Cross-Selling-Modell für führenden Textildienstleister
Gemeinsam mit der Vertriebsabteilung und dem Data Science Team entwickelten wir ein Machine Learning Modell auf Databricks. Das Modell identifiziert Kunden mit hohen Produktaffinitäten, damit der Vertrieb gezielt Cross-Selling betreiben kann.
Mit rund 6.000 Mitarbeitenden gehört das Unternehmen zu den größten Textildienstleistern Europas. Es bietet professionelle Lösungen in den Bereichen Berufsbekleidung, Putztuchservice und Waschraumhygiene und betreut Kunden aus Industrie, Handwerk und Dienstleistung.
Auf einen Blick:
- Branche: Textil-Management
- Ziel: Cross-Selling-Prognose, um Vertragspotenziale voll auszuschöpfen
- Tools: XGBoost, Databricks
Die Ausgangssituation
Vor Projektbeginn stand das Vertriebsteam des Textilservice-Anbieters vor einer zentralen Herausforderung: Es gab keine systematische Methode, um Cross-Selling-Potenziale bei Kunden zu identifizieren. Mit über 200.000 B2B-Vertragskunden gehört das Unternehmen zu den größten Textil-Management Unternehmen Deutschlands, jedoch ist das Vertragspotenzial nicht vollständig ausgeschöpft.
Der Textildienstleister bietet verschiedene Produktgruppen an und die Ressourcen der Vertriebsmitarbeiter sind begrenzt. So kann nur ein Teil des Kundenstamms mit Cross-Selling-Marketingkampagnen angesprochen werden. Es bedarf daher einer klugen Priorisierung. Diese erfolgte vor Projektbeginn auf Basis der Erfahrung, so dass Vertriebs- und Marketingressourcen zu oft ins Leere liefen. Häufig wurden wertvolle Marketingkampagnen an Kunden mit geringer oder keiner Produktaffinität aufgebraucht. Das haben wir geändert.
Vor diesen Herausforderungen stand unser Kunde
Fehlende Datenbasis
Es fehlten klare Merkmale, um Cross-Selling-Potenziale im Kundenstamm systematisch zu erkennen und zu bewerten.
Ineffizienter Ressourceneinsatz im Vertrieb
Vertriebsaktivitäten verliefen häufig ins Leere, da Zielkunden nicht nach tatsächlicher Abschlusswahrscheinlichkeit priorisiert wurden.
Geringe Erfolgsquote
Ohne datenbasierte Priorisierung war die Abschlussquote zu niedrig, um Cross-Selling-Aktivitäten skalierbar umzusetzen.
Als Lösungsansatz entwickelte Datasolut gemeinsam mit der Vertriebsabteilung des Kunden ein Machine Learning Modell auf Databricks, das automatisch Kunden mit hoher Wahrscheinlichkeit für ein erfolgreiches Cross-Selling identifiziert. Das Modell nutzt historische Vertrags- und Umsatzdaten, Transaktionshistorien, statische Kundendaten sowie produktionsnahe Nutzungsdaten (zum Beispiel zum Waschverhalten).
Ziel war es, ein präzises Klassifikationsmodell zu schaffen, das die Affinität einzelner Kunden für zusätzliche Produktsparten vorhersagt. Die technische Umsetzung erfolgte vollständig in der Cloud mit Databricks. Zum Einsatz kam der XGBoost Algorithmus, der sich durch hohe Genauigkeit bei Klassifikationsproblemen auszeichnet. MLflow wurde für das Tracking und die Versionierung der Modelle genutzt.
Die Lösung wurde so konzipiert, dass sie nahtlos in bestehende Vertriebsprozesse integrierbar ist. Dabei stand im Fokus, mit möglichst wenigen Kundenkontakten den größten Cross-Selling-Effekt zu erzielen und die verfügbaren Ressourcen im Vertrieb optimal zu nutzen.
Wie gehen wir dabei vor?
1.
Entwicklung eines XGBoost Modells auf Databricks zur Vorhersage von Kunden mit hoher Cross Selling Affinität zwischen zwei Produktsparten.
2.
Integration und Aufbereitung von Vertrags-, Transaktions- und Nutzungsdaten (Waschverhalten) zur Berechnung relevanter Merkmale für das Modell.
3.
Einbindung der Modellergebnisse in bestehende Vertriebsprozesse zur gezielten Kundenansprache und Priorisierung von Leads mit hohem Potenzial.
Der Weg zum Erfolg
Gemeinsam mit der Vertriebsabteilung entwickelte Datasolut ein datengetriebenes Machine Learning Modell zur Identifikation von Cross-Selling-Potenzialen und integrierte es erfolgreich in die bestehenden Vertriebsprozesse. Das Modell ermöglicht eine gezielte Kundenansprache entlang der Customer Journey und steigert die Effizienz im Vertrieb deutlich.
Im Backtest zeigte sich: In den obersten 10% der durch das Modell priorisierten Kunden konnten 2,5x bis 3,5x mehr Cross-Sells erzielt werden als mit bisherigen Methoden – bei gleichem Ressourceneinsatz im Vertrieb.
Heute kann der Textilservice Anbieter gezielt Kunden mit hoher Cross-Selling Wahrscheinlichkeit ansprechen und die Vertriebsaktivitäten deutlich effizienter steuern. Das Machine Learning Modell identifiziert systematisch die vielversprechendsten Kundenkontakte und steigert so die Abschlussquote um ein Vielfaches. Dank der Automatisierung werden Vertriebsressourcen optimal eingesetzt, während sich die Mitarbeiter auf strategische Aufgaben konzentrieren können. Die Lösung ist vollständig in der Cloud auf Databricks integriert und bildet die Grundlage für weitere datengetriebene Use Cases im Vertrieb.
In Planung ist die gemeinsame Entwicklung und Einführung eines Lead Scoring Modells, welches potenzielle Neukunden nach Erfolg für Vertragsabschluss priorisiert.
Wir sind offizieller Databricks Partner und unterstützen Sie bei der Umsetzung Ihrer Projekte. Kontaktieren Sie uns jetzt!
Lassen Sie uns sprechen und Ihr Potenzial entdecken.
Ob und wie künstliche Intelligenz Ihnen weiterhelfen kann, können Sie in einem ersten, unverbindlichen Gespräch mit uns herausfinden.
In diesem Gespräch erfahren Sie:
- Wie Ihr Use-Case technisch am besten umgesetzt werden kann
- Wie wir maximal sicher mit Ihren Kundendaten umgehen
- Wie lange wir für die Umsetzung benötigen und wie ein konkreter Projektplan aussehen könnte