Podcast-Moderatorin Karyna Mihalevich, CPQ Functional Lead bei CLARITY, begrüßt Matthias Hirsch, Senior Product Manager im Bereich Customer Experience & Industries bei SAP. Auf der Grundlage seiner umfangreichen Erfahrungen, die er seit 2007 in der diskreten Fertigungsindustrie gesammelt hat, und seiner entscheidenden Rolle bei SAP seit 2016, bietet Matthias Hirsch einen klaren Blick auf die Rolle der KI im Vertrieb, insbesondere bei der Verbesserung und Rationalisierung des Vertriebs komplexer Produkte. Die heutige Folge setzt die Diskussion über das wichtige Thema der transformativen Kraft der KI bei konfigurierbaren Produkten fort, ein Thema, das in einem früheren Quote-to-Cash-Podcast ausführlich erörtert wurde.
Unser Gast Matthias Hirsch, Senior Product Manager im Bereich Customer Experience & Industries bei SAP, und die Moderatorin des Podcasts Karyna Mihalevich, CPQ Functional Lead bei CLARITY.
Content
Die wichtigsten Funktionen der intelligenten Produktempfehlung von SAP
Die Intelligente Produktempfehlung von SAP gehört, wie Matthias Hirsch erläutert, zu den jüngsten Produktinnovationen von SAP, die bereits begonnen haben, den Ansatz für den Verkauf in verschiedenen Branchen zu verändern. Dieses innovative System gliedert sich in zwei entscheidende Bereiche:
- die Laufzeit
- die Designzeit-Anwendungen.
Der Laufzeitaspekt ermöglicht die Anwendung von maschinellem Lernen innerhalb von CRM- und Vertriebsprozessen, so dass die Benutzer direkt mit dem System interagieren können. In der Zwischenzeit funktioniert die Komponente für die Entwurfszeit ähnlich wie ein Produktkonfigurator, in dem Benutzer Regeln modellieren und Benutzeroberflächen entwerfen können, die auf ihre spezifischen Vertriebsanforderungen zugeschnitten sind.
Ein wesentliches Merkmal dieses Systems ist seine Fähigkeit, die einzigartige Komplexität der industriellen Fertigung und des Geräteverkaufs zu bewältigen. Produkte in diesen Sektoren, wie Roboter, Gabelstapler, Wärmetauscher, Pumpen und Kompressoren, haben oft individuelle Datenmodelle, Strukturen und Domänenmodelle. Das System für intelligente Produktempfehlungen ist flexibel genug, um diese Variationen zu berücksichtigen und so sicherzustellen, dass die Empfehlungen so genau und relevant wie möglich sind.
Matthias verwendet ein Beispiel, um diesen Punkt zu illustrieren: ein Szenario, in dem ein Werkstattleiter in der Automobilindustrie einen neuen Lackierroboter benötigt. Im Gegensatz zu herkömmlichen Ansätzen, bei denen der Kunde genaue Modelle und Zubehörteile vorgibt, ermöglicht es dieses System dem Kunden, seine Bedürfnisse zu äußern – z. B. die Anzahl der zu lackierenden Karosserien innerhalb eines bestimmten Zeitrahmens und die Anforderung, die Farben häufig zu wechseln – und setzt diese Bedürfnisse dann in technische Spezifikationen für den Roboter um. Dies stellt eine deutliche Abkehr von Standardproduktkonfigurationen dar, denn das System geht von den Kundenanforderungen aus und schlägt dann auf der Grundlage dieser Anforderungen geeignete Produkte vor.
Darüber hinaus hebt Matthias hervor, dass die Integration des Systems in verschiedene Geschäftsprozesse, wie CPQ-, Handels- oder CRM-Systeme, Teil seiner Laufzeitfunktionalitäten ist. Diese Integration ist von entscheidender Bedeutung, da sie es dem System ermöglicht, Teil des gesamten Verkaufsprozesses zu sein, von der Erstellung einer Empfehlung bis zum Abschluss eines Produktangebots.
Darüber hinaus bietet SAP vorgefertigte Modelle an, die Benutzer sofort verwenden können und die erste Empfehlungen auf der Grundlage allgemeiner Daten liefern. Um jedoch maßgeschneiderte Ergebnisse zu erhalten, die mit den spezifischen historischen Daten oder dem Produktkatalog eines Unternehmens übereinstimmen, hat SAP es den Anwendern ermöglicht, ihre eigenen Modelle zu trainieren, ohne dass sie umfangreiche Programmierkenntnisse benötigen. Diese Funktion demokratisiert die Verwendung von fortschrittlichen maschinellen Lernwerkzeugen für den Vertrieb und macht sie auch für Administratoren oder Endbenutzer zugänglich, die keinen technischen Hintergrund haben.
Integration mit anderen Geschäftsplattformen
Wie Matthias Hirsch ausführt, bietet das System SAP Intelligent Product Recommendation umfassende Integrationsmöglichkeiten sowohl mit SAP- als auch mit Nicht-SAP-Lösungen, wodurch es sich als vielseitiges Instrument für verschiedene Geschäftsanwendungen etabliert. Diese nahtlose Integration ist von zentraler Bedeutung für die Infrastruktur des Systems. Sie erleichtert die Automatisierung von Verkaufsprozessen und sorgt für schlanke Abläufe mit verbesserter Effizienz während des gesamten Verkaufszyklus.
Matthias unterscheidet zwei primäre Arten der Integration, die für das System relevant sind:
- Aufzeichnungssysteme
- Systeme des Engagements.
Datensatzsysteme beziehen sich auf Plattformen, auf denen wichtige Verkaufs- und Transaktionsdaten gespeichert werden. Diese Daten sind entscheidend für das Training des maschinellen Lernmodells, das dem Produktempfehlungssystem zugrunde liegt. Beispiele für solche Systeme sind S/4HANA, ECC, CPQ-Systeme oder alle Handelssysteme, in denen historische Verkaufsdaten wie Angebote, Warenkörbe und Bestellungen gespeichert sind. Das SAP Intelligent Product Recommendation System lässt sich mit diesen Plattformen integrieren, um die erforderlichen Daten zu extrahieren und so die Grundlage für präzise und effektive Produktempfehlungen zu schaffen.
Auf der anderen Seite sind Engagement-Systeme die Plattformen, die von den Vertriebsmitarbeitern bei ihrer täglichen Arbeit verwendet werden. Dabei kann es sich um CRM-Lösungen wie SAP Sales Cloud, CPQ-Lösungen wie SAP CPQ oder verschiedene Handelslösungen handeln. Die Integration mit diesen Systemen ist von entscheidender Bedeutung, da sie es den Vertriebsteams ermöglicht, auf die Ergebnisse der Produktempfehlungen zuzugreifen und diese zu nutzen. Dies erleichtert die Automatisierung der Vertriebsprozesse und rationalisiert die Vertriebsaktivitäten.
Ein wesentliches Merkmal der SAP AI-Integration ist das API-first-Paradigma.
Ein Hauptmerkmal der SAP AI-Integration ist das API-first-Paradigma. Dieser Ansatz stellt sicher, dass die Benutzer eine Laufzeit-Benutzeroberfläche (UI) erhalten, die auf der Grundlage des zugrunde liegenden Datenmodells dynamisch gerendert wird, ähnlich wie in LO-VC oder AVC. Diese vorgefertigte Benutzeroberfläche reduziert den Bedarf an benutzerdefiniertem UI-Design erheblich und rationalisiert den Implementierungsprozess. Matthias weist jedoch darauf hin, dass die Flexibilität des Systems so weit geht, dass Unternehmen ihre eigenen Benutzeroberflächen verwenden können, indem sie diese über die von SAP bereitgestellten APIs integrieren.
Dieser duale Integrationsansatz ermöglicht nicht nur die Nutzung von Backend-Konfigurationssystemen, so genannten Systems of Records wie S/4HANA oder CPQ, sondern erleichtert auch die Integration mit Verbrauchssystemen. Als Teil der SAP-Suite fügt sich die Intelligente Produktempfehlung nahtlos in das breitere SAP-Ökosystem ein und steigert damit ihren Nutzen und ihre Anwendbarkeit in verschiedenen Geschäftskontexten.
Ideale Benutzer für das Produktempfehlungssystem
Bei der Frage nach den idealen Nutzern für SAPs Intelligentes Produktempfehlungssystem bietet Matthias aufschlussreiche Perspektiven für die Eignung des Systems in verschiedenen Geschäftsszenarien. Er räumt ein, dass das System besonders effektiv für komplexe Produktverkäufe ist, die ein differenziertes Verständnis der Kundenbedürfnisse und technischen Spezifikationen erfordern.
Matthias weist darauf hin, dass das maschinelle Lernen, die treibende Kraft hinter diesem System, von Natur aus datengesteuert ist. Für eine effektive Implementierung würden Unternehmen idealerweise auf umfangreiche historische Verkaufsdaten der letzten 5 bis 10 Jahre zurückgreifen, um das ursprüngliche Modell zu trainieren. Diese Anforderung kann für einige Kunden eine Herausforderung darstellen, insbesondere für kleine und mittlere Unternehmen (KMU), die möglicherweise nicht über umfangreiche Verkaufsdaten verfügen. SAP begegnet dieser Herausforderung jedoch, indem es Methoden anbietet, um natürlich gewachsene Daten mit synthetischen Daten zu ergänzen, so dass diese Unternehmen das System effektiv nutzen können.
Bei der Frage, welche Kunden für dieses Produkt nicht geeignet sind, dreht Matthias die Perspektive um und betont diejenigen, die am meisten davon profitieren würden. Er erklärt, dass das System ideal für den Verkauf komplexer Produkte geeignet ist, bei denen technische Feinheiten und kundenspezifische Anforderungen im Vordergrund stehen. Dies steht im Gegensatz zu Verkaufsumgebungen, die sich auf emotionale oder verbraucherähnliche Kauferlebnisse konzentrieren, bei denen die Produktempfehlung vielleicht unkomplizierter und weniger technisch ist.
Matthias führt weiter aus, dass sich das System für intelligente Produktempfehlungen in Umgebungen auszeichnet, in denen Produkte in der Regel nicht ab Lager verkauft, sondern individuell angepasst oder in einer Losgröße von einem Prozess hergestellt werden. Dieser Anpassungsaspekt ist entscheidend für Unternehmen, die mit komplizierten Produkten zu tun haben, die eine detaillierte Konfiguration erfordern, wie z.B. Industrieanlagen oder Spezialmaschinen.
Real-World-Anwendungen
Obwohl das intelligente Produktempfehlungssystem von SAP erst seit kurzem auf dem Markt ist, schlägt es in der Praxis bereits hohe Wellen. Matthias erzählt, dass er auf dem DSHE-Gipfel in Deutschland, einem bedeutenden Treffen der deutschsprachigen SAP-Anwendergemeinschaft, einen Vortrag gehalten hat. Dort sprach er über einen überzeugenden Anwendungsfall bei einem Kunden, mit dem sie zusammenarbeiten.
Dieser Kunde hat sich auf die Entwicklung und Konstruktion von Stufenschaltern spezialisiert, einer wichtigen Komponente für große Stromtransformatoren. Die Herausforderung, vor der er stand, war kompliziert: Er musste die Spezifikationen eines Transformators genau verstehen, um einen geeigneten Stufenschalter zu entwerfen.
“Dieses Szenario ist ein Paradebeispiel dafür, dass unser Intelligentes Produktempfehlungssystem eine zentrale Rolle spielt. Mithilfe dieses innovativen Tools konnten wir maßgeschneiderte Vorschläge für den am besten geeigneten Stufenschalter für einen bestimmten Transformator unter Berücksichtigung der spezifischen Kundenanforderungen machen. Dieser Anwendungsfall geht über die bloße Präsentation der technischen Fähigkeiten unseres Produkts hinaus. Es geht darum, die effektive Umsetzung von KI-gesteuerten Verkaufsstrategien in komplexen Verkaufsprozessen zu veranschaulichen und die Art und Weise zu verändern, wie Produkte auf die Bedürfnisse der Kunden abgestimmt werden.”
Darüber hinaus weist Matthias darauf hin, dass SAP an verschiedenen Proof-of-Work-Projekten mit anderen Kunden beteiligt ist. Diese Kooperationen sind von entscheidender Bedeutung, da sie die Kunden dabei unterstützen, die Möglichkeiten der KI für ihre Vertriebsstrategien zu nutzen, und es SAP ermöglichen, solide Referenzen aufzubauen. Diese Referenzen sind wichtig, um eine solidere Präsenz in der Branche aufzubauen und die praktischen Vorteile und greifbaren Erfolge der SAP Intelligent Product Recommendation bei der Nutzung von KI im Vertrieb zu demonstrieren. Sie unterstreichen die Wirksamkeit von KI-gesteuerten Vertriebsstrategien und sind ein Beweis für die Fähigkeit des Systems, neue Möglichkeiten des maschinellen Lernens zu erschließen, insbesondere im Bereich des Vertriebs.
Anpassen an dynamische Produktkataloge
Im Bereich der Unternehmenstechnologien ist eine der größten Herausforderungen die Anpassung an dynamische Produktkataloge. Die Flexibilität, sich an veränderte Produktspezifikationen und Angebote anzupassen, ist entscheidend. Matthias erklärt das Konzept, das beim maschinellen Lernen als “Kaltstartproblem” bekannt ist und das beim Umgang mit dynamischen Produktkatalogen besonders relevant ist. Er beschreibt den Ansatz des SAP-Systems als einen präventiven Schritt vor dem Start des Produktkonfigurators. Der Schlüssel liegt laut Matthias darin, sich auf die “harten Faktoren” eines Produkts zu konzentrieren – also auf die Elemente, die wesentlich und weniger anfällig für Änderungen sind – und nicht auf die “weichen Faktoren”, die anfälliger für häufige Aktualisierungen sind.
Wenn beispielsweise bestimmte grundlegende Aspekte eines Produkts wie die Kernfunktionalität oder die Schlüsselkomponenten konstant bleiben, obwohl sich andere Eigenschaften wie die Farbe oder kleinere Merkmale ändern, kann sich das System reibungsloser anpassen. In Szenarien, in denen völlig neue Komponenten eingeführt werden, skizziert Matthias zwei Strategien. Erstens kann das System allmählich lernen und sich durch eine Rückkopplungsschleife anpassen, in der es mit neuen Daten, wie z.B. monatlichen Verkaufsangeboten, neu trainiert wird. Diese Methode stellt sicher, dass das Modell mit den Markttrends und Kundenpräferenzen Schritt hält.
Der Vorteil der Verwendung synthetischer Daten liegt in ihrer Unmittelbarkeit. Sie ermöglichen es dem maschinellen Lernmodell, neue Parameter schnell zu integrieren, ohne darauf zu warten, dass umfangreiche Daten aus der realen Welt gesammelt werden.
Als Alternative für eine schnellere Anpassung schlägt Matthias die Erstellung von synthetischen Datensätzen durch technische Produktmanager vor. Diese Datensätze sind so konzipiert, dass sie mögliche Änderungen oder neue Funktionen in Produkten widerspiegeln. Der Vorteil der Verwendung synthetischer Daten ist ihre Unmittelbarkeit. Sie ermöglichen es dem maschinellen Lernmodell, neue Parameter schnell zu integrieren, ohne auf die Ansammlung umfangreicher Daten aus der realen Welt zu warten.
Diese Fähigkeit ist nicht nur auf das technische Team von SAP beschränkt, sondern steht auch den Endbenutzern zur Verfügung. Jeder technische Produktmanager, der über die Einsatzmöglichkeiten und Spezifikationen seines Produkts Bescheid weiß, kann diese synthetischen Datensätze entwickeln. Dieser proaktive Ansatz ermöglicht eine schnelle Reaktion auf Marktveränderungen und stellt sicher, dass das SAP Intelligent Product Recommendation System ein robustes und anpassungsfähiges Instrument für den Vertrieb in einem dynamischen Marktumfeld bleibt.
Zukünftige Innovationen bei Produktempfehlungen
Während sich die Intelligente Produktempfehlung von SAP im Bereich des KI-gesteuerten Verkaufs weiter etabliert, sind bereits zukünftige Innovationen in Sicht, die die Fähigkeiten des Systems weiter verbessern werden. Matthias betont die mögliche Integration von generativer KI in das SAP Intelligent Product Recommendation System. Er stellt fest, dass große Sprachmodelle wie Bard oder GPT-4 zwar ihre Stärken, aber auch ihre Grenzen haben, insbesondere bei Aufgaben wie der für die Produktkonfiguration entscheidenden Klassifizierung. Diese Modelle können jedoch eine entscheidende Rolle spielen, wenn sie in Verbindung mit spezialisierten neuronalen Netzen eingesetzt werden.
Ein innovatives Beispiel, das Matthias vorstellt, ist die Verwendung einer Chat-Funktion oder einer E-Mail für die Produktkonfiguration. In diesem Szenario könnte die E-Mail eines Kunden, in der er seine Bedürfnisse beschreibt, direkt in das intelligente Produktempfehlungssystem eingespeist werden. Das System würde dann ein umfangreiches Sprachmodell verwenden, um die notwendigen Informationen zu extrahieren und diese Bedürfnisse mit einem speziellen maschinellen Lernmodell abzugleichen. Dieser Prozess vereinfacht nicht nur die Aufgabe der Produktkonfiguration, sondern stellt auch sicher, dass die Empfehlungen genau auf die spezifischen Anforderungen des Kunden zugeschnitten sind.
Die Integration von generativen KI-Modellen geht über die Analyse der Kundenbedürfnisse hinaus.
Die Integration von generativen KI-Modellen geht über die Analyse der Kundenbedürfnisse hinaus. Matthias stellt sich ein System vor, in dem eine maschinell generierte Empfehlung weiter verfeinert werden kann, indem sie in ein generatives KI-Modell zurückgeführt wird. Dieses Modell würde dann den Kontext des Kunden und die ursprüngliche Empfehlung berücksichtigen, um ein maßgeschneidertes Nutzenversprechen zu erstellen und so den personalisierten Aspekt des Verkaufsprozesses deutlich zu verbessern.
Dieser Ansatz für Produktempfehlungen stellt eine Verschmelzung der umfassenden Intelligenz großer Sprachmodelle und der Präzision spezialisierter maschineller Lernalgorithmen dar. Er veranschaulicht die Synergie zwischen verschiedenen KI-Disziplinen und zielt darauf ab, ein nahtloses Erlebnis zu bieten, bei dem sich der Endnutzer nicht um die zugrunde liegende Komplexität kümmern muss.
Die Vision für die intelligente Produktempfehlung von SAP ist, dass es im Verkaufsprozess nicht nur um die Abwicklung von Geschäften geht, sondern auch um den Aufbau von Beziehungen und das Verständnis der Kundenbedürfnisse auf einer tieferen Ebene. Durch die Automatisierung sich wiederholender Aufgaben und die Verbesserung der Qualität von Kundeninteraktionen können sich Vertriebsmitarbeiter auf höherwertige Aufgaben konzentrieren, wie die Pflege von Kundenbeziehungen und die Personalisierung von KI-gesteuerten Vertriebsstrategien.
Die Quintessenz
Das SAP-System für intelligente Produktempfehlungen ist ein herausragendes Beispiel für die Produktinnovationen von SAP, das die bedeutende Rolle von KI und maschinellem Lernen in der Geschäftswelt, insbesondere im Vertriebsbereich, verdeutlicht. Mit seiner Fähigkeit, komplexe Produktverkäufe zu automatisieren, sich nahtlos in verschiedene Geschäftsplattformen zu integrieren und sich an dynamische Produktkataloge anzupassen, ist es ein entscheidender Faktor für die Gestaltung der Zukunft der Vertriebstechnologie. Dieses System rationalisiert nicht nur komplexe Verkaufsprozesse, sondern eröffnet auch neue Wege für personalisierte Kundeninteraktionen und effizientere KI-gesteuerte Verkaufsstrategien.
Karyna Mihalevich hebt das transformative Potenzial dieser Innovationen hervor und beobachtet einen bemerkenswerten Übergang von arbeitsintensiven, manuellen Methoden zu rationalisierten, KI-gesteuerten, passgenauen Angeboten. Als Verkörperung des Engagements von SAP für die Weiterentwicklung der Vertriebstechnologie zielt die Zukunft des SAP Intelligent Product Recommendation Systems darauf ab, das Vertriebserlebnis zu revolutionieren und zu personalisieren. Dieser Sprung in der KI und im maschinellen Lernen markiert den Beginn einer neuen Ära in der Produktkonfiguration und -empfehlung und erweitert die Grenzen des Möglichen im Vertrieb.