Diese Arbeit hat zum Ziel, Möglichkeiten der Nutzung von Predictive Analytics im Business-to-Business-Vertrieb vor dem Hintergrund konvergierender Rahmenbedingungen der Business-to-Business- und Business-to-Consumer-Kundschaft zu ergründen. Dazu erfolgt eine theoretische Fundierung sämtlicher Kapitel anhand von Primär- und Sekundärliteratur im Rahmen einer Literaturarbeit.
Zu Beginn erhalten die Lesenden eine Einführung in den Business-to-Business-Vertrieb. Im Anschluss werden die sich annähernden Rahmenbedingungen des B2B- und B2C-Klientel als aktuell größte Herausforderung von Vertriebsorganisationen und -abteilungen herausgestellt. Das vierte Kapitel vermittelt die Grundlagen von Predictive Analytics. Darauf aufbauend schließt sich die Beschreibung des Einsatzes von Predictive Analytics im Rahmen des B2B-Vertriebs an. Dabei werden schließlich die Ansätze des Predictive Scoring, Predictive Cross-Selling und der Hyper-Segmentation ergründet und anhand von Beispielen aus der Praxis ergänzt.
Im Vergleich zu Konsumierenden des B2C-Bereichs waren Kaufentscheidungen von Beteiligten im Rahmen von B2B Geschäftsbeziehungen stets vorhersehbar. Das ließ sich auf ein eindeutiges Verständnis von Bedürfnissen letzterer zurückführen. Aus aktuellem Vertriebsgeschehen geht jedoch hervor, dass jenes klare Verständnis verloren gegangen ist. Zu den Haupttreibern dieses Verlustes gehören sich verstärkt ähnelnde Rahmenbedingungen des B2B- und B2C-Klientel. Dieser Umstand äußert sich durch kaum fassbare Abnehmer, deren Aufmerksamkeit schwieriger zu erlangen, eine Beziehung aufwendiger aufzubauen und eine Markenbindung mühsamer aufrechtzuerhalten ist.
Inhaltsverzeichnis
1 Einleitung
1.1 Einführung in die Thematik
1.2 Zielsetzung, Aufbau und Methodik
2 Einführung in den Business-to-Business-Vertrieb
2.1 Definition des Vertrieb-Begriffs
2.2 Abgrenzen des Business-to-Business- vom Business-to-Consumer-Vertrieb ..
3 Konvergierende Rahmenbedingungen von B2B- und B2C-Kunden als Herausforderung
4 Einführung in Predictive Analytics
4.1 Daten als Ressource
4.2 Begriffsbestimmung von Predictive Analytics
4.3 Vorgehensweise bei der Anwendung von Predictive Analytics
5 Predictive Analytics im Kontext des B-to-B-Vertriebs
5.1 Predictive Lead Scoring
5.2 Predictive Cross-Selling
5.3 Hyper Segmentation
6 Fazit
7 Literaturverzeichnis
Abbildungverzeichnis
Abb. 1: Abgeleitete Nachfrage
Abb. 2: Predictive Analytics Modell
Glossar
Abbildung in dieser Leseprobe nicht enthalten
1 Einleitung
1.1 Einführung in die Thematik
Im Vergleich zu Konsumierenden des Business-to-Consumer-Bereichs waren Kaufentscheidungen von Beteiligten im Rahmen von Business-to-Business-Geschäftsbeziehungen stets vorhersehbar. Das ließ sich auf ein eindeutiges Verständnis von Bedürfnissen letzterer zurückführen. Aus aktuellem Vertriebsgeschehen gehtjedoch hervor, dassjenes klare Verständnis verloren gegangen ist. Zu den Haupttreibem dieses Verlustes gehören sich verstärkt ähnelnde Rahmenbedingungen des Business-to-Business- und Business-to-Consumer-Klientel. Dieser Umstand äußert sich durch kaum fassbare Abnehmer, deren Aufmerksamkeit schwieriger zu erlangen, eine Beziehung aufwendiger aufzubauen und eine Markenbindung mühsamer aufrechtzuerhalten ist (Emst & Young LLP, 2017,S.3).
Dem ausgesetzt, müssen Vertriebsabteilungen über Wissen verfügen, das für ein optimiertes Kundenverständnis sorgt. Aus einer Studie der Aberdeen Group aus dem Jahr 2013 ist hervorgegangen, dass mangelhafte oder nicht ausreichende Daten und Informationen über Kunden zu den zentralen Herausforderungen von Vertriebsorganisationen gehörten. Mit aus Daten gewonnenen Erkenntnissen können Kemprozesse des Vertriebs optimiert werden. Zu diesem Zweck arbeiten führende Betriebe mit modernen Analyse-Werkzeugen, die verschiedene Datenquellen, Visualisierungen und Algorithmen beinhalten und den traditionellen Business-to-Business-Verkaufspro- zess revolutionieren. Dieser sogenannte 360-Grad-Blick auf Kunden gepaart mit Predictive Analytics unterstützt das Vertriebspersonal, sich auf die lukrativsten Interessenten zu fokussieren (Harvard Business Review, 2016, S. 1).
Gemäß einer Studie des Marktforschungsuntemehmens Lorrester besteht ein Zusammenhang zwischen der Nutzung von Predictive Analytics im Business-to-Business Vertrieb und einer optimierten Leistung von Unternehmen. So konnten Unternehmen, die Predictive Analytics in den Vertriebsprozess integrierten, 2,9-mal wahrscheinlicher höhere Umsatzsteigerungen als der Durchschnitt erzielen, 2,1-mal ehereine führende Rolle innerhalb derjeweiligen Branche einnehmen und 1,8-mal eher ihre Untemehmensziele übertreffen. Darüber hinaus gelang es dem Vertriebspersonal durch Predictive Analytics die aktuelle vorherrschende Herausforderung von schwer zu konvertierenden Abnehmern zu bewältigen. In diesem Zusammenhang gewonnene Erkenntnisse verhalfen Beschäftigten, weniger relevante Kontakte auszusortieren, einen schnellen Abschlussprozess zu fördern und Klientel mithilfe relevanter Inhalte und Informationen elabo- rierter anzusprechen (Lorrester Research, 2015, S 1).
1.2 Zielsetzung, Aufbau und Methodik
Diese Arbeit hat zum Ziel, Möglichkeiten der Nutzung von Predictive Analytics im Business-to- Business-Vertrieb vor dem Hintergrund konvergierender Rahmenbedingungen der Business-to- Business- und Business-to-Consumer-Kundschaft zu ergründen. Dazu erfolgt eine theoretische Fundierung sämtlicher Kapitel anhand von Primär- und Sekundärliteratur im Rahmen einer Literaturarbeit. Zu Beginn erhalten die Lesenden eine Einführung in den Business-to-Business-Ver- trieb. Im Anschluss werden die sich annähernden Rahmenbedingungen des Business-to-Business und Business-to-Consumer-Klientel als aktuell größte Herausforderung von Vertriebsorganisationen und -abteilungen herausgestellt. Das vierte Kapitel vermittelt die Grundlagen von Predictive Analytics. Darauf aufbauend schließt sich die Beschreibung des Einsatzes von Predictive Analytics im Rahmen des Business-to-Business-Vertriebs an. Dabei werden schließlich die Ansätze des Predictive Scoring, Predictive Cross-Selling und der Hyper-Segmentation ergründet und anhand von Beispielen aus der Praxis ergänzt.
2 Einführung in den Business-to-Business-Vertrieb
Das vorliegende Kapitel gibt eine Einführung in den Business-to-Business-Vertrieb (im weiteren Verlauf auch als B2B-Vertrieb bezeichnet). Dazu wird anfänglich der Vertrieb-Begriff bestimmt und von anderen Untemehmensabteilungen abgegrenzt. Im Anschluss findet eine Differenzierung des B2B- und Business-to-Consumer-Vertriebs (im Folgenden als B2C-Vertrieb abgekürzt) statt.
2.1 Definition des Vertrieb-Begriffs
Gemäß Pepels (2015) wird der Vertrieb durch sämtliche Handlungen definiert, die einen Wechsel der physischen oder wirtschaftlichen Verfügung von materiellen oder immateriellen Gütern von Wirtschaftssubjekten veranlassen. Im Zuge dessen findet ein Austausch zwischen mindestens zwei Beteiligten, wie herstellenden und liefernden Unternehmen sowie Zwischen- und Endabnehmern statt. Dabei bildet der Vertriebskanal die Umgebung, in der anbietende Subjekte abnehmenden Subjekten gleicher Art Güter, Informationen oder finanzielle Mittel austauschen. Der Vertriebs- oder Absatzkanal lässt sich durch Stufen und Richtungen charakterisieren (Pepels, 2015, S. 17) Hinsichtlich der Stufen kann zwischen Null-, Ein-, und Zweistufenvertriebskanälen unterschieden werden. Der Nullstufenvertriebskanal beschreibt den unmittelbaren Vertrieb zwischen anbietender und abnehmender Seite. Bei einem Einstufenvertriebskanal befindet sich zusätzlich eine zwischen-abnehmende und bei einem Zweiabsatzkanal zwei zwischen-abnehmende Instanzen vor dem Endkonsumenten (Strunz & Dorsch, 2001, S. 191). Die Richtungen von Absatzkanälen unterteilen sich in Breitendimensionen - welche die Anzahl agierender Akteure beschreiben -, Tiefendimensionen - wobei die Anzahl aktiver Stufen von Bedeutung sind - und hinsichtlich der Aktivierung einer, mehrerer, paralleler oder aufgeteilter Absatzkanäle (Pepels, 2015, S. 18).
Im Vergleich zu anderen Untemehmensabteilungen zeichnet sich der Vertrieb durch einen unmittelbaren Interessenten- und Kundenkontakt aus. Dabei wird vordergründig auf einen Vertragsabschluss abgezielt. Das Vertriebspersonal hat eindeutig festgelegte und quantitativ messbare Ziele, wie Umsatz-, Deckungsbeitrags- oder Stückziele einzuhalten. Außerdem kann der Erfolg bei Messungen einzelnen Mitarbeitern und Mitarbeiterinnen zugerechnet werden (Maas, 2012 S. 20 - 21). Daraus kann abgeleitet werden, dass das Vertriebspersonal hinsichtlich der individuellen und Abteilungs-bezogenen Zielerreichung durch überdurchschnittliche nervliche Belastungen gekennzeichnet sind.
2.2 Abgrenzen des Business-to-Business- vom Business-to-Consumer-Vertrieb
Ferner findet eine grundlegende Unterteilung in den B2B- und B2C-Vertrieb statt. Der maßgebliche Unterschied dabei ist die Art der vorherrschenden Geschäftsbeziehung.
Diese besteht im B2C-Bereich aus privaten Endkonsumenten und privaten sowohl als auch öffentlichen Unternehmen. Der B2C-Absatzmarkt ist von einer beständigen und direkten Nachfrage mit Produkten und Dienstleistungen sowie einer großen Anzahl an abnehmenden Subjekten bestimmt. Auch werden Kaufentscheidungen des B2C-Klientel meist emotional und allein getroffen. Geschäftsbeziehungen sind gekennzeichnet durch Anonymität und Kurzfristigkeit. Darüber hinaus ist die Komplexität der Dienstleistungen und Produkte gering und Produktlebenszyklen sind kurz. Diese Form des Vertriebs erfolgt häufig über mehrstufige Absatzkanäle, die eine Erweiterung des Zweistufenvertriebskanals darstellen (Tomack et al., 2011,S 14 - 16).
Geschäftsbeziehungen im Bereich des B2B finden namensgeben zwischen Unternehmen statt. Zu nennen wären hierbei industrielle Produktions-, Handels und, Handwerksbetriebe und staatliche Organisationen. Die vertriebenen Produkte und Dienstleistungen im B2B-Vertrieb werden vom Konsumierenden intensiv und/oder produktiv genutzt. Demnach kauft ein abnehmendes Unternehmen beispielsweise eine Fertigungsstraße ein, um selbst Produkte produzieren zu können. Ein weiteres Beispiel ist die Schulung von betriebseigenen Mitarbeitern, um diese besser einsetzen zu können. Durch festgelegte Vorschriften und Regeln stellt sich ein etwaiger KaufVorgang als aufwendig dar, wobei auf Anbieter- und Abnehmerseite mehrere Personen aus unterschiedlichen Arbeitsbereichen beteiligt sind. Der B2B-Bereich wird von einer sogenannten „abgeleiteten Nachfrage“ bestimmt, die in Abbildung 1 dargestellt ist. Die abgeleitete Nachfrage besagt, dass die Nachfrage von Unternehmen nach Leistungen vorgelagerter Märkte durch die Nachfrage nachgelagerter Märkte bedingt ist (Kleinaltenkamp & Saab, 2009, S. 1 - 2). Dieser Sachverhalt zeigt sich beispielsweise durch eine erhöhte Nachfrage nach Stahlwerken bei einer erhöhten Nachfrage nach Stahl bei nachgelagerten Märkten. Desgleichen besteht eine Wechselbeziehung zwischen dem Bedarf nach Kraftfahrzeugen und der Nachfrage nach Rohöl (Kreutzer, Rumler andWille-Baumkauff, 2019, S. 23 - 24).
Abb. 1: Abgeleitete Nachfrage
Abbildung in dieser Leseprobe nicht enthalten
3 Konvergierende Rahmenbedingungen von B2B- und B2C-Kunden als Herausforderung
Laut der Publikation „Digital selling: reinventing sales to stay relevantto changing B2B buyers” (2017) sind das Verhalten und die Bedürfnisse des B2B-Klientel vermehrt schwieriger zu beschreiben. Parallel dazu sind Vertriebsorganisationen nicht in der Lage, darauf entsprechend zu reagieren. Auf der Grundlage schlechter absehbarer Kaufentscheidungen stellt sich eine Entwicklung ein, in der sich das Verhalten des B2B- und B2C-Bereichs stärker ähneln (Emst & Young LLP, 2017, S. 3). Dieses Konvergieren von Rahmenbedingungen auf beiden Seiten wurde durch diverse Entwicklungen bedingt.
Mit dem Etablieren des Internets seit den 1990er Jahren entwickelte sich der B2B- und B2C- Bereich in gegensätzliche Richtungen. Während prominente, auf den B2C-Absatzmarkt orientierte, Unternehmen, wie Amazon und EBay innovative, digitale und transparente Lösungen für junge Zielgruppen angeboten haben, galten B2B-Akteure als überholt (Minkmar, 2017). Sogenannte „Digital Natives“, Menschen, die mit dem Internet und Smartphones aufgewachsen sind, veränderten indes wie das B2B-Klientel den Einkaufsprozess gestaltet. Der Grund dafür ist, dass ein Großteil des Personals mit einer Entscheidungskraft im Rahmen des Einkaufs oder der Produktrecherche im Alter von 20 - 35 Jahren ist (Almquist, 2018). Im Zuge dessen verschwinden die Grenzen zwischen B2B und B2C durch sich angleichende „Customer Journeys“, Verhaltensweisen und Werte. Aufgrund eines erhöhten Wettbewerbs im B2B-Bereich verfügt die Kundschaft über ein breites Angebot an Dienstleistungen oder Produkten. In diesem Sinne ist ein schnelles Reagieren auf eingehende Anfragen von potenziellen Kunden essentiell (Trever, 2018). Des Weiteren haben Anbieter die Kontrolle über Informationsverteilung verloren. Laut dem Artikel „Welcome To The B2B Marketing Renaissance“ (2019) des Marktforschungsuntemehmen Forrester Research beginnen 92 Prozent der B2B-Einkäufe mit einer Suche, wovon 68 Prozent über das Internet geschieht. 60 Prozent der B2B-Käufer ziehen es vor nicht den Vertriebsmitarbeiter als Hauptquelle für Informationen heranzuziehen und 75 Prozent erkundigen sich über Social Media hinsichtlich neuer Anbieter. Außerdem behaupten 62 Prozent der B2B-Kunden, dass sie nur auf Grundlage von digitalen Inhalten Auswahlkriterien für Käufe und Anbieterlisten erstellen können (Wizdo, 2019). Vor dem Hintergrund der Digitalisierung und Globalisierung sind schließlich die Markteintrittsbarrieren gesunken, wodurch die Anzahl an Konkurrenten im B2B-Bereich angestiegen ist. Der verstärkte Wettbewerb resultiert im größten Dienstleistungsund Produktangebot, das Menschenjemals hatten (Davis, 2010,S. 6).
4 Einführung in Predictive Analytics
Diesen Herausforderungen ausgesetzt, ist der B2B-Vertrieb in der Lage von den Potenzialen einer Methode namens „Predictive Analytics“ zu profitieren. Im Hinblick auf grundlegendes Verständnis für die Thematik wird zu Beginn der hohe Stellenwert von Daten herausgestellt. Das darauffolgende Unterkapitel bestimmt den Begriff des Predictive Analytics und im Anschluss wird die allgemeine Vorgehensweise bei einer Anwendung des Konzepts in Unternehmen beschrieben.
4.1 Daten als Ressource
Der Anstieg an verfügbaren Daten und verschiedenen Datenarten macht den hohen Stellenwert dieser für Unternehmen immer deutlicher. Ferner gehören Daten inzwischen zu den klassischen Produktionsfaktoren: Kapital, Arbeitskräfte und Rohstoffe (Bartel et al., 2012). Im Jahre 2011 wurden 1,8 Billionen Gigabyte an Daten auf der ganzen Welt produziert. Eine Prognose aus demselben Jahr sagte voraus, dass sich die Menge an Daten alle zwei Jahre verdoppeln würde (Schäfer, Knapp, May & Voß, 2013). Aktuellere Ergebnisse widerlegen diese Aussage insofern, als dass das weltweite Volumen an jährlich generierten digitalen Datenmengen bei 33 Zettabyte liegt und damit die Vorhersage sogar übertroffen wurde. Im Jahre 2025 soll das Datenvolumen auf 175 Zettabyte ansteigen (IDC, 2018).
4.2 Begriffsbestimmung von Predictive Analytics
Der Begriff des „Analytics“ (Analytik) beschreibt den Vorgang, mittels Berechnungsverfahren Muster in Daten zu entdecken. Das Hauptziel dabei ist ausschlaggebende Einblicke über jeweilige Fragestellungen zu erhalten und damit in Verbindung stehende Entscheidungen positiv zu beeinflussen. Auch wenn der Ausdruck im Jahre 2005 größtenteils durch Googles Webanalysedienst Google Analytics eingeführt wurde, galt Analytics bereits vorher als Synonym für Daten Analysen, Muster- und Wissenserforschung, Statistik sowie „Data-Mining“ und „Data Science“. Durch die beschriebene Zunahme an Datenmengen hat sich das Fortschreiten der Nutzung von Daten im Hinblick auf die Optimierung von Einschätzungen, Vorhersagen und Entscheidungen eingestellt (Abbott, 2014, S 3).
Als Teilgebiet der fortgeschrittenen Analytik macht Predictive Analytics Vorhersagen über unbekannte Ereignisse in der Zukunft. Der Ausgangspunkt dafür sind historische und aktuelle Daten. Um Prognosen zu realisieren, finden statistische und analytische Methoden Anwendung. Die Grundlage für Predictive Analytics bildet „Data Mining“, indem im sogenannten Mining Prozess Wissen im Hinblick auf Beziehungen von Daten gewonnen wird. Anschließend werden diese Erkenntnisse in Modelle übertragen. Im Rahmen der Modellentwicklung lässt sichje nach Komplexität und Art der Fragestellung eine Vielzahl an vorhersagenden Modellen entwickeln. Im Gegensatz zum Data Mining ist das Auffmden einer einzelnen Korrelation der Daten wesentlich (Nyce, 2007).
4.3 Vorgehensweise bei der Anwendung von Predictive Analytics
Jeder Einsatz von Predictive Analytics in Unternehmen ist durch zwei grundsätzliche Fragen gekennzeichnet. Von Bedeutung ist was vorhergesagt werden soll und welche Entscheidungen sich daraus erschließen (Siegel, 2016, S. 25). Die Vorgehensweise bei der Anwendung besteht im Allgemeinen aus drei Schritten (BITKOM, 2014, S. 61 - 62; Eckerson, 2007, S. 11):
1. Die Verarbeitung von Daten und Erkennen von Mustern,
2. Entwicklung des Modells,
3. Anwendung des Modells und Ableiten von Ergebnissen.
Im ersten Schritt gilt es, große und strukturierte Datenquellen auszusuchen. Im Durchschnitt werden bei Predictive Analytics Projekten zwischen zwei bis acht Datenquellen verwendet, die im betriebseigenen „Data Warehouse“ hinterlegt sind (Eckerson, 2007, S. 11). Danach findet die Vorbereitung der Daten statt. Dazu gehört das Verbessern von sämtlichen Fehlem und das Zusammenführen zu einer einzelnen Tabelle mit bis zu mehreren hundert Zeilen (Eckerson, 2007, S. 13 - 14). Im Anschluss werden, im Rahmen von Data Mining, Analysen durchgeführt, um Tendenzen, Muster und Beziehungen innerhalb der Daten festzustellen (Nyce, 2007, S.9).
[...]