Die Zukunft des Finanzwesens mit KI-gestützter CPQ navigieren

Was die Finanzprognosen und -modelle betrifft, so geschehen zwei Dinge gleichzeitig:

• Der rasche technologische Fortschritt erleichtert die Verarbeitung großer Mengen von Finanzdaten und deren Analyse auf neue Weise.
• Immer mehr Variablen beeinflussen die Finanzlandschaft und machen sie komplexer und unberechenbarer.

Es ist paradox: Die fortschreitende technologische Entwicklung eröffnet den Unternehmen enorme Möglichkeiten und macht gleichzeitig alles komplizierter.

Aber die Vorteile überwiegen bei weitem die Herausforderungen. Die Global Artificial Intelligence Study von PwC geht davon aus, dass KI bis 2030 einen Beitrag von 15,7 Billionen Dollar zur Weltwirtschaft leisten wird.

CPQ ist zwar per Definition ein Vertriebsinstrument, spielt aber auch eine wichtige Rolle in der Buchhaltung, Finanzplanung und Entscheidungsfindung auf höchster Ebene.

Und mit KI ist es vielleicht die nützlichste Quelle für Finanzdaten, die Ihr Unternehmen nutzen kann.

Der Aufstieg der KI in der CPQ

Im Kern ist die CPQ-Software (Configure, Price, Quote) darauf ausgelegt, Unternehmen bei der Automatisierung des Prozesses der Angebotserstellung für Aufträge zu unterstützen.

Schauen wir uns die drei Funktionen des CPQ-Prozesses genauer an:

• Konfigurieren - Auswählen von Produktoptionen und Anpassungen an die Kundenanforderungen.
• Preis - Berechnung der genauen Preise für jede Produktkonfiguration und des Gesamtpreises unter Berücksichtigung von Faktoren wie Mengenrabatten, Anpassungen und geografischen Preisunterschieden.
• Angebot - Erstellung eines detaillierten Angebots für den Kunden, das das konfigurierte Produkt oder die Dienstleistung, den Preis und die entsprechenden Bedingungen enthält.

Of course, a lot more than that goes into the sales process. Plus, what you choose to sell, how you sell it, and for what price ultimately determine whether you can run a sustainable and profitable business.

In der Vergangenheit waren Mutmaßungen und Intuition wichtige Bestandteile von Preisentscheidungen, aber das ändert sich jetzt. Mit KI läuft ein Großteil des CPQ-Prozesses entweder automatisch ab oder wird von intelligenten Algorithmen gesteuert.

Dynamische Preisgestaltung

Dynamische Preisgestaltung ist eine Preisstrategie, bei der Unternehmen flexible Preise für Produkte oder Dienstleistungen auf der Grundlage der Marktnachfrage in Echtzeit festlegen. Dabei wird KI eingesetzt, um die Preise als Reaktion auf sich ändernde Marktbedingungen anzupassen, z. B. auf Schwankungen von Angebot und Nachfrage oder auf Preisänderungen der Wettbewerber.

Bei der dynamischen Preisgestaltung kann Ihr CPQ eine Vielzahl von Faktoren bei der Preisgestaltung berücksichtigen:

• Kundenhistorie und -verhalten
• Preisgestaltung der Wettbewerber
• Saisonabhängigkeit und aktuelle Trends
• Produktverfügbarkeit und Lagerbestände
• Wirtschaftsindikatoren und Marktbedingungen

Fluggesellschaften und Mitfahrzentralen sind zwei Beispiele für Unternehmen, die dieses Modell erfolgreich umgesetzt haben. Ohne KI könnten diese Arten von Unternehmen nicht existieren, geschweige denn so florieren, wie sie es heute tun.

Preisoptimierung

Der Preis, den Ihre Kunden sehen, ist nur eine Zahl. Aber die Faktoren, die in ihn einfließen, sind alles andere als willkürlich. Hier kann die KI-gestützte CPQ wirklich glänzen.

Bei der Preisoptimierung werden Daten und Algorithmen verwendet, um einen Preispunkt zu bestimmen, der den Gewinn maximiert und gleichzeitig die Kundenzufriedenheit und die Nachfrage aufrechterhält. Richtig gemacht, landen Sie damit im Sweet Spot zwischen zu hoch und zu niedrig, wo Sie kein Geld auf dem Tisch liegen lassen oder Kunden mit einem Preisschock abweisen.

Obwohl die Verantwortung für die Festlegung des Preises und der Struktur bei Ihren Vertriebs-, Marketing- und Finanzleitern liegt, erleichtert KI eine fundierte Entscheidung erheblich.

So nutzt Oracle CPQ beispielsweise KI und maschinelles Lernen, um eine Vielzahl von Faktoren zu analysieren und die beste Preisstruktur für jedes Geschäft zu empfehlen.

Personalisierte Empfehlungen

Geführter Verkauf ist eine Standardfunktion in praktisch jedem CPQ-System. KI und maschinelles Lernen heben dieses Konzept auf die nächste Stufe.

Algorithmen des maschinellen Lernens können zahllose Konfigurationsoptionen schnell sortieren, um die praktikabelsten Lösungen für jeden Kunden zu ermitteln (unter Anwendung erweiterter Regeln). Dadurch werden der Zeitaufwand und die Komplexität dieses Prozesses erheblich reduziert.

Mit KI kann Ihre CPQ sogar Kundendaten und frühere Interaktionen analysieren, um personalisierte Produktempfehlungen und -konfigurationen bereitzustellen. Wenn Sie komplexe Produkte verkaufen, z. B. eine mehrstufige SaaS-Lösung oder individuell gefertigte Waren, kommen Sie auf diese Weise einer präzisen Angebotserstellung näher.

Und mit der Verarbeitung natürlicher Sprache (NLP) können Kunden ihre Anforderungen in ihren eigenen Worten beschreiben, und das Tool wird sie trotzdem verstehen. Auf diese Weise kann es Empfehlungen und personalisierte Angebote erstellen.

CPQ revolutioniert die Finanzprognose.

Die Vertriebsautomatisierung ist das übliche Verkaufsargument für CPQ-Software. Der eigentliche Wert liegt jedoch in der Fülle der historischen Verkaufsdaten, die Ihre Verkaufsabteilung durch den Einsatz der Software generiert.

Your CPQ knows your whole sales process start to finish — how long it takes, who’s involved, and the steps required to close the deal. It also knows which types of customers are more likely to buy and which configurations tend to generate the most revenue.

Diese ultra-granularen Einblicke in die Umsatzentwicklung führen nicht zu Durchschnittsprognosen, die nur in der Vorstandsetage verwendet werden können. Sie schaffen die Voraussetzungen für prädiktive Analysen in Ihrer gesamten Finanzlandschaft. 

Im Folgenden werden einige Möglichkeiten aufgezeigt, wie die KI von CPQ Ihrem Finanzteam helfen kann, dynamischere und umsetzbare Finanzprognosen zu erstellen:

Propensity-Modellierung

Propensity-Modelle prognostizieren die Wahrscheinlichkeit, dass ein Kunde auf eine bestimmte Preis- oder Marketingstrategie reagiert - z. B. Bündelungen, Sonderpreisangebote und andere Anreize, die zu Käufen, Upgrades oder Cross-Selling anregen.

Mit Hilfe von prädiktiven Analysen und maschinellem Lernen aus CPQ- und CRM-Daten bewerten Propensity-Modelle potenzielle künftige Aktionen Ihrer Kunden und Interessenten. Basierend auf deren Präferenzen und historischem Verhalten kann es vorhersagen, welche der von Ihnen angebotenen Optionen zu einem erfolgreichen Verkauf führen wird.

Außerdem können Sie diese Modelle auf bestimmte Kunden-Personas zuschneiden. Und Sie können verschiedene Strategien und Ansätze testen, um festzustellen, welche für die jeweilige Zielgruppe am besten geeignet sind.

Analyse des weißen Raums

‘White space’ refers to potential opportunities for growth, upsells, and cross-sells among your current or past customers. Machine learning techniques analyze your current customer base to discover relationships between customers, their industry, and their existing products.

Von dort aus kann es die Wahrscheinlichkeit vorhersagen, dass diese Kunden neue Produkte kaufen. Ihr CS-Team kann diese Informationen nutzen, um gezielt Chancen mit hoher Wahrscheinlichkeit zu nutzen und mehr Geschäfte zu machen.

Lead Scoring

Obwohl es sich bei der Lead-Bewertung um eine KI-gesteuerte CRM-Funktion handelt, hängt ihre Genauigkeit stark davon ab, ob ihre Algorithmen anhand geeigneter Daten aus CPQ trainiert werden.

Durch die Integration von CPQ und CRM werden die Punkte zwischen den Daten des Verkaufszyklus, der Produktbindung und dem Customer Lifetime Value miteinander verbunden. Wenn Sie die Reise eines jeden Kunden von A bis Z abbilden können, werden die prognostizierten Werte und Konversionswahrscheinlichkeiten Ihres Lead-Scoring-Systems viel genauer sein.

Prognose der Abwanderung

Einige CPQ-Plattformen analysieren für Sie Umsatz- und Kundenabwanderungsraten, so dass Sie Muster erkennen, den Umsatz pro Produkt und pro Segment vorhersagen und diese Daten dann für Ihre Kundenbindungsstrategie nutzen können.

PROS Smart CPQ ist ein perfektes Beispiel dafür. Durch Algorithmen des maschinellen Lernens bietet die Plattform Einblick in alle Faktoren, die die Kundenabwanderung beeinflussen. Sie benachrichtigt Sie, wenn abnehmende Muster wie Preissensibilität auftauchen. Sie können diese nutzen, um proaktive Maßnahmen zu ergreifen, um Ihre gefährdeten Kunden zu halten.

Prognosen auf hohem Niveau

Natürlich handelt es sich bei den Prognosen auf höchster Ebene , die Sie in der Vorstandsetage und in den Vorstandssitzungen verwenden, um längerfristige Projektionen. Aber sie beruhen auf Daten, die oft veraltet oder zu allgemein sind, um genaue Vorhersagen zu machen.

Durch den Einsatz von KI können Unternehmen anpassungsfähige, genaue Prognosen erstellen, die ein breiteres Spektrum an Variablen berücksichtigen als herkömmliche Methoden.

So sind KI-Prognosemodelle beispielsweise nicht durch die Menge, Art oder Qualität der Daten beschränkt, die sie analysieren können. Dadurch können sie sowohl interne Leistungsvariablen als auch externe Faktoren wie makroökonomische Bedingungen, Markttrends und sogar Wettereinflüsse auf das Geschäft berücksichtigen.

Preisführer verlassen sich auf KI-gestützte CPQ für datengesteuerte Entscheidungen.

Dank der Datentransparenz und -analyse von CPQ können Vertriebs-, Marketing- und RevOps-Führungskräfte taktische Entscheidungen auf der Grundlage eines vollständigen Bildes treffen.

Durch die Kombination aller Vertriebsdaten, die sich auf Ihre Preisstrategie auswirken - wie Kundensegmentierung, Wettbewerbsinformationen, Produktkosten und Markttrends - bietet CPQ eine ganzheitliche Sicht auf Ihr Unternehmen.

Sehen wir uns einige fortschrittliche Möglichkeiten an, wie Pricing Manager KI-gestützte CPQ nutzen können, um ihren Entscheidungsprozess zu unterstützen:

Rentabilitätsanalyse und -optimierung

Preisfindungsteams können CPQ nutzen, um die Zahlungsbereitschaft eines Kunden genau zu bestimmen, bevor sie Preise festlegen. Sie können es aber auch für Gewinn-/Verlustanalysen und risikoangepasste Preisgestaltung verwenden.

Wenn ein Kunde zum Beispiel bereit ist, x % mehr für ein zusätzliches Produkt oder eine zusätzliche Funktion zu zahlen, wie wirkt sich das auf Ihre Gewinnspanne aus? Und wie hoch ist die Wahrscheinlichkeit, dass Sie das Geschäft gewinnen, wenn Sie es anbieten?

KI-gestützte CPQ kann erkennen, welche Produkte das größte Potenzial für Upselling haben und welche Produkte das größte Risiko für eine Verringerung der Gewinnspanne bergen. Auf der Grundlage dieser Erkenntnisse können Sie fundierte Entscheidungen zur Preisstrategie treffen, um eine maximale Rentabilität zu erzielen.

Dynamische Diskontierung

Herkömmliche Methoden wie Tabellenkalkulationen reichen nicht aus, um verborgene Muster und Unstimmigkeiten bei der Preisgestaltung, den Rabatten und den Angebotsgrößen für verschiedene Kunden und Produkte aufzudecken. KI und maschinelles Lernen kommen hier ins Spiel, indem sie es den Verantwortlichen für die Preisgestaltung ermöglichen, die Wirksamkeit bestehender Rabattstrategien kritisch zu bewerten.

Erreicht wird dies durch die Analyse der Korrelation zwischen dem Umfang der Geschäfte und den angebotenen Rabatten sowie durch das Aufspüren von Anomalien, bei denen die Rabatte aufgrund geschickter Verhandlungstaktiken der Kunden unverhältnismäßig hoch ausfielen.

Ein Vorreiter in diesem innovativen Bereich ist Salesforce Einstein, das für seine Fähigkeit bekannt ist, optimale Einkaufspreise auf der Grundlage des genauen Standorts vorherzusagen.

Preissegmentierung

Die Preissegmentierung (auch Preisdiskriminierung genannt) ist eine mikroökonomische Preisstrategie, bei der verschiedene Kunden oder Segmente unterschiedliche Preispunkte für Produkte oder Dienstleistungen haben. Normalerweise werden diese Preise durch die Analyse historischer Transaktionsdaten ermittelt.

KI und maschinelle Lerntechnologien sind in der Lage, Preisempfindlichkeiten nach Segmenten zu erkennen und wertvolle Empfehlungen für Vertriebs- und Umsatzmanager zu geben. Ihre Genauigkeit bei der Vorhersage der Zahlungsbereitschaft von Kunden verbessert sich jedoch erheblich, wenn sie Zugang zu hochwertigen Vertriebs- und Transaktionsdaten haben.

Die Integration von automatisierten, segmentspezifischen Preisvorschlägen in CRM und CPQ ist daher entscheidend für erfolgreiche Preissegmentierungsstrategien.

Preis-, Mengen- und Produktmix-Analyse

Die Nutzung von KI und maschinellem Lernen zur Aufdeckung von Erkenntnissen in Transaktionsdaten, wie Preis-, Verkaufs- und Produkttrends, ist vielleicht die wichtigste Funktion fortschrittlicher CPQ-Analysetools.

Die Herausforderung besteht darin, Preis-, Mengen- und Produktmixschwankungen innerhalb der Transaktionsdaten zu entschlüsseln. Die Zusammenführung von Daten für die Analyse und das Verständnis von Schwankungen in einer benutzerfreundlichen Weise hat sich für viele als komplex erwiesen.

Ein System, das sich durch die erfolgreiche Integration von Transaktions- und Produktmixdaten mit KI auszeichnet, ist Vendavo. Es löst die Probleme der Benutzerfreundlichkeit, die andere Lösungen zur Preisoptimierung behindert haben.

Dieser innovative Ansatz ermöglicht eine dynamische Preisoptimierung, die auf die lokale Marktdynamik, die Wettbewerbslandschaft und internationale Aspekte zugeschnitten ist. Corning Optical Communications beispielsweise nutzte den KI-gestützten Profit Analyzer von Vendavo, um Möglichkeiten für Preis-, Margen- und Gewinnverbesserungen aufzuzeigen, was zu einer signifikanten Steigerung von 10 Millionen US-Dollar im ersten Jahr führte.

Was die Zukunft für KI-gestützte CPQ-Software bereithält

KI und maschinelles Lernen werden sich weiter entwickeln, und die CPQ-Branche wird einer der Hauptnutznießer sein. Alles, von der Warnung vor Geschäftsrisiken bis hin zur dynamischen Preisgestaltung, Strategien zur Geschäftsoptimierung, Einblicke in Volumen und Produktmix, wird in fortschrittliche KI-gestützte CPQ-Analysetools integriert.

Und da KI immer zugänglicher und skalierbarer wird, können Unternehmen jeder Größe sie nutzen, um sich einen Wettbewerbsvorteil auf dem Markt zu verschaffen.

Dennoch gibt es einige Herausforderungen für die Finanzabteilungen:

• Datenqualität und -genauigkeit
• Integration in bestehende Systeme
• Veränderungsmanagement und Lernkurve

Neben diesen Implementierungsherausforderungen gibt es auch praktische Überlegungen wie Datensicherheit und die Steuerung der Erwartungen an die Möglichkeiten von KI in CPQ-Systemen. Unternehmen müssen vorsichtig und strategisch vorgehen und sicherstellen, dass die Einführung der Technologie auf spezifische geschäftliche Herausforderungen ausgerichtet ist.

Dennoch lohnt sich die Investition zu 100 % für Finanzverantwortliche, die ihren Gewinn steigern und gleichzeitig das Risiko der Gewinnspanne verringern möchten. Mit KI-gestützter CPQ können Unternehmen datengestützte Entscheidungen treffen, die den Umsatz und die Rentabilität verbessern, Kundenbeziehungen stärken und nachhaltiges Wachstum fördern.