CustoReach: Effizienter Vertrieb durch KI-Verkaufsprognosen

Ausgangssituation

Die Firma Mountek ist seit 1995 Händler für Textilmaschinen in sechs Ländern Europas. Die rund 10 Mitarbeitende in der Verkaufsabteilung und Kundenbetreuung versuchen alle bestehenden und potenziellen Kunden zumeist per Telefon, aber auch per Chat oder Mail, mindestens zweimal im Jahr zu kontaktieren. Bisher werden nach der Postleitzahl sortierte Verkaufsbereichslisten von oben nach unten abgearbeitet. Leider ist es hierbei in ungefähr 20 % der Fälle so, dass Kunden nicht erreicht werden und es versäumt wird, eine Wiedervorlage einzurichten. Dies erhöht den Aufwand der Kundenbetreuung massiv und kann u.a. zu einem unstrukturierten Vorgehen in der Betreuung der Kunden führen. Außerdem ist momentan die Verkaufsquote sehr niedrig. Auf 10 Angebote folgen im Schnitt eine verkaufte Maschine.

Lösungsidee

Mithilfe von »CustoReach« soll sowohl die Quote erfolgreicher Anrufe (im Sinne von Kunde erreicht), als auch die Quote erfolgreicher Angebote (=beauftragt) erhöht werden. Hierzu werden Verfahren der KI mit regelbasierten Verfahren sinnvoll kombiniert. Die Nutzungsschnittstelle für Mitarbeitende in der Verkaufsabteilung liefert eine priorisierte Kundenverkaufsliste, die anhand des Verkaufsbereichs gefiltert sowie anhand der Geschäftsabschlussvorhersage und/oder anhand der errechneten Erreichbarkeit sortiert werden kann.

Die Bewertung der Kundenerreichbarkeit erfolgt regelbasiert anhand historischer Daten. Für einen bestimmten Zeitpunkt wird geschaut, wie oft ein Kunde erreicht bzw. nicht erreicht wurde (beste Uhrzeit für Kundenkontakt) und ob der Tag für den Kunden ein Feiertag ist oder ob Schulferien sind. Aus diesen Faktoren wird eine Bewertung errechnet. Bei einem Feiertag ist der Wert 0%, d.h. der Kunde ist an diesem Tag nicht erreichbar. Eine hohe Prozentzahl folgt, wenn der Kunde zum jeweiligen Zeitpunkt zuvor schon oft erreicht und selten gar nicht erreicht wurde.

Die prädiktive Geschäftsabschlussvorhersage (vgl. auch Lead Scoring) erfolgt mithilfe eines trainierten KI-Modells. Das KI-Modell kann aus den Daten z.B. lernen, wann die Wahrscheinlichkeit einer Wiederbeauftragung nach einem zuletzt erfolgreichen oder abgelehnten Angebot am höchsten ist. Auch weitere Zusammenhänge können beobachtet werden, z.B. ob nach dem persönlichen Besuch eines Verkäufers beim Kunden die Wahrscheinlichkeit erhöht ist, eine Maschine zu verkaufen und wann der ideale Zeitraum ist, nach dem Besuch ein Angebot zu erstellen.

© Fraunhofer IAO
Abbildung 1: Screenshot der priorisierten Kundenverkaufsliste

Nutzen

Die Projektinnovation besteht in der Verknüpfung vorhandener Kunden- und Ereignisdaten zu einer Prozessoptimierung im Verkaufswesen (Kundenbetreuung und Maschinenverkäufe). Die Mitarbeitenden werden durch Vorschläge zur Kontaktaufnahme bzw. zu Verkaufsabschlüssen bei der Telefonakquise entlastet und unterstützt, was zu einer deutlichen Zeitersparnis beim Telefonieren führt und Freiraum für intensivere Kundengespräche oder andere Aufgaben, wie persönliche Besuche bei Kunden, schafft. Dadurch wird eine deutliche Steigerung der Verkäufe von Mountek erwartet.

Umsetzung der KI-Applikation 

Das Projekt wurde im Rahmen des vom Land Baden-Württemberg geförderten KI-Forschungszentrums bearbeitet. Im Projekt mit der Firma Mountek wurde dazu zunächst ein »QuickCheck« durchgeführt und die Arbeiten dann in einem »Exploring Project« fortgeführt.

Im »QuickCheck« wurde zur Potenzial- und Machbarkeitsanalyse die ersten Schritte des in der Industrie bewährten Cross Industry Standard Process for Data Mining (CRISP-DM) durchgeführt. Hierzu zählen unter anderem:

  • Verständnis für das Geschäft und die Daten bekommen
  • Ziele definieren und klären, was gelernt bzw. vorhergesagt werden soll
  • Datenquellen und Datentypen identifizieren
  • Auffälligkeiten oder Zusammenhänge erkennen, z.B. mithilfe von Schaubildern und Grafiken
  • Daten für die Anwendung vorbereiten
  • erste Vorauswahl geeigneter KI-Verfahren treffen, z.B. auch die Entscheidung überwachtes / unüberwachtes Lernen

Bei Mountek liegen Daten aus dem CRM-System Taifun Open Business seit 2002 in unterschiedlicher Qualität vor. Früher wurden z.B. weniger Kontakte (=Memo, z.B. bei einem Telefonat oder Treffen auf einer Messe) im CRM-System angelegt. Mit der Zeit kamen auch weitere Eingabefelder hinzu, die zudem unterschiedlich gepflegt wurden. Im »QuickCheck« stellten sich überwachtes Lernen mit dem Ziel der Klassifikation „Ist Auftrag“ sowie baumbasierte KI-Verfahren als vielversprechend heraus.

Darauf aufbauend wurden im Rahmen des »Exploring Projects« KI-Modelle trainiert, evaluiert und iterativ optimiert. Es waren hierfür zusätzliche Datenaufbereitungsschritte notwendig. Letztendlich hat nach Merkmalsverbesserung und Hyperparameteroptimierung das mit XGBoost trainierte Modell am besten bei der Vorhersage abgeschnitten. Eine Herausforderung stellten im Projekt die kleine Datenmenge und das unausgewogene Verhältnis von Nicht-Aufträgen zu Ist-Aufträgen dar.

Des Weiteren wurden Regeln für die Berechnung der Kundenerreichbarkeitsbewertung definiert und implementiert. Hierzu war eine Freitextfeldanalyse der Taifun-Kontakte notwendig. Über bestimmte Suchbegriffe wurde unterschieden, ob ein Kunde erreicht wurde oder nicht.

Ebenfalls Teil des »Exploring Projects« war die Erstellung einer webbasierten Nutzungsschnittstelle, welche das trainierte KI-Modell zur Berechnung der Auftragswahrscheinlichkeit sowie den regelbasierten Teil zur Berechnung der Kundenerreichbarkeit verwendet und die Ergebnisse in einer priorisierten Kundenverkaufsliste zusammen bringt.

© Fraunhofer IAO
Abbildung 2: Datenquellen und Architektur Offline-Prototyp

Ausblick

Um von einem Prototyp, basierend auf einmalig exportierten Daten, in Richtung Online-System zu kommen, sind einige Arbeiten erforderlich. Unter anderem müsste das CRM-System Taifun über den sogenannten Datenbankmanager angebunden und für eine regelmäßige Aktualisierung des KI-Modells gesorgt werden. Für das zukünftige, echtzeitfähige System sollten zudem zusätzliche Felder in Taifun eingefügt werden, damit Aufbereitungsschritte entfallen. Die Regeln für die Berechnung der Kundenerreichbarkeit und die Nutzungsschnittstelle müssten evaluiert und verbessert werden. Es fehlen zudem Schnittstellen zum Abrufen von Ferien und Feiertagen sowie ggf. Messeterminen. Optional könnten zusätzlich noch Daten der Webseite oder aus den Social-Media-Auftritten mit in die Geschäftsabschlussvorhersage einfließen.

© Fraunhofer IAO
Abbildung 3: Datenquellen und Architektur Produktiveinsatz (Online-System)