je nach Bedarf ganz einfach skalieren.

Die so gesammelten B2B-Unternehmensdaten lassen sich anschließend nach den Zielvorgaben der Marketing- und Vertriebsstrategie analysieren und auswerten. Beim Beispiel des PV-Herstellers wurde also per semantischer Textverarbeitung (Natural Language Processing, NLP) zunächst nach einer Häufung von Begriffen aus dem Themenbereich „Photovoltaik“ gesucht. Dem liegt die Annahme zugrunde, dass Unternehmen, die PV-Anlagen vertreiben oder installieren, diesen Begriff häufig verwenden. Die Häufigkeit eines oder mehrerer Begriffe kann in diesem Fall direkt zur Sortierung und damit Priorisierung von Unternehmen für den Vertrieb genutzt werden. Anschließend kann ggf. eine weitere Verfeinerung der Suche erfolgen, indem auch Daten zur erforderlichen Unternehmensgröße berücksichtigt werden.

Csm Slider 1 Acd01daf53

Abb.1: In einem Power BI Dashboard können die identifizierten potenziellen Neukunden übersichtlich veranschaulicht werden. Durch Filter können weitere wertvolle Informationen zu den Unternehmen gefunden werden. Mit dem Neukunden Miner wird das CRM so mit der notwendigen Künstlichen Intelligenz ausgestattet.

Top oder Flop: Klassifizierung per AI und Machine Learning

Die per NLP durchgeführte Vorauswahl bei der Recherche ist jedoch nur ein kleiner Ausschnitt der Möglichkeiten, die das maschinelle Lernen bietet. Eine Auswertung der gesammelten Unternehmensdaten besteht in der Klassifikation von potenziellen B2B-Neukunden. Dafür bedarf es lediglich einiger initialer Bewertungskriterien, um Unternehmen als geeignete oder weniger geeignete Neukunden identifizieren zu können. Im Anschluss verwenden wir State-of-the-Art Machine Learning- und AI-Verfahren (aus dem NLP-Bereich), um auf Basis Ihrer Bewertungen neue Unternehmen automatisch zu klassifizieren.

Der große Vorteil dieses Ansatzes liegt darin, dass man sich im Vorfeld nicht den Kopf darüber zerbrechen muss, welche exakten Begriffe man auf der Webseite eines potentiellen Neukunden erwartet und was ihn von anderen Unternehmen in der Branche abgrenzt. Diese Aufgabe übernimmt ein Machine-Learning-Algorithmus, der auf Basis Ihrer Bewertungen trainiert wird und eigenständig lernen kann. Mit dieser Klassifikation lässt sich dann nicht nur jedes Unternehmen als möglicher Neukunde bewerten, sondern es kann auch unmittelbar eine Priorisierung der identifizierten potenziellen Neukunden erfolgen. So lassen sich die Ressourcen auf die aussichtsreichsten Kandidaten konzentrieren.

Digitale Weiterverarbeitung der Ergebnisse

Das Ergebnis eines solchen Customer-Mining-Projekts ist in der Regel eine nach Ihren Anforderungsmerkmalen sortierte Auswertung. Die Informationen können wir direkt wieder in ihr existierendes CRM als zusätzliches Feld einspielen und damit für einen effizienten und nachvollziehbaren Akquiseprozess nutzbar machen. Denkbar sind auch automatisierte Abläufe, die im Einklang mit den Machine-Learning-Services beispielsweise für eine monatliche Aktualisierung sorgen. Hier bieten sich vielfältige Möglichkeiten ganz nach Ihrer Vertriebsanforderungen und Unternehmensstrukturen.

Bei unserem Kunden aus dem PV-Sektor konnten wir auf diese Weise das CRM umfassend bereinigen und eine umfangreiche und priorisierte Auswertung mit möglichen Neugeschäftskandidaten bereitstellen (siehe Abb.1). Damit war es Vertrieb und Marketing möglich, innerhalb von kürzester Zeit mit der Akquise zu beginnen und zahlreiche Aufträge über Bestand- und Neukunden zu generieren. Aufgrund des Erfolges hat der Kunde das System mittlerweile auch für den britischen Markt umgesetzt.

Die Projekt-Vorgehensweise gliedert sich insgesamt in vier Schritte:

  1. Anforderungen: Wir sammeln ihre Anforderungen, d.h. die Branchen, Begriffe und Informationen, die für Ihre Akquise relevant sind. Außerdem legen wir die Datenquellen und Umfang des Projekts fest
  2. Datenbeschaffung: Wir sammeln die Daten aus den vorher festgelegten Internetquellen und bereiten sie für die Auswertung auf.
  3. Auswertung: Wir werten die Daten anhand Ihrer Anforderungen aus und bereiten sie verständlich auf. Ist eine Klassifikation gewünscht, so findet sie ebenfalls in diesem Schritt statt.
  4. Ergebnis: Sie erhalten eine Tabelle von Unternehmen, die sie zur Priorisierung von Kunden im Vertrieb und zum Einsatz im CRM-System nutzen können

Der mit so einem Projekt verbundene Aufwand und die Kosten amortisieren sich oft schon mit dem ersten oder zweiten Neukunden.

Pfeil Rechts
3
3
3
3
3
3

Oleg Travkin

Senior Data Scientist

Oleg Travkin

Senior Data Scientist

Oleg Travkin

Senior Data Scientist

Themen
Marketing & Sales
Customer Analytics Platform
Lösungen
Data Science & KI
Kundensegmentierung

Neueste Beiträge

*“ zeigt erforderliche Felder an

Die mit *-markierten Felder sind Pflichtfelder
Dieses Feld dient zur Validierung und sollte nicht verändert werden.
Menü