Wäre es nicht schön, aus dem Verhalten der eigenen Kundinnen und Kunden automatisiert Prognosen über die Kundenwünsche der Zukunft erstellen und daraus neue Verkaufsstrategien ableiten zu können? Dank Data Mining muss das kein Traum mehr bleiben.

Wir zeigen Ihnen, was genau es mit Data Mining auf sich hat, für welche Zwecke Sie es nutzen können und welche Chancen und Gefahren damit verbunden sind.

Download: Vertriebs-Kit inkl. Vorlage für die Vertriebsprognose, 21  E-Mail-Vorlagen, Spickzettel für den Vertriebsprozess & Checkliste für  Analysegespräche

Vorteile von Data Mining

Data Mining kann von Unternehmen genutzt werden, um nützliche Muster in Datensätzen zu identifizieren und auf Grundlage dieser verkaufsfördernde Entscheidungen zu treffen. In der Regel geht es hier um Datenmengen, die ein Mensch niemals allein bewältigen könnte, die aber voll von wertvollen Informationen sind. Durch Data Mining können Sie:

  • die Probleme, Wünsche und Bedürfnisse Ihrer Kundinnen und Kunden leichter erkennen,

  • Trends frühzeitig bemerken und Zukunftsprognosen ableiten,

  • Zusammenhänge zwischen bestimmten Verkaufsmaßnahmen und tatsächlichen Verkäufen erkennen,

  • fundierter über neue Angebote und die damit einhergehenden Verkaufsstrategien entscheiden,

  • Prozesse innerhalb des Unternehmens verbessern,

  • Mitarbeitende besser schulen sowie auf den Kundenkontakt vorbereiten und

  • rechtzeitig Strategien für sich abzeichnende Schwierigkeiten entwickeln.

Schöpfen Sie all diese Aspekte aus, lassen sich Kosten sparen und gleichzeitig der Umsatz steigern.

Nachteile von Data Mining

Data Mining findet zwangsläufig computerbasiert statt – denn Menschen würden für die Analyse der riesigen Datensätze viel zu lange brauchen. Dabei werden Methoden aus der Statistik und Informatik kombiniert. Häufig wird mit künstlicher Intelligenz und maschinellem Lernen gearbeitet.

Diese Technologien haben in den vergangenen Jahren große Fortschritte gemacht. Dennoch sind sie noch lange nicht perfekt und können Fehler machen. Sich allein auf die Ergebnisse des Data Minings zu verlassen, kann deshalb auch sehr gefährlich sein. Die eigenen Erfahrungen, von Menschenhand geprüfte Informationen und der gesunde Menschenverstand sollten bei Entscheidungen daher keinesfalls außer Acht gelassen werden.

Ähnliches lässt sich mit einem Blick auf die Qualität der analysierten Daten konstatieren. Sind Datensätze fehlerhaft oder unvollständig, sind die Ergebnisse wenig bis gar nicht aussagekräftig.

Ein weiterer wichtiger Nachteil von Data Mining: Wer über Daten verfügt, trägt auch Verantwortung. Das bedeutet, Sie müssen sorgfältig alle Datenschutzbestimmungen einhalten und die Datensätze vor Angriffen schützen. Das ist mit zusätzlichem Aufwand und Kosten verbunden, die möglicherweise an anderer Stelle fehlen.

Data Mining: Die Methoden

Beim Data Mining kommen vier verschiedene Arten von Methoden zum Einsatz: Klassifikation, Prognose, Gruppierung und Abhängigkeitsentdeckung.

Klassifikation

Bei dieser Methode werden als erstes Klassen festgelegt, denen die Daten später zugeordnet werden sollen. Die Klassen richten sich nach Ihrem Erkenntnisinteresse. Wollen Sie beispielsweise herausfinden, welche Kundinnen und Kunden ein Verkaufsgespräch vereinbart haben und welche nicht, würde eine Klasse die Personen umfassen, die einen Termin gebucht haben. Eine zweite Kategorie würde angelegt werden für die Menschen, die nicht über das Angebot sprechen wollten.

Dieses Beispiel ist natürlich sehr vereinfacht – es kann auch weit mehr und differenziertere Klassen geben. Es könnte etwa noch zwei weitere Klassen geben, die sich danach richten, ob jemand im Verkaufsgespräch gekauft hat oder nicht.

Nachdem die Kategorien feststehen, werden die untersuchten Objekte (in dem Fall die Kundinnen und Kunden beziehungsweise Interessentinnen und Interessenten) analysiert und den Klassen zugeordnet

Der Algorithmus kann die Gruppen dabei kennenlernen, Zusammenhänge und Unterschiede zwischen verschiedenen Kundengruppen finden und auf dieser Grundlage später Prognosen stellen.

Prognose

Die Prognose ist eine Methode, die genaue Zahlen vorhersagen soll. Sie ermöglicht es zum Beispiel, anhand des Kundenverhaltens in den vergangenen Monaten den Umsatz für das nächste Jahr zu berechnen oder den Customer Lifetime Value vorauszusehen. Das bedeutet, dass bei der Analyse der Datensätze von Kundinnen und Kunden intensiv auf Zusammenhänge geachtet wird.

Gruppierung

Diese Methode ist auch unter den Begriffen Clustering und Segmentierung bekannt. Sie wird eingesetzt, um Gruppen innerhalb der Datenbasis zu identifizieren. Diese sind deutlich homogener als die Kategorien der Klassifizierungs-Methode. Das liegt auch daran, dass sie nicht vorab festgelegt und dann befüllt werden, sondern andersherum: Der Algorithmus durchleuchtet die Daten ohne Vorannahmen und bildet Segmente daraus. 

Die Methode ist vor allem im Marketingbereich beliebt, weil sie es zum Beispiel ermöglicht, Kampagnen genauer zu targetieren. Auch im Bereich Sales kann sie nützlich sein.

Abhängigkeitsentdeckung

Bei der Abhängigkeitsentdeckung geht es darum, die Beziehungen zwischen einzelnen Personen und Objekten zu verstehen. Der Algorithmus versucht, Abhängigkeiten und Gemeinsamkeiten zu entdecken. Auf diesem Prinzip beruhen zum Beispiel Funktionen wie „Käuferinnen und Käufer, die Produkt A bestellten, interessierten sich auch für Produkt B“ in Online-Shops.

Data-Mining-Software für Ihr Unternehmen

Wollen Sie Data Mining für Ihr Unternehmen nutzen, haben Sie die Wahl zwischen vielen verschiedenen Software-Lösungen. Drei der bekanntesten möchten wir Ihnen kurz vorstellen:

KNIME

KNIME ist vor allem wegen seiner vergleichsweise intuitiven Nutzeroberfläche beliebt. Die Daten werden nicht nur als Zahlen oder in Tabellen ausgegeben, sondern können auch ansprechend visualisiert werden, zum Beispiel in Fluss- oder Balkendiagrammen. Die Analytics-Plattform ist als Open-Source-Software kostenlos nutzbar. Für weiterführende Funktionen, wie etwa die Einrichtung von Automatisierungen oder die Nutzung als Team, gibt es zudem eine kostenpflichtige Variante.

Rapidminer

Rapidminer wurde 2001 an der Technischen Universität Dortmund entwickelt und zunächst vor allem für wissenschaftliche Zwecke genutzt. Mittlerweile greifen jedoch auch Unternehmen darauf zurück. Auch bei diesem Tool lassen sich alle Daten in Diagramm-Form darstellen. Rapidminer ist kostenpflichtig – je nach den von Ihnen gewünschten Funktionen können Sie es aber fünf bis 30 Tage lang gratis testen.

SAS

SAS zählt zu den teuersten, aber auch umfangreichsten Data-Mining-Softwares. Sie wird primär von großen Unternehmen eingesetzt, die gigantische Datenmengen zu verarbeiten haben. Die große Stärke des Programms liegt im Erstellen von Prognosen.

Fazit: Großes Potenzial für große Unternehmen

Data Mining ist hervorragend geeignet, um die eigene Zielgruppe besser kennenzulernen, Vorhersagen über die Entwicklung von Kundenwünschen, Kundenverhalten, Customer Lifetime Value, Umsatz und vielem mehr zu treffen und datengestützte Entscheidungen für die Zukunft zu fällen.

Voraussetzung dafür ist jedoch, dass Sie Zugriff auf eine gewisse Grundmasse von Daten haben. Data Mining ist daher eher ein Thema für große Konzerne oder schnell wachsende Start-ups als für kleinere Unternehmen.

Wichtig ist zudem, sich bei Entscheidungen nicht ausschließlich auf die Ergebnisse des Data Minings zu verlassen. Diese sind abhängig von der Qualität der Ausgangsdaten und der korrekten Funktionsweise der eingesetzten Software. Computern können Fehler unterlaufen, die verheerende Auswirkungen für Unternehmen haben können. Nutzen Sie Data Mining daher als eine Quelle für Informationen, aber niemals als alleinigen Maßstab.

Vertriebskit mit E-Mail-Vorlagen, Checkliste für Verkaufsgespräche , Vorlage für die Vertriebsprognose und vielem mehr!

Titelbild: gremlin / Getty Images Plus

Ursprünglich veröffentlicht am 24. März 2021, aktualisiert am März 24 2021

Themen:

Digitalisierung