KI-Produktempfehlungen im B2B-Bereich schlagen das nächste Teil, den Plan, das Add-on oder die Nachbestellung vor, die ein Geschäftskäufer wahrscheinlich benötigt, basierend auf der Kaufhistorie, dem Kontotyp und dem Verhalten. Im Gegensatz zu Verbrauchershops befassen sich B2B-Empfehlungen mit Vertragspreisen, Wiederholungsbestellungen, technischer Kompatibilität und mehreren Personen, die für ein Unternehmen einkaufen. Das Playbook besteht darin, mit Nachbestellungs- und Kompatibilitätsvorschlägen zu beginnen, bei denen die Logik klar ist, und erst dann zu expandieren, wenn die Daten dies belegen.
Wie unterscheiden sich B2B-Empfehlungen von B2C?
Ein Modegeschäft empfiehlt basierend auf Geschmack und Trends. Ein B2B-Händler empfiehlt basierend darauf, was eine Anlage betreibt, was sie im letzten Quartal bestellt hat und was zu der Maschine passt, die sie bereits gekauft hat. Käufer kaufen oft für einen bekannten Bedarf ein, daher verschwendet ein falscher Vorschlag ihre Zeit mehr, als dass er sie verführt.
Auch die Kontostruktur spielt eine Rolle. Ein Unternehmen kann einen Einkaufsleiter, einen Ingenieur und einen Finanzprüfer haben, die das Portal jeweils unterschiedlich nutzen. Empfehlungen sollten an das Konto und, wo nützlich, an die Rolle gebunden sein, nicht nur an die einzelne Benutzersitzung.
Welche Daten treiben KI-Empfehlungen an?
Die meisten Systeme lernen aus einer Mischung von Signalen:
- Bestellhistorie nach Konto, einschließlich Häufigkeit und typischer Mengen.
- Produktbeziehungen wie kompatible Teile, Verbrauchsmaterialien und Ersatzteile.
- Browsing- und Suchverhalten im Portal oder auf der Website.
- Kontoattribute wie Branche, Größe und Region.
- Katalogdaten mit sauberen Kategorien und Attributen.
Kompatibilitätsdaten sind oft der schwierigste Teil. Wenn der Katalog nicht erfasst, welcher Filter zu welcher Einheit passt, rät das Modell anhand von Mitkaufmustern, was bei seltenen Produkten falsch sein kann. Die Bereinigung von Produktbeziehungsdaten zahlt sich über Empfehlungen hinaus aus, da sie auch die Suche und den Vertriebssupport verbessert.
Welche Plattformen bieten B2B-Empfehlungen an?
Mehrere Handelsplattformen beinhalten KI-Empfehlungen mit B2B-Funktionen. Adobe Commerce, das auf Magento basiert, bietet Produktempfehlungen, die von Adobe Sensei unterstützt werden. Salesforce Commerce Cloud beinhaltet Einstein-Empfehlungen, und seine B2B Commerce-Edition unterstützt kontobasiertes Kaufen. Shopify Plus verfügt über B2B-Funktionen und ein App-Ökosystem für Empfehlungen. Dedizierte Engines wie Algolia Recommend, Bloomreach und Google Clouds Vertex AI Search für den Handel können auf den meisten Stacks sitzen.
Vertriebsteams können ebenfalls Empfehlungen nutzen. CRMs wie Salesforce und HubSpot können vorgeschlagene Cross-Sells in Kontodatensätzen anzeigen, sodass Vertreter sie in Anrufen ansprechen können, anstatt sich auf ihr Gedächtnis zu verlassen.
Regeln plus Modelle
Reines maschinelles Lernen reicht im B2B-Bereich selten aus. Die meisten funktionierenden Setups kombinieren Geschäftsregeln, wie “immer das passende Dichtungsset für diese Pumpe anzeigen” oder “niemals eingestellte Artikel vorschlagen”, mit modellgesteuerten Vorschlägen für alles andere. Regeln decken die Fälle ab, in denen Fehler kostspielig sind; das Modell deckt den Long Tail ab, wo niemand Zeit hat, Regeln zu schreiben. Halten Sie die Regeln in einer Liste, die das Produktteam ohne Entwickler bearbeiten kann.
Wo sollten Empfehlungen erscheinen?
Platzieren Sie sie dort, wo der Käufer bereits eine Entscheidung trifft. Starke Platzierungen umfassen die Nachbestellungsseite (“Artikel, die Sie normalerweise damit bestellen”), den Warenkorb (“erforderliches Zubehör”), die Produktseite (“kompatible Teile”) und Auffüllungs-E-Mails, die auf typische Nachbestellungszyklen abgestimmt sind. Ein Dashboard-Widget, das ohne Kontext “für Sie empfohlen” sagt, wird tendenziell ignoriert.
Respektieren Sie Vertragspreise und Lagerbestand
Zeigen Sie den ausgehandelten Preis des Käufers und die tatsächliche Verfügbarkeit in jeder Empfehlung an. Ein Vorschlag, der den Listenpreis oder einen Artikel mit langem Rückstand anzeigt, schädigt das Vertrauen in das gesamte Portal.
Wie führt man ein Pilotprojekt durch?
Pilotprojekte im B2B-Bereich sollten gegen eine Kontrollgruppe gemessen werden, da große Konten oft sowieso bestellt hätten. Ein einfacher Plan:
- Wählen Sie eine Platzierung, wie Warenkorb-Zubehör, und eine Produktkategorie.
- Teilen Sie Konten in Test- und Kontrollgruppen ähnlicher Größe und Bestellwert auf.
- Führen Sie dies für mindestens einen vollen Nachbestellungszyklus durch, oft sechs bis zwölf Wochen.
- Vergleichen Sie den durchschnittlichen Bestellwert, die Anfügerate für vorgeschlagene Artikel und die Bestellhäufigkeit.
- Überprüfen Sie eine Stichprobe von Empfehlungen mit einem Produktexperten auf Genauigkeit.
Wenn die Testgruppe die Kontrollgruppe bei der Anfügerate nicht übertrifft, prüfen Sie die Datenqualität, bevor Sie den Algorithmus beschuldigen. Prüfen Sie auch, ob beide Gruppen während des Tests eine ähnliche Vertriebsaufmerksamkeit erhalten haben, da eine Vertreterkampagne, die auf Testkonten abzielte, den Vergleich verzerren würde.
Welche Kennzahlen zeigen den tatsächlichen Wert?
Die Klickrate bei Empfehlungen ist für sich genommen ein schwaches Signal. Bessere Messgrößen sind der Umsatz aus empfohlenen Artikeln, die zuvor nicht von diesem Konto gekauft wurden, die Anfügerate für Zubehör und Verbrauchsmaterialien, die Reduzierung von Support-Tickets zu falschen Teilen und die Zeitersparnis für Vertriebsmitarbeiter bei der Vorbereitung von Anrufen. Achten Sie auch auf die Marge, da Empfehlungen, die margenschwache Artikel pushen, den Umsatz steigern können, während sie den Gewinn verringern.