Auch heute noch arbeiten die meisten Personen im B2B-Marketing mit wenigen Datenpunkten, um potenzielle Kunden zu segmentieren und richtig zu adressieren. Typische Datenpunkte zur Segmentierung sind die Branchenzugehörigkeit, Umsatz oder Mitarbeiteranzahl. Diese Dimensionen sind allerdings kaum geeignet, um bislang unbekannte Firmen nach ihrer Affinität zu den eigenen Produkten und Leistungen zu bewerten. Das ist ein großes Problem, da Unternehmen zunehmend durch Content Marketing auf die Gewinnung von Inbound Leads setzen und diese Interessenten bewerten müssen, um sie richtig zuzuordnen.
Die so genannte Customer Prediction Platform (CPP) ist eine neu zu entwickelnde Middleware zur Bewertung von Firmenkunden auf deren Kundenpotenzial. Diese Bewertungen werden über eine standardisierte Schnittstelle (API) verschiedenen Endanwendungen zur Verfügung gestellt. Zu den Endanwendungen gehören die in der Praxis weit verbreiteten Systeme im B2B-Marketing, etwa von SAP, Salesforce, Microsoft Dynamics.
Klassifikation von Firmen nach Größenklassen mit der CPP
Die CPP adressiert damit eine Reihe von Anwenderproblemen, da
Währenddessen entstehen im Internet eine Vielzahl öffentlicher Informationen zu Firmen, die durch den Einbezug von Open Data (Regionaldaten, Branchenreports, Finanzdaten) zu einer neuartigen Datengrundlage für die ad hoc-Bewertung einzelner Firmen nutzbar sind. Die Voraussetzung dafür ist, dass Technologien eingesetzt werden, die aus vormals unstrukturierten Daten, z. B. von Websites, Jobanzeigen oder Presseartikeln automatisiert eine strukturierte Informationsbasis für die maschinelle Analyse aufbereiten können.
Zur Umsetzung der CPP, die das zukünftige Wachstum von Implisense sicherstellen und die Positionierung im internationalen Wettbewerb ermöglichen soll, sehen wir drei Zielsetzungen in der technischen Weiterentwicklung:
Dieses Projekt wurde kofinanziert durch den Europäischen Fonds für regionale Entwicklung (EFRE).
Projektbeschreibung: Die so genannte Customer Prediction Platform (CPP) ist eine neu entwickelte Middleware zur Bewertung von Firmenkunden auf deren Kundenpotenzial. Diese Bewertungen werden über eine standardisierte Schnittstelle (API) verschiedenen Endanwendungen zur Verfügung gestellt. Zu den Endanwendungen gehören die in der Praxis weit verbreiteten Systeme im B2B-Marketing, etwa von SAP, Salesforce, Microsoft Dynamics.
Blogbeitrag Projektabschluss: https://blog.implisense.com/erfolgreicher-abschluss-unseres-forschungsprojektes-customer-prediction-platform-cpp/
Blogbeitrag Meilensteine: https://blog.implisense.com/meilenstein-fuer-unser-forschungsprojekt-customer-prediction-platform-cpp/
Projektdauer: Juni 2016 – Februar 2018
Dieses Projekt wurde kofinanziert durch den Europäischen Fonds für regionale Entwicklung (EFRE).
Projektbeschreibung (Englisch): The open data project by Implisense funded by ODINE. With ECEP you are able to search for any arbitrary company properties on company websites in Europe. Analyze and compare the latest company trends in different regions and industries. And the best is, you can download the results for free! The beta version is now available for United Kingdom.
Projektwebseite: https://ecep.implisense.com/
Projektdauer: Mai 2016 – Oktober 2016
Projektbeschreibung (Englisch): In LUCID we research and develop on Linked Data technologies in order to allow partners in supply chains to describe their work, their company and their products for other participants. This allows for building distributed networks of supply chain partners on the Web without a centralized infrastructure. LUCID is funded by the german Federal Ministry of Education and Research (BMBF) in KMU-innovativ: Informations- und Kommunikationstechnologien initiative, which part of the IKT 2020 – Forschung für Innovation funding programme.
Projektwebseite: http://www.lucid-project.org/
Projektdauer: Oktober 2014 – September 2016
Als Data Scientists interessieren wir uns immer wieder für neue, vielleicht überraschende Einsichten in eine Firmenlandschaft und das Verhalten von Firmen.
Von Zeit zu Zeit bereiten wir Ergebnisse unserer internen Experimente auf, um sie mit Ihnen zu teilen. Einiges davon hat so positive Resonanz erbracht, dass wir dieses in die Software integriert haben. Anderes ist nur für sich genommen spannend und bleibt daher ein Experiment im Lab.
Für eine Versicherung kann es interessant sein, Betriebe zu kennen, die von Stürmen betroffen sind. Das könnte z.B. im Verkauf von Versicherungen hilfreich sein, die entsprechende Schäden abdecken. Im Rahmen eines Pilotprojekts haben wir exemplarisch 1.300 landwirtschaftliche Betriebe mit Außenanlagen geolokalisiert und aktuelle Wetterdaten zugeordnet, die Windstärken angeben. Daraus resultiert eine Echtzeit-Windkarte (siehe Abbildung).
Es wurde untersucht, die Einsätze von Feuerwehren aus Deutschland im Jahr 2012 in Bezug zu den geographisch benachbarten Firmen zu bringen, um Gründe für Betriebsunterbrechnungen zu verstehen.
Aus dieser Fragestellung entstand eine interaktive Anwendung, die Aufschlüsse über Schwerpunkte und einzelne Vorfälle gibt. Zusätzlich zu der thematischen Sortierung als auch zur Verortung der Einsätze wurde eine Heat Map als Kalender eingesetzt, die deutlich aufzeigt, wann mit potenziellen Betriebsunterbrechungen zu rechnen ist.