Optimierung der Vertriebsaktivitäten durch Potenzial Scoring
UDO BÄR ein führender europäischer B2B-Händler, steht vor der Herausforderung, seine umfangreichen Marketing- und Vertriebsaktivitäten in einem wettbewerbsintensiven Umfeld effizient zu gestalten. Mit über 300.000 Kunden und einem umfangreichen Produktportfolio von über 60.000 Artikeln ist eine zielgerichtete und datengetriebene Strategie entscheidend für den weiteren Erfolg.
Auf einen Blick
- Branche: B2B-Handel
- Projektziel: Prognose von Neukundenpotenzial zur Vertriebs- und Marketingsteuerung
- Technologien: Databricks, MS SQL, Delta Live Tables, Unity Catalog, MLFlow, PowerBi
- Dauer: 2 Monate
Was waren die Herausforderungen?
Unser Kunde verfügt über ein Portfolio von mehr als 60.000 Produkten für Lager, Betrieb und Büro. Mit einem Kundenstamm von mehr als 300.000 Unternehmen gehört das Unternehmen zu den Marktführern im deutschen B2B-Handel. Trotz der führenden Position im Markt ist der Händler bestrebt, seine Ausgaben für das Marketing zu optimieren und effizient zu steuern. Ziel ist es, die Abschlussquote zu erhöhen und das Wachstum des Händlers konsequent fortzusetzen.
Die begrenzte Anzahl an Vertriebsmitarbeitern muss effektiv eingesetzt werden, um die Betreuung der über 300.000 Kunden zu optimieren. Ein zentrales Ziel ist es, das zukünftige Ertragspotenzial der Kunden anhand ihres Kaufverhaltens zu bewerten und ein Potenzialscoring zu implementieren, um Marketing- und Vertriebsmaßnahmen gezielt und effizient zu steuern.
Vor diesen Herausforderungen stand unser Kunde
Effiziente Verwaltung von Marketingausgaben
Sicherstellen, dass die umfangreichen Marketingausgaben gezielt eingesetzt werden, um eine hohe Abschlussquote zu erzielen und das Wachstum des Unternehmens zu fördern.
Effektiver Einsatz begrenzter Vertriebsressourcen
Die begrenzte Anzahl an Vertriebsmitarbeitern muss effektiv eingesetzt werden, um die Betreuung der über 300.000 Kunden zu optimieren und den besten Return on Investment zu gewährleisten.
Präzise Bewertung des zukünftigen Gewinnpotenzials
Entwickeln und implementieren eines Modells, das das zukünftige Gewinnpotenzial von (Neu-)Kunden anhand ihres Kaufverhaltens bewertet, um Marketing- und Vertriebsmaßnahmen zielgerichtet und effizient zu steuern.
Um dieses Ziel zu erreichen, implementierte Datasolut eine automatisierte Pipeline auf der Databricks Plattform, die die Datenaufbereitung, das Laden der Daten für den Feature Store, das Training des Modells sowie das Scoring des Modells umfasste. Kern des Projekts war das Training eines Regressionsmodells, das auf Basis des RFM-Prinzips (Recency, Frequency, Monetary Value) und statischer Kundendaten den zu erwartenden Deckungsbeitrag von Neukunden für die nächsten sechs Monate prognostiziert.
Besonderes Augenmerk wurde dabei auf die Validierung des Modells gelegt, dessen Ziel es nicht war, den exakten Umsatzwert vorherzusagen, was aufgrund der Vielzahl an Variablen nahezu unmöglich ist, sondern vielmehr die Kunden nach ihrem Potenzial zu klassifizieren und zu sortieren (von High-Potenzial bis Low-Potenzial).
Das trainierte Modell erzielte beeindruckende Ergebnisse bei der Vorhersage von Perzentilen und identifizierte präzise die Top 10% der Kunden mit dem höchsten prognostizierten Potenzial.
Die vorherige Implementierung eines zentralen ML-Feature-Stores ermöglichte zudem eine signifikante Zeitersparnis und bildet eine solide Basis für die Entwicklung weiterer Anwendungsfälle.
Die Ergebnisse unseres Kunden
Das Potenzial Scoring wurde innerhalb weniger Tage implementiert und konnte bereits nach kurzer Zeit wichtige Ergebnisse liefern. Kunden mit hohem Potenzial werden frühzeitig identifiziert, so dass die 10% umsatzstärksten Kunden hervorgehoben werden.
Die Lösung konnte sofort produktiv gesetzt werden und liefert seitdem täglich Scores, die dem Management in Form eines Dashboards zur Verfügung stehen, dank PowerBI. Dies ermöglicht die Optimierung von Marketing- und Vertriebshandlungen.
Wie gehen wir dabei vor?
1.
Die automatisierten Pipelines dienen der Datenaufbereitung, dem Laden für Feature Stores, dem Training und dem Scoring der Modelle.
2.
Das Regressionsmodell soll den Umsatz für die nächsten 6 Monate vorhersagen. Es basiert auf dem RFM-Prinzip im ersten Warenkorb und statischen Kundendaten.
3.
Das trainierte Modell ist in der Lage, die Kunden in Perzentile einzuteilen, wodurch die Top 10% der umsatzstärksten Kunden effektiv identifiziert werden konnten.
Entdecken Sie das Potenzial Ihrer Kunden mit der CLV-Prognose und steigern Sie Ihren Erfolg. Kontaktieren Sie uns noch heute für eine individuelle Beratung!
Ihr Ansprechpartner
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