Top 10 Beispiele für KI im B2B Vertrieb

Künstliche Intelligenz birgt großes Potential für alle Geschäftsbereiche, aber vor allem auch im B2B Vertrieb. Oft herrschen im Sales-Bereich noch alte Prozesse vor und viele der Mitarbeiter sind nicht intrinsisch motiviert, sich neuen Methoden anzunehmen.

Dabei kann KI große Mehrwerte im Vertrieb schaffen. Ob ein besseres Verständnis von potentiellen Kunden, existierenden Kunden und deren Bedürfnissen, von besten Produktempfehlungen über einfache Verkaufsprozesse: Es gibt zig Beispiele, wie Daten und Datenwissenschaft Effizienz und Erfolg steigern kann.

Das interessante dabei: im B2B Vertrieb kann im Gegensatz zu Produkt-Features der Effekt von KI sehr häufig direkt gemessen werden. Wenn ein Außendienstmitarbeiter 10% Arbeitszeit spart oder 15% mehr Erfolg mit seinen Angeboten hat, mündet dies in barem Geld.

Daher möchten wir im folgenden ein paar Beispiele vorstellen, wie Daten und KI Mehrwert im B2B Vertrieb schaffen können.

Umsatz-Forecasting für bessere Planung

Eine genaue, verlässliche Planung bedeutet eine hohe operative Effizienz. Vor allem in koordinativen und Managementpositionen ist es wichtig zu wissen, wie das voraussichtliche Ergebnis ist.

Hier kann man künstliche Intelligenz einsetzen, um genaue Prognosen bzgl. des Umsatzes abzugeben. Basierend auf historischen Daten werden statistische Modelle erstellt, die auch Besonderheiten wie Saisonalität, generellen Trend oder Feiertage miteinbezieht. 

Hat man ein verlässliches Umsatz-Forecasting, lassen sich alle anderen operativen Prozesse steuern. Ob höhere Provisionen, die Koordination auf bestimmte Produktgruppen oder die Akquise von zusätzlicher Vertriebsunterstützung: alles wird einfacher, wenn man weiß, was passieren wird.

Produktempfehlung für Partner und B2B-Kunden 

Ob im Aussendienst, Keyaccount Management oder Inside Sales: Die Herausforderung ist oft die gleiche. Und zwar gilt es, bei vorhandenen Kunden Upsell- und Crosssell-Potential zu realisieren. 

Doch welche Artikel eignen sich dazu am besten? Oft wird anhand von Lagerbestand oder höchster Provision entschieden statt auf das Bedürfnis der Kunden einzugehen. Vor allem im B2B-Bereich kann dies schnell zu Problemen führen: Eine langfristige Beziehung ist wichtig, um gemeinsam erfolgreich zu sein.

Der Einsatz von KI kann hierbei unterstützen. Anhand von Verhaltensdaten (“Welche Produkte wurden gemeinsam gekauft”) lassen sich individuelle Empfehlungen ableiten, abhängig vom Profil und Einkaufsverhalten des Kunden. Kombiniert mit der Erfahrung des Vertrieblers findet sich somit das perfekte Produkt für jeden Kunden.

Lead-Qualifizierung / Lead-Scoring: Wissen, bei wem der Aufwand lohnt

Ganz am Anfang des Sales-Prozesses steht die Bewertung von Leads. Meist gibt es mehr mögliche Interessenten für ein Gespräch als Zeit. Hierbei kommt Lead-Scoring zum Einsatz: Anhand verschiedener Attribute (zum Beispiel Unternehmensgröße, konsumierter Marketinginhalt) wird berechnet, ob es Sinn macht, ein Unternehmen zu kontaktieren.

Das Problem dabei: Es sind meist qualitative Metriken, bei welchen selten Interaktionen, also Wechselwirkungen, beachtet werden. Einfache Scoring-Mechanismen können Komplexität kaum abdecken.

Hier kommt wieder künstliche Intelligenz zum Einsatz. Indem man anhand vorhandener Erfahrungen (Wer konvertiert?) ein statistisches Modell trainiert, kann man anhand der Attribute eines Leads vorhersagen, wie wahrscheinlich ein Vertragsabschluss ist. Darauf basierend ist es ein einfaches, die internen Ressourcen entsprechend zu priorisieren.

Datenbasierte Personas für besseres Verständnis der Kunden

Unternehmen die ihre Kunden gut verstehen, entwickeln oft passende Produkte und Angebote die besser angenommen werden. Ein übliches Werkzeug zur Förderung des Verständnisses sind Personas. Eine Persona ist ein Prototyp einer Kundengruppe, angereichert mit Verhalten und Bedürfnissen, um diese Kundengruppe gut bedienen zu können.

Da Personas normalerweise sehr qualitativ erstellt werden (z.B. durch Interviews und Expertenmeinungen) bilden sie selten das reale Verhalten ab, sondern meist nur den Eindruck dessen. Somit sind sie nur bedingt verlässlich.

Im Gegensatz dazu kann man auch Daten als Grundlage nutzen: Durch die Kombination von Verhaltensdaten (E-Commerce, Service, etc) mit KI können sich ähnelnde Gruppen identifiziert werden. Diese Gruppen werden anhand ihrer Daten beschrieben (z.B. kaufen häufig ein, nutzen Coupons, nutzen nur bestimmte Kategorien) und entsprechend bedient werden.

Process Mining um Ineffizienzen und Potential aufzudecken

Ein realer Prozess wird oft durch ein IT-Äquivalent abgebildet. Process Mining hilft dabei, Ineffizienzen in diesen Prozessen zu identifizieren und zu beheben. Dazu werden Actions (z.B. “Bestellung ausgelöst”) in Häufigkeit und zeitlicher Abfolge analysiert.

Im B2B Vertrieb ist dies besonders gewinnbringend: Indem Verzögerungen bei Akquise oder Abschlüssen identifiziert werden, können die Prozesse besser implementiert und die Umsätze erhöht werden. 

Sentimentanalyse: Wissen, welche Stimmung herrscht

Viele Unternehmen haben reichlich Kontakt zu ihren Kunden. E-Mails, Service-Anfragen oder Reviews: Es gibt genug Information, die von extern ans Unternehmen übermittelt wird. Doch oft ist es schwer, in dieser Flut von Information den Überblick zu behalten.

Von besonderem Interesse ist in diesem Zusammenhang oft die Stimmung, die herrscht. Ob Service-Anfragen vor Lob sprühen oder der Frust bereits sehr groß ist. Ob eine E-Mail eine Bitte oder eine letzte Aufforderung ist. Oder ob ein Review einfach nur so im Web stehen kann oder man sich lieber darum kümmert, da es einen schlechten Eindruck hinterlässt.

Hier kommt der Bereich der natürlichen Sprachverarbeitung (natural language processing, NLP) zum Einsatz. NLP ist im Stande, automatisiert die Stimmung – sogenannte Sentiments – aus Text zu extrahieren. Dieses Wissen erlaubt es wiederum, Ressourcen effektiv einzusetzen: Der Vertriebsleiter kontaktiert frustrierte Kunden, im Service werden E-Mails nach Negativität sortiert und das Marketing-Team reagiert so schnell wie möglich auf schlechte Reviews.

Vorhersage von Kundenabwanderung / -kündigungen

Wenn ein Unternehmen wiederkehrende B2B-Kunden hat (z.B. Ersatzteile, individuelle Produkte oder Abonnements), herrscht im Vertrieb oft das Gefühl, dass man sich um diese wenig kümmern muss. Oder noch schlimmer: Es sind so viele, dass man nicht weiß, um welche man sich kümmern sollte.

Auch hier kann KI helfen. Durch die Vorhersage, welche Kunden sehr wahrscheinlich abwandern bzw. Ihre Verträge kündigen werden, können diese gezielt angesprochen werden. Sei es durch besondere Konditionen oder einfach zusätzliche Unterstützung: Der Vertrieb im B2B-Bereich hat auch immer eine Beziehungskomponente und diese soll gepflegt werden.

Durch ein statistisches Modell der abwandernden Kunden kann sehr effizient entschieden werden welche Partner auf welchem Weg abgehalten werden können gar nicht mehr oder bei der Konkurrenz zu kaufen. Und das lohnt sich für jeden Vertrieb.

Datenqualität von Kundendaten im CRM 

Spricht man vom Einsatz von künstlicher Intelligenz im Vertrieb, muss man auch über Datenqualität sprechen. Vor allem im B2B-Vertrieb lässt diese oft zu wünschen übrig. Der Grund ist sehr einfach: viele Aussendienstmitarbeiter pflegen ihre eigenen Datensätze, die Keyaccount-Manager füttern das CRM nicht unbedingt mit allen Infos der Telefonate und die Ansprechpartner beim Kunden ändern sich auch häufiger als man möchte.

Das Problem entsteht vor allem, wenn man die Kundendaten einsetzen möchte. Jeder Algorithmus im Bereich KI ist nur so gut wie die darunter liegenden Daten. Und schon ist das Problem bekannt: Niedrige Datenqualität und fortgeschrittene Datennutzung passen nicht so gut zusammen.

Aber auch dafür gibt es eine Abhilfe: Die Analyse von Kundendatenqualität im CRM kann mittels künstlicher Intelligenz durchgeführt werden. Wenn man weiß, wo die Qualität steht, kann man Anstrengungen unternehmen, sie zu korrigieren – und damit anderen Anwendungsfälle zu ermöglichen.

Sprache zu Text: Besuche im Auto dokumentieren

Während viele der Beispiele eher strategische Komponenten haben, hier eine sehr operative Unterstützung für den Vertrieb. Speziell im Aussendienst ist man immer auf Achse: Im Auto, beim Kunden oder bei Events.

Davor, danach oder dazwischen soll noch die Dokumentation erledigt werden. Das ist oft nicht nur ein zeitliches, sondern damit auch ein Qualitätsproblem.

Hier unterstützt die Sprachverarbeitung, genauer Sprache-zu-Text-Lösungen. Indem man einem Mobiltelefon einfach seine Dokumentation diktiert, kann diese schnell und einfach in Text umgewandelt und somit hinterlegt werden. Eine sehr einfache Lösung für ein sehr praktisches Problem.

Preisoptimierung durch Vorhersage von Angebotsannahme

Geschafft: Das Angebot wird gemacht. Einer der entscheidenen Momente im B2B-Vertrieb. Aber wie sicher sind wir uns, dass die Konditionen gut sind und der Kunde das Angebot annehmen wird?

Der Teufel steckt oft im Detail: Nicht jeder potentielle Kunde legt Wert auf die gleichen Dinge. Daher sind Standardangebote oft auch schwierig und spezielle Konditionen werden von verschiedenen Gruppen gewertschätzt.

Auch hier greift uns KI unter die Arme. Indem man ein Modell auf historischen Angebotsdaten und deren (Nicht-)Annahme trainiert, kann man vorhersagen, wie wahrscheinlich eine Annahme ist. Und dann entsprechend iterieren oder zusätzliche Boni in den Ring werfen. Damit steigt nicht nur die Erfolgswahrscheinlichkeit für den Vertragsabschluss, sondern auch schnell das Ansehen beim Kunden.