Das wichtigste Asset eines Unternehmens sind gute Kunden – mit hohem Umsatz bei geringer Betreuungsintensität und ohne Compliance-Risiken. Während die Rezession den Konsum drückt und Sanktionen und Zölle die Exporte belasten, drängt für B2B-Unternehmen kaum ein Thema mehr, als gute Klienten in neuen Märkten zu finden.
Doch dieser Schritt erfordert viel hoch qualifizierte Arbeit. Dabei geht es nicht nur darum, die Werttreiber zu erkennen, die Top-Kunden ausmachen, sondern auch darum, aus der großen Masse noch unbekannter Firmen jene zu finden, die auf dieses Profil passen.
Daten aus verschiedenen Quellen vergleichbar machen
Zunächst muss man dafür Unternehmen finden, die aufgrund von Branche, Geschäftstätigkeit und Region infrage kommen – wofür diverse Register und Datendienste zu durchforsten sind. Diese zigtausenden Unternehmen müssen dann einzeln untersucht werden: Wer hat passende Produkte? Erfüllt relevante Normen? Hält die gewünschten Qualifikationen vor? Ist wirtschaftlich solide? Und stellt seine Kunden zufrieden?
Diese Fragen lassen sich nur beantworten, indem man viele weitere Datenquellen anzapft: Unternehmenswebsites, Bewertungen, Register für Abschlüsse, Stellenmärkte sowie Drittanbieterdaten etwa zu Werbebudgets oder Bonität. Die unterschiedlich formatierten Daten aus all diesen Quellen müssen zudem vergleichbar gemacht werden, bevor man damit arbeiten kann.
Automatisierung mit KI als Gamechanger
All diese Schritte erfordern ein hohes Maß an Konzentration und Gewissenhaftigkeit, Fachwissen und Datenkompetenz. Doch zugleich lassen sie sich nach objektiven Kriterien standardisieren. Damit ruft dieser Job geradezu nach einer Automatisierung mit KI.
LLM-Chatbots sind dafür wenig geeignet, da sie ihre Quellen nicht ausreichend zuverlässig offenlegen und sich bei Faktentreue, Zähl- und Rechenaufgaben oft schwertun. Die Recherche und Bewertung von Firmen ist vielmehr ein Paradefall für Analytische KI – die nicht auf Eloquenz und Kreativität trainiert ist, sondern auf Erklärbarkeit, Faktentreue und Mathe-Skills.
So kann ein Setup aussehen
So eignen sich kleine Language Models – die man zu viel günstigeren Kosten als LLMs aus NLP-Algorithmen entwickeln kann –, um aus den Daten von Websites, Geschäftsberichten und Bewertungen relevante Informationen zu extrahieren, zu bewerten und aufzubereiten. Ohne Halluzinationen und zugeschnitten auf das eigene Business.
An diese Daten zu gelangen, ist Data Science – dazu gehören Webcrawler und -scraper, die Integration von Datenbanken und die Anbindung von APIs. Die Datenintegration wiederum lässt sich an die KI delegieren: Für qualitative Aspekte wie das Matching von Orten und Namen nutzt man sein Small Language Model, während quantitative Aspekte wie die Überprüfung und Umrechnung von Zahlen oder der Umgang mit fehlenden Werten über Machine-Learning-Algorithmen zum Data Cleaning läuft.
Königsdisziplin: Digitalen Zwilling des Top-Kunden erstellen
Bleibt die Königsdisziplin: Man reichert die eigenen Kundendaten mit dieser Pipeline um alles an, was man aus dem Web lernen kann, ermittelt damit die Kundenwerttreiber, schafft einen digitalen Zwilling des Top-Kunden und identifiziert so die Unternehmen, die auf diesen Zwilling passen – mit Prognose des Kundenwertes.
Hierfür eignen sich ML-Verfahren wie Decision Trees, die längst auch Deep Learning können (zum Beispiel Deep Neural Decision Forests) und in Benchmarks überlegene Ergebnisse zeigen, dabei aber interpretierbar bleiben. Dieser Aspekt ist wichtig: Man möchte ja Unternehmensentscheidungen sauber begründen können und muss bei der Arbeit mit Kundendaten und Daten aus dem Netz belegen, dass man sich ans Gesetz gehalten hat.
Kombiniert man diese Bestandteile mit einer intuitiven Oberfläche – eine Aufgabe für UX-Designer und Frontend-Entwickler –, hat man einen riesigen Hebel: Unserer Erfahrung nach lassen sich über 95 Prozent des Zeit- und Personalaufwandes für Lead Scouting und Scoring einsparen, bei noch größerer Kostenersparnis gegenüber eingekauften Lead-Listen. Zugleich können sich Vertrieb und Key Accounting auf die Unternehmen konzentrieren, die den größten Kundenwert versprechen.
ist Gründer und CEO von Hase & Igel, dem Unternehmen hinter der Neutrum.AI Plattform und den darauf basierenden Softwareprodukten für intelligente Entscheidungen im Markt. Auch nach vielen internationalen Awards für die Analytische KI seiner Firma kann der Chef immer noch nicht programmieren, sondern steht zu seinen Wurzeln in Marketing, Vertrieb und Unternehmenskommunikation.
Nicht-IAB Standard