360°-Kundensicht mit KI: Datengetriebener Vertrieb für 1,2 Millionen Kunden

Eine 360°-Kundensicht bedeutet, alle verfügbaren Informationen über einen Kunden an einem Ort zusammenzuführen: Stammdaten, Produktnutzung, Kontakthistorie, Präferenzen. Statt fragmentierter Daten in verschiedenen Systemen entsteht ein vollständiges Bild.

Für den Vertrieb ist das entscheidend: Wer den Kunden kennt, berät besser. Wer Muster erkennt, kann Cross-Selling-Potenziale nutzen. Und wer Absprungrisiken früh sieht, kann gegensteuern. Gleichzeitig schafft eine konsolidierte Datenbasis die Voraussetzung für den Einsatz von KI: Erst wenn Daten aus verschiedenen Quellen zusammenfließen, werden Zusammenhänge sichtbar, aus denen Modelle lernen können. Ohne ganzheitliche Kundensicht bleiben diese Potenziale unsichtbar.

Im Projekt mit dem ADAC Hansa hat PLAN D Daten aus über zehn verschiedenen Quellen konsolidiert und in einer zentralen Oberfläche zugänglich gemacht. Das Ergebnis: eine Verdopplung der Verkaufswahrscheinlichkeit.

Churn Prediction bezeichnet die datenbasierte Vorhersage, ob ein Kunde das Unternehmen verlassen wird. Ein Machine-Learning-Modell analysiert historische Daten — etwa Mitgliedschaftsdauer, Kontaktverhalten, Tarifart und bisherige Produktnutzung — und erkennt Muster, die typisch für abwandernde Kunden sind.

Das Modell gibt für jedes Mitglied eine Absprungwahrscheinlichkeit aus. Vertriebsmitarbeiter können gezielt auf Kunden mit erhöhtem Risiko zugehen, bevor es zur Kündigung kommt. Der entscheidende Vorteil: Statt auf Kündigungen zu reagieren, wird proaktiv gehandelt.

Im ADAC-Hansa-Projekt ergänzt das Churn-Modell die Empfehlungsmodelle für Reisen und Trainings. Zusammen ergeben sie ein umfassendes Bild der Kundensituation.

Datengetriebener Vertrieb bedeutet, Entscheidungen im Verkaufsprozess auf Basis von Daten und Analysen zu treffen — nicht allein auf Erfahrung und Bauchgefühl. Das reicht von der Frage, welchem Kunden welches Produkt empfohlen wird, bis zur Priorisierung von Kontakten nach Abschlusswahrscheinlichkeit.

Die Voraussetzungen dafür: eine konsolidierte Datenbasis, die alle relevanten Kundendaten zusammenführt, und Analysemethoden, die aus diesen Daten handlungsrelevante Erkenntnisse ableiten. KI-Modelle können dabei individuelle Empfehlungen generieren, die über einfache Segmentierung hinausgehen.

Im Projekt mit dem ADAC Hansa wurde dieser Ansatz durchgängig umgesetzt: von der Datenkonsolidierung über drei KI-Modelle bis hin zu einer Vertriebsoberfläche, die Empfehlungen direkt im Beratungsgespräch liefert.

Datenschutz und KI schließen sich nicht aus — wenn der Prozess von Anfang an mitgedacht wird. Im Projekt mit dem ADAC Hansa hat PLAN D mehrere Maßnahmen umgesetzt: Personenbezogene Daten werden vor der Analyse anonymisiert. Namen, Geburtsdaten, Telefonnummern und E-Mail-Adressen werden durch Zufallswerte ersetzt, Mitgliedsnummern kryptografisch bearbeitet. Die Datenverarbeitung erfolgt in einer gesicherten Infrastruktur innerhalb Deutschlands.

Entscheidend ist außerdem die enge Zusammenarbeit mit dem Datenschutzbeauftragten von Beginn an — nicht als nachträgliche Prüfung, sondern als integraler Bestandteil des Projekts. So entstehen Lösungen, die sowohl datenschutzkonform als auch leistungsfähig sind.

Ein Ähnlichkeitsfaktor ist ein Ansatz im Machine Learning, der zum Einsatz kommt, wenn keine negativen Trainingsdaten vorliegen. Klassische Klassifikationsverfahren benötigen sowohl positive Beispiele (Kunde hat gekauft) als auch negative (Kunde hat nicht gekauft). Liegen nur positive Daten vor, können übliche Verfahren nicht eingesetzt werden.

Der Ähnlichkeitsfaktor löst dieses Problem, indem er jeden Kunden mit den Eigenschaften bekannter Käufer vergleicht. Je ähnlicher ein Kunde dem Profil zufriedener Kunden in einem bestimmten Segment ist, desto höher die prognostizierte Kaufwahrscheinlichkeit. Dieser Ansatz ist besonders nützlich in Vertriebskontexten, in denen nur Kaufdaten, aber keine Ablehnungsdaten existieren.

Im ADAC-Hansa-Projekt wurde der Ähnlichkeitsfaktor für alle drei KI-Modelle eingesetzt: Reiseempfehlungen, Trainingsempfehlungen und Churn Prediction.

Cross-Selling-Potenziale werden sichtbar, wenn Kundendaten aus verschiedenen Geschäftsbereichen erstmals zusammengeführt und gemeinsam analysiert werden. Häufig zeigt sich dabei: Ein Großteil der Kunden nutzt nur einen Bruchteil des Produktportfolios. Im Fall des ADAC Hansa hatten weniger als ein Prozent der Mitglieder Produkte aus mehr als einem Geschäftsbereich gebucht.

Explorative Datenanalyse identifiziert Customer Journeys, saisonale Muster und Kundensegmente. KI-Modelle gehen einen Schritt weiter: Sie berechnen für jedes einzelne Mitglied, welche Produkte aus anderen Sparten am wahrscheinlichsten interessant sind. So wird aus einem unsichtbaren Potenzial eine konkrete Empfehlung.

Das hängt von der Ausgangslage ab: Wie viele Datenquellen gibt es? Wie ist die Datenqualität? Welche Infrastruktur existiert? Typischerweise gliedert sich ein solches Projekt in Phasen: Datenexpedition und Konsolidierung, explorative Analyse, KI-Modellentwicklung, Oberflächenentwicklung und Produktivbetrieb.

Entscheidend ist, dass jede Phase eigenständigen Wert liefert. Die explorative Analyse liefert bereits Erkenntnisse, bevor das erste KI-Modell steht. Die konsolidierte Datenbasis ist ein Gewinn, auch unabhängig von der Vertriebsoberfläche. Pragmatismus schlägt Perfektion: Lieber mit verfügbaren Daten starten und iterativ verbessern, als auf die perfekte Datenlage zu warten.