Es geht jetzt um die Nutzung der Daten!
In den letzten 2 Jahren konnte man beobachten, dass die Nutzung von künstlicher Intelligenz auch in den Vertriebsabteilungen auf zunehmendes Interesse stösst. Das überrascht wenig, denn die täglichen Herausforderungen im Multikanal-Vertrieb werden vielfältiger und komplexer.
Vor 15 Jahren haben die Unternehmen begonnen CRM-Systeme einzuführen um die Vertriebsprozesse effizienter zu gestalten. Oft sind die Prozesse nach der CRM-Einführung umfangreicher und komplizierter geworden. Das wiederum hängt damit zusammen, dass aus Managementsicht das Sammeln von Kundendaten und deren zentrale Speicherung in einer Datenbank fundamental ist zur Unternehmenssteuerung.
Stand Heute haben die meisten Unternehmen operative IT Systeme auf dem neusten Stand der Technik. Und vor allem haben sie darin riesige Mengen an Daten gesammelt. Und der Umfang an verfügbaren Daten steigt exponentiell.
Es geht jetzt um die Nutzung dieser Daten.
Die klassischen BI Werkzeuge sind gut für die manuelle Analyse, das Reporting bzw. die Visualisierung von Daten. Für die Erkenntnisgewinnung ist der Mensch bzw. der Nutzer verantwortlich. Aber den Nutzern dieser Analysen werden die Limitierungen bald klar.
Datenumfang, Datenvernetzung, unterschiedlichste Datenqualitäten kombiniert mit der Notwendigkeit von Echtzeit-Entscheidungen - das sind Faktoren die für den Einsatz von K.I. sprechen.
"K.I. gestützte Produkt-Empfehlung" ist ein Klassiker wie man K.I. nutzen kann - auch im B2B Vertrieb. Bei jedem geplanten Kundentermin gibt die K.I. eine Empfehlung für Zusatzprodukte oder Ersatzprodukte. Basierend auf einem vergleichbaren Kaufverhalten anderer, ähnlicher Kunden.
Das Interesse des Vertriebs an K.I. ist gross. Sowohl für das Management als auch für die Mitarbeiter die an der Verkaufsfront tätig sind. Und so sieht der Wunschzettel aus.
Diese komprimierte Auflistung spiegelt Projekterfahrungen aus den letzten 6 Monaten wider und erhebt keinen Anspruch auf Vollständigkeit :)
Wie löst K.I. diese Herausforderungen?
Grundsätzlich kann K.I. überall dort genutzt werden wo sich eine unternehmerische Herausforderung in ein Datenproblem übersetzen lässt. Denn ohne Datengrundlage kann auch eine K.I. keinen Mehrwert liefern – das ist klar.
Machine Learning ist das Thema, wenn wir von K.I. sprechen. Darunter versteht man Algorithmen, die von den Daten lernen, welche man der K.I. zuführt. Die K.I. lernt auf Basis der zugrundeliegenden Daten selbständig, um letztendliche verwertbare Resultate zu erhalten.
Ein Beispiel:
Ein Maschinenbauer bietet seinen Kunden ein grosses Sortiment an unterschiedlichen Produkten an. Cross-Selling ist im Maschinenvertrieb immer ein grosses Thema. “Was kann man einem Kunden zusätzlich an Consumables oder Services verkaufen?" In dem Fall kann man die historischen Verkaufsdaten nutzen, um das Kaufverhalten zu analysieren und die K.I. findet heraus, ob es Kunden mit ähnlichen Bedarfen gibt. Daraus ergeben sich Produktempfehlungen für den After-Sales Vertrieb.
Deep-Learning ist ein Teilbereich von Machine Learning. Bei Deep-Learning werden sogenannte tiefe neuronale Netze genutzt, mit dessen Hilfe man sehr komplexe Problemstellungen lösen kann. In den letzten Jahren gab es insbesondere zwei grosse Fortschritte in diesem Bereich. In der Bilderkennung und in der Sprachverarbeitung.
Wie startet man mit K.I.?
Zu Beginn ist es wichtig die richtigen K.I. Ideen bzw. Use-Cases zu identifizieren und zu bewerten. Hat man sich für einen Use-Case entschieden, startet man mit einem Data-Screening um (1) die Use-Case Anforderungen zu spezifizieren und (2) die aktuelle Datenlandschaft zu prüfen.
Ist die Einschätzung der Datenlage "positiv" startet man mit der Entwicklung eines Machine-Learning Modells (die K.I.). Das Modell wird in einem iterativen Prozess trainiert und optimiert um valide, sinnvolle Ergebnisse zu erhalten.
Der finale Schritt ist die Nutzung der K.I. Lösung direkt in den operativen Prozessen und IT-Systemen wie CRM, ERP oder BI.
Mit dem richtigen K.I. Pilotprojekt starten
Bei der Auswahl des ersten Pilotprojekts sollte man sich einen Use-Case vornehmen, der folgende Kriterien erfüllt:
mit relativ wenig Aufwand einen Nutzen für den Fachbereich stiftet
in der Umsetzung nicht zu komplex ist
und somit einen quick-win erzeugt
Es kommen oft sehr viele Ideen aus der eigenen Organisation. Diese Ideen ergänzt um Best-Practices aus der Industrie muss man einem nachvollziehbaren, systematischen Bewertungsprozess unterziehen. So erhält man eine objektive Entscheidungsgrundlage für eine K.I. Roadmap.
