AI Lead Gen - Wachstum in verteilten B2B-Märkten mit Data und AI fördern

Wie führende Unternehmen die Erkennung, Bewertung und Aktivierung von Leads systematisieren, in großem Umfang und zu geringeren Kosten

"In der heutigen Welt, in der GenAI und AgenticAI die Diskussion dominieren, ist dies eine rechtzeitige Erinnerung daran, dass echter Wert aus der Anwendung von AI zur Lösung konkreter Geschäftsprobleme entsteht, und nicht aus der Jagd nach dem neuesten Trend. Predictive AI 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 Akquise: Die traditionelleAkquise von Tür zu Tür verlangsamt die Teams und macht eine konsistente Marktabdeckung nahezu unmöglich.
• Begrenzte Kapazitäten: Handelsvertreter und Vertriebshändler konzentrieren sich naturgemäß auf bestehende Kunden, was bedeutet, dass viele ungenutzte Potenziale unentdeckt bleiben.
• Ungleiches Wissen: Lokales Know-how lässt sich selten über Regionen oder Teams hinweg verbreiten, was zu Lücken in der Marktkenntnis führt.

Ein data , reproduzierbares System

Die Kombination von data und maschinellen Lernmodellen bietet ein bewährtes, wiederholbares System: eine durchgängige, data und AI 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 gewünschten Gebieten. Die Google Maps API bietet zahlreiche Attribute wie Anzahl und Bewertung der Rezensionen, Öffnungszeiten, Zahlungsarten und Art der 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 interessierenden Gebieten aufzurufen. Die Wahl des Intervallabstands ist jedoch von entscheidender Bedeutung, da sie sich direkt auf die Kosten und die Fähigkeit auswirkt, alle relevanten Verkaufsstellen vollständig zu extrahieren.

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

Wir begegnen dieser Einschränkung mit einer adaptiven, hexagonalen 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, wird zur nächsten Kachel gewechselt. Wenn eine Kachel die Obergrenze erreicht, unterteilen wir sie in kleinere Sechsecke und führen die Abfrage erneut durch. Dieser Ansatz konzentriert die API-Aufrufe auf Bereiche mit hoher Dichte und bewahrt eine nahezu vollständige Abdeckung, während die Gesamtzahl der Aufrufe im Vergleich zu gleichmäßigen Rastern in der Regel um etwa 90 % reduziert wird.

 

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

2) data

Wir gleichen Ihr CRM (oder Ihre Verteilerlisten) 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 zum Abrufen von Attributen verwenden. Auch hier können wir durch das Vorgehen in zwei Schritten die mit den Google data verbundenen Kosten erheblich reduzieren.

3) Training des Scoring-Modells

Sobald wir diesen angereicherten CRM-Datensatz 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 Verkaufsstellenattribute von Google vorhersagen. Die Modelle erzeugen Lead-Scores auf einer Skala von 0 bis 100 und zeigen die wichtigsten Faktoren auf, damit die Teams die Beweggründe verstehen können.

 

4) Universumsweite Vorhersage

Dieses Modell verwenden wir 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 erheblichen Verbesserungen bei der Umsatzsteigerung führt.

"Eine praktische Anwendung von Data und AI , die schnell Werte liefert und ohne große Investitionen in Systeme skaliert werden kann - das ist es, was die 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 zur Ableitung von Popularitätsindikatoren wie Follower-Zahlen, Posting-Kadenz und Influencer.
• GenAI Computer Vision für Bilder zur Analyse von Google- und Instagram-Fotos, um Menüpunkte zu erkennen, auf das Ambiente, den wahrgenommenen Premiumwert und das Vorhandensein von Beschilderungen oder Geräten der Kategorie zu schließen.
• Stichproben der Ergebnisse durch Umfragen oder Expertenanalysen, um statistisch fundierte Attribute über den größeren Datensatz abzuleiten und die Qualität der Modelle zu validieren.

Die Ergebnisse in die Tat umsetzen

Die Lead-Bewertungen werden dann in konkrete Maßnahmen 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 betriebliche Beschränkungen 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.
• AI 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 über Kanäle 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, wodurch sie eine größere Sichtbarkeit und ein tieferes Verständnis des Marktes erhalten, 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

Der Einstieg in drei einfachen Schritten: Zunächst wird der Markt mithilfe von data kartiert, um ein vollständiges Bild der potenziellen Ziele in Ihrem Zielgebiet zu erstellen. Als Nächstes werden die Chancen bewertet, indem dieses Universum mit Ihren data kombiniert wird, 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. AI Leads in Kombination mit Aktivierungspersonal vor Ort und automatisierter Marketingansprache sind ein leistungsfähiges Modell zur Förderung des B2B-Umsatzes in großem Maßstab, und Early Adopters sind gut aufgestellt, um zu gewinnen.