Diese Arbeit hat zum Ziel, Möglichkeiten der Nutzung von Predictive Analytics im Business-to-Business-Vertrieb vor dem Hintergrund konvergierender Rahmenbedingungen der Business-to-Business- und Business-to-Consumer-Kundschaft zu ergründen. Dazu erfolgt eine theoretische Fundierung sämtlicher Kapitel anhand von Primär- und Sekundärliteratur im Rahmen einer Literaturarbeit.
Zu Beginn erhalten die Lesenden eine Einführung in den Business-to-Business-Vertrieb. Im Anschluss werden die sich annähernden Rahmenbedingungen des B2B- und B2C-Klientel als aktuell größte Herausforderung von Vertriebsorganisationen und -abteilungen herausgestellt. Das vierte Kapitel vermittelt die Grundlagen von Predictive Analytics. Darauf aufbauend schließt sich die Beschreibung des Einsatzes von Predictive Analytics im Rahmen des B2B-Vertriebs an. Dabei werden schließlich die Ansätze des Predictive Scoring, Predictive Cross-Selling und der Hyper-Segmentation ergründet und anhand von Beispielen aus der Praxis ergänzt.
Im Vergleich zu Konsumierenden des B2C-Bereichs waren Kaufentscheidungen von Beteiligten im Rahmen von B2B Geschäftsbeziehungen stets vorhersehbar. Das ließ sich auf ein eindeutiges Verständnis von Bedürfnissen letzterer zurückführen. Aus aktuellem Vertriebsgeschehen geht jedoch hervor, dass jenes klare Verständnis verloren gegangen ist. Zu den Haupttreibern dieses Verlustes gehören sich verstärkt ähnelnde Rahmenbedingungen des B2B- und B2C-Klientel. Dieser Umstand äußert sich durch kaum fassbare Abnehmer, deren Aufmerksamkeit schwieriger zu erlangen, eine Beziehung aufwendiger aufzubauen und eine Markenbindung mühsamer aufrechtzuerhalten ist.
Inhaltsverzeichnis
1 Einleitung
1.1 Einführung in die Thematik
1.2 Zielsetzung, Aufbau und Methodik
2 Einführung in den Business-to-Business-Vertrieb
2.1 Definition des Vertrieb-Begriffs
2.2 Abgrenzen des Business-to-Business- vom Business-to-Consumer-Vertrieb
3 Konvergierende Rahmenbedingungen von B2B- und B2C-Kunden als Herausforderung
4 Einführung in Predictive Analytics
4.1 Daten als Ressource
4.2 Begriffsbestimmung von Predictive Analytics
4.3 Vorgehensweise bei der Anwendung von Predictive Analytics
5 Predictive Analytics im Kontext des B-to-B-Vertriebs
5.1 Predictive Lead Scoring
5.2 Predictive Cross-Selling
5.3 Hyper Segmentation
6 Fazit
Zielsetzung & Themen
Die Arbeit untersucht, wie Predictive Analytics Methoden im Business-to-Business-Vertrieb eingesetzt werden können, um den Herausforderungen durch zunehmend konvergierende Rahmenbedingungen zwischen B2B- und B2C-Kunden zu begegnen.
- Grundlagen des B2B-Vertriebs und Abgrenzung zum B2C-Vertrieb
- Analyse der konvergierenden Kundenbedürfnisse
- Einführung in die Funktionsweise und Anwendung von Predictive Analytics
- Praktische Anwendungsfelder: Predictive Lead Scoring, Cross-Selling und Hyper-Segmentierung
Auszug aus dem Buch
4.3 Vorgehensweise bei der Anwendung von Predictive Analytics
Jeder Einsatz von Predictive Analytics in Unternehmen ist durch zwei grundsätzliche Fragen gekennzeichnet. Von Bedeutung ist was vorhergesagt werden soll und welche Entscheidungen sich daraus erschließen (Siegel, 2016, S. 25). Die Vorgehensweise bei der Anwendung besteht im Allgemeinen aus drei Schritten (BITKOM, 2014, S. 61 - 62; Eckerson, 2007, S. 11):
1. Die Verarbeitung von Daten und Erkennen von Mustern,
2. Entwicklung des Modells,
3. Anwendung des Modells und Ableiten von Ergebnissen.
Im ersten Schritt gilt es, große und strukturierte Datenquellen auszusuchen. Im Durchschnitt werden bei Predictive Analytics Projekten zwischen zwei bis acht Datenquellen verwendet, die im betriebseigenen „Data Warehouse“ hinterlegt sind (Eckerson, 2007, S. 11). Danach findet die Vorbereitung der Daten statt. Dazu gehört das Verbessern von sämtlichen Fehlern und das Zusammenführen zu einer einzelnen Tabelle mit bis zu mehreren hundert Zeilen (Eckerson, 2007, S. 13 – 14). Im Anschluss werden, im Rahmen von Data Mining, Analysen durchgeführt, um Tendenzen, Muster und Beziehungen innerhalb der Daten festzustellen (Nyce, 2007, S. 9).
Die Erkenntnisse werden dann in ein zu entwickelndes Modell übertragen. Abhängig von der Fragestellung können diese verschieden in Form und Größe sein. Anwendung finden in diesem Schritt Konzepte, wie die Regressionsanalyse. Beim Modellieren mit Regressionen ist, im Gegensatz zum Data Mining, das Auffinden von einzelnen Beziehungen der Daten wesentlich. Die Beziehung findet zwischen einer sogenannten abhängigen und einer unabhängigen Variable statt. Die abhängige Variable stellt, im Kontext von Predictive Analytics, die zu vorherbestimmende Unbekannte dar. Die unabhängige Variable hat die Form von den für das Modell verwendeten Daten (Nyce, 2007, S. 9). Weitaus komplexere Modelle lassen sich erzielen, indem die vorbereiteten Daten in Algorithmen eingespeist werden (Eckerson, 2007, S. 14; Nyce, 2007, S. 11).
Zusammenfassung der Kapitel
1 Einleitung: Diese Einleitung führt in die veränderte Dynamik des B2B-Vertriebs ein und definiert die Zielsetzung sowie die methodische Vorgehensweise der Hausarbeit.
2 Einführung in den Business-to-Business-Vertrieb: Dieses Kapitel definiert den Begriff des Vertriebs und differenziert den B2B-Bereich präzise vom B2C-Vertrieb.
3 Konvergierende Rahmenbedingungen von B2B- und B2C-Kunden als Herausforderung: Das Kapitel erläutert die zunehmende Annäherung der Kundenbedürfnisse und -prozesse zwischen B2B und B2C als zentrale Herausforderung für Vertriebsorganisationen.
4 Einführung in Predictive Analytics: Dieser Abschnitt beschreibt Daten als Ressource und erläutert die methodische Vorgehensweise bei der Anwendung von Predictive Analytics in Unternehmen.
5 Predictive Analytics im Kontext des B-to-B-Vertriebs: Hier werden konkrete Anwendungsfälle wie Predictive Lead Scoring, Predictive Cross-Selling und Hyper-Segmentierung auf ihre Nutzbarkeit im B2B-Vertrieb hin untersucht.
6 Fazit: Das Fazit fasst die Ergebnisse zusammen und bewertet das Potenzial von Predictive Analytics zur Unterstützung des Vertriebs bei der Bewältigung moderner Marktanforderungen.
Schlüsselwörter
Predictive Analytics, Business-to-Business, Vertrieb, Data Science, Data Mining, Predictive Lead Scoring, Predictive Cross-Selling, Hyper Segmentation, Kundensegmentierung, Digitalisierung, Kundenbedürfnisse, Absatzkanal, Datenanalyse, Vertriebsoptimierung, Machine Learning
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit beschäftigt sich mit den Möglichkeiten, Predictive Analytics Methoden im Business-to-Business-Vertrieb gewinnbringend einzusetzen, um den veränderten Anforderungen durch die Angleichung von B2B- und B2C-Marktstrukturen gerecht zu werden.
Welche zentralen Themenfelder werden behandelt?
Die Schwerpunkte liegen auf der Abgrenzung von B2B- und B2C-Vertrieb, der Analyse moderner Kundenanforderungen, den theoretischen Grundlagen von Predictive Analytics sowie deren praktischer Umsetzung im Vertriebskontext.
Was ist das primäre Ziel der Untersuchung?
Das Ziel ist es, Möglichkeiten der Nutzung von Predictive Analytics zu identifizieren und zu begründen, wie diese Instrumente den Vertrieb in einem anspruchsvolleren Marktumfeld unterstützen können.
Welche wissenschaftliche Methode kommt zum Einsatz?
Es handelt sich um eine theoretische Fundierung, die auf einer umfassenden Literaturarbeit basiert, unter Einbeziehung von Primär- und Sekundärliteratur zu den genannten Themenkomplexen.
Was ist der Kerninhalt des Hauptteils?
Der Hauptteil gliedert sich in die theoretische Einführung von Predictive Analytics (Prozesse, Datennutzung) und die detaillierte Darstellung der Anwendungsfelder Lead Scoring, Cross-Selling und Hyper-Segmentierung im B2B-Vertrieb.
Durch welche Schlüsselwörter lässt sich die Arbeit zusammenfassen?
Wichtige Begriffe sind unter anderem Predictive Analytics, Business-to-Business, Vertrieb, Lead Scoring, Cross-Selling, Hyper-Segmentierung und Data Mining.
Wie unterscheidet sich Predictive Lead Scoring vom klassischen Scoring?
Während klassisches Scoring oft auf Bauchgefühl oder manuellen Prozessen basiert, nutzt Predictive Lead Scoring automatisierte Algorithmen und eine weitaus größere Menge an expliziten und impliziten Daten, um eine objektivere Bewertung von Kundenkontakten zu ermöglichen.
Welche Rolle spielt die „abgeleitete Nachfrage“ im B2B-Vertrieb?
Die abgeleitete Nachfrage verdeutlicht, dass der Bedarf an Gütern im B2B-Bereich von der Nachfrage der Endkunden auf nachgelagerten Märkten bestimmt wird, was die Komplexität der Absatzprozesse erhöht.
- Arbeit zitieren
- David Lewenko (Autor:in), 2020, Predictive-Analytics-Methoden im Business-to-Business-Vertrieb. Konvergierende Rahmenbedingungen von B2B- und B2C-Kunden, München, GRIN Verlag, https://www.grin.com/document/980389
