top of page

Use Cases entlang des Sales Prozesses Teil 2


In letzten Teil unserer Blogreihe haben wir uns mit Use Cases zum Thema Data Science beschäftigt, die nur mit Stammdaten und Transaktionsdaten durchgeführt werden können. Nun möchten wir einige Komplexere Themen besprechen, die zu höheren Absätzen führen können. Dabei können sie mitnehmen wie:

  • Eine verbesserte Produktsuche zu erhöhten Abschlüssen führt

  • Ihr Marketingbudgets optimiert werden kann

  • Data Science dabei helfen kann ihre Preise intelligent zu steuern


Erkennen sie Muster durch die Nutzung neuronaler Netze


Der Unterschied zu den vorherigen Use-Cases ist, dass für diese andere Daten benötigt werden bzw. für die Umsetzung ein höherer Aufwand entsteht z.B. weil die Daten dafür evtl. noch nicht gespeichert werden oder der Prozess iterativ ist.

Ein möglicher Anwendungsfall greift in die Produktauswahl ein, die den Kunden präsentiert wird. Sie kennen es vermutlich selbst: Sie suchen etwas auf Google, aber die ersten Ergebnisse sind nicht relevant? Meistens werden sie dann nicht weiter scrollen, sondern die Anfrage ändern oder woanders suchen. Ähnlich ist es bei einem Onlineshop. Die ersten Ergebnisse müssen relevant sein und dem potenziellen Kunden schnell zur Verfügung stehen. Durch moderne Neuronale Netze können Muster aus Kunden, Produkten und sogar Produktbildern genutzt werden, um für eine Suchanfrage möglichst relevante Ergebnisse zurückzuliefern. Die KI bekommt als Eingabe also eine Suchanfrage und liefert als Ergebnis eine nach Relevanz sortierte Liste an Produkten. Um diesen Use Case umzusetzen, benötigen sie also Suchanfragen der Vergangenheit und welches Produkt gekauft wurde. Weiterhin müssen die Ergebnisse in den Webshop zurückgespielt werden, wobei auch die Antwortzeit eine wichtige Rolle spielt. Bei einem hohen Volumen an Kunden kann sich eine gute Umsetzung der Suche jedoch lohnen, da sie mehr Kunden dazu bewegen ein Produkt bei ihnen zu kaufen.


Optimierung der Marketingausgaben durch Machine Learning


Neben einer Verbesserung der Suchanfrage kann sie Data Science dabei unterstützen ihr Marketingbudget zielgerichtet einzusetzen. Getreu dem Zitat von John Wanamaker:

“Half of the money on advertising is wastes; the trouble is I don´t know which half.”

geben Firmen viel Geld für Marketing aus. Dabei ist es schwer nachzuvollziehen, welcher Channel zu welchem Ergebnis führt und wie ein Budget optimal auf die verschiedenen Channel übertragen werden kann. Durch Machine Learning können die optimalen Ausgaben für die verschiedenen Channel vorhergesagt werden, welche dann als eine Entscheidungsgrundlage für die Ausgaben der folgenden Woche dienen kann. In diesem Fall kommt die Komplexität zum einen durch die schwierige Nachverfolgbarkeit, dem Saturation Effekt der Ausgaben und dem Carry-over-Effekt, durch den sich manche Maßnahmen erst mit einem Zeitversatz auswirken.

Wie funktioniert Dynamic Pricing?


Die meisten, die schon einmal nach Flügen gesucht haben, werden Dynamic Pricing bereits erlebt haben: Sie suchen nach einem Flug, buchen ihn jedoch nicht gleich, wenig später, wenn sie dann buchen wollen, ist der Preis gestiegen. Fluggesellschaften waren die ersten Firmen, die damit angefangen haben, ihre Preise entsprechend der Nachfrage anzupassen. So kann eine Fluggesellschaft die leeren Plätze theoretisch zu den Grenzkosten verkaufen, um trotzdem noch einen Gewinn zu erzielen. Bei einer hohen Nachfrage können sie die Preise umgekehrt erhöhen, um mehr Umsatz zu erzielen. Dies lässt sich auf ihr Geschäft übertragen: Haben sie gerade viel auf Lager, aber die Nachfrage sinkt, können sie ihre Preise anpassen, um ihr Produkt zu verkaufen, bei hoher Nachfrage. Die Verwendung von Dynamic Pricing ist eines der komplexeren Themen, da dies auch eine Anpassung des Webshops erfordert, es muss getrackt werden, wie oft ein Produkt gesucht bzw. geklickt wird. Die Effektivität der Maßnahme nur im Betrieb messbar, da das Verhalten des Algorithmus nur in einer Simulation geprüft werden kann und ein Sammeln der Trainingsdaten ist auch nur möglich durch Variieren der Preise im Vorfeld, weshalb dies einiges an Vorarbeit benötigt. Gerade wenn durch ungenutzte Kapazitäten viel Umsatz verloren geht oder Kosten entstehen, lohnt es sich trotzdem.

In diesem Artikel haben wir weitere Use-Cases gezeigt, in denen Data Science in den Sales Prozess eingreifen kann. Die gezeigten Use-Cases haben etwas mehr Aufwand als die Use-Cases des ersten Teils, allerdings gibt es zahlreiche Case Studies die deren Mehrwert zeigen. Meldet euch für Fragen oder Feedback gerne bei mir auf LinkedIn.

Aktuelle Beiträge

Alle ansehen

Comments


bottom of page