"Kunden, die diesen Artikel gekauft haben, interessierten sich auch für …". Im E-Commerce spielen Algorithmen längst eine entscheidende Rolle bei der Frage, wie gut Unternehmen der Verkauf ihrer Produkte gelingt. Da potenzielle Privatkäufer im Web permanent Daten zu ihren Interessen und Bedürfnissen hinterlassen, können sich Technologien der künstlichen Intelligenz längst bei der Arbeit mit sehr großen Datenmengen beweisen. Doch wie können Unternehmen auch in B2B-Märkten datenbasiert und KI-unterstützt mehr Neukunden gewinnen?

Ähnlichkeiten zwischen Käufertypen zu identifizieren und auf Basis historischer Daten das potenziell beste Angebot abzuleiten: Für moderne Machine-Learning-Technologien ist das eine leichte Übung, vorausgesetzt, man füttert die Maschine mit ausreichend Daten. Doch hier offenbart sich das Problem: Was KI beim Digitalmarketing gegenüber privaten Endverbrauchen (B2C) in vielen Fällen bereits zur Perfektion gebracht hat, bleibt für Unternehmen im B2B-Bereich meist eine Wunschvorstellung. Die Datenlage zu den Bedürfnissen und Interessen potenzieller Unternehmenskunden ist vergleichsweise dünn - zumindest abgesehen von den Bestandskunden, zu denen Anbieter bereits ein Geschäftsverhältnis pflegen und infolgedessen zumindest Kundendaten in ihren Software-Systemen (z. B. ERP oder CRM) sammeln dürfen.

Immerhin: Next-Best-Offer-Szenarien ("Welchem meiner Bestandskunden könnte ich welches Produkt obendrein noch verkaufen?") werden zwar auch im Bestandskundenvertrieb vom B2B-Unternehmen zunehmend Realität. Ein Blick über den Tellerrand der eigenen CRM- und ERP-Daten fällt vielen jedoch schwer.Die datenbasierte Vorhersage, welches Produkt oder welche Leistung aus dem eigenen Portfolio bei einem potenziellen Neukunden die besten Absatzchancen hätte, bleibt somit oft reine Spekulation und dem Bauchgefühl überlassen.

5 Tipps, um Neukunden in unbekannten Märkten zu gewinnen

Was also tun? B2B-Unternehmen, die in neuen Märkten wachsen wollen, kaufen häufig Marktdaten zu bestimmten Branchen, Vertriebsregionen oder Marktsegmenten über Research-Firmen ein, um überhaupt potenzielle Neukunden zu identifizieren. Doch nach einer punktuellen Nutzung der Insights verenden die Datenschätze oft in Excel Sheets und Datensilos. Eine Verknüpfung zwischen den internen Daten des eigenen Bestands und den heutzutage ebenfalls reichhaltig und digital erhältlichen Daten zu neuen Märkten findet nicht statt.

Welche Voraussetzungen müssen Unternehmen für ihre B2B-fokussierten Marketing- und Sales-Aktivitäten also schaffen, damit auch First-Best-Offer-Szenarien in neuen Märkten Realität werden? Fünf Tipps für das First Best Offer:

1. Eine zentrale Datenplattform schaffen

Hier das CRM, dort das ERP, und überall verstreute Excel-Tabellen und einzelne Marktreports - häufig verhindern Datensilos in Unternehmen einen zentralen Zugriff auf Quellen, die für einen datengestützten Vertriebsansatz nötig wären. Erst durch die Zusammenführung aller Datenquellen auf einer zentralen Plattform können belastbare Analyseergebnisse entstehen, die wirkungsvoll in Marketing und Vertrieb eingesetzt werden können.

2. Ein holistisches Marktbild erzeugen

Damit ein ganzheitliches Bild eines Marktes entstehen kann und Unternehmen die tatsächlich wertvollsten Leads identifizieren können, genügt es nicht, Daten aus den Bestandssystemen wie ERP und CRM zu analysieren. Auch externe Daten aus einer digitalisierten Marktforschung und -analytik müssen an die verwendete Data Analytics Engine angebunden werden können.

3. Künstliche Intelligenz: Die Maschine entscheidet

In vielen Vertriebsabteilungen regiert bis heute das Bauchgefühl. Sales-Experten glauben, ihre Märkte ebenso zu kennen wie die Bedürfnisse des einzelnen Kunden. Doch die Fragen, welcher Kunde am besten zum eigenen Unternehmen passt, welcher Lead tatsächlich die größten Absatzchancen bietet, und wer mittel- bis langfristig das höchste Entwicklungspotenzial hat, sind komplex zu beantworten. Mit schlanken Machine-Learning-Verfahren gelingt es Unternehmen, auf Basis der verfügbaren Daten First-Best-Offer-Szenarien im Neukundenvertrieb zu realisieren.

4. Management der Datenqualität automatisieren

Ob Tippfehler, Unaufmerksamkeiten, fehlende Informationen oder extern zugekaufte Marktinformationen: Inkorrekte Daten können auf diversen Wegen in die Systeme der Anwender gelangen. Wichtig ist deshalb, dass die gewählte Analytics-Lösung User auch bei der Herstellung und Aufrechterhaltung einer hohen Datenqualität unterstützt - idealerweise, indem die Software den Anwender intuitiv durch einzelne Prüfschritte führt und jeweils die nächstbeste Maßnahme vorschlägt. Durch die weitgehende Automatisierung können Unternehmen somit kosteneffizient eine Qualitätsverbesserung erreichen und maximal belastbare Analysen durchführen.

5. Ein neues Mindset etablieren

Das Potenzial, datengetriebene Prozesse im Go-to-Market zu optimieren und zu automatisieren, ist groß. Als wesentlichen Enabler für nachhaltige Wachstumserfolge braucht es deshalb ein neues Mindset in den Vertriebs- und Marketingabteilungen. Dieses sollte auf der Vernetzung von Wissen und dem Teilen von marktrelevanten Informationen basieren und den Austausch unter den wichtigsten Stakeholdern wie Vertrieb, Marketing und Business Development bei datenstrategischen Fragen dauerhaft institutionalisieren. (mb)