Wie können Unternehmen ihre vorhandenen Daten nutzen, um im B2B-Vertrieb bessere Entscheidungen zu treffen?
Genau darum geht es bei Data-driven Sales.
Statt Vertriebsentscheidungen ausschließlich auf Erfahrung und Bauchgefühl zu stützen, werden Kundendaten, Transaktionsdaten und digitale Vertriebssignale systematisch ausgewertet. Daraus können Empfehlungen entstehen: Welche Kunden besitzen aktuell Potenzial? Welches Produkt könnte für einen Bestandskunden interessant sein? Welche Kunden sollten priorisiert werden? Und wo entstehen Cross-Selling- oder Up-Selling-Chancen?
In dieser Folge von „Digitalisierung in Marketing und Vertrieb – From Cold to Close“ spreche ich mit Thomas Rühlemann darüber, welche Daten dafür benötigt werden, warum Datenqualität eine zentrale Voraussetzung ist und welche Rolle KI und Predictive Sales spielen.
Podcast auch als Video ansehen
Diese Podcast-Folge kannst Du auch als Video auf YouTube ansehen.
Im Gespräch zeigen Thomas Rühlemann und ich anhand konkreter Beispiele, wie Unternehmen Datenqualität, Predictive Sales, KI und Marketing Automation miteinander verbinden können.
Hinweis: Mit Klick auf das Vorschaubild wirst Du zu YouTube weitergeleitet. Dabei gelten die Datenschutzbestimmungen von YouTube/Google.
Was bedeutet Data-driven Sales?
Data-driven Sales bedeutet, Vertriebsentscheidungen systematisch auf Basis von Datenanalysen zu unterstützen.
Dabei werden vorhandene Kunden-, Transaktions- und Verhaltensdaten genutzt, um beispielsweise Vertriebschancen, Kundenpotenziale oder mögliche nächste Angebote zu erkennen.
Der wesentliche Unterschied zu einem ausschließlich erfahrungsbasierten Vertrieb liegt darin, dass Entscheidungen nicht nur auf dem Bauchgefühl einzelner Vertriebsmitarbeiter beruhen.
Erfahrung bleibt wichtig.
Sie wird jedoch durch Daten ergänzt.
Data-driven Sales verbindet damit menschliche Vertriebserfahrung mit systematischer Datenanalyse.
Warum stößt das Bauchgefühl im B2B-Vertrieb an Grenzen?
Ein Vertriebsmitarbeiter kann seine wichtigsten Kunden sehr gut kennen.
Das funktioniert besonders gut, wenn die Anzahl der Kunden, Produkte und Transaktionen überschaubar ist.
Bei großen Datenmengen entstehen jedoch Grenzen.
Ein Großhändler kann beispielsweise zehntausende Kunden und zehntausende Produkte haben.
Kein Vertriebsmitarbeiter kann sämtliche Transaktionen dieser Kunden über Jahre analysieren und gleichzeitig alle möglichen Zusammenhänge zwischen Produkten erkennen.
Genau hier liegt die Stärke datenbasierter Systeme.
Sie können große Datenmengen analysieren und daraus Muster oder Handlungsempfehlungen ableiten.
Drei Voraussetzungen für Data-driven Sales
Damit Data-driven Sales funktioniert, müssen drei Voraussetzungen erfüllt sein:
1. Die relevanten Daten müssen vorhanden sein.
Wenn beispielsweise digitale Aktivitäten eines Interessenten nicht erfasst werden, können sie später auch nicht ausgewertet werden.
2. Die Daten müssen zusammengeführt und qualitativ nutzbar sein.
Informationen aus ERP, CRM, Marketing Automation und weiteren Systemen dürfen nicht isoliert in Datensilos verbleiben.
3. Aus Daten müssen Handlungen entstehen.
Die entscheidende Frage lautet nicht, wie viele Daten ein Unternehmen besitzt.
Entscheidend ist:
Welche bessere Vertriebsentscheidung können wir aufgrund dieser Daten treffen?
Warum ist Datenqualität für Data-driven Sales so wichtig?
Ein datengetriebener Vertriebsprozess kann nur so gut sein wie die Datenbasis, auf der er arbeitet.
Typische Probleme sind:
- Dubletten
- unvollständige Kundendaten
- unterschiedliche Schreibweisen
- veraltete Adressen
- fehlerhafte Produktdaten
- voneinander getrennte Datensilos
- fehlende Zuordnung von Transaktionen zu Kunden
Werden solche Daten für Analysen oder KI-Modelle verwendet, können daraus falsche Empfehlungen entstehen.
Deshalb beginnt Data-driven Sales nicht mit KI.
Data-driven Sales beginnt mit einer belastbaren Datenbasis.
Was bedeutet der 360-Grad-Blick auf den Kunden?
Unternehmen sprechen seit vielen Jahren vom 360-Grad-Blick auf den Kunden.
Gemeint ist eine möglichst vollständige Sicht auf die Kundenbeziehung über verschiedene Systeme hinweg.
Dazu können beispielsweise Informationen gehören aus:
- ERP
- CRM
- Marketing Automation
- Website
- E-Commerce
- Service
- Transaktionshistorie
- weiteren internen und externen Datenquellen
Diese Informationen müssen einem Kunden eindeutig zugeordnet werden können.
Erst dadurch entsteht eine konsistente Kundensicht.
Was ist ein Golden Record?
Ein Golden Record ist ein möglichst vollständiger und konsistenter Datensatz zu einem Kunden oder Unternehmen.
Informationen aus unterschiedlichen Systemen werden dabei zusammengeführt, bereinigt und eindeutig zugeordnet.
Der Golden Record bildet damit eine zentrale Grundlage für Anwendungen wie:
- Personalisierung
- Kundensegmentierung
- Next Best Offer
- Predictive Sales
- Cross-Selling
- Up-Selling
- Churn Prediction
Ohne eine eindeutige Kundensicht können diese Anwendungen zu falschen Ergebnissen kommen.
Welche Rolle spielt das ERP bei Data-driven Sales?
Das ERP-System kann insbesondere im B2B eine sehr wertvolle Datenquelle sein.
Dort befinden sich häufig Informationen darüber,
- welcher Kunde
- welches Produkt
- zu welchem Zeitpunkt
- in welcher Menge
- zu welchem Preis
- und gegebenenfalls mit welcher Marge
gekauft hat.
Damit enthält das ERP eine umfangreiche Transaktionshistorie.
Diese Daten können genutzt werden, um Muster zwischen Kunden und Produkten zu erkennen.
Weitere Systeme wie CRM oder Marketing Automation ergänzen dieses Bild um zusätzliche Informationen.
Was ist Predictive Sales?
Predictive Sales nutzt historische und aktuelle Daten, um Wahrscheinlichkeiten und potenzielle Vertriebschancen zu erkennen.
Ein System kann beispielsweise analysieren:
- Welche Produkte werden häufig gemeinsam gekauft?
- Welche Kunden ähneln besonders erfolgreichen Bestandskunden?
- Welcher Kunde könnte für ein bestimmtes Produkt empfänglich sein?
- Wo besteht Cross-Selling-Potenzial?
- Welche Kunden könnten abwandern?
- Welche nächste Vertriebsaktivität könnte sinnvoll sein?
Das Ergebnis ist keine automatische Entscheidung.
Es ist eine datenbasierte Handlungsempfehlung für Marketing und Vertrieb.
Praxisbeispiel: Druckerpatronen und Papier
Thomas Rühlemann beschreibt im Podcast ein Beispiel aus dem Großhandel.
Das Grundprinzip ist einfach:
Wer Drucker oder Druckerpatronen benötigt, braucht häufig auch Papier.
Bei einzelnen Kunden kann ein Vertriebsmitarbeiter diesen Zusammenhang leicht erkennen.
Bei zehntausenden Kunden wird es schwieriger.
Ein datenbasiertes System kann dagegen den gesamten Kundenbestand analysieren und Kundengruppen identifizieren, bei denen ein naheliegendes ergänzendes Produkt bisher nicht gekauft wurde.
Genau daraus können Cross-Selling-Potenziale entstehen.
Das Beispiel zeigt:
Der entscheidende Vorteil von Data-driven Sales liegt häufig nicht darin, etwas völlig Neues zu wissen – sondern darin, bekannte Zusammenhänge systematisch auf den gesamten Kundenbestand anzuwenden.
Warum sind B- und C-Kunden für Data-driven Sales interessant?
Im klassischen Key Account Management konzentriert sich der persönliche Vertrieb häufig auf A-Kunden.
Das ist nachvollziehbar, weil persönliche Vertriebszeit begrenzt ist.
Dadurch können Potenziale bei B- und C-Kunden jedoch unentdeckt bleiben.
Datenbasierte Prozesse können den gesamten Kundenbestand analysieren.
Dadurch lassen sich auch bei weniger intensiv betreuten Kunden Signale erkennen.
Genau hier entsteht eine interessante Kombination aus Data-driven Sales und Marketing Automation bzw. PreSales Automation.
Ein erkannter Bedarf muss nicht automatisch einen persönlichen Vertriebsbesuch auslösen.
Stattdessen kann zunächst ein automatisierter, personalisierter Prozess gestartet werden.
Data-driven Sales für Cross-Selling und Up-Selling
Bestandskundendaten sind besonders wertvoll, wenn Unternehmen Wachstumspotenziale erkennen möchten.
Daten können beispielsweise zeigen,
- welche Produkte ein Kunde bereits besitzt,
- welche ergänzenden Produkte vergleichbare Kunden kaufen,
- wann typischerweise ein Wiederkauf stattfindet,
- welche Produktvariante für einen Kunden interessant sein könnte.
Daraus entstehen drei klassische Wachstumsmöglichkeiten:
Repeat Selling: Der Kunde kauft ein Produkt erneut.
Cross-Selling: Der Kunde kauft ein ergänzendes Produkt.
Up-Selling: Der Kunde entscheidet sich für eine höherwertige oder umfangreichere Lösung.
Data-driven Sales kann helfen, diese Potenziale systematisch zu erkennen.
Data-driven Sales und Kundensegmentierung
Auch die Kundensegmentierung profitiert von einer belastbaren Datenbasis.
Wenn Kundendaten mehrfach vorhanden oder falsch zugeordnet sind, können Umsatz, Potenzial oder Bedeutung eines Kunden falsch eingeschätzt werden.
Bereinigte Daten ermöglichen dagegen eine realistischere Segmentierung.
Darüber hinaus können Daten helfen, typische Merkmale besonders attraktiver Kunden zu identifizieren.
Daraus lässt sich die Frage ableiten:
Welche Unternehmen ähneln unseren erfolgreichsten Kunden?
Diese Ähnlichkeit kann wiederum für die Identifikation potenzieller Zielkunden genutzt werden.
Von Bestandskunden zum Total Addressable Market
Wenn Unternehmen die Merkmale ihrer besonders attraktiven Bestandskunden kennen, können sie daraus ein Profil für potenzielle Neukunden ableiten.
Anschließend lässt sich analysieren:
Welche vergleichbaren Unternehmen gibt es im Markt, mit denen wir bisher noch keine Geschäftsbeziehung haben?
Damit entsteht eine Verbindung zwischen:
Bestandskundendaten → Ideal Customer Profile → Marktpotenzial → Zielkunden → Neukundengewinnung.
Data-driven Sales unterstützt dadurch nicht nur die Entwicklung bestehender Kunden, sondern auch die systematische Marktbearbeitung.
Data-driven Sales und Personalisierung
Personalisierung benötigt Daten.
Je besser ein Unternehmen versteht,
- wer ein Kunde ist,
- welche Produkte er besitzt,
- welche Themen ihn interessieren,
- welche Interaktionen stattgefunden haben und
- welche Bedürfnisse vergleichbare Kunden besitzen,
desto relevanter kann die Kommunikation werden.
Das gilt sowohl für persönliche Vertriebsansprache als auch für automatisierte Kommunikation.
Data-driven Sales und Marketing Automation ergänzen sich deshalb besonders gut.
Von der Datenanalyse zur Marketing Automation
Eine Datenanalyse erzeugt zunächst eine Erkenntnis.
Wirklicher wirtschaftlicher Nutzen entsteht erst, wenn daraus eine Aktivität folgt.
Ein möglicher Prozess sieht beispielsweise so aus:
Daten → Muster → Vertriebssignal → Bewertung → Handlung
Die Handlung kann persönlich erfolgen.
Ein Vertriebsmitarbeiter erhält beispielsweise den Hinweis, einen bestimmten Kunden anzusprechen.
Sie kann aber auch automatisiert erfolgen.
Ein erkanntes Kundenpotenzial startet beispielsweise einen passenden Nurturing-Prozess.
Damit wird aus Data-driven Sales ein operativer Vertriebsprozess.
KI als digitaler Vertriebskollege
Eine interessante Perspektive aus dem Gespräch ist die Vorstellung der KI als erfahrener Kollege.
Stell Dir einen Kollegen vor, der seit Jahrzehnten sämtliche Kunden, Produkte und Transaktionen kennt.
Vor einem Kundentermin sagt er:
„Schau Dir bei diesem Kunden einmal Produkt X an. Das könnte interessant sein.“
Genau so kann eine datenbasierte Empfehlung verstanden werden.
Die KI entscheidet nicht anstelle des Vertriebsmitarbeiters.
Sie macht ihn auf Zusammenhänge aufmerksam, die aufgrund der Datenmenge möglicherweise übersehen worden wären.
KI als Spürhund für Vertriebssignale
Ich verwende dafür gerne das Bild eines Spürhundes.
Ein Mensch läuft durch einen Wald und bemerkt zunächst nichts Besonderes.
Ein gut trainierter Hund erkennt dagegen Gerüche und Signale, die für den Menschen nicht wahrnehmbar sind.
Ähnlich kann KI im Vertrieb eingesetzt werden.
Sie analysiert große Datenmengen und erkennt Muster.
Anschließend gibt sie einen Hinweis.
Die Entscheidung darüber, wie mit diesem Hinweis umgegangen wird, bleibt beim Menschen.
KI ersetzt keine Datenqualität
Ein häufiges Missverständnis lautet:
„Mit KI können wir unsere Datenprobleme automatisch lösen.“
So einfach funktioniert es nicht.
Auch KI benötigt eine ausreichend strukturierte und interpretierbare Datenbasis.
Fehlende Zusammenhänge, unklare Adressen, falsche Zuordnungen oder komplexe fachliche Kontexte können weiterhin menschliches Wissen und spezialisierte Datenqualitätsverfahren erfordern.
Deshalb entsteht die größte Leistungsfähigkeit durch das Zusammenspiel von:
Datenqualitätsmechanismen + menschlichem Wissen + KI.
Praxisbeispiel: Wenn KI an schlechter Datenqualität scheitert
Thomas Rühlemann beschreibt im Podcast ein Projekt bei einem Textildienstleister.
Dort wurde ein KI-basiertes Lead-Scoring-System eingeführt.
Nach der Einführung verschlechterten sich die Ergebnisse erheblich.
Der Grund lag nicht grundsätzlich im neuen System.
Die Datenqualität war nicht ausreichend.
In den alten Systemen hatten Vertriebsmitarbeiter über Jahre eigene Workarounds entwickelt, um mit den vorhandenen Datenproblemen umzugehen.
Mit dem Systemwechsel verschwanden diese Workarounds – die zugrunde liegenden Datenprobleme blieben jedoch bestehen.
Erst nachdem Daten analysiert, bereinigt, Dubletten entfernt und Informationen angereichert worden waren, konnte das neue System sinnvoll arbeiten.
Das Beispiel zeigt:
Ein leistungsfähiger Algorithmus kompensiert keine ungeeignete Datenbasis.
Warum Unternehmen Data-driven Sales trotzdem noch zu wenig nutzen
Die technischen Möglichkeiten sind vorhanden.
Trotzdem arbeiten viele Unternehmen noch nicht konsequent datengetrieben.
Dafür gibt es unterschiedliche Gründe.
Zum Beispiel:
- Die eigene Datenqualität wird überschätzt.
- Unternehmen erwarten, dass CRM oder CDP Datenprobleme automatisch lösen.
- Andere IT-Projekte besitzen höhere Priorität.
- Datenqualität wird als technisches statt wirtschaftliches Thema betrachtet.
- Im Vertrieb besteht Vertrauen in Erfahrung und Bauchgefühl.
- Der wirtschaftliche Hebel der vorhandenen Daten ist nicht transparent.
Deshalb sollte Data-driven Sales nicht als Datenprojekt verkauft werden.
Die bessere Frage lautet:
Welchen Vertriebsprozess wollen wir verbessern?
Unternehmen wollen keine Datenqualität – sie wollen bessere Ergebnisse
Datenqualität ist kein Selbstzweck.
Kein Unternehmen investiert in Datenbereinigung, weil bereinigte Daten an sich attraktiv sind.
Unternehmen wollen beispielsweise:
- mehr Umsatz
- bessere Personalisierung
- höhere Abschlussquoten
- kürzere Vertriebszyklen
- mehr Cross-Selling
- mehr Up-Selling
- geringere Kundenabwanderung
- bessere Leadqualifizierung
Datenqualität ist die Voraussetzung dafür.
Deshalb sollte ein Data-driven-Sales-Projekt mit einem konkreten wirtschaftlichen Ziel beginnen.
CRM, CDP und ETL: Was ist der Unterschied?
Für Data-driven Sales spielen verschiedene Systeme und Konzepte zusammen.
CRM – Customer Relationship Management
Das CRM unterstützt die operative Steuerung von Kundenbeziehungen, Kontakten, Aktivitäten und Opportunities.
CDP – Customer Data Platform
Eine CDP führt Kundendaten aus unterschiedlichen Quellen zusammen, um eine umfassendere Kundensicht zu ermöglichen.
ETL – Extract, Transform, Load
ETL beschreibt einen technischen Prozess:
Extract: Daten aus verschiedenen Quellen holen.
Transform: Daten vereinheitlichen, bereinigen oder anreichern.
Load: Daten in ein Zielsystem bzw. einen nachgelagerten Prozess übertragen.
Entscheidend ist nicht die einzelne Technologie.
Entscheidend ist, dass die Systeme gemeinsam eine nutzbare Datenbasis für Marketing und Vertrieb erzeugen.
Datenschutz und Data-driven Sales
Datengetriebener Vertrieb bedeutet nicht automatisch, möglichst detaillierte personenbezogene Profile zu erstellen.
Viele Analysen können sich auf Unternehmen, Kundensegmente, Transaktionen oder aggregierte Verhaltensmuster beziehen.
Welche Daten erhoben, zusammengeführt und verarbeitet werden dürfen, hängt vom konkreten Anwendungsfall und den rechtlichen Rahmenbedingungen ab.
Datenschutz sollte deshalb von Beginn an Bestandteil der Konzeption sein – nicht erst nach Einführung der Technologie.
Data-driven Sales verbindet Mensch und Maschine
Die interessante Frage lautet nicht:
Mensch oder KI?
Sondern:
Wie kombinieren wir die Stärken beider Seiten?
Menschen besitzen Erfahrung, Empathie, Kontextverständnis und die Fähigkeit, komplexe Beziehungen einzuschätzen.
Datenbasierte Systeme können dagegen große Informationsmengen analysieren und Muster erkennen, die für Menschen nur schwer sichtbar sind.
Die Kombination daraus ermöglicht einen leistungsfähigeren Vertriebsprozess:
Daten erkennen Muster. KI erzeugt Hinweise. Menschen treffen Entscheidungen.
Kernerkenntnisse aus dieser Podcast-Folge
- Data-driven Sales ergänzt Vertriebserfahrung durch systematische Datenanalyse.
- Daten müssen zunächst erfasst, zusammengeführt und qualitativ nutzbar gemacht werden.
- ERP-Daten können eine besonders wertvolle Grundlage für die Analyse von Kunden- und Kaufverhalten bilden.
- Ein Golden Record schafft eine konsistente Sicht auf den Kunden.
- Predictive Sales kann Vertriebschancen und potenzielle nächste Angebote identifizieren.
- Cross-Selling und Up-Selling lassen sich durch Daten systematischer erschließen.
- B- und C-Kunden können automatisiert auf Potenziale untersucht werden.
- Marketing Automation kann erkannte Vertriebssignale in konkrete Prozesse übersetzen.
- KI unterstützt den Vertrieb mit Empfehlungen, ersetzt aber nicht die Entscheidung des Menschen.
- Schlechte Datenqualität kann auch leistungsfähige KI-Systeme erheblich beeinträchtigen.
- Data-driven Sales sollte nicht als IT-Projekt, sondern als wirtschaftlicher Vertriebsprozess betrachtet werden.
Fazit: Data-driven Sales macht aus Daten Vertriebsentscheidungen
Unternehmen besitzen heute enorme Mengen an Kunden-, Produkt- und Transaktionsdaten.
Der wirtschaftliche Wert entsteht jedoch nicht dadurch, dass diese Daten lediglich gespeichert werden.
Er entsteht, wenn daraus bessere Entscheidungen und konkrete Aktivitäten entstehen.
Genau das ist der Kern von Data-driven Sales:
Daten → Erkenntnisse → Vertriebssignale → Entscheidungen → Aktivitäten → Ergebnis
Dabei ersetzt Data-driven Sales weder Erfahrung noch persönliche Kundenbeziehungen.
Daten und KI ergänzen den Vertrieb um eine zusätzliche Perspektive.
Der Vertriebsmitarbeiter entscheidet weiterhin selbst.
Aber er muss nicht mehr ausschließlich darauf vertrauen, dass ihm sein Bauchgefühl sämtliche relevanten Zusammenhänge zeigt.
Passende Podcast-Folge: Datenqualität im B2B
Data-driven Sales benötigt eine belastbare Datenbasis.
In der Podcast-Folge „Datenqualität im B2B: Wie Unternehmen Umsatzchancen durch schlechte Daten verpassen“ gehe ich gemeinsam mit Thomas Rühlemann und David Ender noch tiefer auf dieses Thema ein.
Dort sprechen wir unter anderem über Dubletten, Datensilos, Golden Record, Master Data Management und die Frage, wie schlechte Datenqualität Vertriebssignale und Umsatzchancen beeinflusst.
→ Podcast-Folge „Datenqualität im B2B“
Weiterführend: KI im B2B – Marketing und Vertrieb neu denken
Data-driven Sales und KI gehören eng zusammen.
In meinem Buch „KI im B2B – Marketing und Vertrieb neu denken“ beschäftige ich mich damit, wie Unternehmen KI nicht als isoliertes Tool, sondern als Bestandteil einer integrierten Revenue Engine einsetzen können.
Dabei spielen Daten, Vertriebssignale, Mustererkennung, Personalisierung, Marketing Automation und die Verbindung von Marketing und Vertrieb eine zentrale Rolle.
→ Mehr zum Buch „KI im B2B – Marketing und Vertrieb neu denken“
Mehr zu Data-driven Sales, KI und modernem B2B-Vertrieb
Auf meinem Blog „From Cold to Close“ beschäftige ich mich mit der Frage, wie Daten, Customer Journey, Lead Management, Marketing Automation, Vertrieb und Bestandskundenentwicklung zu einem durchgängigen Revenue-Prozess verbunden werden können.
→ Weitere Fachartikel auf From Cold to Close
Über Thomas Rühlemann
Thomas Rühlemann beschäftigt sich bei Omikron mit Partnermanagement sowie den Themen Datenmanagement und Datenqualität.
Im Podcast erläutert er, warum eine konsistente Kundensicht die Grundlage für Personalisierung, Predictive Sales, Next Best Offer, Cross-Selling und weitere datengetriebene Vertriebsprozesse bildet.
Über Norbert Schuster
Norbert Schuster ist Berater, Autor, Speaker und Trainer für die Digitalisierung von Marketing und Vertrieb im B2B.
Er unterstützt Unternehmen dabei, Marketing, Vertrieb und Kundenentwicklung als durchgängigen Prozess zu gestalten.
Zu seinen Schwerpunkten gehören Lead Management, Marketing Automation, Customer Journey Management, Bestandskundenmanagement, Account Based Marketing, Data-driven Sales und der Einsatz von KI in Marketing und Vertrieb.
Norbert Schuster ist Entwickler unter anderem der Wasserloch-Strategie, des Schuster-Modells „From Cold to Close“ und des Ansatzes der PreSales Automation.
Häufige Fragen zu Data-driven Sales
Was ist Data-driven Sales?
Data-driven Sales bezeichnet einen Vertriebsansatz, bei dem Kunden-, Transaktions- und Verhaltensdaten systematisch analysiert werden, um Vertriebsentscheidungen zu unterstützen und Kundenpotenziale besser zu erkennen.
Was ist der Unterschied zwischen Data-driven Sales und klassischem Vertrieb?
Im klassischen Vertrieb beruhen viele Entscheidungen auf Erfahrung und persönlicher Einschätzung. Data-driven Sales ergänzt diese Erfahrung durch systematische Datenanalyse und datenbasierte Handlungsempfehlungen.
Welche Daten werden für Data-driven Sales benötigt?
Relevant können unter anderem Kundenstammdaten, Produktdaten, Transaktionsdaten, CRM-Daten, digitale Interaktionen und weitere Vertriebs- und Marketingdaten sein. Welche Daten benötigt werden, hängt vom konkreten Anwendungsfall ab.
Warum ist Datenqualität für Data-driven Sales wichtig?
Fehlerhafte, unvollständige oder doppelte Daten können Analysen verfälschen und zu falschen Empfehlungen führen. Eine konsistente Datenbasis ist deshalb eine wesentliche Voraussetzung für Data-driven Sales.
Was ist Predictive Sales?
Predictive Sales nutzt historische und aktuelle Daten, um Muster und Wahrscheinlichkeiten zu erkennen. Daraus können beispielsweise Hinweise auf Cross-Selling-Potenziale, relevante Kunden oder mögliche nächste Angebote entstehen.
Was ist Next Best Offer?
Next Best Offer bezeichnet eine datenbasierte Empfehlung, welches Produkt oder welche Leistung für einen bestimmten Kunden als Nächstes relevant sein könnte.
Kann Data-driven Sales Cross-Selling unterstützen?
Ja. Kaufhistorien und Produktzusammenhänge können genutzt werden, um zu erkennen, welche ergänzenden Produkte für einen Bestandskunden relevant sein könnten.
Welche Rolle spielt KI bei Data-driven Sales?
KI kann große Datenmengen analysieren, Muster erkennen und Handlungsempfehlungen erzeugen. Die endgültige Vertriebsentscheidung bleibt beim Menschen.
Kann KI schlechte Datenqualität automatisch beheben?
Nicht vollständig. KI kann bei bestimmten Aufgaben der Datenaufbereitung unterstützen, benötigt aber selbst eine ausreichend strukturierte und interpretierbare Datenbasis. Datenqualitätsverfahren, Fachwissen und menschliche Prüfung bleiben relevant.
Was ist ein Golden Record?
Ein Golden Record ist ein möglichst vollständiger, bereinigter und konsistenter Datensatz zu einem Kunden, der Informationen aus unterschiedlichen Datenquellen zusammenführt.
Wie hängen Data-driven Sales und Marketing Automation zusammen?
Data-driven Sales kann Potenziale und Vertriebssignale erkennen. Marketing Automation bzw. PreSales Automation kann diese Erkenntnisse anschließend nutzen, um passende automatisierte Kundenprozesse auszulösen.
Ersetzt Data-driven Sales den Vertriebsmitarbeiter?
Nein. Data-driven Sales soll Vertriebsmitarbeiter bei Entscheidungen unterstützen. Daten und KI erkennen Muster und liefern Hinweise; der Mensch bewertet den Kontext und entscheidet über die konkrete Aktivität.
Transkript der Podcast-Folge
Data-driven Sales | All about Digital | Folge 068_IV61
Hier findest Du das vollständige Transkript des Gesprächs mit Thomas Rühlemann.
00:00 Intro
00:40 Data-driven Sales mit Thomas Rühlemann
01:06 Datenmanagement und Datenqualität
03:00 Warum Unternehmen ihre Daten zu wenig nutzen
05:45 Was ist Data-driven Sales?
06:18 Bauchgefühl versus datengetriebener Vertrieb
08:27 Welche Daten braucht der Vertrieb?
09:21 Der 360-Grad-Blick auf den Kunden
10:49 Master Data Management und Datenqualität
12:10 Welche Tools braucht Data-driven Sales?
13:54 CRM, Marketing Automation und Golden Record
15:31 Praxisbeispiel: Druckerpatronen und Papier
17:21 Weitere Einsatzmöglichkeiten im B2B
18:23 Ideal Customer Profile und Marktpotenzial
19:26 Cross-Selling, Up-Selling und Churn
20:14 Wie Data-driven Sales Vertriebszeit spart
20:55 KI versus Vertriebserfahrung
22:10 KI als Unterstützung für den Vertrieb
22:57 B- und C-Kunden systematisch entwickeln
24:27 Daten + KI + Marketing Automation
25:03 Warum Unternehmen Data-driven Sales noch zu wenig nutzen
26:32 Datenqualität als Grundlage erfolgreicher Prozesse
27:41 Warum Personalisierung gute Daten braucht
28:40 Was sind CDP und ETL?
29:30 Digitale Kundenbeziehungen
31:20 Datenschutz und Data-driven Sales
32:49 Praxisbeispiel aus der Textilbranche
33:50 Wenn KI-Lead-Scoring an schlechten Daten scheitert
35:30 Kann KI Datenqualität automatisch herstellen?
36:52 Mensch und KI im Zusammenspiel
37:23 KI als Spürhund für Vertriebssignale
37:51 Fazit
