KI im Up- und Cross-Selling: Wann Personalisierung relevant wird

Thema: Agentic & AI
0
Porträt von Michael Altendorf
Autor
Michael Altendorf
Porträt von Isabell Gollmer
Autor
Isabell Gollmer
Von Daten über Informationen und Wissen zu nutzbaren Customer Insights

Wer einem Kunden mehr verkaufen möchte, sollte zuerst verstehen, was für ihn einen Mehrwert hat. Eine zusätzliche Leistung kann hilfreich sein, eine höherwertige Variante ebenso. Ob sie gerade passt, lässt sich aber nicht am Preisschild ablesen. KI kann bei der Auswahl unterstützen. Gute Empfehlungen beginnen trotzdem bei guten Kundendaten.

Personalisiertes Up- und Cross-Selling verbindet Kundenwissen mit Produktinformationen und geeigneten Analyseverfahren. Welche Leistungen werden genutzt, welche Muster sind erkennbar und welches Angebot könnte einen Bedarf besser erfüllen? Im Mittelpunkt steht der Use Case: eine passendere Angebotsentscheidung. Ob ein Modell diesen Zweck erfüllt, muss an der tatsächlichen Anwendung geprüft werden.

Mehr Leistung oder eine passende Ergänzung?

Beim Up-Selling geht es um eine höherwertige oder umfangreichere Variante eines Angebots. Cross-Selling richtet sich auf eine ergänzende Leistung. Beide Ansätze können auf vorhandenen Kundenbeziehungen aufbauen, verlangen jedoch eine begründete Vorstellung davon, was für den jeweiligen Kunden sinnvoll sein könnte.

Ein höherer Preis ist für sich genommen kein Kundennutzen. Ebenso kann eine Ergänzung technisch passen und im aktuellen Moment dennoch überflüssig sein. Die Auswahl sollte deshalb an einer fachlichen Frage ansetzen: Welche zusätzliche Aufgabe wird gelöst, welcher Aufwand wird reduziert oder welcher Bedarf wird angemessener abgedeckt? Erst daraus entsteht ein sinnvoller Rahmen für eine Empfehlung.

Die Empfehlung ist nur so gut wie ihre Grundlage

Transaktionsdaten zeigen, was bereits gekauft wurde. Produktdaten beschreiben Eigenschaften und Zusammenhänge zwischen Angeboten. Informationen zur Kundenbeziehung können helfen, den aktuellen Kontext zu verstehen. Keine dieser Perspektiven bildet allein den vollständigen Bedarf ab.

Für einen konkreten Anwendungsfall muss deshalb geklärt werden, welche Informationen benötigt werden und wie zuverlässig sie vorliegen. Sind Produkte über Systeme hinweg eindeutig zugeordnet? Werden Änderungen und Rückabwicklungen berücksichtigt? Ist ein Datensatz derselben Person oder demselben Unternehmen zuzuordnen? Solche Grundlagen bestimmen, welche Muster ein Modell überhaupt sinnvoll erkennen kann.

Verschiedene Verfahren erkennen unterschiedliche Zusammenhänge

Kollaboratives Filtern nutzt Ähnlichkeiten im Verhalten, um Empfehlungen abzuleiten. Die Idee: Beobachtete Gemeinsamkeiten können auf weitere passende Angebote hinweisen. Deep Learning verarbeitet komplexere Muster; Reinforcement Learning lernt aus Rückmeldungen zu Handlungen. Diese Verfahren stellen unterschiedliche Anforderungen an Daten und Feedback. Welches geeignet ist, hängt von der Aufgabe ab.

Ein aufwendigeres Modell gewinnt nicht automatisch. Fehlen eindeutige Kunden- und Produktzuordnungen oder verlässliche Rückmeldungen, wird auch aus mehr Rechenleistung kein besseres Verständnis. Vor der Verfahrenswahl muss deshalb klar sein, welche Angebotsentscheidung verbessert werden soll und wie sich eine gute Empfehlung erkennen lässt.

Ein hoher Score ist noch kein gutes Angebot

Ein Modell kann eine Rangfolge möglicher Angebote erzeugen. Bevor daraus eine konkrete Handlung wird, müssen weitere Bedingungen berücksichtigt werden: Ist das Produkt verfügbar? Besitzt der Kunde die Leistung bereits? Passt die Ansprache zu einem offenen Anliegen? Und gibt es fachliche Gründe, eine Empfehlung zunächst zurückzustellen?

Die Kaufhistorie ist dafür nur ein Teil des Kundenbilds. Kontextbezogene Informationen und der Stand der Beziehung ergänzen sie. Customer Intelligence verbindet diese Perspektiven, damit ein berechnetes Muster sinnvoll in einen Kundenkontakt übersetzt werden kann. Die Datenqualität betrifft deshalb sowohl die einzelnen Merkmale als auch ihre richtige Zuordnung.

Der Ausspielungszeitpunkt gehört zur fachlichen Gestaltung

Ein geeignetes Angebot kann am falschen Kontaktpunkt wenig hilfreich sein. Eine Empfehlung während einer Produktauswahl erfüllt eine andere Funktion als ein Vorschlag im persönlichen Beratungsgespräch oder eine spätere Information zur Nutzung. Deshalb sollten Kanal, Anlass und erwartete Handlung gemeinsam festgelegt werden.

Auch Häufigkeit und Zuständigkeit sind relevant. Wenn mehrere Systeme dieselbe Person unabhängig ansprechen, kann aus einzelnen passenden Empfehlungen eine unpassende Gesamterfahrung werden. Ein gemeinsamer Überblick über relevante Ereignisse und laufende Kontakte hilft, diese Widersprüche zu vermeiden. Die Empfehlung muss als Teil der Beziehung gestaltet werden.

Modellgüte und Geschäftswirkung unterscheiden

Eine gute Bewertung auf historischen Daten kann zeigen, dass ein Verfahren bestimmte Muster abbildet. Sie beweist noch nicht, dass die daraus erzeugten Angebote im Einsatz einen zusätzlichen Nutzen schaffen. Für die geschäftliche Betrachtung muss daher feststehen, welche Veränderung überhaupt erwartet wird.

Je nach Anwendungsfall können angenommene Empfehlungen, wirtschaftliche Beiträge oder die weitere Entwicklung der Kundenbeziehung interessant sein. Ebenso sollten unpassende Vorschläge, Beschwerden und manuelle Korrekturen betrachtet werden. Ein kontrollierter Vergleich kann helfen, zusätzliche Wirkung von einer ohnehin wahrscheinlichen Entwicklung zu unterscheiden. Eine reine Zählung nachfolgender Käufe beantwortet diese Frage nicht vollständig.

Die gewählte Zielgröße beeinflusst das Verhalten des Systems

Wenn ein Verfahren ausschließlich auf eine kurzfristige Reaktion ausgerichtet wird, kann es andere Ziele aus dem Blick verlieren. Für eine längerfristige Kundenbeziehung sind beispielsweise Passung, Zufriedenheit und Betreuungsaufwand ebenfalls relevant. Diese Größen lassen sich nicht zwangsläufig in einer einzigen Kennzahl angemessen zusammenfassen.

Die Auswahl des Optimierungsziels ist deshalb eine fachliche Verantwortung. Zuständige Teams sollten nachvollziehen können, welche Ergebnisse ein Modell bevorzugt und welche Grenzen zusätzlich gelten. Rückmeldungen aus Vertrieb und Service helfen zu erkennen, wo die statistische Sicht nicht zur tatsächlichen Kundensituation passt. Eine Korrektur muss Teil des vorgesehenen Betriebs sein.

Ein begrenzter Anwendungsfall macht die Voraussetzungen sichtbar

Für den Einstieg eignet sich eine klar abgegrenzte Angebotsfrage mit nachvollziehbaren Produkt- und Kundendaten. Empfehlungen können zunächst fachlich geprüft und anschließend in einem kontrollierten Rahmen erprobt werden. Dabei wird sichtbar, welche Informationen fehlen und welche Vorschläge trotz guter rechnerischer Bewertung wenig hilfreich sind.

Customer Intelligence übersetzt verfügbare Kundendaten in eine bessere Angebotsentscheidung. KI kann dabei Muster sichtbar machen und Empfehlungen unterstützen. Ziel, geeigneter Kontext und die Bewertung des Ergebnisses bleiben fachliche Aufgaben. Der Nutzen liegt darin, Kundenbeziehungen fundierter zu entwickeln, und muss sich an ihrer tatsächlichen Entwicklung zeigen.

Wie sich heutiger Beitrag und künftiges Potenzial unterscheiden lassen, behandelt der Beitrag zum Kundenportfolio.

Eine Grundlage für konsistente Profile beschreibt der Beitrag zum Golden Record.

Redaktionell eigenständige Aufbereitung auf Grundlage des Buchkapitels „Personalisiertes Up- und Cross-Selling mit KI“ von Michael Altendorf und Isabell Gollmer in Customer Intelligence (Springer Gabler, 2025). Zum Originalkapitel.

Weitere Beiträge zum Thema: (Agentic) AI.

Porträt von Michael Altendorf

Michael Altendorf

Michael Altendorf gründete ADTELLIGENCE, heute ACCELERAID. Er beschäftigt sich mit künstlicher Intelligenz, Personalisierung und der datenbasierten Automatisierung von Vertriebs- und Kundenprozessen.

Zum Autorenprofil
Porträt von Isabell Gollmer

Isabell Gollmer

Isabell Gollmer verbindet Unternehmensentwicklung mit KI-basierten Datenlösungen und Personalisierung. Ihre Schwerpunkte sind Wachstumsstrategien, Innovationsmanagement und das Zusammenspiel von Strategie und Unternehmenskultur.

Zum Autorenprofil
Du musst angemeldet sein, um einen Kommentar abzugeben.

Mehr zu Thema

Agentic & AI
Veranstaltungsgrafik zum DDV Dialog Summit am 5. und 6. November 2026 in Frankfurt mit farbig leuchtenden Ringen.
Thema: Agentic & AI, CIEF in der Praxis

DDV Dialog Summit: Warum KI verlässliche Kundendaten braucht

Andreas Gozian und Emanuel Bayer stellten beim DDV Dialog Summit 2026 den Agentic Golden Record als Grundlage für Customer Intelligence vor.

Profilbild von Andreas Gozian
Autor
Andreas Gozian
Profilbild von Prof. Dr. Emanuel Bayer
Autor
Prof. Dr. Emanuel Bayer
Vergleich verteilter E-Mail-Postfächer mit einem Zielbild für KI-gestützte Kategorisierung, Zuordnung und Antwortvorbereitung.
Thema: Agentic & AI, Marketing, Vertrieb & Service

KI im Banking: Wie E-Mails zu nutzbaren Kundeninformationen werden

E-Mails enthalten Kundenwissen, das im Arbeitsablauf nutzbar werden muss. Wie die Deutsche Bank Sprachmodelle für Analyse, Routing und Antwortvorschläge einsetzt und welche Rolle Kontrolle und Integration spielen.

Porträt von Murat Cavus
Autor
Murat Cavus
Porträt von Praneet Jayaram
Autor
Praneet Jayaram
Porträt von Zahid Amadxarif
Autor
Zahid Amadxarif
Andreas Gozian und Manuel Marini bei der Verleihung des Best of Technology Award 2026
Thema: Agentic & AI

Best of Technology 2026: Auszeichnung für MARINIs Agentic Golden Record

MARINI erreicht beim Best of Technology Award 2026 Platz 2 in der Kategorie Customer Lifecycle. Der ausgezeichnete Ansatz lenkt den Blick auf eine zentrale Voraussetzung agentischer Anwendungen: eine verlässliche, nutzbare Datenbasis.

Profilbild von Prof. Dr. Emanuel Bayer
Autor
Prof. Dr. Emanuel Bayer
Thema: Agentic & AI

ChatGPT Ads: Warum Datenintegration über die Bewertung des Kanals entscheidet

Was lässt sich aus der Studie von Kaiser und Schulze für AI Ads lernen? Ein Kommentar darüber, warum integrierte Kundendaten und klare Qualitätsregeln die Grundlage einer belastbaren Kanalbewertung bilden.

Profilbild von Prof. Dr. Emanuel Bayer
Autor
Prof. Dr. Emanuel Bayer
Profilbild von Andreas Gozian
Autor
Andreas Gozian
Profilbild von Manuel Marini
Autor
Manuel Marini