Mit professionellem Lead Management können Sales-relevante Kontakte automatisiert ermittelt werden. Ein Megatrend der Zukunft ist Künstliche Intelligenz (KI): Mit ihrer Hilfe kann präzise ermittelt werden, wie hoch die Kaufwahrscheinlichkeit eines Leads für bestimmte Angebote ist.
Vertriebler freuen sich immer, wenn ihnen das Marketing neue Kontakte beschert. Geht es an die Auswertung, verlassen sich viele nach wie vor auf ihre Erfahrung und ihr Bauchgefühl. Die Folgen davon sind jede Menge Telefonate, ein umfangreicher Mailverkehr und vielleicht noch Termine vor Ort. Wenn es am Ende dann nicht zu einem Vertragsabschluss kommt, ist die Enttäuschung umso größer – der ganze Aufwand war umsonst.
Tatsächlich können Sales und Marketing im digitalen Zeitalter Geschäftskontakte und deren Reifegrad mit einem ausgeklügelten Lead Management wesentlich professioneller identifizieren. Studien bestätigen die Bedeutung des Themas: So gaben etwa in einer Befragung des Branchenverbands bitkom im Jahr 2019 46 Prozent, und damit fast die Hälfte der Befragten an, dass Lead Management zukünftig eine große Rolle spielen werde.
Drei Essentials für professionelle Lead Generation
Lead Management besteht im Kern aus drei Bausteinen:
- Lead Generation. Gerade im Inbound Marketing hat sich Gated Content als DSGVO-konforme Variante zur Kontaktgewinnung bewährt. So können z. B. Webinare, E-Books oder Whitepaper auf Websites als Download angeboten und hinter einem Formular verborgen werden. Der Deal dahinter liegt auf der Hand: Kontaktdaten gegen Content mit Mehrwert.
- Lead Nurturing. Sind Kontaktdaten erst einmal hinterlegt, geht es darum, aus dem interessierten Nutzer einen echten Kunden zu machen. Nur wie? Indem er regelmäßig mit nützlichem Content bespielt wird. Es ist wie bei einem guten Essen: Erst wenn alle Gänge serviert worden sind und gut geschmeckt haben, wird aus einem einmaligen Besucher ein Stammgast.
- Lead Scoring. Durch Scoring wird die Vertriebsreife eines potentiellen Kunden ermittelt. User erhalten dabei Punkte für all jene Aktionen, die sie auf einer Website vornehmen. So lässt sich ein bestimmter Score ermitteln, der anzeigt, wie groß das tatsächliche Interesse des Besuchers war. Hat der Wert eine bestimmte Schwelle überschritten, ist der Kontakt reif für den Vertrieb und eine persönliche Ansprache.
Künstliche Intelligenz (KI) im Lead Management: Die Zukunft des Lead Scorings
Klassisches Lead Scoring greift dabei auf die vom Nutzer ausgelösten Score-Werte zurück und summiert diese. Mittlerweile existieren jedoch Entwicklungen, mit deren Hilfe User wesentlich differenzierter eingestuft werden können. Dazu gehören Künstliche Intelligenz (KI) und Machine Learning.
Künstliche Intelligenz wird derzeit in vielen Artikeln diskutiert. Die Vorstellung dahinter ist, dass sich Marketing-Software möglichst intelligent verhält und sich im Laufe der Zeit automatisiert weiterentwickelt, um stetig bessere Ergebnisse zu erzielen. Tatsächlich handelt es sich dabei jedoch um Machine Learning: Grundlage hierfür sind statistische Modelle, die auf Vergangenheitsdaten beruhen und darauf basierend Prognosen erstellen. Noch etwas weiter geht Deep Learning: Menschliche Denkstrukturen werden modelliert und mit statistischen sowie mathematischen Methoden kombiniert, um bessere Prognosen zu erzielen.
Machine Learning im Lead Management: Auf die Datenbasis kommt es an
Mit Machine Learning sollen im Lead Management geschäftsreife Kontakte intelligent ermittelt werden. Grundlage für den Input von Machine-Learning-Modellen sind strukturierte und vollständige Daten. Ein Beispiel hierfür ist das Alter. Ein Machine-Learning-Modell kann mit der Information des Geburtsdatums wenig anfangen. Daher muss das Geburtsdatum vorab transformiert werden, beispielsweise in das Alter. Über eine API Middleware können die Lead-Daten aus verschiedenen Quellen synchron gehalten werden. Ist in einem System das Alter und in einem anderen das Geburtsdatum gespeichert, kann die API Middleware die Inkonsistenz auflösen.
Ebenso unterstützt die Vernetzung von Systemen die Datenqualität in Hinblick auf Vollständigkeit. So kann in einem System die Information vorhanden sein, in einem anderen nicht. Die Machine-Learning-Modelle greifen auf diese synchronisierten und strukturierten Daten zu und erstellen auf ihrer Basis die statistischen Prognosen; eine möglichst konsistente, transformierte und vor allem vollständige Datenbasis unterstützt somit den Machine-Learning-Prozess.
Predictive Analytics: Mit Machine Learning aus komplexen Daten passgenaue Prognosen generieren
Nicht anders als im üblichen Lead Management sollen auch mit Machine Learning Vertriebsprozesse automatisiert gesteuert werden. Machine-Learning-Modelle ermöglichen Prognosen, welche im Durchschnitt präzisere Ergebnisse liefern als Heuristiken und einfache Wenn-Dann-Regeln. Grundlage für diese Predictive Analytics-Prozesse sind komplexe statistische und mathematische Modelle. Dabei wird der Einfluss von verschiedensten Faktoren auf das Prognoseergebnis geschätzt. Die Faktoren umfassen alle möglichen Aspekte eines Kunden oder Interessenten und werden je nach Zielgröße unterschiedlich einbezogen: Was hat er in der Vergangenheit gekauft und was nicht? Wie alt ist er? Welche Bewertungen hat er bereits hinterlassen? Hat er sich schon einmal beschwert? Ganz am Ende steht ein Score-Wert, der die Qualität eines Leads angibt.
Oftmals erlauben es solche Modelle mit wenig Aufwand für weitere Produkte angepasst zu werden, um Sales-Relevanz zu identifizieren. Darauf aufbauend können zahlreiche und empirisch fundierte Nurture-Prozesse entwickelt werden; über Zeitvariablen ist mit Machine Learning auch Lead Scoring möglich.
Insgesamt existieren zahlreiche Machine-Learning-Methoden. Es ist es nicht unüblich, dass eine jüngere Methode mit neueren Daten bessere Prognosen liefern kann als bestehende Modelle. Daher werden die Modelle permanent weiterentwickelt, mit neuen Daten gespeist und neu gegeneinander getestet, um die Güte ihrer Vorhersagen zu steigern. Nicht zuletzt eignet sich Machine Learning dazu, die zunehmende Fülle an Datensätzen zu bändigen.
Machine Learning im Lead Management: Kurzfristiger Trend oder Technologie der Zukunft?
Machine Learning und KI dürften in Zukunft zu einem festen Bestandteil von Lead Management werden. Eine Uniserv-Studie zeigt, dass v. a. Marketing, Vertrieb und Kundenservice darauf setzen. Neben der Analyse des Kundenverhaltens und der Kundenloyalität sehen die Befragten dieser Studie KI insbesondere bei der Planung von Marketing-Kampagnen (84%) und im Lead Management (69%).
Die Daten bestätigen somit, dass Machine Learning im Lead Management die Technologie der Zukunft ist. So überrascht es auch nicht, dass es vermehrt Unternehmen gibt, die sich dem Thema professionell widmen. Eines davon ist Marini Systems, ein auf Vertriebstechnologien spezialisiertes Sales-Tech-Unternehmen. Mit den entwickelten Softwareprodukten unterstützt Marini Systems ein ausgewähltes Partnernetzwerk beim Aufbau von integrierten Sales-Plattformen und bei der Steuerung von automatisierten Vertriebsprozessen über die eingesetzten Systeme hinweg. In enger Zusammenarbeit mit der Goethe Universität Frankfurt forscht das Team in den Bereichen Predictive Analytics, wobei der Fokus auf Maschine Learning und dabei auf dem Aufbau von Sales-Robots liegt.
Für wen sich Machine Learning im Lead Management lohnt? Dafür gibt es keine Grenzen. Ein-Mann-Unternehmer können sich so der aufwendigen Kontaktanbahnung ein großes Stück weit entledigen; KMU oder Großunternehmen können Freiräume für bestehende Marketing- und Vertriebsabteilungen schaffen. Mit Machine Learning können somit Unternehmen jeder Größenordnung ihr Lead Management optimieren und Mitarbeiter entlasten.
