KI-Empfehlungen im B2B-Vertrieb: von Co-Purchase-Listen zur Next Best Action
Empfehlungs-Engines entwickeln sich von einfachen Co-Purchase-Listen zu account-spezifischen Vorschlägen für Vertreter und Einkäufer. Wie die wichtigsten Ansätze funktionieren und was im Modegrosshandel Vertrauen schafft.
DAS WICHTIGSTE Zusammenfassung der Redaktion
- B2B-Empfehlungen reichen von einfachen Co-Purchase-Regeln bis zu account-spezifischen Modellen und Next-Best-Action-Vorschlägen für Vertreter.
- Im Modegrosshandel müssen Empfehlungen Saisonalität, Distributionsregeln, Mindestmengen und die Positionierung des Händlers respektieren, nicht nur frühere Kaufmuster.
- Vertreter und Einkäufer vertrauen Empfehlungen, die sie nachvollziehen können, deshalb sollte jeder Vorschlag eine kurze Begründung zeigen.
- Der beste Erfolgsmassstab ist zusätzlicher Orderwert und Sell-through beim Händler, nicht die Zahl angeklickter Empfehlungen.
- Empfehlungen funktionieren am besten, wenn sie den Vertreter im Termin unterstützen, statt die Beziehung zu umgehen.
Eine Einkäuferin arbeitet sich in einem digitalen Showroom durch eine Kollektion und legt eine Jacke in die Order. Der Bildschirm schlägt die passende Hose und einen Strickpullover vor, der sich in vergleichbaren Läden rasch abverkauft hat. Parallel erhält der Vertreter einen Hinweis, dass dieser Account ein Denim-Basismodell seit einigen Wochen nicht nachgeordert hat und vermutlich wenig Bestand hat. Beides sind KI-Empfehlungen, und beide werden im Modegrosshandel zum Standard. Ihr Nutzen hängt davon ab, wie sie gebaut sind und wie weit sie die Realität des B2B-Verkaufs respektieren.
Welche Arten von Empfehlungen werden im B2B-Modevertrieb genutzt?
| Ansatz | Funktionsweise | Typischer Einsatz | Einschränkung |
|---|---|---|---|
| Co-Purchase-Regeln | Produkte, die oft zusammen geordert werden | Looks vervollständigen, Cross-Selling innerhalb einer Order | Ignoriert Unterschiede zwischen Accounts |
| Ähnliche Accounts | Was vergleichbare Händler geordert haben | Modelle für neue oder kleinere Accounts vorschlagen | Hängt von guter Account-Segmentierung ab |
| Account-spezifische Modelle | Lernen aus der eigenen Historie und dem Sell-through eines Accounts | Personalisierte Vorschläge und vorausgefüllte Orders | Braucht Daten aus mehreren Saisons |
| Replenishment-Auslöser | Bestands- oder Verkaufssignale zeigen einen Bedarf an | Re-Orders von Continuity-Artikeln | Erfordert Bestands- oder Abverkaufsdaten der Partner |
| Next Best Action | Ordnet Aktionen für einen Vertreter über alle Accounts | Priorisierung von Anrufen, Nachfassaktionen und Angeboten | Schwer zu bewerten, Gefahr von Rauschen |
Die meisten Organisationen kombinieren mehrere Ansätze. Co-Purchase-Logik und der Vergleich mit ähnlichen Accounts funktionieren ab der ersten Saison; account-spezifische Modelle und Next Best Action erfordern reichhaltigere Daten und mehr Reife.
Warum unterscheidet sich der B2B-Modevertrieb von Empfehlungen für Konsumenten?
Empfehlungs-Engines für Konsumenten optimieren auf Klicks und Conversion bei Einzelkäufen. Wholesale-Empfehlungen unterliegen anderen Rahmenbedingungen:
- Saisonalität: Der Grossteil der Kollektion ist jede Saison neu, die Historie bezieht sich also auf Warengruppen, Passformen und Preislagen statt auf identische Produkte.
- Distributionsregeln: Manche Modelle sind bestimmten Account-Stufen, Regionen oder Kanälen vorbehalten und dürfen anderswo nie vorgeschlagen werden.
- Kommerzielle Konditionen: Mindestordermengen, Verpackungseinheiten und Lieferfenster bestimmen, was machbar ist.
- Positionierung des Händlers: Ein Einkäufer kuratiert für eine bestimmte Kundschaft und ein bestimmtes Ladenkonzept, daher kann die «beliebte» Wahl für diesen Account falsch sein.
- Beziehungen: Der Vertreter kennt oft Zusammenhänge, die nicht in den Daten stehen, etwa einen Ladenumbau oder einen Wechsel beim Einkäufer.
Eine Empfehlung, die diese Faktoren ignoriert, beschädigt das Vertrauen schnell. Ein einziger Vorschlag eines exklusiven Modells an den falschen Account oder eine Menge weit über dem Budget des Einkäufers kann dazu führen, dass die Nutzer die ganze Funktion abschreiben.
Was ist Next Best Action?
Next Best Action verschiebt den Fokus von Produkten auf Aktivitäten. Statt zu fragen «welches Modell sollte dieser Einkäufer ergänzen», fragt es «was sollte dieser Vertreter über alle Accounts hinweg als Nächstes tun». Typische Vorschläge sind, einen Account zu kontaktieren, dessen Re-Orders nachgelassen haben, bei einer unvollständigen Pre-Order nachzufassen, eine Re-Order eines sich schnell abverkaufenden Modells anzubieten oder einen Account zu markieren, der sein Geschäft zu reduzieren droht.
Der Wert liegt in der Priorisierung. Vertreter betreuen viele Accounts mit begrenzter Zeit, besonders zwischen den Orderphasen. Das Risiko ist Rauschen: Erzeugt das System zu viele Aufgaben mit geringem Wert, lernen Vertreter, es zu ignorieren. Eine kurze, priorisierte Liste mit klaren Begründungen funktioniert besser als ein erschöpfender Feed.
Wie baut man Empfehlungen, denen Vertriebsteams vertrauen?
- Hinterlegen Sie zuerst die Geschäftsregeln: Distributionsbeschränkungen, Mindestmengen und Lieferfenster wirken als harte Filter, bevor ein Modell Produkte reiht.
- Beginnen Sie mit einfacher, erklärbarer Logik und fügen Sie Komplexität nur hinzu, wenn sie die Ergebnisse messbar verbessert.
- Zeigen Sie Empfehlungen in den Werkzeugen, die Vertreter und Einkäufer bereits nutzen, im Moment der Order oder Vorbereitung.
- Lassen Sie Vertreter Vorschläge verwerfen oder anpassen und nutzen Sie dieses Feedback, um das Modell zu verbessern.
- Messen Sie die Ergebnisse mit einer Vergleichsgruppe: Accounts oder Vertreter mit Empfehlungen gegenüber solchen ohne.
Wie sollte der Erfolg gemessen werden?
Klickraten und die Zahl der empfohlenen Artikel, die in Orders landen, sind verlockende Kennzahlen, können aber das falsche Verhalten belohnen. Ein System, das zusätzliche Stück in einen Account drückt, erhöht womöglich den Orderwert dieser Saison und verursacht Abschriften und eine kleinere Order in der nächsten.
Bessere Massstäbe sind der zusätzliche Orderwert im Vergleich zu einer Kontrollgruppe, der Sell-through empfohlener Artikel beim Händler, die Re-Order-Raten bei Continuity-Modellen, der Anteil der von Vertretern übernommenen Vorschläge und die Kundenbindung über mehrere Saisons. Sie zeigen, ob Empfehlungen dem Händler beim Verkaufen helfen, und genau das trägt die Wholesale-Beziehung.
Empfehlungen werden das Wissen eines erfahrenen Vertreters nicht ersetzen, und sie sollten es auch nicht versuchen. Ihre Aufgabe ist es, jeden Vertreter so gut vorbereitet zu machen wie den besten, und dafür zu sorgen, dass kein Account übersehen wird, nur weil die Daten, die eine Chance anzeigten, in einem Bericht vergraben waren, den niemand lesen konnte.
Häufige Fragen
Welche Daten brauchen B2B-Vertriebsempfehlungen?
Mindestens eine saubere Orderhistorie nach Account und Produkt, Produktattribute und eine Account-Segmentierung. Sell-through- oder Bestandsdaten der Handelspartner verbessern die Qualität deutlich, besonders bei Replenishment und account-spezifischen Vorschlägen.
Funktionieren Empfehlungen bei einer neuen Saisonkollektion?
Ja, aber sie stützen sich auf Attribute statt auf identische Produkte. Das Modell lernt, welche Warengruppen, Passformen und Preislagen ein Account gut einkauft und abverkauft, und ordnet neue Modelle anhand dieser Merkmale zu.
Was ist der grösste Fehler bei der Einführung von Vertriebsempfehlungen?
Geschäftsregeln wie Exklusivität, Account-Stufen und Mindestmengen zu ignorieren. Schon wenige unpassende Vorschläge genügen, damit Vertreter und Einkäufer der Funktion nicht mehr vertrauen.
Eine Ausgabe an jedem Werktag. In fünf Minuten gelesen. Kostenlos für Branchenprofis.
