März 26, 2015-
Von Doug Fuehne
Es lässt sich nicht leugnen, dass Big Data für Vertriebsteams und Führungskräfte eine große Sache ist. Bedenken Sie, dass Facebook-Nutzer jede Minute fast 2,5 Millionen Inhalte teilen, fast 300.000 Tweets gepostet werden, E-Mail-Nutzer mehr als 200 Millionen Nachrichten verschicken und Google mehr als 4 Millionen Suchanfragen erhält. In diesem Berg von Daten - von Kreditkartentransaktionen, Vielkäuferpunkten, Handyanrufen, Website-Klicks und E-Mails - liegt ein wichtiger, spielverändernder Wert verborgen. Das Volumen und die Geschwindigkeit dieser Daten wachsen mit beispielloser Geschwindigkeit, aber für Unternehmen, die erfolgreich auf die Herausforderungen und Chancen von Big Data reagieren, kann das Ergebnis eine Reihe von umsetzbaren Erkenntnissen sein, die einen erheblichen Einfluss auf die Gewinnraten, den Umfang von Geschäftsabschlüssen und die Dauer des Verkaufszyklus haben können. Laut einer Studie von PricewaterhouseCoopers schätzen diejenigen, die ihre Unternehmen als kompetent in der Bedarfsanalyse beschreiben, dass sie ihre Branchenkollegen in Bezug auf Umsatz-, Margen- und Gewinnwachstum um mehr als das Zweifache übertreffen und eine achtmal bessere Gesamtkapitalrendite aufweisen.
Wie kann das geschehen? Es ähnelt den Prinzipien, die James Surowiecki in seinem bahnbrechenden Buch "The Wisdom of Crowds" (Die Weisheit der Massen) herausgearbeitet hat und die beschreiben, wie große Gruppen von Menschen gemeinsam präzise Antworten auf verschiedene Fragen finden können. Big Data bietet uns die Möglichkeit, Informationen aus verschiedenen, disparaten und unabhängigen Quellen zu sammeln und die "Weisheit der Menge" in einem Marketingkontext zu replizieren - insbesondere Preisinformationen. Dies ist eine Frage, die sich ideal für die "Weisheit der Massen" eignet, denn was ist ein Preis anderes als das kollektive Urteil eines freien Marktes?
In vielen Unternehmen bildet das Data Warehousing die Grundlage für Berichts- und Analyseinitiativen, und das ist eine Strategie, die durchaus einen gewissen Nutzen bringt. Vertriebsmitarbeiter können Antworten auf grundlegende Fragen finden wie "In welcher Branche ist dieser Kunde tätig, wie groß ist sein Unternehmen und in welcher Region ist er ansässig", aber die wichtigste Frage bei jedem Verkauf bleibt unbeantwortet: Was ist dieser Interessent wirklich bereit zu zahlen? Um die Antwort auf diese Frage zu finden, müssen wichtige Korrelationen zwischen einer viel größeren Vielfalt von Faktoren gefunden werden, die in Datenstapeln von innerhalb und außerhalb des Unternehmens versteckt sind.
Die Preisanalyse versucht, Tausende von Kundensegmenten auf der Grundlage von Gemeinsamkeiten zwischen Hunderten von unabhängigen Variablen zu definieren. Durch die Ermittlung von Korrelationen auf der Grundlage umfangreicher, tiefgreifender Datenhistorien können Unternehmen intelligentere Entscheidungen treffen und gezielte Vertriebs-, Marketing- und Preisstrategien verfolgen, die eine viel größere Erfolgswahrscheinlichkeit haben. Und das bedeutet mehr Umsatz und kürzere Vertriebszyklen.
Wie Big Data hilft, die wichtigste Verkaufsfrage zu beantworten
Mithilfe einer Reihe ausgeklügelter statistischer Analysen sowie bahnbrechender IT-Infrastrukturen, die Petabytes an Daten durchpflügen und verarbeiten können, erschließen Datenwissenschaftler jetzt den verborgenen Wert von Big Data für effektivere Verkaufs- und Preisstrategien. Sie liefern entscheidende Hinweise direkt im Moment der Transaktion. Sie zapfen ERP-Systeme, CRM-Historien, Wettbewerbsanalysen, ökonometrische Daten von Drittanbietern, Abonnementquellen und vieles mehr an. Sie suchen nach der besten Antwort auf die Schlüsselfrage: "Was ist der maximale Betrag, den dieser Interessent zu zahlen bereit ist?"
Diese Analyse beginnt mit einer effektiven Segmentierungsstrategie, bei der riesige Berge historischer Daten gescannt und erneut gescannt werden, um "Vergleichsgruppen" von Kunden und Interessenten zu bilden, die ein ähnliches Kaufverhalten aufweisen und eine aussagekräftige Vorhersage ermöglichen. Dies bedeutet jedoch nicht, dass Interessenten oder Kunden einfach in rudimentäre A-, B- und C-Gruppen eingeteilt werden. Stattdessen bedeutet es, Hunderte, Tausende oder sogar Zehntausende von eng und scharf definierten Peer-Group-Segmenten zu erstellen, die durch Dutzende von Variablen definiert werden, wie z. B. Unternehmensgröße, Branche/NAICS-Codes, Bundesstaaten, Postleitzahlen, Häufigkeit früherer Bestellungen, durchschnittlicher Bestellumfang, Status des bevorzugten Anbieters, Versandpräferenz, Wettbewerbsfähigkeit auf dem Markt, Vertriebskanal, bevorzugte Zahlungsmethode, D&B-Kreditwürdigkeit, auf der Website verbrachte Zeit in den letzten 30 Tagen, Anzahl der Telefonanrufe in den letzten sechs Monaten und vieles mehr.
Nehmen wir zum Beispiel an, Sie sind ein Einzelhändler für Bürobedarf. Ein einziges Peer-Group-Segment könnte aus Verbrauchern bestehen, die in Massachusetts ansässig sind, mindestens sechs Monate lang eingekauft haben und alle 30-40 Tage auf der Website einkaufen. Ihre bevorzugte Kreditkarte ist Visa, sie haben im vergangenen Jahr eine Upsell-Empfehlung angenommen, sie verbringen im Durchschnitt nur 10 Minuten pro Monat auf der Website des Unternehmens und rufen im Durchschnitt achtmal pro Halbjahr beim Kundencenter an.
Bei den normalerweise verfügbaren Datenmengen kann diese Art der Segmentierung zu Problemen mit der Datenarmut führen. Bei Big Data kann jedoch selbst eine große Anzahl von Segmenten mit genügend Daten gefüllt werden, um statistisch signifikante Ergebnisse zu erhalten. Wir können den Wert dieser Dimensionen mit einfachen Analysen überprüfen und sie zu einem Vorhersagemodell zusammenstellen. Auf diese Weise können Vertrieb und Marketing die Weisheit der Masse effektiver nutzen und optimale Preisniveaus und Strategien formulieren.
Der größte Knaller für Ihr Geld
Es ist verlockend anzunehmen, dass Big-Data-gestützte Vorhersagemodelle nur für Direktvertriebsteams wertvoll sind, die komplexe Verkäufe mit hohen Stückzahlen vorantreiben. In Wirklichkeit hat Big Data den größten Einfluss auf Vertriebs- und Marketingorganisationen mit zwei Hauptmerkmalen: eine große Anzahl von Artikeln - mehrere zehntausend - und ein Netzwerk von horizontalen Kunden, das sich über Branchen und Regionen erstreckt. Im Direktvertrieb hochpreisiger Artikel haben die Vertriebsteams weniger Transaktionen zu bewältigen und können Ressourcen für individuelle Preisanalysen aufwenden. Im Gegensatz dazu sind die Gewinnspannen in Vertriebsorganisationen in der Regel recht gering, so dass der Einfluss der Preisgestaltung oft noch größer ist.
Ein weiterer strategischer Vorteil datengestützter Preisanalysen liegt in der Schnelligkeit. Wie das Sprichwort sagt: "Zeit tötet alle Geschäfte". Die Gewinnraten können erheblich gesteigert werden - ohne Einbußen bei den Gewinnspannen -, wenn der optimale Preis so früh wie möglich im Verkaufszyklus präsentiert wird. Durch die Vermeidung langwieriger, veralteter Verhandlungstaktiken kurz vor Geschäftsabschluss können Vertriebsteams Unterbrechungen und Verzögerungen vermeiden.
Für Vertriebs- und Marketingorganisationen, die bei der Optimierung der Preisgestaltung auf sichereren Füßen stehen wollen, kann der beste Weg darin bestehen, die verborgene Kraft von Big Data zu nutzen und neue Erkenntnisse über die Faktoren zu gewinnen, die zur Preissensibilität beitragen.
Doug Fuehne ist Vizepräsident für strategische Beratung bei PROS (NYSE:PRO).