Wie KI Bedarfe prognostizieren kann
Bisher haben wir Commercial Intelligence vor allem als Möglichkeit betrachtet, Unternehmen besser zu verstehen. KI kann Produkte analysieren, Technologien erkennen, Fertigungsverfahren einordnen, öffentliche Informationen miteinander verbinden und Veränderungen sichtbar machen, die für den Vertrieb relevant sein könnten. Der nächste Schritt entsteht, wenn wir diese Informationen nicht mehr nur punktuell betrachten, sondern über einen längeren Zeitraum beobachten.
Dann verändert sich die Perspektive grundlegend. Aus einzelnen Informationen werden Entwicklungen, und aus Entwicklungen können Muster entstehen. Genau diese Muster sind interessant, wenn wir nicht nur wissen wollen, welches Unternehmen heute zu unserem Angebot passt, sondern bei welchem Unternehmen sich möglicherweise gerade ein zukünftiger Bedarf entwickelt.
Vorhersage bedeutet dabei ausdrücklich nicht, dass eine KI zuverlässig wissen kann, wer wann welches Produkt kaufen wird. Dafür sind Unternehmensentscheidungen zu komplex, zu individuell und von zu vielen internen Faktoren abhängig. Was KI aber leisten kann, ist eine deutlich bessere Einschätzung darüber, wo sich Rahmenbedingungen so verändern, dass ein Bedarf wahrscheinlicher wird.
Bedarf entsteht selten plötzlich
Von außen wirkt eine Investition oft wie ein einzelnes Ereignis. Ein Unternehmen bestellt eine neue Maschine, führt eine neue Software ein, automatisiert einen Produktionsschritt oder sucht einen neuen Lieferanten. Für den Vertrieb wird diese Veränderung häufig erst sichtbar, wenn bereits eine Anfrage vorliegt, eine Ausschreibung veröffentlicht wurde oder das Unternehmen aktiv über ein Projekt spricht.
Der eigentliche Bedarf ist zu diesem Zeitpunkt meist längst entstanden.
Nehmen wir einen mittelständischen Hersteller mit eigener Produktion. Zunächst steigen die Auftragseingänge. Einige Monate später werden zusätzliche Produktionsmitarbeiter gesucht, doch die Stellen bleiben lange offen. Gleichzeitig kündigt das Unternehmen eine Erweiterung seiner Produktionsfläche an und führt eine neue Produktlinie ein, die höhere Stückzahlen erzeugen soll. Irgendwann entsteht daraus die Entscheidung, einen bisher manuellen Prozess stärker zu automatisieren.
Wer nur die spätere Investitionsmeldung betrachtet, sieht das Projekt. Wer die Monate davor betrachtet, sieht dagegen die Entwicklung, die zu diesem Projekt geführt hat.
Genau darin liegt die Grundlage für prognostische Commercial Intelligence.
Aus Veränderungen entstehen Muster
Ein einzelnes Signal besitzt meist nur begrenzte Aussagekraft. Eine neue Stellenanzeige bedeutet noch nicht, dass eine Investition bevorsteht. Auch ein neues Produkt, eine Standorterweiterung oder ein großer Auftrag reichen für sich genommen selten aus, um einen konkreten Bedarf abzuleiten.
Interessant wird es, wenn mehrere Veränderungen in einen gemeinsamen Zusammenhang passen.
Bei einem Unternehmen mit eigener CNC-Fertigung könnte beispielsweise zunächst ein deutlicher Anstieg des Auftragsvolumens sichtbar werden. Wenig später sucht das Unternehmen zusätzliche Zerspanungsmechaniker, erweitert seine Fertigungsfläche und veröffentlicht schließlich eine Stelle im Bereich Automatisierung oder Produktionsoptimierung. Für einen Anbieter von Automatisierungstechnik, Werkzeugüberwachung oder Produktionssystemen verändert sich dadurch die Relevanz dieses Unternehmens Schritt für Schritt.
Nicht weil eines dieser Signale beweist, dass ein Projekt entstehen wird, sondern weil sich mehrere Informationen zu einer nachvollziehbaren Entwicklung verbinden.
KI kann helfen, solche Entwicklungen über viele Unternehmen hinweg zu erkennen. Sie kann untersuchen, welche Veränderungen zeitlich zusammen auftreten, welche typischen Reihenfolgen entstehen und ob ähnliche Situationen in der Vergangenheit häufiger zu bestimmten Investitionen oder Projekten geführt haben.
Damit verändert sich Unternehmensrecherche von einer statischen Suche nach passenden Firmen zu einer Beobachtung von Bewegungen innerhalb eines Marktes.
Die entscheidende Frage lautet nicht mehr nur, wer passt
Ein klassisches Ideal Customer Profile versucht zu bestimmen, welche Unternehmen grundsätzlich zu einem Angebot passen. Diese Information bleibt wichtig, denn eine Prognose ist nur dann vertrieblich relevant, wenn das Unternehmen überhaupt zum eigenen Geschäft gehört.
Commercial Intelligence erweitert diese Sicht deshalb um eine zweite Dimension.
Das Need Profile beschreibt, welche Produkte, Prozesse, Technologien, Anwendungen oder betrieblichen Situationen zum eigenen Angebot passen. Die kontinuierliche Beobachtung ergänzt anschließend die Frage, ob sich innerhalb dieses Unternehmens gerade etwas verändert, das den Bedarf verstärken könnte.
Ein Hersteller von Automatisierungstechnik interessiert sich beispielsweise nicht automatisch für jedes Unternehmen mit manueller Montage. Relevant wird es vor allem dort, wo zusätzliche Faktoren hinzukommen, etwa steigende Produktionsmengen, Schwierigkeiten bei der Personalgewinnung oder neue Anforderungen an Qualität und Taktzeit.
Erst aus dieser Verbindung von grundsätzlichem Fit und aktueller Veränderung entsteht eine wirklich interessante Situation.
Das ist auch der Grund, warum bloße Intent-Daten häufig zu kurz greifen. Ein Website-Besuch oder eine einzelne Recherchehandlung kann Aufmerksamkeit zeigen, erklärt aber noch nicht, welche geschäftliche Entwicklung dahintersteht. Commercial Intelligence versucht deshalb, den größeren Zusammenhang zu verstehen.
Zeit verändert die Bedeutung eines Signals
Für eine Prognose reicht es nicht aus, Signale nur zu sammeln. Entscheidend ist auch, wann sie auftreten und wie sie sich entwickeln.
Eine geplante Standorterweiterung kann Monate oder sogar Jahre vor einer konkreten Investition bekannt werden. Eine Reihe technischer Stellenanzeigen kann darauf hindeuten, dass ein Unternehmen Fähigkeiten aufbaut, bevor überhaupt ein Projekt veröffentlicht wird. Eine Ausschreibung liegt dagegen sehr weit hinten im Entscheidungsprozess und bedeutet häufig, dass Anforderungen bereits definiert und potenzielle Anbieter bekannt sind.
Damit besitzt jedes Signal nicht nur eine inhaltliche Bedeutung, sondern auch eine zeitliche Position.
Für den Vertrieb ist diese zeitliche Dimension entscheidend. Ein sehr spätes Signal kann zwar deutlich konkreter sein, bietet aber möglicherweise kaum noch Gelegenheit, ein Projekt mitzugestalten. Ein früheres Signal ist unsicherer, ermöglicht dafür aber einen deutlich früheren Einstieg in ein Gespräch.
Die Aufgabe von Commercial Intelligence besteht deshalb nicht darin, ausschließlich nach maximaler Gewissheit zu suchen. Sie muss den Punkt erkennen, an dem eine Entwicklung ausreichend relevant geworden ist, um Aufmerksamkeit zu verdienen, obwohl noch keine offizielle Kaufentscheidung gefallen ist.
Prognose bedeutet, Wahrscheinlichkeiten besser einzuschätzen
An dieser Stelle lohnt sich eine klare Abgrenzung. Wenn wir davon sprechen, dass KI Bedarfe prognostizieren kann, meinen wir keine sichere Vorhersage.
Ein Unternehmen kann alle sichtbaren Merkmale eines bevorstehenden Projekts zeigen und trotzdem nicht investieren. Vielleicht wird das Budget gestrichen, vielleicht ändert sich die Strategie, vielleicht entscheidet sich das Management für eine interne Lösung oder ein bestehender Lieferant übernimmt das Projekt.
Solche Informationen sind von außen häufig nicht sichtbar.
Eine seriöse Prognose muss deshalb mit Wahrscheinlichkeiten arbeiten. Sie kann feststellen, dass eine bestimmte Kombination von Veränderungen erfahrungsgemäß häufiger zu einer bestimmten Art von Bedarf führt. Daraus entsteht eine bessere Priorisierung, aber keine Gewissheit.
Der Unterschied ist entscheidend.
Die Aussage „Dieses Unternehmen wird in den nächsten sechs Monaten eine Automatisierungslösung kaufen“ wäre in vielen Fällen nicht belastbar. Die Aussage „Bei diesem Unternehmen verdichten sich mehrere Veränderungen, die typischerweise vor Automatisierungsprojekten auftreten“ beschreibt dagegen genau das, was wir tatsächlich wissen.
Für den Vertrieb reicht diese Information häufig völlig aus. Er benötigt keine perfekte Vorhersage. Er benötigt einen guten Grund, seine Aufmerksamkeit auf bestimmte Unternehmen zu konzentrieren.
Aus Vertriebserfahrung kann ein lernendes System entstehen
Besonders leistungsfähig wird dieser Ansatz, wenn öffentliche Informationen mit den eigenen Vertriebserfahrungen verbunden werden.
Erfahrene Vertriebsmitarbeiter verfügen häufig über ein sehr gutes Gespür dafür, wann sich in einem Unternehmen etwas entwickelt. Ein Verkäufer kennt vielleicht aus vielen Projekten das Muster, dass steigende Produktionsmengen in Kombination mit Personalmangel und Qualitätsproblemen häufig zu Automatisierungsinvestitionen führen.
Bisher bleibt dieses Wissen oft personengebunden.
KI bietet die Möglichkeit, solche Erfahrungen systematischer zu nutzen. Man kann untersuchen, welche Merkmale bei erfolgreichen Opportunities tatsächlich vorher sichtbar waren, welche Signale kaum Aussagekraft besaßen und welche Kombinationen besonders häufig mit Projekten zusammenfielen.
Dadurch entsteht ein Lernkreislauf. Der Vertrieb liefert Erfahrungswissen und tatsächliche Ergebnisse, während die KI überprüft, ob sich diese Muster auch bei größeren Mengen von Unternehmen wiederfinden.
Aus einem Need Profile kann so schrittweise ein Opportunity Profile entstehen, das nicht nur beschreibt, welcher Kunde grundsätzlich passt, sondern auch, welche Entwicklungen besonders häufig vor relevanten Projekten auftreten.
Der eigentliche Wert liegt in der Priorisierung
Der wirtschaftliche Nutzen dieser Entwicklung liegt weniger darin, einen zukünftigen Kauf möglichst exakt vorherzusagen. Viel wichtiger ist die Möglichkeit, den Markt intelligenter zu priorisieren.
Stellen wir uns vor, dass für ein bestimmtes Angebot grundsätzlich 8.000 Unternehmen infrage kommen. Nach Anwendung des Need Profiles bleiben davon vielleicht 900 High-Fit Accounts übrig. Bei 150 dieser Unternehmen sind aktuell relevante Veränderungen sichtbar, während sich bei 30 Accounts mehrere Signale zu einer besonders interessanten Entwicklung verdichten.
Für ein Vertriebsteam verändert sich dadurch die Ausgangslage vollständig.
Es muss nicht mehr entscheiden, welches der 8.000 Unternehmen heute angerufen werden soll. Die Recherche hat den relevanten Raum bereits stark verkleinert und liefert zusätzlich eine Begründung dafür, warum bestimmte Unternehmen gerade jetzt besondere Aufmerksamkeit verdienen.
Genau darin liegt der Nutzen einer Prognose im Vertrieb. Sie soll nicht die Entscheidung des Verkäufers ersetzen, sondern ihm helfen, seine begrenzte Zeit dort einzusetzen, wo aktuell die besten Voraussetzungen für ein relevantes Gespräch entstehen.
Von der einmaligen Suche zur kontinuierlichen Marktbeobachtung
Damit verändert sich auch die Vorstellung davon, wie neue Kunden gefunden werden.
Klassische Leadgenerierung ist häufig ein wiederkehrendes Projekt. Ein Vertriebsteam benötigt neue Leads, recherchiert eine Liste, arbeitet sie ab und beginnt einige Monate später erneut.
Ein Commercial-Intelligence-System kann dagegen einen Markt kontinuierlich beobachten. Unternehmen bleiben im Commercial Space sichtbar, auch wenn aktuell noch kein konkreter Bedarf erkennbar ist. Erst wenn sich ihre Situation verändert, steigt ihre Priorität.
Ein Unternehmen, das heute völlig uninteressant erscheint, kann dadurch sechs Monate später zu einer relevanten Opportunity werden. Vielleicht entsteht eine neue Produktlinie, vielleicht verändert sich der Produktionsprozess, vielleicht gewinnt das Unternehmen einen großen Kunden oder stößt mit seiner bisherigen Kapazität an Grenzen.
Entscheidend ist, dass diese Veränderung erkannt wird, ohne den gesamten Markt immer wieder manuell neu recherchieren zu müssen.
Die Suche wird dadurch zu einer dauerhaften Beobachtung von Entwicklung.
Aus Commercial Intelligence wird ein Frühwarnsystem für Vertrieb
Wenn man diesen Gedanken weiterführt, entsteht ein anderes Bild des modernen Vertriebs.
Ein Vertriebsmitarbeiter beginnt seinen Tag dann nicht mehr mit einer großen statischen Liste und der Frage, welches Unternehmen er als Nächstes bearbeiten soll. Stattdessen erhält er Hinweise darauf, welche Accounts sich verändert haben und warum diese Veränderungen für sein Angebot relevant sein könnten.
Ein Unternehmen hat eine neue Produktionshalle angekündigt, ein anderes baut zusätzliche technische Kompetenzen auf, während ein drittes seine Produktpalette in einen Bereich erweitert, der erstmals zum eigenen Need Profile passt.
Die Aufgabe des Vertriebs besteht dann darin, diese Situationen zu bewerten, zusätzliche Informationen einzuholen und zu entscheiden, ob daraus ein Gespräch entstehen sollte.
Commercial Intelligence wird dadurch zu einer Art Frühwarnsystem für geschäftliche Chancen. Es beobachtet nicht einfach Unternehmen, sondern Veränderungen innerhalb eines Marktes und macht diejenigen Entwicklungen sichtbar, die zu zukünftigen Bedarfen führen könnten.
Fazit
Der Schritt von der Suche zur Vorhersage ist kleiner, als er zunächst erscheint. Sobald Unternehmen kontinuierlich beobachtet werden, entsteht automatisch eine zeitliche Perspektive. Produkte verändern sich, Technologien werden eingeführt, Stellen entstehen, Standorte wachsen und Produktionsprozesse geraten unter neuen Druck.
KI kann diese Veränderungen miteinander verbinden und nach Mustern suchen, die auf zukünftige Bedarfe hindeuten. Sie kann dabei keine sicheren Kaufentscheidungen vorhersagen und sollte diesen Anspruch auch nicht erheben. Ihr Wert liegt darin, Unsicherheit besser zu strukturieren und den Vertrieb früher auf Unternehmen aufmerksam zu machen, bei denen sich eine relevante Entwicklung abzeichnet.
Damit verschiebt sich Commercial Intelligence erneut. Aus der Frage, welche Unternehmen grundsätzlich passen, wird die Frage, welche dieser Unternehmen gerade beginnen, besonders interessant zu werden.
Und genau diese Entwicklung führt zu einem grundlegenden Konflikt mit einem der heute am weitesten verbreiteten Werkzeuge der Neukundengewinnung.
Im nächsten Beitrag: Warum klassische Lead-Datenbanken das falsche Problem lösen
Lead-Datenbanken haben den B2B-Vertrieb über viele Jahre enorm effizient gemacht. Sie helfen dabei, Unternehmen nach Branche, Größe, Region, Technologie oder Ansprechpartnern zu filtern und in kurzer Zeit große Mengen potenzieller Kontakte zu identifizieren.
Das Problem besteht nicht darin, dass diese Daten falsch oder nutzlos wären.
Das Problem liegt tiefer.
Wenn moderne Vertriebsarbeit zunehmend davon abhängt, Veränderungen, Bedarfe und entstehende Geschäftssituationen zu erkennen, beantwortet eine klassische Lead-Datenbank möglicherweise sehr zuverlässig eine Frage, die für den Vertrieb gar nicht mehr die wichtigste ist.
Sie zeigt uns, welche Unternehmen existieren und grundsätzlich passen könnten.
Commercial Intelligence versucht dagegen herauszufinden, bei welchen dieser Unternehmen sich gerade ein Grund für ein Gespräch entwickelt.
Genau dieser Unterschied steht im Mittelpunkt des nächsten Artikels:
CI-028: Warum klassische Lead-Datenbanken das falsche Problem lösen.
👉 Empfehlung
Neben der manuellen Recherche haben wir Automatismen für Dich entwickelt:
bloo.research - Finde in Minuten die richtigen B2B-Unternehmen
bloo.radar - Erfahre, was Dein Wettbewerb als nächstes tut
bevor er es tut.
🚀 Nächster Schritt
Wenn du KI nicht nur verstehen, sondern strukturiert in deinem Unternehmen einsetzen willst, dann:
👉 Informiere dich über unsere KI-Weiterbildung:
https://bloo.school
👉 Informiere dich über unsere Smart Market Fit Angebote:
https://bloola.com/smf - Der Smart Market Fit Kurs
https://bloola.com/smf-system - Das Smart Market Fit System für Unternehmen
👉 Oder erfahre mehr über unsere Beratungs- und Automatisierungslösungen:
https://bloola.com
