Vertriebssteuerung mit KI im B2B
Sie möchten den zukünftigen Kundenwert zuverlässig prognostizieren und Marketingmaßnahmen gezielt steuern? In diesem Use Case zeigen wir, wie ein international tätiges Unternehmen der Textilbranche mit Hilfe von Amazon SageMaker und Machine Learning den Customer Lifetime Value (CLV) tagesaktuell berechnet – und so datenbasierte Entscheidungen im Vertrieb ermöglicht.
Auf einen Blick:
- Branche: Textilindustrie
- Projektziel: Vertriebsaktivitäten mit KI steuern und priorisieren
- Tools: AWS Cloud, Amazon S3, SageMaker, IAM, Python, Pandas, Jupyter Notebooks, XGBoost, SHAP, boto3
Ein international tätiges B2B Unternehmen der Textilbranche mit 10.000 Mitarbeitenden wollte den zukünftigen Kundenwert besser verstehen und gezielter nutzen. Bisher stützte sich der Vertrieb vor allem auf Erfahrungswerte. Es fehlte jedoch eine verlässliche Datengrundlage, um Kunden systematisch zu bewerten und sinnvoll zu priorisieren.
Mit dem steigenden Bedarf an datengestützten Vertriebsmaßnahmen und zunehmendem Wettbewerbsdruck reichte das bestehende Vorgehen nicht mehr aus. Das Unternehmen suchte daher nach einer Lösung, mit der sich Kaufwahrscheinlichkeiten und Absatzpotenziale objektiv vorhersagen lassen.
Als ersten Schritt setzten wir für den Kunden einen Proof of Concept (PoC) in der AWS Cloud um. Dabei entstand ein Machine-Learning-Modell, das das tägliche Kaufverhalten und Absatzmengen automatisch prognostiziert. Dadurch wurde eine fundierte und belastbare Grundlage für bessere Entscheidungen im Vertrieb und Marketing geschaffen.
Vor diesen Herausforderungen stand unser Kunde
Unklarer Kundenwert in der Zukunft
Es fehlte eine verlässliche Methode zur Einschätzung, wie viel Umsatz ein Kunde in Zukunft generieren wird.
Fehlsteuerung von Vertriebsaktivitäten
Ohne zuverlässige Vorhersagen können Aktivitäten der Vertriebsmitarbeiter nicht optimal verteilt werden, das führt zu unnötigen Kosten.
Dynamischer Markt
Die sich schnell verändernden Marktbedingungen erschweren die Planung und Steuerung.
Gemeinsam mit dem Kunden wurde eine KI-Lösung entwickelt, um den Customer Lifetime Value (CLV) pro Kunde zuverlässig vorherzusagen. Ziel war es, eine skalierbare Machine-Learning-Anwendung zu schaffen, die sich einfach in den Vertriebsalltag integrieren lässt.
Die Umsetzung erfolgte innerhalb der bestehenden AWS-Umgebung. Amazon S3 diente als zentraler Speicher für die Kundendaten, während Amazon SageMaker für die Entwicklung und Ausführung der Modelle genutzt wurde. Diese Architektur bot eine gute Skalierbarkeit und ließ sich problemlos in bestehende Abläufe integrieren.
Im Fokus standen genaue Vorhersagen, verständliche Ergebnisse und eine einfache Nutzung im Tagesgeschäft. Der entwickelte Ansatz wurde als Proof of Concept umgesetzt und erfolgreich mit realen Testdaten überprüft.
Wie gehen wir dabei vor?
1.
Gemeinsam mit dem Kunden wurde das Ziel definiert, den Customer Lifetime Value (CLV) je Produktgruppe datenbasiert zu prognostizieren. Auf Basis historischer Transaktionsdaten wurden relevante Einflussgrößen identifiziert und ein umfassendes Feature-Set entwickelt.
2.
Für jede Produktgruppe wurden zwei Machine-Learning-Modelle erstellt: Eines zur Vorhersage der Kaufwahrscheinlichkeit, ein weiteres zur Prognose der Absatzmenge. Die Modelle wurden mit XGBoost entwickelt, mit realen Daten getestet und durch Backtesting validiert.
3.
Die Outputs beider Modelle wurden kombiniert, um einen tagesaktuellen CLV pro Kunde zu berechnen. Die Ergebnisse dienen als Grundlage für eine gezielte Vertriebs- und Marketingsteuerung, insbesondere für die Priorisierung von Kunden- und Vertriebsaktivitäten.
Unsere Lösung
Im Rahmen eines gemeinsamen Proof of Concept wurde eine ML-basierte CLV-Prognoselösung in der AWS Cloud umgesetzt. Die Datenverarbeitung und Modellentwicklung erfolgte in SageMaker-Notebooks, mit Zugriff auf Transaktionsdaten aus Amazon S3. Es wurden rund 150 Merkmale je Kunde generiert – darunter statische Attribute sowie dynamische KPIs wie Recency, Frequency und Monetary-Werte.
Für jede Produktgruppe entstanden zwei XGBoost-Modelle: eines zur Vorhersage der Kaufwahrscheinlichkeit, das andere zur Prognose des Absatzvolumens. Der CLV ergibt sich aus der Kombination beider Outputs. SHAP wurde zur Interpretation der Modellergebnisse eingesetzt.
Die in der Grafik dargestellten Komponenten Infrastruktur (AWS), Datenspeicherung (S3), Modellerstellung (SageMaker) und CLV-Ermittlung (XGBoost) greifen dabei nahtlos ineinander. Das Ergebnis ist eine automatisierte, täglich aktualisierte CLV-Prognose als Grundlage für eine zielgerichtete Vertriebssteuerung.
Sie möchten den Customer Lifetime Value ihrer Kunden besser verstehen und für die Vertriebssteuerung nutzen? Dann melden Sie sich! Wenn Sie sich für weitere spannende Fakten rund um das Thema moderne Datenplattformen interessieren, schauen sie auch gerne bei unseren Leistungen vorbei.
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