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.