Künstliche Intelligenz in Pricing und Vertrieb: Automatisierte Abläufe und Maschinelles Lernen

Künstliche Intelligenz (KI) bzw. Artificial Intelligence (AI) begegnet uns jeden Tag bei Amazon und Netflix aber auch beim Arzt und bei Banken – häufig ohne unser Wissen. Hinter den Kerntechnologien verbergen sich viele Verfahren, die auch im Pricing und Vertrieb eingesetzt werden können. KI und Maschinelles Lernen sind für uns dabei Werkzeuge, um Preis- und Vertriebsprozesse datengetrieben zu automatisieren und zu optimieren.

Predictive Analytics

Voraussetzung für den Einsatz von Maschinellem Lernen und Algorithmen ist ein gut gepflegtes Data-Warehouse, in welchem Daten zusammengeführt und verwaltet werden. In tiefergehenden Analysen können interne Unternehmensdaten zusätzlich mit externen Daten über den Standort (Geodaten) oder demographische Aspekte erweitert werden.
Basierend auf diesen historischen Daten können statistische Modelle und Machine-Learning-Techniken angewandt werden, um Vorhersagen über zukünftige Ereignisse zu treffen. Muster können sowohl in einzelnen Zeitreihen als auch in großen Kundendatensätzen erkannt werden.

Regression im Preismanagement

Eine Kerntechnologie des Maschinellen Lernens ist die Regression. Sie lernt aus Trainingsdaten, wie ein kontinuierlicher Wert vorausgesagt werden kann. Im Pricing sind dies meist optimale Preise und Rabatte. Dieses Verfahren ist also ideal, um ohne explizite Regelsysteme die Preisbildung im Vertrieb zu unterstützen.

 

Mit Peer Pricing kann durch Maschinelles Lernen aus vorliegenden Daten Preis- bzw. Rabattvorschläge in einem „üblichen“ Niveau generiert werden. Auch kann Maschinelles Lernen dazu verwendet werden, optimale Einstellungen für Zielpreissysteme und Ersatzteil-Preislogiken zu finden.

Ökonometrische Modelle

Zum Einsatz kommen ökonometrische Modelle zum Beispiel bei der Prognose von Lagerbeständen oder der Schätzung von Nachfrage- und Rohstoffpreisentwicklungen. Diese Modelle sind geeignet um Muster wie Saisonalitäten oder Trends zu erkennen – damit unter anderem Nachfrageschwankungen besser antizipiert werden.

Entscheidungsbäume und Clustering-Algorithmen

Andere Verfahren – wie Entscheidungsbäume und Clustering-Algorithmen – sind bei der Kundensegmentierung hilfreich. Hier werden Vergleichswerte von Kunden mit ähnlichen Charakteristika genutzt, um Aussagen über Bestands- und Neukunden mit ähnlichen Merkmalen zu nutzen.

Beim Clustering werden Vergleichswerte genutzt. Hier beispielsweise für die Ausprägungen zur Komponente A und Komponente B. R&P berät Sie gerne. Sprechen Sie und einfach an.

Verbesserung der Customer-Journey dank KI

Bei Predictive-Analytics geht es um die automatische Bewertung von Ereignissen und die Berechnung der wahrscheinlichsten Szenarien – das primäre Ziel ist eine möglichst hohe Prognosegüte. Diese technisch anmutenden Verfahren können praktisch die tägliche Customer-Journey verbessern.

Personalisierung des Kundenerlebnisses

Der zielgerichtete Einsatz dieser Methoden führt zu einer deutlich individuelleren Kundenansprache. So kann auf Basis einer granularen Kundenklassifizierung jedes Cluster persönliche Mails und Newsletter erhalten. Sind genügend individuelle Daten vorhanden, können Kunden sogar spezifische Next-Best-Offer-Vorschläge und Rabatte erhalten. Dies funktioniert nicht nur bei Netflix oder Amazon, sondern kann auch im Marketing und Vertrieb von Mittelständlern angewandt werden – sofern Vergangenheitswerte über das Kaufverhalten systematisch erfasst wurden. Vorschläge von Konsum-Bundles können sowohl im Online-Shop als auch im stationären Handel durch geschulte Verkäufer vorgeschlagen werden.

Anwendungsmöglichkeiten von KI bei Neu- und Bestandskunden

Künstliche Intelligenz und Maschinelles Lernen mit den Kerntechnologien Klassifikation, Clustering und Dimensionsreduktion finden sowohl bei Neu- als auch bei Bestandskunden Anwendung.

Neukunden gewinnen / Big-Deal-Management

  • Der bestehende Kundenstamm kann genutzt werden, um Erfolgswahrscheinlichkeiten für die Kaltakquise zu generieren
  • Gerade für Big-Deal-Preismanagement ist eine hohe oder niedrige Zuschlagswahrscheinlichkeit eine wertvolle Information
  • Angebote können, basierend auf der höchsten Abschlusschance, priorisiert werden (Lead-Scoring)
  • Die erfolgversprechendsten Vertriebskanäle und Kommunikationsmittel können kundenspezifisch identifiziert werden (Opportunity-Scoring)

Bestandskunden aufbauen

  • Eine zielgerichtete Kundenklassifizierung und -gruppierung ist möglich: R&P hat beispielsweise einen völlig neuen KI-Ansatz für die Identifikation von preissensiblen Ersatzteil-Warengruppen entwickelt
  • Basierend auf der Klassifizierung kann die Konsistenz der Rabatt- und Margensysteme überprüft und gegebenenfalls angepasst werden
  • Das Kaufverhalten der einzelnen Cluster kann die Grundlage für neue Produktvorschläge sowie Cross- und Up-Selling-Aktivitäten sein (Recommender-System)
  • Die Bildung von Produktbündeln (Bundling) durch Assoziationsregeln kann durch eine Kombination von BI-Werkzeugen und Maschinellem Lernen ebenfalls zielführend unterstützt werden – so lassen sich Zusammenhänge zwischen verschiedenen Produktoptionen erkennen und Muster im Bestellverhalten identifizieren
  • Personalisierte Newsletter und Online-Kataloge können basierend auf Affinitätsrankings je Produkt angefertigt werden
  • Die Wiederkaufshäufigkeit durch zielgerichteteren Kundenkontakt kann gesteigert werden

Outlier-Detection: Ausreißer frühzeitig erkennen

Algorithmen können außerdem dabei helfen, bestehende Inkonsistenzen in Preislogiken aufzudecken. Mit Hilfe der Outlier-Detection werden Ausreißer erkannt und bestehende Missstände sichtbar gemacht – ungewöhnliche Verhaltensmuster können in einem nächsten Schritt tiefergehend analysiert werden. Dies ist deutlich objektiver und zeitsparender als die stichpunktartige Auswertung durch einen Menschen.

Bestandskunden halten – Churn-Prediction (Abwanderungsvorhersage)

Kundenabwanderungen sind ein Problem, mit dem sich jede Branche beschäftigen muss. Gerade in Zeiten abnehmender Kundenbindung und -loyalität ist die Verhinderung von Abwanderungen und Kündigungen elementarer Bestandteil einer nachhaltigen Geschäftsstrategie.
Ein Churn-Prediction-Modell gibt Aufschluss darüber, mit welcher Wahrscheinlichkeit Kunden in einem bestimmten Zeitraum zu einem anderen Anbieter wechseln werden. Sowohl Kaufhistorie als auch Daten wie Servicebesuche und Beschwerden liefern Informationen über die aktuelle Kundenzufriedenheit. Historische Kundenabwanderungen dienen als Grundlage der Modellkalibrierung. Das Ziel ist klar definiert: Die Abwanderungsrate soll kontinuierlich reduziert werden (Churn-Prevention).

Grafik des Churn-Prediction-Modell über die Kundenabwanderung bei einem Telekomunikationsanbieter.

Customer-Relationship-Management und Churn-Prevention

Churn-Prevention funktioniert nur, wenn es eine enge Verzahnung mit intelligentem Customer-Relationship-Management gibt, in welchem klare Handlungsanweisungen definiert sind. Nicht bei allen Kunden lohnt es sich Wechselvorhaben zu stoppen – der Verlust eines Premiumkunden schmerzt mehr als der Abgang eines C-Kunden. Die Kombination aus Kundensegmentierung und Churn-Prediction-Modell ist der Schlüssel zum Erfolg. Besonders wichtig sind diese Informationen für Anbieter von Verträgen und Abonnements, wie etwa Energieversorger, Streamingdienste, Banken und Versicherungen sowie im Bereich Software-as-a-Service.

Kündigungen frühzeitig erkennen

Diese Modelle sind als unterstützendes Tool zu verstehen, damit Vertriebler und Call-Center-Mitarbeiter wissen welche Kunden ein hohes Wechselrisiko haben. Hat ein Kunde erstmal gekündigt, ist die Rückgewinnung meist schwierig und kostspielig. Es geht somit um die Durchführung präventiver Aktionen zur Kundenbindung, damit Kündigungen verhindert werden noch bevor Kunden selbst darüber nachdenken. Im Online-Handel können beispielsweise automatisch individuelle Rabatte vergeben werden. Die abstrakten Wahrscheinlichkeiten können in eine leicht verständliche Ampel übersetzt werden, welche als Frühindikator dienen kann. In den Kategorien gelb und rot können stufenartig Aktionen zur Kundenbindung durchgeführt werden.

Erfahrungen im Bereich Künstliche Intelligenz

Entscheidendes Kriterium für den Erfolg dieser Projekte ist die Transparenz. Können Anwender die Logik des Algorithmus nachvollziehen, steigt die Akzeptanz – eine „Black-Box“ Lösung ist meist zum Scheitern verurteilt.

Roll & Pastuch ist die führende Unternehmensberatung für quantitative Methoden im Bereich Preismanagement, Vertrieb und Strategie. Wir bieten pragmatische Maschine Learning und KI-Lösungen an, damit Prozesse optimiert und automatisiert werden können.
Dies reicht von Quick-Checks (Outlier-Detection, Datenaudit) bis zu umfangreichen Projekten im Bereich der Kundensegmentierung und Churn-Prediction.

Nutzen Sie Künstliche Intelligenz im Pricing und Vertrieb

Gerne stehen wir Ihnen bei Fragen und für weitere Informationen zur Verfügung.

Mehr zum Thema herunterladen