Predictive Analytics im B2B-Vertrieb: Datengestützt verkaufen statt raten

Jeder erfahrene Verkäufer hat ein Gespür dafür, welcher Deal kippt und welcher Interessent wirklich kaufen will. Predictive Analytics im B2B-Vertrieb versucht, dieses Gespür mit Daten zu untermauern und für das ganze Team nutzbar zu machen. Dieser Beitrag erklärt, was solche Prognosen leisten, welche Daten Sie dafür brauchen, wie ein vernünftiger Test aussieht und wann sich der Aufwand nicht lohnt.

Was Predictive Analytics im B2B-Vertrieb leistet

Predictive Analytics heißt, aus vergangenen Daten Wahrscheinlichkeiten für die Zukunft abzuleiten. Im Vertrieb geht es um drei Fragen: Welche Anfrage wird mit hoher Wahrscheinlichkeit zum Auftrag? Welcher laufende Deal droht zu scheitern? Welcher Umsatz ist in den nächsten Monaten realistisch?

Das klingt nach Hellseherei, ist aber im Kern Mustererkennung. Ein Modell schaut sich an, welche Merkmale gewonnene und verlorene Aufträge in der Vergangenheit hatten, und vergleicht neue Fälle damit. Es sagt also nicht „dieser Kunde kauft“, sondern „Fälle, die so aussehen, wurden bei Ihnen bisher häufiger gewonnen“. Diese Unterscheidung ist wichtig, weil sie zeigt, wo die Grenzen liegen: Ändert sich Ihr Markt, Ihr Angebot oder Ihre Zielgruppe, passen die alten Muster nicht mehr.

Drei Einsatzfelder im Überblick

Lead-Bewertung

Ein Großhändler für Industriebedarf bekommt jede Woche Anfragen über die Website, per Telefon und auf Messen. Nicht jede ist gleich viel wert. Ein Prognosemodell kann Anfragen nach Merkmalen wie Branche, Unternehmensgröße, Art der Anfrage, bisherigen Bestellungen und Reaktion auf Angebote einstufen. Der Innendienst ruft dann zuerst dort an, wo die Chance am größten ist. Wie das konkret aufgebaut wird, beschreibt der Beitrag KI-Lead-Scoring.

Risikosignale in der Pipeline

Deals scheitern selten über Nacht. Häufig gibt es Vorzeichen: Der Ansprechpartner antwortet langsamer, ein Termin wird zum zweiten Mal verschoben, plötzlich taucht der Einkauf auf, oder die Angebotsversion wird nicht mehr geöffnet. Ein Modell kann solche Signale bündeln und den zuständigen Verkäufer darauf hinweisen. Was er daraus macht, ob Anruf, angepasstes Angebot oder Gespräch mit der Geschäftsführung des Kunden, bleibt seine Entscheidung.

Umsatzprognose

Klassische Forecasts entstehen oft, indem jeder Verkäufer seine Deals mit einer gefühlten Wahrscheinlichkeit versieht. Ein datengestütztes Modell ergänzt diese Einschätzung um einen Blick auf die Historie: Wie lange dauern Deals dieser Größe üblicherweise, wie viele aus dieser Phase wurden tatsächlich gewonnen? Die beiden Sichten nebeneinander zu legen, ist oft aufschlussreicher als jede für sich. Mehr dazu im Artikel KI-gestützte Vertriebsprognosen.

Welche Daten Sie wirklich brauchen

Die häufigste Enttäuschung bei Predictive Analytics hat nichts mit der Technik zu tun, sondern mit den Daten. Bevor Sie ein Werkzeug auswählen, prüfen Sie Ihr CRM anhand dieser Liste:

• Genug abgeschlossene Fälle: Ein Modell lernt aus gewonnenen und verlorenen Deals. Wenn Sie im Jahr nur eine Handvoll große Aufträge abschließen, gibt es zu wenig Material.
• Verlorene Deals sind erfasst: Viele Teams pflegen nur Erfolge. Ohne Verluste kann kein Modell Unterschiede erkennen.
• Einheitliche Phasen: „Angebot verschickt“ muss bei allen Verkäufern dasselbe bedeuten.
• Aktivitäten werden protokolliert: Anrufe, E-Mails, Termine und Angebote stehen im CRM, nicht nur im Kopf oder im persönlichen Postfach.
• Eine längere Historie: Möglichst über mehr als ein Jahr, damit saisonale Muster sichtbar werden.

Wenn mehrere Punkte fehlen, ist die Datenpflege der erste Schritt. Der Beitrag Vertriebsdaten für KI vorbereiten zeigt, wie Sie dabei vorgehen. Gerade hier hilft Automatisierung: Wenn digitale Mitarbeiter eingehende Anrufe, Chats und E-Mails automatisch zusammenfassen und ins CRM schreiben, wie es die digitalen Mitarbeiter von Neurobots für HubSpot, Salesforce, Pipedrive oder Microsoft Dynamics tun, entsteht nebenbei genau die Datengrundlage, die Prognosen später brauchen.

Ein Pilot in fünf Schritten

1. Eine Frage auswählen: Zum Beispiel „Welche Anfragen sollten wir zuerst bearbeiten?“ Nicht alle drei Einsatzfelder gleichzeitig.
2. Vorhandene Funktionen prüfen: Viele CRM-Systeme bringen Prognose- und Bewertungsfunktionen bereits mit. Oft müssen sie nur aktiviert und konfiguriert werden.
3. Parallel laufen lassen: Ein bis zwei Monate lang bewertet das Modell, das Team arbeitet wie bisher. Niemand ändert sein Verhalten wegen der Prognose.
4. Ergebnisse vergleichen: Hat das Modell die später gewonnenen Fälle besser erkannt als die bisherige Einschätzung? Wo lag es daneben, und warum?
5. Erst dann in den Alltag übernehmen: Mit klarer Regel, wie das Team mit der Bewertung umgeht, und einem festen Termin für die Überprüfung.

Beispiel mit Annahmen

Angenommen, ein IT-Dienstleister bekommt im Monat 80 Anfragen und schafft es, 40 davon zeitnah persönlich zu bearbeiten. Bisher entscheidet die Reihenfolge des Eingangs. Mit einer Lead-Bewertung würden zuerst die Anfragen bearbeitet, die den bisher gewonnenen Aufträgen am stärksten ähneln. Ob das zu mehr Abschlüssen führt, zeigt erst der Parallelbetrieb. Schon die Auswertung kann aber lehrreich sein, etwa wenn sich herausstellt, dass Anfragen aus einer bestimmten Branche fast nie zum Auftrag werden. Dann lohnt sich die Frage, ob das am Angebot, an der Ansprache oder einfach an der falschen Zielgruppe liegt. Solche Erkenntnisse sind oft wertvoller als der Score selbst, weil sie Marketing und Vertrieb gemeinsam betreffen.

Grenzen und Risiken

Prognosen können sich selbst bestätigen. Wenn das Team nur noch hoch bewertete Anfragen ernsthaft bearbeitet, werden die niedrig bewerteten nie zum Auftrag, und das Modell sieht sich bestätigt. Prüfen Sie deshalb regelmäßig eine Stichprobe niedrig bewerteter Fälle.

Auch im B2B-Geschäft verarbeiten Sie personenbezogene Daten, nämlich die Ihrer Ansprechpartner. Die DSGVO gilt also, und Sie sollten in Ihrer Datenschutzerklärung transparent machen, dass Anfragen automatisiert bewertet werden. Entscheidungen mit erheblicher Wirkung sollten nicht allein auf einem Score beruhen. Und ein Modell, dessen Bewertungen niemand erklären kann, wird im Team ohnehin schnell ignoriert. Achten Sie darauf, dass das Werkzeug zeigt, welche Merkmale eine Bewertung beeinflusst haben.

Wann sich Predictive Analytics nicht lohnt

Bei wenigen, sehr großen Aufträgen im Jahr, bei einem gerade erst aufgebauten Vertrieb ohne Historie oder bei stark schwankenden Märkten liefert ein Modell kaum verlässliche Muster. Dann ist eine gute, gemeinsam gepflegte Pipeline mit ehrlichen Einschätzungen wertvoller.

Häufige Fragen

Brauche ich dafür einen Data Scientist?

Für den Einstieg meist nicht. Viele CRM-Systeme bieten Prognosefunktionen an. Wichtiger ist jemand, der die Datenqualität verantwortet und die Ergebnisse kritisch prüft.

Wie genau sind solche Prognosen?

Das lässt sich pauschal nicht sagen. Die Genauigkeit hängt von Datenmenge, Datenqualität und Stabilität Ihres Marktes ab. Messen Sie sie im Parallelbetrieb an Ihren eigenen Fällen.

Was unterscheidet das von einem Punktesystem für Leads?

Bei einem klassischen Punktesystem legen Sie selbst fest, welches Merkmal wie viele Punkte bringt, etwa für eine bestimmte Branche oder einen Download. Ein prädiktives Modell leitet die Gewichtung aus Ihren tatsächlichen Abschlüssen ab. Das kann Zusammenhänge zeigen, die niemand vermutet hat, braucht aber deutlich mehr Daten. Für kleine Vertriebe ist ein gut durchdachtes Punktesystem oft der sinnvollere erste Schritt.

Ersetzt der Score das Urteil meiner Verkäufer?

Nein. Er ist ein zusätzlicher Hinweis. Gute Teams nutzen ihn, um blinde Flecken zu finden, nicht um Erfahrung zu ersetzen.

Fazit

Predictive Analytics im B2B-Vertrieb hilft, Zeit dort einzusetzen, wo die Chancen am größten sind, und Risiken früher zu sehen. Voraussetzung sind saubere Daten, ein ehrlicher Parallelbetrieb und ein Team, das Bewertungen als Hinweis versteht. Wie eine verlässliche Erfassung von Anfragen im Beratungsgeschäft aussieht, zeigt die Seite Digitaler Assistent für Beratungsunternehmen.