Wissensgraphen und LLMs: Ein praktischer Leitfaden für die nächste Stufe des B2B-Vertriebs
Große Sprachmodelle (Large Language Models, LLMs) können für B2B-Verkaufsteams einen enormen Wert darstellen, aber um die besten Ergebnisse zu erzielen, müssen sie auf realen, kontextbezogenen Daten beruhen.
Vertrieb und Marketing ist einer der Bereiche, in denen generative KI und große Lernmodelle (LLMs) das Potenzial haben, den größten Wert zu schaffen. McKinsey schätzt Jährliche Auswirkungen von fast 1 Billion Dollar allein über diese Funktionen.
Auch eine Umfrage von Bain & Co. unter Führungskräften aus dem B2B-Geschäft ergab, dass Vertrieb, Marketing und Kundensupport die Bereiche sind, in denen grundlegende Modelle und generative KI das höchste Potenzial haben. BCG-Forschung ergab, dass 70% der Vertriebsleiter planen Investitionen in generative KI.
Es besteht also ein breiter Konsens über die potenziellen Auswirkungen auf diese Funktionen. Doch welche praktischen Auswirkungen hat die Implementierung dieser Technologien im B2B-Vertrieb? Wie können Unternehmen modernste Technologien wie LLMs und Wissensgraphen kombinieren, um noch größere Vorteile zu erzielen? Und vor welchen Herausforderungen stehen die Unternehmen dabei?
Dies sind einige der Fragen, die wir in diesem Blog-Beitrag näher beleuchten werden.
Was sind die Chancen für den B2B-Vertrieb?
B2B-Verkaufsteams haben einen harten Job. Sie haben es in der Regel mit komplexen Kunden in einem hart umkämpften Vertriebsumfeld zu tun und müssen ein tiefes Verständnis für eine breite Palette von Produkten und Dienstleistungen haben. Da sie so viel zu tun haben, ist es wichtig zu wissen, mit welchen Kunden und Interessenten sie wann und worüber sprechen müssen.
Daten haben sich in den letzten zehn Jahren zu einem wichtigen Unterscheidungsmerkmal entwickelt, um Effizienz und Wachstum im B2B-Vertrieb zu fördern. Zum Beispiel, um hochwertige Möglichkeiten zur Neukundengewinnung zu identifizieren oder um Kunden proaktiv für bestimmte Produkte oder Dienstleistungen zu interessieren. Doch datengesteuerten Lösungen mangelte es in der Regel entweder an Flexibilität oder an Schnelligkeit. Die Generierung von Echtzeitwarnungen und Leads auf der Grundlage statischer, vordefinierter Modelle hilft den Vertriebsteams nicht dabei, schnell auf Marktveränderungen zu reagieren, und Ad-hoc-Anfragen an Analyseteams können Tage, Wochen oder sogar Monate dauern, bis die Chance verstrichen ist.
Neue Technologien wie LLM bieten die Möglichkeit eines Paradigmenwechsels, bei dem die Vertriebsteams über alle Daten und Informationen verfügen, die sie benötigen, um ein proaktives und sinnvolles Engagement zu fördern.
Ein Kundenbetreuer einer Geschäftsbank könnte zum Beispiel einfach ein paar Fragen stellen: "Wer sind die wichtigsten Zulieferer in der chinesischen Autoindustrie? Welche davon sind bereits Kunden der Bank?" oder "Welche meiner Kunden sind am ehesten an unserer neuen Devisen-App interessiert? Erstellen Sie für jeden Kunden eine personalisierte E-Mail" - und Sie erhalten sofort eine Antwort.
Oder ein Kundenbetreuer eines Telekommunikationsunternehmens könnte fragen: "Welche meiner Kunden sind von dem jüngsten Netzausfall in Südlondon betroffen? Wen soll ich zuerst kontaktieren?" oder "Wie viel gibt Kunde ABC für die Netzinfrastruktur aus? Wie sieht das im Vergleich zu anderen, ähnlichen Unternehmen aus?"
Was vor fünf Jahren noch wie Science-Fiction anmutete, ist heute mit der neuesten Technologie möglich.
Was sind LLMs und Wissensgraphen? Und warum sollte man sie kombinieren?
Große Sprachmodelle sind maschinelle Lernmodelle, die in der Lage sind, menschliche Sprache zu verstehen und zu generieren, und die auf großen Datenmengen vortrainiert sind. ChatGPT ist ein Beispiel für einen häufig genutzten Dienst, der auf dem GPT LLM von OpenAI basiert.
Wissensgraphen sind eine Möglichkeit, Daten zu speichern, die reale Entitäten und die Beziehungen zwischen diesen Entitäten darstellen. Wissensgraphen können verwendet werden, um komplexe reale Systeme und Ereignisse wie Eigentumsstrukturen, Lieferketten und Netzinfrastrukturen darzustellen.
LLMs sind gut darin, allgemeine Fragen zu beantworten, indem sie die riesigen Mengen an öffentlich zugänglichen Informationen nutzen, für die sie ausgebildet wurden. Um jedoch in einem kommerziellen Kontext einen echten Mehrwert zu bieten, sind spezifischere Kenntnisse erforderlich - einschließlich Ihrer internen Daten, die LLMs nicht haben. Ein LLM wäre beispielsweise nicht in der Lage, Fragen zu den Produktbeständen oder Interaktionen eines bestimmten Kunden zu beantworten, da es diese Informationen nicht kennt.
Wissensgraphen können riesige Mengen nützlicher, bereichsspezifischer Informationen enthalten und bieten eine sehr solide Grundlage für die Erschließung kontextbezogener Erkenntnisse durch Data-Science-Teams. Aufgrund der Anzahl der Knoten und Kanten und der Komplexität der Beziehungen können sie für Geschäftsanwender in großem Maßstab schwer zu interpretieren sein. Ein Wissensgraph im kommerziellen Bankgeschäft könnte beispielsweise den weltweiten Kundenstamm einer Bank und deren Lieferkettenmit firmenkundlichen Details und aktuellen Ereignissen angereichert.
Wissensgraphen benötigen außerdem eine Grundlage aus qualitativ hochwertigen, verknüpften Daten, um ein genaues Abbild der realen Beziehungen zu liefern, die durch Entity Resolution geschaffen werden können.
Die Kombination von LLMs mit Wissensgraphen kann Ihnen das Beste aus beiden Welten bieten - eine einfache, natürlichsprachliche Schnittstelle, die durch einen breiten Satz kontextbezogener, domänen- und organisationsspezifischer Daten unterstützt wird.
Die Verankerung der LLMs in den Daten des Wissensgraphen verringert nicht nur die Wahrscheinlichkeit von Halluzinationen, sondern ermöglicht auch die Rückverfolgbarkeit der Ergebnisse zu realen Datenpunkten, die im Wissensgraphen enthalten sind. Dies ist von entscheidender Bedeutung für die Vertrauensbildung bei den Nutzern und die Überprüfbarkeit bei kommerziellen Anwendungen.
Wissensgraphen können auch aktuelle und sogar Echtzeitdaten enthalten, während viele LLMs nur auf Daten bis zu einem bestimmten Zeitpunkt trainiert wurden. (GPT-4 Turbo zum Beispiel hat einen Stichtag im April 2023.) Dies ist für den B2B-Vertrieb von entscheidender Bedeutung, wo Sie aktuelle Informationen über das Unternehmen und die Personen, mit denen Sie zu tun haben, benötigen - zum Beispiel Kundeninformationen, Produktbestände, Nachrichten oder jüngste Interaktionen.
Was ist der geschäftliche Nutzen?
Es gibt 4 Schlüsselbereiche der Wertschöpfung die der B2B-Vertrieb mit einem LLM und einem wissensgraphengestützten Assistenten freisetzen kann:
Wachstum der Einnahmen:
Beschleunigen Sie die Lead-Generierung. Durch den Zugriff auf umfassendere Informationen über eine dialogorientierte Schnittstelle können Vertriebsteams mehr Leads schneller identifizieren.
Verbesserte Konversionsraten. Die Vertriebsteams sind mit den richtigen Informationen und Aufforderungen ausgestattet, um ein personalisiertes und proaktives Engagement zu fördern und den Geschäftsabschluss zu unterstützen.
Effizienz:
Gesteigerte Produktivität des Vertriebsteams. Vertriebsteams müssen keine Zeit mehr damit verbringen, unterschiedliche Informationen zusammenzufassen oder Daten von anderen Teams anzufordern.
Höhere Produktivität des Analyseteams. Analyseteams sparen Zeit bei der Bearbeitung von Ad-hoc-Anfragen und können von einer Wissensgraphengrundlage für die Modellierung profitieren
Erfahrungen von Kunden und Mitarbeitern:
Verbessertes Kundenerlebnis. Die Kunden erhalten eine zeitnahe, relevante Einbindung, ohne dass die Vertriebsteams unnötig nach Fakten suchen müssen.
Verbesserte Mitarbeitererfahrung. Die Verkaufsteams können sich auf die Verkaufsstrategie und die Kundenbindung konzentrieren und werden in den neuesten Technologien geschult.
Geringeres Risiko:
Verbesserte Risikoerkennung. Die Vertriebsteams können die damit verbundenen Risiken und Chancen besser einschätzen, z. B. Kreditausfälle in der Lieferkette oder Verbindungen zu sanktionierten Unternehmen.
Was sind einige der praktischen Herausforderungen?
Verantwortungsvolle KI und Governance
Bei jeder Anwendung von generativer KI ist es wichtig, die richtigen Sicherheitsvorkehrungen zu treffen. Im B2B-Vertrieb werden die Ergebnisse in der Regel von einem Mitglied des Vertriebsteams interpretiert und nicht direkt an den Kunden weitergegeben (z. B. über einen B2C-Chatbot), sodass die Gefahr von Halluzinationen oder unangemessenen Informationen etwas geringer ist. Dennoch ist es wichtig, dies sicherzustellen:
robuste Tests durchgeführt werden;
wirksame Moderations-, Überwachungs- und Feedbackschleifen vorhanden sind;
Sicherheit, Datenschutz und Zugangskontrollen eingebettet sind;
die Benutzer sind sich der Grenzen des Modells bewusst.
Microsoft und Google bieten hier zum Beispiel nützliche Funktionen, Azure AI Inhaltssicherheit und Gemini API Sicherheitsattribute.
Vertrauen, Akzeptanz und Fortbildung
Um sicherzustellen, dass der potenzielle Wert dieser Technologien ausgeschöpft wird, müssen die Vertriebsteams wissen, wie sie sie effektiv nutzen können, und sie müssen bereit sein, dies zu tun. Entscheidend ist, dass diese Systeme gemeinsam mit den Vertriebsteams nutzerorientiert konzipiert werden, damit sie in den Entwicklungsprozess einbezogen werden und die Lösung für sie schnell von Nutzen ist. Die Schulung zur Nutzung des Systems ist von entscheidender Bedeutung, aber auch die Schulung zur Funktionsweise der generativen KI und zu den Grenzen, die den Nutzern bewusst sein müssen.
Öffentliche vs. private LLMs
Eine Frage, mit der sich viele Unternehmen auseinandersetzen, ist der Einsatz öffentlicher oder privater LLMs, da die Weitergabe vertraulicher Unternehmensdaten mit öffentlichen Modellen im Vergleich zu den Kosten und der Effektivität der Ausbildung und des Hostings privater LLMs eingeschränkt ist. Der Aufstieg von Retrieval Augmented Generation (RAG) und ausgereiftere und sicherere Dienste, die von Unternehmen wie Microsoft und Google angeboten werden, ermöglichen es nun mehr Unternehmen, ihre privaten Daten mit öffentlichen LLM zu kombinieren.
Kontinuierliche Innovation
Da sich dieser Bereich so schnell entwickelt, ist es wichtig, dass die Unternehmen ein gewisses Maß an Flexibilität in ihrem Ansatz beibehalten, damit sie neue Versionen von LLMs, die in der Zukunft auf den Markt kommen, schnell übernehmen und nutzen können. Diese Flexibilität erfordert eine kontinuierliche und enge Zusammenarbeit zwischen Technologie-, Daten- und Geschäftsteams, um die neuesten Technologien effizient und effektiv zu identifizieren, zu implementieren und zu übernehmen.
Zusammenfassung
Das Potenzial von LLMs und Wissensgraphen, den B2B-Vertrieb zu verändern, liegt auf der Hand, und die Vorteile werden erheblich sein. Bei der Umsetzung wird es einige Herausforderungen geben, insbesondere in Bezug auf Datenschutz, Governance und Akzeptanz, aber eines ist klar: Wer jetzt nicht handelt, riskiert, den Anschluss zu verlieren.
Loading...