Marktdaten für datengestützte Verkaufsprozesse in der Werbevermarktung

Im Werbeverkauf stehen Verlage vor vielen Herausforderungen. Die Anzahl der aktiven Kunden sinkt, die treuesten und größten Kunden probieren proaktiv immer mehr Alternativen aus oder setzen Konzernentscheidungen um, um das Budget in digitale Kanäle zu verschieben.

Viele reagieren bereits mit Maßnahmen, um die aktiven Kunden besser zu binden und auch die inaktiven Kunden wieder von den eigenen Leistungen zu überzeugen. Der Veränderungsprozess ist lang und der Erfolg von vielen Leistungen der Organisation abhängig. Eine davon ist, relevante Marktinformationen zu erhalten, sie zu strukturieren und sie in die Arbeitsweisen jedes Verkäufers zu integrieren.

Konkret stehen Verkaufsorganisationen vor der Herausforderung,

  • Informationen über Bestandskunden sinnvoll zu qualifizieren.
  • Diese Informationen für eine erfolgreich Bearbeitung des Kunden in der täglichen Arbeit der Verkäufer zu nutzen.
  • qualifizierte Potenzialadressen kontinuierlich als Lead in den Verkauf zur Erstansprache zu platzieren.

Die Lösung:

Keine individuelle Beratung ohne gute Informationen

Die Verkäufer stehen vor der Herausforderung, für diese Kunden die passenden Media- und ggf. Agenturleistungen festzulegen – mit dem Wissen über ihre Kommunikationsziele. Das gelingt nur, wenn sie Entscheider und Kundenverhalten kennen. Dafür helfen Daten über das Mediaverhalten, die Unternehmensgröße und die Wettbewerbssituation. Von Bestandskunden ist dies oftmals flickenhaft bekannt – von Potenzialkunden fehlen diese Daten gänzlich.

Keine effizienten Kampagnen ohne gute Daten

Fast 90% der regionalen Bestandskunden und alle Potenzialkunden werden durch einen kompetenten Telefonverkauf betreut und beraten. Dabei sind strukturierte Daten für die Priorisierung und Selektion der Kunden entscheidend für Erfolg, Effizienz und Wirtschaftlichkeit. Für die Kunden mit keinem oder wenigen hundert Euro Umsatz pro Jahr fehlen den meisten regionalen Verlagen Daten: Die richtige Branche, Mitarbeiter, Umsatz, Mediavolumen, Relevanz der Wettbewerber, Mediavolumen u.a. Teilweise sind vorhandene Daten auch fehlerhaft – und sei es „nur“ die passende Branchenzuordnung.

Verankern wir die Daten aus einer Marktpotenzialanalyse in die Verkaufsprozesse und betten sie in moderne Steuerungsinstrumente ein, gehen Werbevermarkter einen weiteren Schritt zu einer datengestützten und -getriebenen Organisation. Falls Sie Fragen zum Artikel haben oder weitere Informationen wünschen, freuen wir uns Ihre Kontaktaufnahme: P.Tongbhoyai@schickler.de

Die SCHICKLER KI-MATRIX: Strukturierte Bewertung von KI-Anwendungsfällen

Künstliche Intelligenz ist die nächste Stufe der wirtschaftlichen Evolution und wird sich in allen Prozessen und Unternehmen etablieren. Große Player wie Facebook, Google und Amazon nutzen Künstliche Intelligenz in einer Vielzahl von Prozessen und verschaffen sich deutliche Wettbewerbsvorteile. Die SCHICKLER KI-Matrix hilft hierbei Anwendungsfälle in Ihrem Unternehmen zu strukturierten.

Die Achsen        

Die Vertikale bewertet den wirtschaftlichen Mehrwert aus einer unternehmerischen Perspektive. Hierdurch werden monetäre Effekte beschrieben, die entweder Kosten senken oder Umsätze heben. Oftmals wirken Anwendungen von künstlicher Intelligenz indirekt, da sie Arbeitsprozesse automatisieren und Mitarbeiter entlasten. So könnte bspw. eine KI Anwendung in der Werbevermarktung Vorschläge für Upselling-Produkte machen. Hierzu bewertet die KI die jeweilige Kaufwahrscheinlichkeit aller Produkte für einzelne Kunden auf Basis ihrer Eigenschaften und Präferenzen.

Wir haben fünf Fragen definiert, mit denen Sie den wirtschaftlichen Mehrwert eines Anwendungsfalls bewerten können. Beantworten Sie Frage 1 und 2 mit „Ja“, haben Sie einen wirtschaftlichen Anwendungsfall gefunden. Beantworten Sie darüber hinaus die Fragen 3 bis 5 mit „Ja“, ist der Anwendungsfall aus wirtschaftlicher Perspektive einfach zu entwickeln und zu nutzen:

Auf der Horizontalen der KI-Matrix wird die Data-Science Attraktivität bewertet. Neben den wirtschaftlichen Faktoren sollten auch technische Kriterien berücksichtigt werden, bevor man über die Umsetzung eines KI-Anwendungsfalls nachdenkt. Dieser technische Aspekt ist für fachfremde Nutzer schwieriger zu beurteilen. Daher erklären wir im Folgenden, was einen Anwendungsfall aus Data-Science Perspektive attraktiv macht.

Von besonderer Bedeutung sind hierbei die Verfügbarkeit und Qualität der verwendeten Daten. Denn diese sind das Fundament, auf welchem die KI-Lösung letztlich „trainiert” wird. Wir empfehlen Ihnen daher so früh wie möglich wichtige Daten für Ihren Anwendungsfall zu identifizieren und diese systematisch zu erheben. Ein weiteres Kriterium ist die Messbarkeit der gestellten Aufgabe. Nur mit einem klar formulierten Ziel kann die KI versuchen, eine Lösung zu optimieren. Für die technische Umsetzbarkeit sind zudem die vorhandenen fachlichen Kompetenzen im Unternehmen relevant, ohne welche der Aufwand für Entwicklung und Betrieb rapide steigen kann. Zuletzt sollte die KI-Lösung gut in bestehende Systeme integrierbar sein. Auch für diese Achse haben wir fünf Fragen für Sie definiert, mit denen Sie die Data-Science Attraktivität eines KI-Anwendungsfalls einschätzen können:

Die Interpretation

Beim Gegenüberstellen der Achsen „Wirtschaftlicher Mehrwert“ und „Data-Science Attraktivität“ entsteht eine Matrix, mit vier möglichen Feldern: „Ignorieren“, „Nerd Stuff“, „Vorbereiten“ und „Umsetzen“. Abhängig davon, in welches Feld ein Anwendungsfall eingeordnet wird, unterscheidet sich die anschließende Interpretation.

Ignorieren – Ein Anwendungsfall ohne wirtschaftlichen Mehrwert und Data-Science Attraktivität sollte ignoriert werden.

Beispiel: Ihre KI-Anwendung soll voraussagen, mit welcher Wahrscheinlichkeit die Mitarbeiterin in der Kantine versehentlich eine Kelle Nudeln zu viel auf Ihren Teller tut.

„Nerd Stuff“ – Mit hoher Data-Science Attraktivität, aber mangelndem wirtschaftlichen Mehrwert wird die resultierende Anwendung gut funktionieren, aber keinen wirtschaftlichen Mehrwert generieren.

Beispiel: Ihre KI-Anwendung soll aus historischen Wetterdaten vorhersagen, an welchen Tagen Ihre Mitarbeiter in kurzer Hose kommen werden. Die Datenlage hierzu ist auf Online-Plattformen üppig vorhanden. Dennoch liefert die Prognose keinen wirtschaftlichen Mehrwert.

Vorbereiten – Liefert ein Anwendungsfall wirtschaftlichen Mehrwert, hat aber eine niedrige Data-Science Attraktivität, gilt es, die Umsetzung vorzubereiten. Hierbei geht es darum, die nötige Infrastruktur für eine zukünftige Entwicklung zu schaffen (Daten erheben, strukturieren, auswerten, etc.).

Beispiel: Ihre KI-Anwendung soll individuelle Rückgewinnungsmaßnahmen für ehemalige Abonnenten vorschlagen. Derzeit fehlen in Ihrem Unternehmen aber aufbereitete Daten über Kündigungsgründe und wirksame Rückgewinnungs-Maßnahmen. Diese sollten fortan erfasst werden, bis eine kritische Größe an Datensätzen erreicht wurde.

Umsetzen – Ist ein Anwendungsfall sowohl wirtschaftlich als auch aus Data-Science Perspektive attraktiv, gilt es, Möglichkeiten zur schnellen Umsetzung zu finden.

Beispiel: Ihre KI-Anwendung soll vorhersagen, welche bestehenden Kunden Sie mit welchen bestehenden Produkten ansprechen sollten. Hierzu haben Sie eine große Datenbank mit Buchungshistorien und können direkt mit der Entwicklung eines Prototyps starten.

Spannend. Wie geht es jetzt weiter?

Downloaden Sie Ihr Exemplar der SCHICKLER KI-Matrix hier : [Link] . Drucken Sie sie größtmöglich aus, mindestens auf DIN A3. Hängen Sie die Matrix an einen prominenten Platz und fordern Sie Ihre Mitarbeiter auf, aktiv Anwendungsfälle zu eruieren und einzutragen. Gerne stehen wir Ihnen in der Zwischenzeit oder im Nachgang zur Diskussion als Sparringspartner zur Verfügung.