Lead Scoring für Neukundenakquise in der Textilbranche
Gemeinsam mit dem Vertrieb und dem Data Science Team entwickelten wir ein Modell zur Priorisierung von Interessenten auf Databricks. Die Lösung bewertet automatisch die Neukundenaffinität im CRM Bestand und zeigt jene Unternehmen, bei denen sich Vertriebsaktivitäten besonders lohnen. So kann der Vertrieb Termine gezielt planen und priorisieren.
Das Unternehmen gehört mit rund 6.000 Mitarbeitenden zu den führenden Anbietern im Textil-Management in Deutschland. Es versorgt Betriebe aus unterschiedlichen Branchen mit Berufsbekleidung, Putztüchern und weiteren textilen Dienstleistungen und unterstützt Kunden in ganz Deutschland.
Auf einen Blick:
- Branche: Textil-Management
- Ziel: Automatisiertes Scoring von Neukungen durch Lead-Scoring Modell
- Tools: Databricks, MLFlow, XGBoost, Python
Die Ausgangssituation
Unser Kunde stand vor einer typischen Vertriebsherausforderung, die Sie vielleicht auch kennen:
Zahlreiche Interessenten im CRM + zu wenig Informationen zum tatsächlichen Potenzial = Ungenutztes Neukundenpotenzial.
Vor Projektbeginn fehlte unserem Kunden eine klare Grundlage, um die zahlreichen Interessenten im CRM sinnvoll nach deren Potenzial zu priorisieren. Auch nach jahrelanger Erfahrung fällt es dem Vertriebsteam schwer, hunderttausende Einträge nach deren Potenzial systematisch zu bewerten und entsprechend zu kontaktieren.
Da es an konkreten Handlungsempfehlungen fehlte, gingen erfahrene Mitarbeiter nach ihrem Bauchgefühl vor. Neue Mitarbeiter mussten sich dieses Bauchgefühl erst mühsam erarbeiten, indem sie von den Erfahrenen angeleitet wurden. Auch dieser Prozess war sehr zeitaufwendig. Da die Informationen im CRM teilweise stark veraltet oder unvollständig waren, konnten keine konkreten Handlungsempfehlungen gegeben werden.
DDas zeigte sich auch bei der Vorbereitung auf Termine mit potenziellen Neukunden. Hier zählt der erste Eindruck, weshalb das Gespräch gut vorbereitet werden muss. Benötigt werden Informationen über die Größe des Kunden und seine Dienstleistungen, um die passenden Produkte bewerben und erste Angebote unterbreiten zu können. Stehen diese Informationen nicht direkt zur Verfügung, muss der Vertriebsmitarbeiter sie zeitaufwendig recherchieren.
Statt einer datenbasierten Priorisierung stützte sich das Team auf Erfahrung und Bauchgefühl. Dadurch wurden wertvolle Potenziale übersehen und qualifizierte Unternehmen nicht rechtzeitig adressiert.
Diese fehlende Transparenz und Priorisierung haben wir mit einem Machine Learning basierten Leadscoring Ansatz aufgelöst.
Vor diesen Herausforderungen stand unser Kunde
Begrenzte Datenbasis
Das Unternehmen hatte keine klare Sicht darauf, welche der vielen CRM Interessenten qualitativ hochwertig sind und welche Einträge veraltet oder nicht mehr relevant waren.
Unklare Potenziale
Es gab keine verlässlichen Anhaltspunkte, um das wahrscheinliche Neukundenpotenzial eines Interessenten zu bestimmen oder zielgerichtete Prioritäten abzuleiten.
Manueller Aufwand
Die Vorbereitung einzelner Telefonate erforderte viel Recherche, weil Informationen fehlten oder geprüft werden mussten. Dadurch blieb wenig Zeit für echte Vertriebsarbeit.
Als Lösungsansatz entwickelten wir ein Machine Learning basiertes Leadscoring-Modell auf Databricks, das automatisch jene Interessenten erkennt, die mit hoher Wahrscheinlichkeit zu Neukunden werden. Grundlage waren historische CRM Daten, Informationen über gewonnene Neukunden sowie externe Unternehmensdaten zur Bereinigung des Bestands.
Das Ziel war es, ein transparentes Modell zu schaffen, das die Affinität eines jeden Interessenten quantifiziert und eine klare Priorisierung für den Vertrieb ermöglicht. Die Umsetzung erfolgte vollständig in der Cloud auf Databricks. Merkmalsberechnungen, Modelltraining und Evaluation wurden mit MLflow nachverfolgt und fortlaufend optimiert.
Um die fachliche Konkretisierung sicherzustellen erfolgte die Entwicklung der Lösung in enger Absprache mit den Projektansprechpartnern.
Die Lösung wurde so konzipiert, dass sie nahtlos in bestehende Vertriebsprozesse integriert werden kann. Der Fokus lag darauf, Potenziale klar sichtbar zu machen und den Aufwand im Vertrieb zu reduzieren. Die Teams können sich so auf jene Unternehmen konzentrieren, bei denen die Abschlusschance besonders hoch ist.
Wie gehen wir dabei vor?
1.
Herleitung eines Neukundenaffinitätsscores je Interessent auf Basis historischer CRM Daten und Informationen über gewonnene Neukunden.
2.
Bereinigung und Anreicherung der CRM Einträge durch externe Unternehmensdaten zur Entfernung nicht mehr existierender oder unqualifizierter Firmen.
3.
Einbindung der Ergebnisse in bestehende Vertriebsprozesse zur Priorisierung jener Interessenten, bei denen besonders hohe Abschlusschancen bestehen.
Der Weg zum Erfolg
Gemeinsam mit dem Vertrieb entwickelte Datasolut ein Leadscoring Modell, das die Neukundenaffinität je Interessent sichtbar macht und direkt in die bestehenden Vertriebsprozesse eingebunden wurde. Die Lösung unterstützt eine gezielte Ansprache entlang der Customer Journey und erhöht die Effizienz im Vertrieb deutlich.
Im Backtest zeigte sich, dass die identifizierten Potenziale klar priorisieren und jene Interessenten zuverlässig hervorheben, bei denen besonders hohe Abschlusschancen bestehen. So kann der Vertrieb mit gleichem Ressourceneinsatz deutlich mehr Wirkung erzielen.
Das Ergebnis
Heute kann das Unternehmen gezielt jene Interessenten ansprechen, die ein besonders hohes Neukundenpotenzial besitzen, und die Vertriebsarbeit deutlich fokussierter steuern. Das Leadscoring zeigt systematisch die Unternehmen mit der höchsten Abschlusswahrscheinlichkeit und schafft eine klare Grundlage für priorisierte Gespräche.
Das Modell gibt außerdem an, ob es Folgeschritte oder Ausbaustufen gibt.
Durch die automatisierte monatliche Berechnung werden Ressourcen effizient genutzt, während sich das Team stärker auf strategische Aufgaben konzentrieren kann. Zudem ist das Vertriebsteam entlastet und wird bei der Zielerreichung unterstützt.
Die Conversion-Rate von Telefonkontakt zu Kundenbesuch zeigt eine 8-fache Steigerung zwischen dem schwächsten (Bottom 10%) und stärksten (Top 10%) Interessenten-Segment.
Konversion Telefonat zu Besuch in den Top 30% Scores um 44% höher als der Durchschnitt. Im Top 10% Segment sogar 80% höher.
Konversion Telefonat zu Neukunde in den Top 30% Scores um 50% höher als der Durchschnitt. Im Top 10% Segment sogar doppelt so hoch.
Bereinigung von den CRM Daten bringt eine Vorgeld-Analyse und Filterung nicht mehr existierender oder nicht qualifizierter Unternehmen.
Kundenstimme
„Das Verhältnis Vertrag zu Termin ist für mein Empfinden ungewöhnlich hoch, also sehr potente Termine, die generiert werden.“
(Anonym, Vertriebsmitarbeiter)
Starten Sie jetzt Ihre Leadscoring Analyse mit Datasolut!
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