Herausforderung
Unser Kunde, ein mittelständischer deutscher Hersteller technischer Produkte, möchte zukünftig seinen Vertrieb mit Hilfe datengetriebener Entscheidungen unterstützen, um neue Vertriebspotenziale schneller erkennen zu können. Erschwert wird dieses Unterfangen durch die große Heterogenität bei den Kund:innen des Unternehmens aus unterschiedlichen Branchen, die zudem noch ein sehr unterschiedliches Kaufverhalten aufweisen. Um dieses Problem zu lösen, müssen unterschiedliche Datentöpfe kombiniert sowie generalisierbare Kundengruppen- und Kaufmuster abgeleitet werden.
Ansatz
Zur Unterstützung des Vertriebs haben wir eine Applikation entwickelt, die auf Basis von Machine Learning einschätzt, welche Produkte den Kund:innen als nächstes vorgeschlagen werden sollen und in welchen Produktbereichen sie aktuell weniger kaufen als ähnliche Kund:innen. Diese Vorschläge werden anhand von Ähnlichkeiten zwischen den Kund:innen abgeleitet. Zunächst haben wir Kund:innen mit ähnlichen Anwendungsfällen, Branchen und ähnlichem Kaufverhalten in einem Cluster zusammengeführt. Dafür haben wir unter anderem Daten aus dem CRM-System unseres Kunden genutzt.
Um die große Anzahl an Einflussfaktoren zu kondensieren, haben wir vor dem Clustering ein Verfahren zur Dimensionsreduzierung der Daten eingesetzt, um die Informationen zu verdichten. Zusätzlich haben wir die Einflussfaktoren durch die manuelle und kundenindividuelle Anpassung der Varianz gewichtet.
Im letzten Schritt der Whitespot-Analyse wurden die prozentualen Anteile der Produktkategorien innerhalb eines Clusters verglichen. Über die Abweichung vom durchschnittlichen Verhalten aller Kunden innerhalb eines Clusters konnten pro Produktgruppe spezifische Potenziale errechnet werden.
Ergebnis
Basierend auf den Ergebnissen des Tools konnten wir unserem Kunden dabei helfen, den Vertriebsprozess schlanker und effizienter zu gestalten: Kunden mit hohem Umsatzpotenzial können deutlich schneller identifiziert und durch bedarfsgerechtere Vertriebsmaßnahmen besser angesprochen werden. Dies umfasst den Ausbau von Produktkategorien, in denen Kunden bereits Bestellungen vorgenommen haben, ebenso wie gezielte Vorschläge zusätzlicher, für die Kunden neuer Produkte. Hilfreich war dabei vor allem die manuelle Gewichtung der Features, durch die sichergestellt wurde, dass das Clustering den Wünschen unseres Kunden entsprach.