Optimierte Vertriebsstrategien durch NBO- Framework
Ein globaler Automobilhersteller mit über 1,3 Millionen verkauften Fahrzeugen suchte eine datengetriebene Lösung zur präzisen Vorhersage der Kaufwahrscheinlichkeit und gezielten Produktempfehlungen. Datasolut entwickelte ein modulares NBO-Framework mit vier Affinitätsmodellen, das auf modernen Machine-Learning-Technologien und einer zentralen Datenplattform basiert. Monatlich aktualisierte Prognosen und ein umfangreicher Feature Store mit rund 70 Variablen sorgen für hohe Genauigkeit und Relevanz. Die Lösung ermöglicht eine automatisierte, skalierbare Vertriebsoptimierung und ist flexibel für zukünftige Erweiterungen, etwa neue Fahrzeugmodelle.
Auf einen Blick:
- Branche: Automotive
- Projektziel: Die Entwicklung eines Next-Best-Offer (NBO) Frameworks zur KI-gestützten Vertriebssteuerung.
- Technologien: Databricks, Machine Learning, MLflow, XGBoost
- Dauer: 4 Monate
Die Herausforderung des Kunden
Vertriebsentscheidungen basierten bislang auf individuellen Einschätzungen, Erfahrungswerten einzelner Händler oder festen Regelwerken statt auf Daten. Diese Vorgehensweise ist nicht skalierbar, ineffizient und bietet keinen datenbasierten Ansatz zur Identifikation potenzieller Käufer.Potenzielle Käufer neuer Modelle wurden dadurch nur schwer erkannt. Zudem verhinderten starre Marketingregeln eine gezielte und flexible Kundenansprache.
Vor diesen Herausforderungen stand unser Kunde
Fehlende Datenbasis
Vertriebsentscheidungen wurden individuell und nicht datengetrieben getroffen.
Intransparente Kundenerkennung
Potenzielle Käufer neuer Automodelle lassen sich schwer identifizieren.
Unflexible Regeln
Starre Marketingansätze verhindern individuelle Kundenansprachen und führen zu verpassten Verkaufschancen.
Datasolut entwickelte ein modulares NBO-Framework, das vier verschiedene Affinitätsmodelle zur Vorhersage der Kaufwahrscheinlichkeit von Fahrzeugen umfasst. Die Modelle wurden mit XGBoost unter Verwendung unseres bewährten ML-Frameworks trainiert.
Sie nutzen einen Machine Learning Feature Store mit rund 70 Variablen über das vergangene Kundenverhalten. Die technische Umsetzung erfolgte auf Databricks. Genutzt wurde der Unity Catalog als zentrale Datenquelle, für die Erstellung des Feature Stores sowie die versionierte Speicherung der trainierten Modelle.
Die Ergebnisse werden über eine automatisierte ML-Pipeline als Databricks Workflow monatlich aktualisiert. Wichtige Metriken und KPI werden dabei in in Databricks Experimenten mit MLflow getrackt. Ergänzend fließen potenzielle Umsätze je Produktklasse in die Bewertung ein, um die Relevanz der Prognosen zu erhöhen. Der Aufbau ermöglicht zukünftige Erweiterungen, beispielsweise bei der Einführung neuer Fahrzeugmodelle.
Innerhalb von nur drei Wochen konnten erste vielversprechende Ergebnisse geliefert werden. Die schnelle Umsetzung wurde durch den gezielten Einsatz unserer ML-Pipelines sowie die Verwendung unserer etablierten Standards ermöglicht. Die Modelle sind in der Lage, potenzielle Käufer mit hoher Präzision vorherzusagen und zwischen Käufern und Nichtkäufern klar zu unterscheiden.
Jetzt mit Datasolut datenbasierte Vertriebssteuerung umsetzen: Erstgespräch vereinbaren
Sie haben Fragen zum Thema Next-Best-Offer und wie Sie die Lösung in Ihrem Unternehmen einbringen können? Dann sind Sie hier richtig:
Sie wollen Ihren Kunden den richtigen Guide für den Vertrieb an die Hand geben, um die passenden Angebote je Kunde zu finden? Dann kontaktieren Sie uns!
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