Als Master B2B Führungskräfte aus E-Commerce-Unternehmen im ganzen Land zu Gesprächsrunden einlud, erwartete man Beiträge zu Strategien für die Verwaltung von generativer KI und Personalisierung. Stattdessen wurde als häufigste strategische Priorität „die Verwaltung unserer Analysen und Berichte“ genannt.

Diese Antwort zeigt, dass sich im B2B-E-Commerce ein entscheidender Wandel vollzieht. Den Unternehmen fehlen keine Daten, sondern sie haben Schwierigkeiten, diese Daten in handlungsrelevante Erkenntnisse umzuwandeln, mit denen sie ihre Rentabilität verbessern können. Während Unternehmen seit Jahren E-Commerce-Analysen nutzen, um Berichte zu erstellen, stehen bei Fortschritten im Bereich KI im E-Commerce vorausschauende Analysen stärker im Vordergrund: die Nutzung historischer Daten zur Vorhersage zukünftiger Geschäftsergebnisse.

Der Einsatz könnte nicht höher sein. In der heutigen Wirtschaftslage muss jede Investition in Digitalisierung einen klaren ROI aufweisen, und jeder Kundeninteraktionspunkt muss die Bindung und das Wachstum fördern. Deshalb nutzen führende B2B-Unternehmen KI und vorausschauende Analysen nicht nur als Reporting-Tool, sondern als strategischen Rentabilitätsfaktor.

Für den vierten Teil der Reihe „Rentabilität als Notwendigkeit“ befragte Master B2B 86 Führungskräfte der Bereiche Fertigung und Vertrieb weltweit dazu, wie sie an Investitionen in Daten und Analysen herangehen. Die Ergebnisse zeigen, dass 44 % der Unternehmen ihre Ausgaben für Analysen im Jahr 2024 gesteigert haben. Die meisten lassen sich jedoch wichtige Gewinnchancen entgehen, die sie durch eine intelligentere Nutzung ihrer Daten erzielen könnten.

Sehen wir uns an, wie zukunftsorientierte Unternehmen ihren Umgang mit Daten – und damit ihre Geschäftsergebnisse – transformieren.

Das Potenzial vorausschauender KI zur Transformation von Geschäftsentscheidungen

Vorausschauende Analysen stellen eine grundlegende Verschiebung vom deskriptiven Reporting hin zu strategischen Prognosen dar. Während herkömmliche E-Commerce-Analysen verdeutlichen, was in der Vergangenheit passiert ist – Website-Traffic, durchschnittlicher Auftragswert, Konversionsraten –, helfen Ihnen KI und vorausschauende Analysen zu verstehen, was als Nächstes passieren wird.

Dieser Unterschied ist für die Rentabilität enorm wichtig. Sehen wir uns beispielsweise die Optimierung der Lieferkette an: Anstatt lediglich Lagerbestände zu verfolgen, kann vorausschauende KI saisonale Muster, geografische Trends und Nachfragesignale analysieren, um optimale Lagerbestände sicherzustellen. Als Beispiel für diesen Ansatz führen wir hier die Einkaufsgenossenschaft der Schnellrestaurant-Kette Wendy's an. Sie nutzt KI und vorausschauende Analysen, um die Bestände für ihr Angebot „$1 Frosty“, ein tiefgefrorenes Dessert, an 6.000 Standorten zu verwalten. Der Einkaufsleiter von Wendy's ist überzeugt, dass Unternehmen, die diese Tools nicht nutzen, innerhalb weniger Jahre „einen deutlichen Nachteil“ haben werden.

Die Umfrage zeigt, dass B2B-Unternehmen KI und vorausschauende Analysen bevorzugt für kundenbezogene Anwendungen wie Marketingkampagnen (Akzeptanz von 17,4 %) und Produktempfehlungen (12,8 %) nutzen. Weniger als 10 % verwenden diese Tools jedoch für zentrale operative Funktionen wie Bedarfsprognosen oder Lageroptimierung – ein enormes ungenutztes Potenzial.

Anwendungsfälle für höhere E-Commerce-Umsätze

Die erfolgreichsten KI-Implementierungen im E-Commerce konzentrieren sich auf drei Bereiche, in denen sich eine hohe Wirkung erzielen lässt.

Optimierung von Logistikketten und Einkauf

Vorausschauende Analysen können große Mengen von Einkaufsdaten analysieren, um saisonale und geografische Einkaufstrends zu erkennen. Dadurch können Unternehmen sicherstellen, dass sie über die optimale Bestandsmenge an den richtigen Einzelhandelsstandorten verfügen. Dieser Aspekt gewinnt an Bedeutung, wenn Inflation für höhere Lagerkosten sorgt, sodass es unerschwinglich wird, Überbestände an mehreren Standorten zu halten.

Die Umfragedaten zeigen, dass nur 8,1 % der Unternehmen derzeit generative KI für die Optimierung der Lieferkette in ihren vorausschauenden Analysen verwenden. Das bedeutet eine weitere ungenutzte Chance, mit der sich Wettbewerbsvorteile erzielen ließen.

Dynamische Preisfindungsstrategien

Während die dynamische Preisgestaltung inzwischen seit mehr als 20 Jahren im Gespräch ist, ermöglichen Fortschritte bei KI nun eine stärker automatisierte und präzisere Preisoptimierung als je zuvor. Delta Air Lines gab vor Kurzem bekannt, dass es mit KI-Preisfindungstechnologien arbeitet, um Preisentscheidungen zu automatisieren, für die zuvor ein Analyst erforderlich war.

Auf einem Investorentag, der kürzlich stattfand, erläuterte Glenn Hauenstein, der Präsident von Delta, die Leistungsfähigkeit dieser neuen Preisgestaltungstools: „Mit KI verfügen wir heute über einen Spitzenanalysten. Dieser Analyst arbeitet an sieben Tagen in der Woche rund um die Uhr und versucht, in Echtzeit – mit denselben Daten, auf die auch ein menschlicher Analyst Zugriff hat –, die optimalen Preise zu simulieren.“

Die finanziellen Auswirkungen sind erheblich. Eine Studie im Journal of Professional Pricing kam zu dem Ergebnis, dass die Preisoptimierung zu einer Verbesserung des EBIT um 2 bis 5 % führen kann – eine bedeutende Margensteigerung, die sich unmittelbar auf die Rentabilität auswirkt.

Die Rolle des Analysten stärken

KI und vorausschauende Analysen ersetzen nicht nur Routineaufgaben, sondern sorgen dafür, dass menschliche Analysten deutlich bessere Ergebnisse erzielen. Große Unternehmen sind derzeit auf der Suche nach Datenwissenschaftlern, die Tools auf Basis großer Sprachmodelle entwickeln können. Diese Tools sollen Daten aufnehmen, Inferenzen durchführen und Vorhersagen treffen können, im Grunde eine Art virtueller Analysten.

Aus dem Studienbericht geht außerdem hervor, dass Walmart eine Stelle für einen Datenwissenschaftler ausgeschrieben hatte, der „eine hochmoderne SaaS-Plattform entwickeln kann, die LLMs und Modelle für maschinelles Sehen (Computer Vision) nutzt, um Erkenntnisse über den Einzelhandel zu gewinnen und Entscheidungsprozesse zu automatisieren, die die Kundenzufriedenheit und operative Effizienz verbessern.“

In der Zwischenzeit können vorhandene Datenanalysten Was-wäre-wenn-Simulationen schneller denn je ausführen, die vorausschauende Analysen für das E-Commerce-Wachstum durch bessere Prognosen zur Gewinnmaximierung ermöglichen. Analysten können beispielsweise Fragen folgender Art schnell modellieren: „Was wäre, wenn wir ein bestimmtes Produkt über einen anderen Lieferanten beziehen und die gesamte Fertigung in die Nähe dieses Lieferanten verlagern?“ oder „Welche Auswirkungen hätte es auf die Produktmargen, wenn wir auf einen Lieferanten verzichten und mehr bei einem anderen Lieferanten kaufen?“

Schaffung von Teamstrukturen für erfolgreiche Analyselösungen

Die Umfrage förderte eine beunruhigende Lücke zutage: 52 % der Unternehmen fehlen eigene Datenanalysten für ihre E-Commerce-Plattform. Dieser Personalmangel steht in einem direkten Zusammenhang mit der geringen Akzeptanz fortschrittlicher Analysetechniken. Ohne dediziertes Fachwissen haben Unternehmen Schwierigkeiten, über das grundlegende Reporting hinaus vorausschauende Analysen für ihr geschäftliches Wachstum umzusetzen.

Master B2B empfiehlt einen Vier-Säulen-Ansatz für den Aufbau von Analytics-Teams:

• Datenauswertung und -aufbereitung
  Ein Datenanalyst verschafft sich einen Überblick darüber, wie genau und vollständig die verfügbaren Datensets sind und identifiziert Ausreißer, die Modelle für vorausschauende KI verfälschen könnten.
• Visualisierung und Storytelling
  Business-Analysten erstellen aussagekräftige Berichte, die komplexe E-Commerce-Analysen in handlungsrelevante Erkenntnisse für Stakeholder im gesamten Unternehmen umsetzen.
• Tests und Validierungen
  Ingenieure und Produktmanager arbeiten mit Datenwissenschaftlern zusammen, um statistisch fundierte Test-Frameworks zu erstellen und sicherzustellen, dass Modelle für vorausschauende Analysen genaue Prognosen liefern.
• Skalierung und Implementierung
  Datenwissenschaftler erstellen robuste Modelle auf der Grundlage von Testergebnissen und arbeiten funktionsübergreifend daran, neue KI- und Predictive-Analytics-Funktionen im gesamten Unternehmen zu implementieren.

Unternehmen, die KI im E-Commerce erfolgreich skalieren, berichten, dass sie durch diesen strukturierten Ansatz die häufig auftretende Falle der „Analyselähmung“ umgehen. Er sorgt außerdem dafür, dass Erkenntnisse in gewinnbringende Maßnahmen umgesetzt werden.

Die Notwendigkeit der Datendemokratisierung

In jedem Teil dieser Forschungsreihe wurde hervorgehoben, wie wichtig die Erfassung und Integration von Daten aus dem gesamten Unternehmen ist. Eine wesentliche Ursache für Datensilos besteht darin, dass Teams befürchten, sie könnten die Kontrolle darüber verlieren, wer auf ihre Daten zugreift. Doch diese Denkweise trägt dazu bei, dass sich Datensilos eher stärker verbreiten.

Beseitigung von Datensilos

In einer Zeit, in der Kunden für ihre Käufe mehrere Kanäle nutzen und generative KI-Tools Zugriff auf möglichst viele Daten benötigen, um personalisierte Erlebnisse zu schaffen, sind Datensilos nicht länger tolerierbar. Diesen Wandel, mit dem alle Bereiche des Unternehmens Zugriff auf alle Geschäftsdaten erhalten, bezeichnen wir als „Demokratisierung von Daten“.

Eine Führungskraft eines globalen Herstellers von Bauteilen für Klimaanlagen berichtete kürzlich, dass in Bezug auf das Dateneigentum ein Umdenken im Unternehmen stattgefunden habe: „Wir haben beschlossen, uns nicht mehr so viele Gedanken darüber zu machen, dass unsere Daten nach draußen gelangen könnten – wer es wirklich auf diese Daten abgesehen hat, bekommt sie wahrscheinlich sowieso. Stattdessen wollen wir unsere Daten innerhalb des Unternehmens offener austauschen. Wenn das Digitalisierungsteam und das Vertriebsteam mit denselben Daten arbeiten, können sie selbst entscheiden, wie sie den Kunden bestmöglichen Service bieten.“

Festlegung von Datenqualitätsstandards

Datendemokratisierung bedeutet nicht, die Kontrolle über Daten abzugeben. Gartner Senior Director Analyst Melody Chien stellte kürzlich fest: „Eine hohe Datenqualität hat bessere Leads, ein besseres Kundenverständnis und bessere Kundenbeziehungen zur Folge. Datenqualität ist ein Wettbewerbsvorteil. Deshalb müssen Führungskräfte im Bereich Daten und Analysen die Qualität von Daten kontinuierlich verbessern.“

Für eine erfolgreiche Datendemokratisierung ist es erforderlich, einen Ausschuss einzurichten, um zu kontrollieren, wie Daten genutzt werden, und dafür zu sorgen, dass Daten den Unternehmensstandards entsprechen. Daten werden zwar nie perfekt sein, Unternehmen sollten jedoch Kriterien für eine ausreichende Datenqualität definieren und damit einen messbaren Standard festlegen.

Wettbewerbsvorteile durch integrierte Analysen

SAP CX begegnet diesen Herausforderungen mit integrierten E-Commerce-Analysefunktionen, die sich nahtlos an ERP-, CRM- und andere Unternehmenssysteme anbinden lassen. Diese Integration ermöglicht vorausschauende Analysen auf der Grundlage umfassender Kundendaten – vom Kaufverhalten über Serviceinteraktionen bis hin zu Finanzkennzahlen und operativen Daten.

Die Stärke von SAP liegt in der Datenintegration über die gesamte Unternehmenslandschaft hinweg. Das bedeutet, dass alle Erkenntnisse aus vorausschauenden KI-Analysen Rentabilitätsdaten enthalten können, die zur Optimierung von Entscheidungsprozessen für einen langfristigen geschäftlichen Mehrwert beitragen.

In Zeiten wirtschaftlicher Unsicherheit wird dieser integrierte Ansatz noch wertvoller. Unternehmen benötigen E-Commerce-Analysefunktionen, die das Kundenerlebnis verbessern und sich nachweislich auf den Gewinn auswirken.

Wichtigste Erkenntnisse für B2B-Führungskräfte

Wie in Teil 4 der vierteiligen Reihe „Rentabilität als Notwendigkeit“ von SAP und Master B2B ausführlich beschrieben, ist es heute möglich, Handelsabläufe mithilfe von KI und vorausschauenden Analysen zu transformieren. Viele Unternehmen erhöhen ihre Investitionen in Analyselösungen, und zukunftsorientierte Führungskräfte erkennen den Wettbewerbsvorteil, den diese Funktionen bieten.

Sofortige Maßnahmen:

• Erstellen Sie Ihre Analytics-Grundlage: 52 % der Unternehmen verfügen nicht über eigene E-Commerce-Datenanalysten, was dies zu Ihrem ersten Wettbewerbsvorteil macht.
• Schaffen Sie mit der Umsetzung der vier Säulen die Grundlage: Konzentrieren Sie sich auf Datenauswertung, Visualisierung, Tests und Skalierung.
• Demokratisieren Sie Ihre Daten: Beseitigen Sie Silos, die verhindern, dass Ihre Teams auf wichtige Kundeninformationen zugreifen können.
• Legen Sie Qualitätsstandards fest: Stellen Sie die Genauigkeit von Daten sicher und ermöglichen Sie gleichzeitig abteilungsübergreifenden Zugriff.
• Ändern Sie Ihre Denkweise: Stellen Sie sich nicht mehr die Frage „Was ist passiert?“, sondern „Was wird passieren?“ und „Wie können wir die Ergebnisse beeinflussen?“.

All das sind keine theoretischen Konzepte, sondern praktische Lösungen, die heute von führenden Unternehmen umgesetzt werden. Ihre Daten sind der Schlüssel zu höherer Rentabilität und nachhaltigem Wachstum. Es geht weniger um die Frage, ob diese Funktionen einmal unverzichtbar werden, sondern ob Ihr Unternehmen die Transformation anführt oder anderen folgt, die vor Ihnen handeln.

Mehr erfahren