Suchen

Einführung KI Künstliche Intelligenz – echte Customer Centricity für B2B

| Autor / Redakteur: Matthias Postel* / Johanna Erbacher

Vom Hype zur Realität: Künstliche Intelligenz (KI) liegt im Trend, doch gerade bei der Einführung können vermeidbare Fehler passieren. Lesen Sie jetzt, wie KI eingesetzt werden muss, um bei übersichtlichen Kosten einen Mehrwert für das Unternehmen und den Kunden zu bringen.

KI ist keine Frage der Unternehmensgröße und spart auch in kleinen und mittelständischen Unternehmen unnötige Ausgaben.
KI ist keine Frage der Unternehmensgröße und spart auch in kleinen und mittelständischen Unternehmen unnötige Ausgaben.
(Bild: gemeinfrei / CC0 )

KI und Automatisierung sind die Themen der kommenden Jahre – im B2B-Marketing vom E-Commerce über den Vertrieb bis zur Produktion. Auf Messen und in Zukunftsforen werden KI-Szenarien intensiv diskutiert und prominent auf die politische Agenda geschrieben. So gibt es seit September 2018 eine Enquete-Kommission zur Künstlichen Intelligenz im Bundestag, die den zukünftigen Einfluss der KI auf unser (Zusammen-)Leben, die deutsche Wirtschaft und die zukünftige Arbeitswelt untersucht.

Unternehmen bereiten sich vor. Das bedeutet vor allem, dass sie ihre Daten zentral anlegen und für alle auf Automatisierung angewiesenen Abteilungen verfügbar machen müssen. Schon lange spricht man nicht mehr vom „Online-Marketing“, dem Marketing und der Presseabteilung, sondern vom „Marketing-Mix“, der selbstverständlich On- und Offline-Bereiche umfasst, vom Katalogversand bis zum Kundengespräch, vom Email-Marketing über Social Media bis hin zur Anzeigengestaltung.

Mit dem Wunsch, dem Businesskunden eine möglichst personalisierte Erfahrung zu bieten, werden Daten aus vielen anderen Unternehmensabteilungen für das Marketing interessant und Marketingdaten wiederum für viele andere Unternehmensbereiche: Vertrieb, Einkauf, Produktion; natürlich mit der Strategie, dass alle die Daten nutzen können und sollen, die Auskunft über Nachfrage und Bedarf der Kunden geben, um ihre Produkte und Arbeit dahingehend zu optimieren, dass Überhang vermieden und Arbeitsschritte eingespart werden.

KI ist Predictive – KI ist Customer Centricity

Es geht bei KI und Automatisierung also nicht zuletzt auch um Customer Centricity. Sie wird ermöglicht durch KI-gesteuerte Predictive Analytics, denn nur wer seinen Kunden kennt und seine Bedürfnisse möglichst genau vorhersehen kann, kann ihn mit individuell zugeschnittenen Angeboten überzeugen. Daten und Algorithmen ermöglichen so ein persönlicheres und befriedigenderes Erlebnis für den Kunden. Das bedeutet für den Einkauf die Sortimentsgestaltung, für den Vertrieb die richtige Vorbereitung auf das Kundengespräch, für das Marketing die situativ richtig getimte und angepasste Art der Ausstrahlung – mobil oder mit Desktop, Email oder Pop-up, Video oder Gutschein, mit Ton oder ohne.

Die Vorteile liegen nicht nur in der Kundenbindung: Auch Ausgaben können eingespart werden. Nicht jede Bannerschaltung zahlt sich aus, manche Kampagnen kommen beim Kunden besser an als andere, und viele Firmen strahlen Werbung bereits in kleinsten Einheiten nur für bestimmte Kundensegmente aus. Das Versprechen ist, den Kunden mit für ihn relevanten Content zu überzeugen und so durch passgenaue Werbung höhere Konversionen bei sinkenden Ausgaben zu erreichen. Der Vertrieb hingegen kann Angebote zielgenau an konversionsstarke Kunden richten und in der Lagerhaltung wird durch nachfrageorientierte Warenbestandshaltung Lagerraum gespart.

Basis all dieser Optimierungen ist eine datengesteuerte KI. Wenn alle Daten zu Warenbeständen und Kunden widerspruchsfrei in einer zentralen Datenbasis zusammengeführt werden, kann die KI sie automatisiert auslesen. So ein „Single Point of Truth“ aka SPoT ist Grundlage für jede kanalübergreifende Automatisierung. Sie ermöglicht es der KI, in Echtzeit auf Kundenbedürfnisse zu reagieren und in jedem Moment auf Basis von Algorithmen die im Sinne des Unternehmens für den Kunden attraktivsten Angebote auszusteuern. Werbung mit relevantem Content und guten Performances für Produkte, die tatsächlich auf Lager sind, während der Einkauf bereits weiß, welche Produkte aktuell angefragt werden und Lücken im Bestand gar nicht erst aufkommen lässt. So kann das Unternehmen bei Business-Kunden mit kurzen Lieferzeiten punkten und sich gegenüber der Konkurrenz Wettbewerbsvorteile verschaffen.

KI machen die Großen?

Noch ist der Hype, der 2018 die Diskussionsforen der relevanten Messen und die Fachzeitschriften erobert hat, allerdings nicht in der Mehrheit der Unternehmen angekommen. Einer der Gründe dafür mag – neben einer Scheu vor dem Unbekannten – der scheinbar große Aufwand beim Einstieg in KI sein. Die Frage, ob Daten in Abstimmung mit anderen Abteilungen gesammelt werden, irritiert manchen, der seit vielen Jahren – aus seiner Sicht erfolgreich – nur mit den Daten der eigenen Abteilung arbeitet. Lohnt es sich, Zeit in aufreibende Abstimmungen zu stecken, braucht man neue Tools, in die man sich erst einarbeiten muss, wie lange dauert ein solcher Prozess? Manch einer mag denken, dass KI nur etwas für Big Player mit einem großen Werbebudget und umfangreichen Datenmengen sein kann.

Tatsächlich jedoch ist KI keine Frage der Unternehmensgröße und spart auch in kleinen und mittelständischen Unternehmen unnötige Ausgaben, was den Aufwand für die Einführung einer gemeinsamen Datenbasis mehr als rechtfertigt. Auch braucht man den Blick gar nicht weit in die Zukunft lenken, wenn die größeren Player alle dank KI eine nahezu perfekte Customer Centricity erreicht und KI-Zuspätkommer abgehängt haben werden. Bereits heute erwartet der Kunde ganz selbstverständlich die richtige Ansprache auf dem jeweiligen Kanal– und das gilt immer mehr auch im B2B-Segment.

Abschied von der Perfektion – wer zu groß denkt, hat schon verloren

Die Angst vor dem Aufwand hängt eng mit der Vorstellung von einem alle Bereiche umfassenden automatisierten Gebilde einer Künstlichen Intelligenz zusammen. Der Zeit- und Personalaufwand dafür scheinen unermesslich. Tatsächlich ist es praxistauglicher, schneller und weniger fehleranfällig, wenn man Schritt für Schritt immer mehr Bereiche einbezieht und die Datenbasis zunächst mit zwei oder drei Abteilungen abstimmt. So können anfängliche Schwierigkeiten frühzeitig behoben und erste Erfolge erzielt werden, statt einen großen Wurf zu planen, der sich vielleicht erst nach einem Jahr oder mehr in der Praxis bewährt.

Jeder Schritt zählt, denn jede kleine Abstimmung verbessert die Datenbasis. So gewinnen die Daten an Qualität und die mit ihnen bestückten Tools arbeiten zunehmend ein wenig genauer. Im Prozess ist das Learning bereits angelegt: Welcher Schritt funktioniert, welcher bringt keine Verbesserung? „Fehler“ dürfen bei kleinen Schritten gemacht werden, sie bringen das System nicht in Gefahr, sondern führen zu Kurskorrekturen. Und wenn Erfolgserlebnisse schneller sichtbar werden, ist das für Mitarbeiter befriedigender.

Kleinere Schritte empfehlen sich also auch für große Unternehmen. Und kein Unternehmen ist zu klein, um seine Daten auf einen KI-tauglichen Stand zu bringen. Jeder, der online handelt, Werbung schaltet oder seine Kunden mit anderen Marketingmaßnahmen erreichen möchte, profitiert von ihr. Schnellere Sichtbarkeit in kleinen Schritten rentiert sich, für die Mitarbeiter, die Verbesserung der Kundenansprache und das Unternehmen.

*Matthias Postel ist Gründer und CEO der iCompetence GmbH.

(ID:45651016)