Randstad

Steigerung der Vertriebseffizienz bei Randstad durch Nutzung mehrerer Datenquellen

Auswirkung

Das VerkaufseffektivitĂ€ts-Tool wird derzeit von rund 10.000 Verkaufsberatern in 6 LĂ€ndern aktiv genutzt. Die Trefferquote ist von bisher 25 % auf 70 % gestiegen. Das bedeutet, dass die Verkaufsberater, die das Tool nutzen, heute 70 % ihrer Zeit mit den richtigen Kunden verbringen - Kunden, die ein tatsĂ€chliches und realisierbares Potenzial fĂŒr Randstad haben.

Der Kunde

Als eines der fĂŒhrenden multinationalen Personalberatungsunternehmen hat Randstad 39.530 Mitarbeiter in 38 LĂ€ndern.

Wenn wir sicherstellen, dass diese Mitarbeiter ihre Zeit auf die Kontaktaufnahme mit Unternehmen konzentrieren, die ein echtes Potenzial fĂŒr Randstad haben, und sie in die Lage versetzen, GesprĂ€che auf der Grundlage genauer und relevanter Informationen zu fĂŒhren, hat dies direkte Auswirkungen auf den Erfolg von Randstad bei der Betreuung seiner Kunden und somit auf die Verwirklichung seiner eigenen Kernziele.

Die Herausforderung

Randstad verfĂŒgte zwar bereits ĂŒber Daten und Einblicke in die "richtigen Unternehmen" mit attraktivem GeschĂ€ftspotenzial, aber dieses Wissen wurde noch nicht optimal genutzt, um die AktivitĂ€ten der Vertriebsorganisation im TagesgeschĂ€ft zu steuern.

‍

Das Unternehmen machte sich daher auf den Weg, eine KI-gestĂŒtzte Lösung zu entwickeln, die eine bessere und kontinuierliche Nutzung der Daten ermöglicht, indem sie den Verkaufsberatern ĂŒber eine intuitive Endbenutzeranwendung konkrete, umsetzbare Aufgaben vorschlĂ€gt.

‍

"Die Partnerschaft mit ML6 hat es Randstad ermöglicht, diese KI-Reise in einer kollaborativen und kreativen Arbeitsweise anzutreten; ML6 hat die Bildung und Fortbildung des technischen Teams von Randstad erleichtert und es damit fĂŒr die Zukunft gerĂŒstet."

Globaler VP, Digitale Strategie und Innovation

Unter

Randstad

Lösung

ML6 ist als auf KI spezialisierter Partner fĂŒr die Einrichtung und Schulung der Data-Intelligence-Komponenten der Lösung sowie fĂŒr die Implementierung der KI-ML-Ops-Architektur verantwortlich, um sicherzustellen, dass die Lösung problemlos ĂŒber Teams und LĂ€nder hinweg skaliert und kontinuierlich und automatisiert umgeschult werden kann.

Dieses 'Sales Effectiveness Tool' besteht aus vier verschiedenen Lösungskomponenten. KernstĂŒck ist das Scoring-System, das das Potenzial eines einzelnen Unternehmens fĂŒr Randstad bewertet und angibt, wie einfach oder schwierig es sein wird, dieses Potenzial zu erreichen. Diese Unternehmenssegmentierung in einen AttraktivitĂ€tsquadranten erfolgt auf der Grundlage von Unternehmensprofildaten, aber auch unter Nutzung von Marktdaten, um den Stellenbedarf fĂŒr die nĂ€chsten 12 Wochen vorherzusagen und Kaufsignale von Unternehmen fĂŒr Randstad-Dienstleistungen zu erkennen.

‍

Das datengesteuerte Gebietsdesign zielt darauf ab, das Scoring auf ein bestimmtes geografisches Gebiet zu beschrĂ€nken, um die Relevanz der gewonnenen Erkenntnisse fĂŒr die lokalen Vertriebsteams zu erhöhen. Das daraus resultierende Kanban-Skript - eine automatisierte und umsetzbare To-Do-Liste - liefert den einzelnen Vertriebsberatern wöchentlich einen Überblick ĂŒber die Unternehmen, auf die sie sich konzentrieren sollen, sowie Erkenntnisse ĂŒber das jeweilige Unternehmen/die jeweilige Branche als Grundlage fĂŒr die Strukturierung des KundengesprĂ€chs.Schließlich nutzt die Lösungskomponente "Market Insights" zusĂ€tzliche externe Daten, um den Vertriebsberatern weiteren Kontext zu liefern, z. B. einen triftigen geschĂ€ftlichen Grund, das Unternehmen anzurufen, unmittelbare Informationen ĂŒber die Branche des Kunden, unterstĂŒtzende Daten fĂŒr das Erwartungsmanagement/die ErfĂŒllbarkeit und Preisverhandlungen.Das "VerkaufseffektivitĂ€ts-Tool" ist so konzipiert, dass es Daten in einem Outside-in-Ansatz formell und kontinuierlich nutzt, indem es aktuelle, faktische Daten aus ausgewĂ€hlten, strukturierten externen Datenquellen erfasst und zeitreihenbasierte Prognosen anwendet, um Erkenntnisse und Auslöser zu generieren.

‍

Das Dun & Bradstreet-Unternehmensverzeichnis dient als Quelle fĂŒr eine weltweite Übersicht ĂŒber alle Unternehmen, sowohl ĂŒber bestehende Randstad-Kunden als auch ĂŒber potenzielle Kunden, einschließlich eines umfassenden Überblicks ĂŒber deren Profileigenschaften. Daten zur Stellennachfrage werden aus verschiedenen Quellen wie textkernel, careerjet, burning glass und jobdigger gesammelt. Die Definition und Durchsetzung von Data-Governance-Prinzipien wie globale Definitionen und Datenschutz (z.B. keine manuelle Überschreibung) gewĂ€hrleisten die DatenqualitĂ€t und damit die Relevanz der wöchentlichen Empfehlungen fĂŒr die Verkaufsberater.

‍

Der Ausbruch der Covid-Pandemie, ein Paradebeispiel fĂŒr ein Ereignis mit hoher Auswirkung und geringer HĂ€ufigkeit (HILF), hat dazu gefĂŒhrt, dass Techniken der natĂŒrlichen Sprachverarbeitung (NLP) eingesetzt werden, um zusĂ€tzliche Daten ĂŒber unregelmĂ€ĂŸige, unvorhersehbare Ereignisse zu erfassen.

‍

"ML6 helped us to build and deploy an intelligent matching engine that has the potential to have a big impact on our candidate and customer journey's. Hence also influencing our top and bottom line."

CIO (Randstad Belgien)

Unter

Randstad

Resultate

Die Trefferquote ist von bisher 25 % auf 70 % gestiegen. Das bedeutet, dass die Verkaufsberater, die das Tool nutzen, heute 70 % ihrer Zeit mit den richtigen Kunden verbringen - Kunden, die ein tatsĂ€chliches und realisierbares Potenzial fĂŒr Randstad haben.

Und dieser signifikante und nachgewiesene geschĂ€ftliche Nutzen ist erst der Anfang. Das Tool zur Steigerung der Vertriebseffizienz wurde im Einklang mit der globalen Digital Factory-Strategie von Randstad entwickelt. Es wird fĂŒr den Einsatz in einer wachsenden Anzahl von LĂ€ndern vorbereitet, wĂ€hrend die KI-Modelle monatlich neu geschult und verfeinert werden.

‍

Die EinfĂŒhrung in allen 38 Randstad-LĂ€ndern ist geplant, wobei ausdrĂŒcklich darauf geachtet wird, dass die Empfehlungen auf unterschiedliche Marktpositionen und GeschĂ€ftsbereiche oder -konzepte zugeschnitten sind. Die Einrichtung automatisierter Dateneingabe- und -verarbeitungspipelines sowie Umschulungspipelines fördert die Skalierbarkeit der Lösung und ihre FĂ€higkeit, stĂ€ndig aus neuen Daten zu lernen. Sie beschleunigt auch die Integration neuer strategischer Erkenntnisse und neuer Datenquellen, die durch die Verwendung des Tools entdeckt werden, wodurch die Relevanz der empfohlenen Maßnahmen weiter erhöht wird.

‍