Vorhersage von Angebotsannahme (B2B, B2C)

Beschreibung

Das perfekte Angebot erstellen – wie?

Verkaufsprozesse zielen immer auf dieselbe Antwort ab: Ein klares „Ja“ zu einem Angebot. Leider weiß man nie, ob dieses Ja zu erwarten ist oder ob es „Aber“ gibt. Oft ist nicht einmal klar, wie ein Angebot aussehen sollte, um einen Lead zu einem „Ja“ zu bewegen.

Um einerseits ein besseres Verständnis dafür zu bekommen, warum Kunden ein Angebot annehmen, aber auch um eine Vorhersage über die Wahrscheinlichkeit zu erhalten, dass ein Angebot angenommen wird, haben wir das Produkt „Angebotsannahmevorhersage“ entwickelt.

Welchen Wert hat die Angebotsannahmeprognose?

Zu wissen, inwieweit ein Angebot in einer bestimmten Situation und für einen bestimmten Kunden realisierbar ist, hilft bei der Optimierung zur Maximierung des Umsatzes. Durch eine Einschätzung, wie wahrscheinlich die Angebotsannahme ist, kann eine Vertriebsabteilung Faktoren ändern, um die Erwartung einer positiven Bewertung zu erhöhen.

Eine solche Situation ist in der Regel sehr häufig im B2B-Bereich anzutreffen, aber auch B2C-Unternehmen, die höherpreisige Produkte oder Dienstleistungen anbieten, können sich in der Situation befinden, individuelle Angebote zu bearbeiten. Daher ist jede zusätzliche Information, die Ihnen einen Vorteil bei der Entscheidung über die Gestaltung eines Angebots verschafft, nützlich.

Kurz gesagt, die Vorhersage der Annahme eines Angebots führt zu einem besseren Verständnis dafür, welche Faktoren zu einer positiven Antwort beitragen und welche Art von Angebot angemessen sein könnte. Zusammen führt dies zu einem optimalen Angebot für jeden einzelnen potenziellen Kunden, um die Auftragspipeline zu maximieren und gleichzeitig die Rentabilität zu erhalten.

Wie funktioniert eine Vorhersage durch Klassifizierung?

Die Klassifizierung von Daten ist eine der klassischen Aufgaben von künstlicher Intelligenz, genauer von Machine Learning. Dazu werden vorhandene Datensätze und deren Gruppenzuordnung genutzt, um ein allgemeines Modell der Zuordnung abzuleiten. Dieses Modell kann dann zur Vorhersage für noch unbekannte Daten genutzt werden.

Ein einfaches Beispiel: Nehmen wir an, wir möchten vorhersagen, um welches Geschlecht (männlich, weiblich) es sich bei vorliegenden Daten (Größe, Gewicht, Alter) handelt.

Im ersten Schritt benötigen wir ein sogenanntes Trainingsset. Das sind Daten, die die Attribute (Größe, Gewicht, Alter) und die Kategorie (männlich, weiblich) beinhalten. Also reale Beispiele von korrekter Klassifizierung.

Diese Daten werden im zweiten Schritt mittels maschinellem Lernen generalisiert. Anhand der Beispiele wird ein statistisches Modell generiert, das festlegt, bei welche Art von Daten welche Kategorie die wahrscheinlichste ist.

Als letztes kann dieses Modell eingesetzt werden um anhand neuer Daten (Größe, Gewicht, Alter) die Kategorie vorherzusagen.

Das gleiche Prinzip wie in dem Beispiel findet sich auch in diesem Anwendungsfall wieder. Nur mit mehr Daten und etwas mehr Komplexität.

Welche Art von Daten wird für die Vorhersage der Angebotsannahme verwendet?

Um die Einflussfaktoren für die Annahme eines Angebots richtig zu verstehen und somit vorhersagen zu können, sollten zwei Hauptkategorien von Datensätzen kombiniert werden. Erstens natürlich die Bedingungen des Angebots selbst, wie Preis, Lieferbedingungen, Vertragsdauer oder andere Faktoren. Zweitens, was zu den formalen Bedingungen hinzukommt, sind die Informationen über den Lead, z. B. Unternehmensgröße, Dauer der Mitgliedschaft oder andere Metriken, die den Kunden greifbarer machen.

Hier ein Überblick, welche Systeme dazu beitragen können, eine versierte Kombination von Datensätzen zu erhalten:

• CRMs für Angebotsinformationen, Beziehungsstatus und Informationen über Kunden / Leads
• Transaktionssysteme wie ERPs für bestehende Informationen über Käufe
• Informationen über Touchpoints wie Newsletter-Systeme, Webinar-Anmeldungen und mehr

Erwartetes Datenformat für eine Klassifizierung

Das Datenformat für eine erfolgreiche Klassifizierung ist tabellarisch. Es wird eine beliebige Anzahl an Attributen als Spalten erwartet (zum Beispiel Größe, Gewicht, Alter,..). Die letzte Spalte mit dem Namen “target” beinhaltet dann entweder eine 0 für die eine Gruppe (z.B. weiblich), eine 1 für die andere Gruppe (z.B. männlich) oder keinen Wert (wird durch das Modell vorhergesagt).

Jede Zeile hingegen repräsentiert einen Fall der bekannten Gruppen (0 und 1) oder bisher noch unbekannten Gruppe (leerer Wert) aber mit allen notwendigen Attributen. Zusammengefasst sieht ein beispielhafter Datensatz für eine Klassifizierung aus wie folgt:

Zusammengefasst:

• Beliebig viele Spalten mit Attributen die die Gruppen beschreiben
• Die letzte Spalte mit Namen “target” mit 0 für eine Gruppe, 1 für die andere; ein leerer Wert für zu klassifizierende Werte
• Jede Zeile ist ein Datensatz

Bitte vermeiden Sie leere Datenfelder, Spalten mit sehr hoher Varianz (z.B. gruppieren Sie „Wohnort“ in Land statt adressbasiert) und entfernen Sie alle Personen identifizierenden Informationen (GDPR-Relevanz).

Ein praktisches Beispiel wie eine Input-Datei aussehen kann, finden Sie hier: Beispiel-Datei ansehen

Wie funktioniert Self-Service KI mit Kobold AI?

Kobold AI macht künstliche Intelligenz zugänglich für Nicht-Experten. Auf unserer Online-Plattform werden KI-Produkte und deren Mehrwert erklärt und können einfach durch einen Klick bestellt werden. Durch die Bereitstellung der eigenen Daten werden automatisiert individuelle Ergebnisse geliefert.

Output des Produkts – Lieferobjekte und Inhalte

Sie erhalten eine detaillierte Analyse von

• Deskriptive Analysen der Eingabedaten, z.B. ob es Attribute gibt, die eine hohe Korrelation mit der Konversion haben
• Ein Vorhersagemodell und die dazu beitragenden Faktoren
• Die Vorhersage für alle hinzugefügten Leads, ob sie konvertieren werden oder nicht

Beispiel

Ein Beispiel für den Output eines Klassifizierungs- / Vorhersageprodukts ist:

Häufige Fragen zur Klassifizierung von Gruppen (FAQ)

Ist die Vorhersage zu 100% korrekt?

Nein! Das Klassifizierungsmodell beruht auf statistischen Wahrscheinlichkeiten und hat somit eine Unschärfe. Wie viel Prozent der Fälle korrekt vorhergesagt werden, ist im Output ersichtlich. Dabei gilt üblicherweise: Umso mehr Beispiele und umso mehr sinnvoll beschreibende Daten, umso besser das Ergebnis.

Welchen Algorithmus nutzt ihr in der Klassifizierung?

Das ist natürlich ein gewisses Geheimnis, da wir eine vollautomatische Datenverarbeitung einsetzen. Aber es sei gesagt, dass wir uns nicht auf einen einzigen Algorithmus in nur einer Konfiguration stützen, sondern eine Vielzahl an Algorithmen testen um das beste Ergebnis zu liefern.

Wie viele Gruppen kann ich klassifizieren lassen?

Momentan arbeiten wir mit binären Klassifizierungen, die zwischen zwei Gruppen unterscheiden können. In der Zukunft werden wir auch mehrere Gruppen ermöglichen.

Ist die Anzahl an Daten wichtig?

Ja, umso mehr Daten, speziell bereits Gruppen zugeordnete, umso besser das Training und somit die Vorhersage.

Was sind Trainingsdaten?

Die gelieferten und mit Label (target 0, 1) versehenen Daten sind die Trainingsdaten, mit denen das Modell trainiert wird.

Wie viele Attribute soll ich liefern?

Die Frage sollte eher lauten: Welche! Denn am besten genau diese, die sinnvoll eine beschreibende Funktion für die Vorhersage liefern. Umso mehr es am Ende sind, umso besser, denn jedes Attribut sollte beschreibende Information beinhalten.

Dabei gilt: Nur komplette Daten ohne Fehlwerte machen Sinn.

Wie viele Attribute kann ich liefern?

Prinzipiell beliebig viele. Doch sortiert unser Algorithmus automatisch redundante, hochkorrellierende oder nichts-sagende Attribute aus. Daher lieber einen sinnvollen Umfang, der dann auch in der Praxis einsetzt werden kann, also alles was möglich ist.

Zusammenfassung: Mehrwert durch die Vorhersage von Angebotsannahme

Vorher zu wissen, ob Angebote angenommen werden hat einen sehr großen Mehrwert. Nicht nur können die Angebote passend modifiziert werden, sondern auch ein verlässlicher Forecast über mögliche Erträge ist möglich. Noch mehr: Durch den Einsatz des KI-Produkts von Kobold AI können Unternehmen besser verstehen, welche Faktoren in ihrem individuellen Fall zu einer erfolgreichen Konvertierung führen. Dies erlaubt strategische Initiativen und klare Fokussierung auf die Verbesserung dieser Attribute. Zusammen ist eine Vorhersage durch KI ein einfacher Weg, effizient und erfolgreich zu arbeiten.