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.














