Daten sind überall. Die Unternehmen sind sich dessen noch nicht bewusst. Diese Daten sind ihr Gewicht in Gold wert. Oder besser gesagt: Daten sind wie Sauerstoff. Unerschöpflich, frei verfügbar und ohne dass wir uns dessen immer bewusst sind: lebenswichtig. Entscheidend für gute Ergebnisse. Aber die Daten müssen gut genutzt werden. Die Unternehmen müssen einerseits dafür sorgen, dass die Daten erfasst werden, und andererseits, dass sie analysiert werden. Wir geben Ihnen 5 Analysemethoden an die Hand, mit denen Sie den Umsatz besser vorhersagen können. Das Ergebnis: Der Vertrieb kann seine Zeit besser nutzen und wird dadurch profitabler.
Beaufsichtigt oder unbeaufsichtigt: Welche Wahl treffen Sie?
Die Welt wird jeden Tag "intelligenter" und um mit den Erwartungen der Verbraucher Schritt zu halten, nutzen Unternehmen zunehmend Algorithmen des maschinellen Lernens, um Dinge zu erleichtern. Sie sehen diese Algorithmen jeden Tag an Ihnen vorbeiziehen, wie z.B. die Gesichtserkennung zum Entsperren von Smartphones oder zur Erkennung von Kreditkartenbetrug (z.B. Warnmeldungen bei ungewöhnlichen Einkäufen).
Es gibt zwei grundlegende Ansätze für künstliche Intelligenz (KI) und maschinelles Lernen: überwachtes Lernen und unüberwachtes Lernen. Der Hauptunterschied besteht darin, dass bei dem einen Ansatz markierte Daten zur Vorhersage der Ergebnisse verwendet werden, beim anderen nicht. Es gibt jedoch einige Nuancen zwischen den beiden Ansätzen und wichtige Bereiche, in denen der eine besser abschneidet als der andere.
Was ist überwachtes Lernen?
Überwachtes Lernen ist ein Ansatz des maschinellen Lernens, der durch die Verwendung von markierten Datensätzen definiert ist. Diese Datensätze dienen dazu, Algorithmen bei der Klassifizierung von Daten oder der genauen Vorhersage von Ergebnissen zu trainieren oder "anzuleiten". Markierte Eingaben und Ausgaben ermöglichen es dem Modell, seine Genauigkeit zu messen und mit der Zeit zu lernen.
Überwachtes Lernen im Data Mining kann in zwei Arten von Problemen unterteilt werden: Klassifizierung und Regression:
- Bei Klassifizierungsprobleme ein Algorithmus wird verwendet, um Testdaten genau in bestimmte Kategorien zu klassifizieren, z.B. um Äpfel von Orangen zu unterscheiden. Oder, in der realen Welt, können Algorithmen für überwachtes Lernen verwendet werden, um Spam in einen separaten Ordner von Ihrem Posteingang zu klassifizieren. Lineare Klassifikatoren, Support Vector Machines, Entscheidungsbäume und Random Forest sind gängige Arten von Klassifizierungsalgorithmen.
– Regression ist eine andere Art von überwachter Lernmethode, die einen Algorithmus verwendet, um die Beziehung zwischen abhängigen und unabhängigen Variablen zu verstehen. Regressionsmodelle sind nützlich für die Vorhersage numerischer Werte auf der Grundlage verschiedener Datenpunkte, wie z.B. Umsatzprognosen für ein bestimmtes Unternehmen. Einige beliebte Regressionsalgorithmen sind die lineare Regression, die logistische Regression und die polynomiale Regression.
Was ist unüberwachtes Lernen?
Beim unüberwachten Lernen werden Algorithmen des maschinellen Lernens verwendet, um unmarkierte Datensätze zu analysieren und zu clustern. Diese Algorithmen entdecken verborgene Muster in den Daten, ohne dass ein Mensch eingreifen muss (daher "unbeaufsichtigt").
Modelle des unüberwachten Lernens werden für drei Hauptaufgaben verwendet: Clustering, Assoziieren und Dimensionalitätsreduktion:
– Clustering ist eine Data-Mining-Technik zur Gruppierung unmarkierter Daten auf der Grundlage ihrer Ähnlichkeiten oder Unterschiede. K-Means-Clustering-Algorithmen ordnen beispielsweise ähnliche Datenpunkte in Gruppen ein, wobei der K-Wert die Größe der Gruppierung und die Granularität darstellt. Diese Technik ist nützlich für die Marktsegmentierung, Bildkomprimierung usw.
– Verein ist eine weitere Art des unüberwachten Lernens, bei dem verschiedene Regeln verwendet werden, um Beziehungen zwischen Variablen in einem bestimmten Datensatz zu finden. Diese Methoden werden häufig für Warenkorbanalysen und Empfehlungsmaschinen verwendet, nach dem Motto "Kunden, die diesen Artikel gekauft haben, haben auch gekauft".
– Dimensionalitätsreduktion ist eine Lerntechnik, die verwendet wird, wenn die Anzahl der Merkmale (oder Dimensionen) in einem bestimmten Datensatz zu groß ist. Die Anzahl der Dateneingaben wird auf eine überschaubare Größe reduziert, wobei die Datenintegrität erhalten bleibt. Diese Technik wird oft in der Vorverarbeitungsphase der Daten verwendet, z.B. wenn Auto-Encoder Rauschen aus visuellen Daten entfernen, um die Bildqualität zu verbessern.
Fünf konkrete Beispiele für Analysemethoden für den Verkauf
Beispiel 1: Wie viele Verkäufe werden wir im nächsten Quartal abschließen?
TypÜberwachtes Lernen auf Basis von Regression
Zu diesem Zweck verwenden wir die verfügbaren Verkaufsdaten. Dies könnte zum Beispiel der monatliche Umsatz eines Kunden sein. Die Daten stammen dann aus ihrem ERP-System.
Wie kann dies zu mehr Umsatz führen? Verkaufsprognosen mit Regression helfen dabei, realistischere Ziele zu setzen und auf diese Weise ein Verkaufsteam besser zu motivieren.
Am häufigsten wird die lineare Regression verwendet. Diese ist recht einfach zu berechnen. Vertriebsleiter können dies mit Excel tun. Die lineare Wertschätzung hilft dabei, die Verkaufsziele besser einzuschätzen, und so können Vertriebsleiter einem Vertriebsteam ehrliche, realistische, aber durchaus auch ehrgeizige Ziele vorgeben. Das Setzen realistischer Ziele schafft ein Arbeitsumfeld mit einem Team, das sich stärker engagiert und dadurch produktiver wird. Data Mining mittels Regression ist eine Methode, die versucht, einen numerischen Wert für eine Variable zu schätzen. In diesem Beispiel wäre das der Umsatz pro Kunde. Vertriebsleiter können diese Daten nutzen, um ein analytisches Modell zu erstellen, das Kunden und historische ERP-Transaktionen berücksichtigt. Die Regression schätzt den Gesamtumsatz regelmäßig anhand von Verkaufsdaten.
Beispiel 2: "Wird der Kunde zur Bestellung übergehen, wenn er angesprochen und besucht wird?"
TypÜberwacht auf der Grundlage der Klassifizierung
Hier können Sie es mit einer Kombination aus Daten aus Ihrem CRM und Ihrem ERP angehen. Key Account Manager werden sich auf die Kunden konzentrieren, bei denen eine hohe Wahrscheinlichkeit besteht, einen Auftrag zu entdecken. In regelmäßigen Abständen wird sich die Abschlussquote verbessern.Schätzen Sie die Wahrscheinlichkeit pro Klasse. So können Sie Ihre Verkaufsabschlüsse in die Höhe treiben.
Ein gutes Beispiel für eine prädiktive Analysemethode für ein Problem, das mit Klassifizierung zu tun hat, ist die Klassifizierung von Kunden danach, ob sie kaufen werden oder nicht. Die Ansprache und der Besuch eines Kunden kann im B2B-Bereich recht teuer sein. Deshalb achten die Key Account Manager darauf, wie wahrscheinlich es ist, dass ein Kunde eine Bestellung aufgeben wird.
Dieses Beispiel geht von zwei Klassen aus: "wird kaufen" und "wird nicht kaufen". Das Modell prüft und sagt voraus, zu welcher Gruppe ein Kunde gehört. Die Anwendung dieses Modells wird den Verkauf beschleunigen, indem Sie die Ressourcen, die Ihnen zur Verfügung stehen und die übrigens ohnehin begrenzt sind, auf das konzentrieren, was erfolgversprechend ist. Die Klassifizierung ist in gewisser Weise mit der Regression verwandt, aber die beiden sind recht unterschiedlich. Inoffiziell sagt die Klassifizierung voraus, ob etwas passieren wird oder nicht, während die Regression das Ausmaß davon vorhersagt.
Beispiel 3: "Gibt es Kundensegmente, bei denen die Gefahr besteht, dass sie aussteigen?"
TypUnüberwacht mit Clustering
Die ERP-Transaktionen und die CRM-Daten können genutzt werden, um die Kundenabwanderung zu reduzieren. Eine deutliche Verbesserung der Kundenbindung ist sowohl für den Vertrieb als auch für das Marketing interessant.
Clustering ist eine Methode, mit der ein Vertriebsleiter wertvollen Input für die Entscheidungsfindung erhält und weiß, wo die Prioritäten liegen. Die Rückgewinnung eines Kunden im B2B-Bereich ist kostspielig. Durch Clustering können Sie also den Verkauf beschleunigen, indem Sie die Verschwendung von Ressourcen vermeiden. Dies ist eine prädiktive Analysemethode in Kombination mit maschinellem Lernen, die gute Ergebnisse für die Analytik bijzoder bietet.
Beim Clustering werden die Kunden aufgrund von Ähnlichkeiten in Gruppen eingeteilt, die in der Regel nicht auf einen bestimmten Zweck ausgerichtet sind. Unüberwachtes Data Mining kann in einigen Fällen herausfinden, ob es Segmente von Konten gibt, bei denen das Risiko einer Veränderung besteht.
Beispiel 4: "Gibt es einen kausalen Zusammenhang zwischen Verkaufsförderungsmaßnahmen und einer Verbesserung der Verkaufszahlen?"
Typ: Beaufsichtigt
Für den Erfolg erforderliche Daten: CRM-Verkaufsaktivitäten. Das Modell kann durch die Verwendung von ERP-Daten verbessert werden. Wie führt die Methode zu besseren Verkäufen? Vertriebsleiter können die Verkaufsaktionen identifizieren, die die besten Ergebnisse erzielen. Ein Vertriebsleiter könnte zum Beispiel feststellen, ob es ein bestimmtes Segment gibt, das nach dem Targeting eher kauft. War es, weil der Anruf oder der Besuch die Verkaufsentscheidung beeinflusst hat? Oder hat das Modell seine Aufgabe nur durch die Identifizierung richtig erfüllt und es gibt keinen anderen Einfluss?
Die Kausalmodellierung kann als kontrafaktisch verstanden werden. Bei dieser Art der Modellierung wird versucht herauszufinden, wie groß die Unterschiede zwischen gegensätzlichen Verkaufsaktionen wären, wenn sie nicht stattfinden würden oder wenn sie stattfinden würden. Prädiktive Analysen können den Verkauf beschleunigen, indem sie offensichtliche Beziehungen zwischen Verkaufsaktivitäten und Verkaufsergebnissen aufdecken. Kausalität kann ein Ursache-Wirkungs-Prinzip implizieren. Es hilft zu verstehen, welche Verkaufsaktionen tatsächlich die Ergebnisse beeinflussen.
Beispiel 5: "Welches Verhalten macht diesen Key Account Manager am erfolgreichsten?"
Typ: Unüberwacht
Beispiel für verfügbare Verkaufsdaten: CRM. Darüber hinaus gibt es möglicherweise ERP-Daten, die zur Verbesserung des Modells beitragen können. Wie kann diese Analyse zu mehr Umsatz führen? Vertriebsleiter können erfolgreiche Verhaltensweisen erkennen und diese nutzen, um sie gezielter zu fördern.
Das Verkaufsverhalten ist nie einfach: die Anzahl der Nachfassaktionen, die versendeten Empfehlungen, die Anzahl der Besuche, die Zeit der Verkaufsgespräche, die besuchten Kunden, die sozialen Medien und so weiter. Wenn ein Vertriebsleiter beispielsweise weiß, dass die erfolgreichsten Key-Account-Manager nur wenige gezielte Besuche machen, kann er/sie Anreize auf der Grundlage der Qualität setzen. Wenn der Schwerpunkt auf der Qualität einer gezielten Anzahl von Besuchen liegt, wird sich der Umsatz wiederum verbessern.
Faszinierend? Es gibt noch mehr!
Die Frage ist nun: Wie richten Sie diese Analysen ein? Es ist einfacher als Sie denken. Die Trendskout-Plattform verknüpft Daten, wie CRM- und ERP-Daten, mit Algorithmen. Auf der Plattform werden alle möglichen Algorithmen mit hoher Geschwindigkeit durchgespielt, bis das gewünschte Ergebnis erreicht ist. Sie können sofort mit dieser Ausgabe arbeiten, wie in den obigen Beispielen. Mit anderen Worten: Sie müssen nicht endlos Excels aufbauen, Sie müssen keine Datenwissenschaftler einstellen und der Output ist sehr schnell verfügbar.
Immer noch etwas unklar? Stellen Sie sich die Regeln eines Partyspiels vor. Sie sind schwer zu erklären, aber wenn Sie erst einmal angefangen haben zu spielen, werden Sie den Dreh bald raus haben. Deshalb veranstalten wir gerne eine Demo. Basierend auf einem Anwendungsfall, der Ihren Wünschen sehr entgegenkommt. Buchen Sie noch heute eine Demo und verstehen Sie den großen Mehrwert für Ihr Unternehmen!
