Recent Posts

Kontakt

Rufen Sie uns an
+49 89 4161524-10
Schreiben Sie uns
kontakt@visioneleven.com
Wir beantworten
Ihre Fragen
Frage stellen
Generic selectors
Exact matches only
Search in title
Search in content
Opportunity Management: Sales Pipeline mit KI besser verstehen

Opportunity Management: Sales Pipeline mit KI besser verstehen

  |   Technologien   |   Kein Kommentar

Jedes Unternehmen mit einem B2B-Fokus strebt eine strukturierte Herangehensweise im Vertrieb an. Dabei sind die einzelnen Vertriebsmitarbeiter wichtiger denn je, denn: B2B ist und bleibt People-Business. Hinter jedem strukturierten und erfolgreichen Opportunity Management stehen in erster Linie fokussierte Mitarbeiter, klare Zielvorgaben, abgestimmte Prozesse und messbare KPIs. Die Praxis sieht dagegen oftmals ganz anders aus: So reagiert der Vertrieb typischerweise auf „mehr“ mit „noch mehr“, anstatt „weniger ist mehr“. Mit einer solchen Sicht- und Denkweise lässt sich jedoch auf lange Sicht keine strukturierte und erfolgreiche Vertriebsorganisation mit dem dazugehörigen Opportunity Management etablieren.

 

Die Ursache von zu wenigen Leads und somit auch zu wenigen Opportunities liegt erfahrungsgemäß nicht im Vertrieb, sondern im Marketing. Ist die Sales Pipeline dagegen zu voll, hat die Marketing-Abteilung ohne Zweifel eine gute Vorarbeit geleistet, zumindest in Bezug auf Inbound-Marketing. Die echte Herausforderung im Vertrieb lautet daher: „zu viele Leads und Opportunities“. Denn jetzt gilt es, all diese Verkaufschancen im Sales zu strukturieren und nach Prioritäten zu bearbeiten.

Lead vs. Opportunity

 

Zahlreiche Marketing-Ratgeber diskutieren über die Unterscheide zwischen einem Lead und einer Opportunity. Eine weitere Kernfrage lautet jedoch, wann ein Lead in eine Opportunity umgewandelt werden soll. Um ehrlich zu sein: Dazu gibt es keine richtige oder falsche Antwort. Es hängt von vielen Faktoren ab, wie zum Beispiel von der Branche, dem Vertriebsprozess, den Produkten und Services eines Unternehmens, aber auch von der CRM-Strategie und -Philosophie. Nachfolgend wird am Beispiel eines konkreten Kundenprojektes aus der Praxis erläutert, wie man ein effizientes Opportunity Management in einem Unternehmen aufbaut und langfristig und erfolgreich etabliert.

Beispiel: Kundenherausforderung

Die ausführliche Prozessanalyse bei einem großen, international agierenden Unternehmen aus der Manufacturing Branche hat das unstrukturierte Opportunity Management als den größten Pain Point identifiziert. Die Sales Pipeline war voll mit unterschiedlichen Leads, aber am Ende des Trichters kam zu wenig Neugeschäft zu Stande. Daraufhin startete ein Projekt, um den Opportunity Management Prozess grundlegend zu definieren und langfristig in der Vertriebsorganisation zu etablieren.

 

Bevor man in einem solchen Projekt mit Prozessen, Abläufen und Optimierungen anfängt, gilt es die Definition und Abgrenzung der wichtigen Begriffe festzulegen. Somit wird sichergestellt, dass alle Projektbeteiligten die gleichen und vor allem die richtigen Begriffe verwenden und somit auch die gleiche Sprache sprechen. Nachfolgend ein Beispiel aus dem Projekt.

Definition Opportunity Management

Quelle: Vision11

Im ersten Schritt wurden die relevanten Phasen des Vertriebsprozesses definiert. Die Übergabe eines Leads aus Marketing erfolgt, sobald der Lead den fest definierten Status „hot“ erreicht hat. Bis zu diesem Status bleibt der Lead weiterhin in der Verantwortung und somit auch in der weiteren Bearbeitung von Marketing. Eine eindeutige Abgrenzung von Lead Management und Opportunity Management aus Vertriebssicht ist nicht einfach – aber auch nicht zielführend. Während in den Marketing-Ratgebern ein eindeutiger Übergang von Lead zu Opportunity beschrieben wird, können sich in der Praxis beide Objekte sogar in mehreren Phasen überlappen.

Prozess Opportunity Management

Quelle: Vision11

Die Konvertierung vom Hot Lead zur Opportunity erfolgt in Abhängigkeit von bestimmten und fest definierten Kriterien. Dazu gehören beispielsweise die Produktgruppe, eine bestimmte Entscheider-Rolle, einem sogenannten Buying Center, dem zu erwarteten Umsatz oder einer Timeline für die finale Entscheidung. Idealerweise erfolgt die Konvertierung eines solchen Leads in eine entsprechende Opportunity in der CRM-Lösung automatisch – auf Basis der fest definierten Kriterien.

 

Aus Sicht der Qualitätssicherung werden entsprechende Pflichtfelder je Phase definiert. Fehlen noch Informationen in den entsprechenden Pflichtfeldern, muss das CRM-System den zuständigen Lead- oder Opportunity-Owner benachrichtigen und die automatische Konvertierung vorerst anhalten bzw. in eine Prüfroutine bzgl. Datenqualität aussteuern und eine manuelle Nachpflege und anschließende Freigabe verlangen. Eine solche Konvertierung darf nur in bestimmten Phasen des Lead Lebenszyklus möglich sein. Die Vertriebsmitarbeiter pflegen die entsprechenden Informationen zum Lead. Die definierten Algorithmen einer CRM-Lösung prüfen automatisch im Hintergrund, ob die Voraussetzungen für die Umwandlung oder für das Vorrücken in die nächste Phase erfüllt sind.

Konvertierung

Quelle: Vision11

Blicken wir an dieser Stelle wieder auf die typischen Inhalte der zahlreichen Marketing- und Sales-Ratgeber: Die Sales Pipeline wird in Form eines Sales Funnels abgebildet und daraus wird ein gewichteter EUR-Wert abgeleitet bzw. berechnet. Je näher eine Opportunity der Closing-Phase kommt, desto höher wird die Wahrscheinlichkeit bewertet, diese Verkaufschance zu gewinnen. So oder ähnlich wird die Zuordnung der Wahrscheinlichkeit in Abhängigkeit von der Sales-Phase vorgeschlagen:

Sales Pipeline

Quelle: Vision11

Soweit die Theorie. In der Praxis sieht es aber meistens viel komplexer aus und die Wahrscheinlichkeit ist in den meisten Fällen nicht direkt proportional zu der entsprechenden Phase, in der sich die Opportunity befindet. Es gibt Opportunitys in der Angebots- oder Verhandlungsphase, bei der man tatsächlich von einer Wahrscheinlichkeit von 25% ausgehen sollte. Dagegen existieren auch Opportunitys, die sich zwar erst in der Qualifizierungs-Phase befinden, aber bereits eine deutlich höhere Gewinnwahrscheinlichkeit haben.

 

Folgendes Beispiel veranschaulicht die Situation: Bei der ersten Opportunity in der Angebotsphase gibt es weitere 3 Wettbewerber und für diese Opportunity ist ein Sales-Mitarbeiter zuständig, der in den letzten 12 Monaten nur eine Erfolgsquote von 15% aufweisen kann. Eine Gewinnwahrscheinlichkeit von 70% bei dieser Opportunity kann auf keinen Fall stimmen. Die zweite Opportunity ist erst in der Qualifizierungs-Phase, ist aber bei einem loyalen Bestandskunden und wird von einem Vertriebsmitarbeiter betreut, der eine Erfolgsquote von über 50% aufweist. Außerdem gibt es zu der zweiten Opportunity bereits mehrere Aktivitäten und Telefongespräche mit dem Entscheider. Bei dieser Verkaufschance ist eine Gewinnwahrscheinlichkeit von 70% sogar sehr realistisch.

 

Komplexe Algorithmen

Um verlässliche KPIs aus der Sales Pipeline abzuleiten, werden für die Berechnung komplexere Algorithmen eingesetzt. Diese basieren auf den Methoden der künstlichen Intelligenz und liefern genauere und mathematisch berechnete Wahrscheinlichkeitswerte der Opportunitys. Die Hersteller von modernen cloudbasierten CRM-Lösungen, wie Salesforce, SAP oder Oracle, setzen heute auf Artifical Intelligence, um solche komplexe und von vielen Faktoren abhängige KPIs zu berechnen oder besser gesagt diese möglichst genau hervorzusagen. Denn eine datenbasierte und mathematisch berechnete Vorhersage der Gewinnwahrscheinlichkeit jeder Opportunity in der Sales Pipeline führt zu einer fokussierten und selektiven Bearbeitung der vielen Verkaufschancen mit begrenzten Ressourcen in der Vertriebsorganisation.

Einsatz der künstlichen Intelligenz

 

Für das Opportunity Scoring werden binäre Regressionen verwendet. Hierzu gehören unter anderem die Logistische Regression, Suport Vector Machine aber auch Neuronale Netze. Die binäre Regressionsgleichung, für die Verwendung der logistischen Regression, sieht wie folgt aus:

Formel Opportunity Scoring

Legende:

  • y: abhängige Variable mit zwei Merkmalen
  • P(y=1): Wahrscheinlichkeit, dass y = 1
  • e: Eulersche Zahl / Basis des natürlichen Logarithmus
  • xn: unabhängige Variablen
  • βn: Regressionskoeffizienten

 

Wie in der nachfolgenden Abbildung dargestellt, erfolgt die Einstufung des Scorings der Opportunity auf Basis der Sigmoid Funktion. Je näher wir uns an der 0 bewegen umso wahrscheinlicher ist es, dass eine Opportunity am Ende verloren wird. Je näher wir uns an der 1 bewegen ist es umso wahrscheinlicher, dass eine Opportunity gewonnen wird.

Opportunity Scoring

Quelle: Vision11

Der Aufbau der logistischen Regression erfolgt entweder aufgrund bekannter Erfolgsfaktoren. Sind die Faktoren nicht ausreichend bekannt, lassen sie sich aufgrund einer datengetriebenen Identifikation von Korrelationen festlegen. Doch nicht nur die Betrachtung von bestimmten Ablaufmustern aus der Vergangenheit sind relevant. Für die genauere Berechnung der Gewinnwahrscheinlichkeit lassen sich Faktoren wie Erfahrung, Gewinnquote und Performance des zuständigen Vertriebsmitarbeiters hinzuziehen. Zusätzlich dazu wird aber auch die Lieferfähigkeit der entsprechenden Produkte und Dienstleistungen betrachtet, sowie die regionale Konkurrenzsituation und Preisgestaltung. Außerdem gilt es, alle zur Bewertung relevanten Daten aus der Opportunity selbst in die Berechnung mit einzubeziehen.

 

Neuronale Netze, bzw. Methoden des „Unsupervised Learning“, sind in der Lage die Korrelationen eigenständig zu identifizieren und dadurch Quereinflüsse und bisher unerkannte Beziehungen zu erkennen. Als Datengrundlage werden für einen erfolgreichen Algorithmus jeweils ca. 200 verlorene und 200 gewonnene Opportunitys empfohlen. Der betrachtete Zeitraum sollte optimaler Weise 24 Monate in die Vergangenheit betragen. Liegen solche Daten nicht vor, empfielt sich ein vortrainiertes Model, um somit auch mit wenig Daten entsprechende Einsichten zu generieren.

 

Bei der Umsetzung der Algorithmen werden unterschiedliche Modelle trainiert und je nach Performance (Scoring und Trainingszeit) ausgewählt. Je nach verwendeten Verfahren lassen sich auch die relevanten Faktoren, sofern diese nicht selbst definiert wurden, entsprechend als gewichtete Korrelationen auswerten und visualisieren.

 

 

Ausblick

 

Komplexe und zeitaufwändige KPIs im Vertrieb lassen sich in Zukunft mit Hilfe von künstlicher Intelligenz berechnen. Intelligente Algorithmen lernen auf Basis von wenigen bestehenden Datensätzen und sind in der Lage, immer bessere und genauere Prognosen zu berechnen. Moderne KI-Methoden werden in der nahen Zukunft eine entscheidende Rolle spielen. Vor allem um die Wahrscheinlichkeit eines positiven Geschäftsabschlusses genauer prognostizieren zu können und die vorhandenen Ressourcen gezielt einzusetzen. Kurz gesagt: Es gibt einen Wechsel von Sales Pipelines auf Basis der Schätzung und dem Bauchgefühl der einzelnen Mitarbeiter hin zu validen Prognosen auf Basis von handfesten Daten und Fakten. Denn wer Machine Learning und künstliche Intelligenz nutzt, ist deutlich effizienter und erfolgreicher – und besitzt somit Wettbewerbsvorteile.

 

Mithilfe der künstlichen Intelligenz lassen sich größere Datenmengen praktisch in Echtzeit analysiert und daraus wertvolle Erkenntnisse und Muster ableiten. Als Ergebnis daraus können Vertriebsmitarbeiter ihre Zeit in echte und wahrscheinliche Verkaufschancen investieren und diese am Ende zum Vertragsabschluss zu bringen. Künstliche Intelligenz ist kein Hexenwerk: Bereits mit einem überschaubaren Aufwand werden die ersten messbaren positiven Ergebnisse erzielt.

 

Holen Sie sich die entsprechende KI-Expertise ins Haus und nutzen Sie die Vorteile der künstlichen Intelligenz für Ihre Vertriebsorganisation.

Sie wollen mehr erfahren?

Gerne stehe ich Ihnen für ein weiterführendes Gespräch zur Verfügung:

Sergej Plovs

Sergej Plovs

M +49 151 46124767

Kein Kommentar
Keine Kommentare

Schreiben Sie einen Kommentar