Wie führende Unternehmen die Entdeckung, Bewertung und Aktivierung von Leads systematisieren - in großem Maßstab und zu geringeren Kosten

“In der heutigen Welt, in der GenAI und AgenticAI die Diskussion beherrschen, ist dies eine rechtzeitige Erinnerung daran, dass echter Wert aus der Anwendung von KI zur Lösung konkreter Geschäftsprobleme entsteht, und nicht aus der Jagd nach dem neuesten Trend. Prädiktive KI birgt für die meisten Unternehmen noch erhebliches ungenutztes Potenzial.” - Arthur du Passage, Partner bei Artefact

Unternehmen, die in fragmentierten Märkten tätig sind, sehen sich mit vier hartnäckigen Problemen konfrontiert, die letztlich dazu führen, dass Teams Wachstumschancen verpassen und höhere Kosten pro Lead in Kauf nehmen müssen.

  • Fragmentierte Nachfrage: Bei Tausenden von Geschäften, die ständig eröffnen, schließen oder den Besitzer wechseln, ist es schwierig, den Überblick zu behalten, wo die wirklichen Chancen liegen.
  • Manuelle Schürfung: traditionell, door-zu-Tür-Prospektion verlangsamt die Teams und macht eine konsistente Marktabdeckung fast unmöglich.
  • Begrenzte Kapazitäten: Vertriebsmitarbeiter und Distributoren konzentrieren sich naturgemäß auf bestehende Kunden, was bedeutet, dass viel ungenutztes Potenzial unbemerkt bleibt.
  • Ungleiches Wissen: Lokales Know-how lässt sich selten über Regionen oder Teams hinweg verbreiten, was zu Lücken in der Marktkenntnis führt.

Ein data gesteuertes, wiederholbares System

Die Kombination von geografischen data- und maschinellen Lernmodellen bietet ein bewährtes, wiederholbares System: eine durchgängige, data- und KI-gesteuerte Pipeline, die neue Absatzmärkte identifiziert, bewertet und aktiviert. Das System besteht aus den folgenden vier modularen Komponenten, die zusammenarbeiten, um konsistente, skalierbare Ergebnisse zu erzielen.

Vier Bausteine

1) Universumsextraktion mit intelligenter Google Maps-Extraktion

Wir extrahieren programmatisch alle relevanten Verkaufsstellen (PoS) in den Gebieten, die Sie interessieren. Die Google Maps API bietet eine Fülle von Attributen, wie z.B. die Anzahl der Rezensionen und Bewertungen, Öffnungszeiten, Zahlungsarten und Arten von Dienstleistungen. Die größte Einschränkung der Google Maps API besteht jedoch darin, dass sie eine maximale Anzahl von Datensätzen (20) pro Aufruf zurückgibt und das Preismodell auf der Anzahl der API-Aufrufe basiert. Ein Brute-Force-Ansatz besteht darin, die API in regelmäßigen Abständen über ein Raster in den Gebieten von Interesse aufzurufen. Die Wahl des Abstands der Intervalle ist jedoch entscheidend, da sie sich direkt auf die Kosten und die Fähigkeit auswirkt, alle relevanten Verkaufsstellen zu extrahieren.

Illustration des Rasters, das für die Extraktion von data aus Google Maps mit einem Brute-Force-Ansatz verwendet wurde

Wir begegnen dieser Einschränkung mit einer adaptiven, auf Sechsecken basierenden Kachelstrategie, die von Ubers Hexagonal Hierarchical Geospatial Indexing System, kurz H3, inspiriert ist. Wir unterteilen die Geografie in Sechsecke und unterteilen rekursiv nur die Kacheln, die Ergebnisse in Höhe der API-Obergrenze liefern. Wenn eine Kachel weniger als zwanzig Orte liefert, gehen wir zur nächsten Kachel über. Wenn eine Kachel die Obergrenze erreicht, unterteilen wir sie in kleinere Sechsecke und fragen erneut ab. Dieser Ansatz konzentriert die API-Aufrufe auf Bereiche mit hoher Dichte und bewahrt eine nahezu vollständige Abdeckung, während er die Gesamtzahl der Aufrufe im Vergleich zu gleichmäßigen Rastern um etwa 90% reduziert.

 

Optimierte data-Extraktion aus der Google Maps API unter Verwendung des Hexagonal Hierarchical Spatial Index (H3) von Uber

2) CRM data-Anreicherung

Wir gleichen Ihr CRM (oder Ihre Händlerlisten) mit dem extrahierten Universum ab, damit wir Lücken füllen und Attribute hinzufügen können. Wir führen zunächst einen unscharfen Abgleich von Name, Adresse und Breiten-/Längengrad mit den Ergebnissen aus Schritt eins durch und lösen dann die verbleibenden Datensätze auf, indem wir die Google Place ID API verwenden, um die Attribute abzurufen. Auch hier ermöglicht uns das Vorgehen in zwei Schritten, die mit Google Maps data verbundenen Kosten erheblich zu reduzieren.

3) Training des Scoring-Modells

Sobald wir dieses angereicherte CRM dataset zusammengestellt haben, trainieren wir erklärbare Modelle, die sowohl die Kaufwahrscheinlichkeit als auch den potenziellen Wert auf der Grundlage Ihrer Definition einer “guten” Verkaufsstelle auf der Basis der Point of Sales-Attribute von Google vorhersagen. Die Modelle erzeugen Lead-Scores auf einer Skala von 0-100 und zeigen die wichtigsten Faktoren auf, damit die Teams die Gründe dafür verstehen können.

 

4) Universumweite Vorhersage

Wir verwenden dieses Modell dann, um jede Verkaufsstelle im Geo-Universum zu bewerten, nicht nur diejenigen, die bereits in Ihrem CRM erscheinen. Dieser Schritt offenbart White-Space-Chancen und Mikro-Cluster, die Ihre Teams sofort angehen können, was zu einer signifikanten Verbesserung der Verkaufskonversion führt.

“Eine praktische Anwendung von Data und KI, die schnell Werte liefert und ohne große Investitionen in Systeme skaliert werden kann - das ist es, was Kunden suchen.” - Michael McGauran, Partner bei Artefact

Anreicherung des Bildes über Google Maps hinaus

Wenn ein Anwendungsfall zusätzliche Präzision erfordert, fügen wir umfangreichere Signale hinzu:

  • Digitale Quellen wie soziale Medien oder, sofern verfügbar, öffentliche und kommerzielle APIs, um Popularitätsindikatoren wie die Anzahl der Follower, die Häufigkeit von Postings und Influencer abzuleiten.
  • GenAI Computer Vision analysiert Google- und Instagram-Fotos, um Menüpunkte zu erkennen, auf das Ambiente, den wahrgenommenen Premiumwert und das Vorhandensein von Hinweisschildern oder Geräten der jeweiligen Kategorie zu schließen.
  • Stichproben der Ergebnisse durch Umfragen oder Expertenanalysen, um statistisch fundierte Attribute über das größere dataset abzuleiten und die Qualität der Modelle zu validieren.

Spielstände in Aktionen verwandeln

Die Lead-Bewertungen werden dann in konkrete Aktionen umgewandelt, die mit dem Go-to-Market-Modell übereinstimmen.

  • Optimierung von Routen und Gebieten: Erstellung von täglichen Besuchsplänen, die den erwarteten Wert maximieren und gleichzeitig die betrieblichen Einschränkungen berücksichtigen. Die Pläne berücksichtigen repräsentative Arbeitszeiten, Besuchsdauern, Öffnungszeiten und Reisezeiten. Das System unterstützt auch ausgeglichene Gebiete und Regeln für die Besuchskadenz. Wir liefern geo-sequenzierte Reisepläne.
  • KI-Agenten für die Vorqualifizierung: Setzen Sie für bestimmte Verkaufsstellenarten Outbound-Agenten ein - per Sprache oder Chat -, die priorisierte Verkaufsstellen kontaktieren und wichtige Details wie Kontaktnamen, Status und Interesse validieren. Qualifizierte Leads werden dann an den Vertriebsmitarbeiter zur weiteren Bearbeitung weitergeleitet.
  • Verkaufsautomatisierung: Für bestimmte Segmente und Geschäftsarten - z.B. ein kleines Unternehmen, das ein Geschäftskonto auf Kanälen wie Zalo oder WhatsApp betreibt, kann ein Teil oder der gesamte Verkaufszyklus durch automatisierte oder berührungsarme Prozesse eingeleitet oder sogar abgeschlossen werden

Was Kunden typischerweise erreichen

Jeder Markt verhält sich anders, aber die Kunden heben immer wieder wichtige Vorteile hervor, darunter

  • Zugang zu einer umfassenden Liste relevanter Verkaufsstellen, die ihnen eine größere Sichtbarkeit und ein tieferes Verständnis des Marktes verschafft, das oft das ihrer Händler übertrifft.
  • Zwei- bis dreimal mehr qualifizierte Leads als bei traditionellen Ansätzen
  • Ein motivierteres, engagierteres Verkaufspersonal, das höhere Erfolgsquoten wahrnimmt und sich auf sinnvollere und relevantere Kundengespräche einlässt

Wie man anfängt

Erste Schritte in drei einfachen Schritten: Zunächst kartieren Sie den Markt, indem Sie Geo-data-Quellen verwenden, um einen vollständigen Überblick über potenzielle Ziele in Ihrem Zielgebiet zu erhalten. Als Nächstes bewerten Sie die Chancen, indem Sie dieses Universum mit Ihrem CRM data kombinieren, um ein Modell zu trainieren, das die Ziele nach ihrem potenziellen Wert und ihrer Kaufwahrscheinlichkeit einstuft. Schließlich aktivieren und lernen Sie, indem Sie die Ergebnisse durch optimierte Routen oder automatisierte Ansprache einsetzen, die Konversion verfolgen und das Modell vor der Skalierung verfeinern. KI-gestützte Leads in Kombination mit Aktivierungsmitarbeitern vor Ort und automatisierter Marketingansprache sind ein leistungsstarkes Modell, um den B2B-Vertrieb in großem Umfang zu fördern, und Early Adopters sind gut aufgestellt, um zu gewinnen.