Randstad

Steigerung der Vertriebseffizienz bei Randstad durch Nutzung mehrerer Datenquellen

Auswirkung

Das Verkaufseffektivitäts-Tool wird derzeit von rund 10.000 Verkaufsberatern in 6 Ländern 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 tatsächliches und realisierbares Potenzial für Randstad haben.

Der Kunde

Als eines der führenden multinationalen Personalberatungsunternehmen hat Randstad 39.530 Mitarbeiter in 38 Ländern.

Wenn wir sicherstellen, dass diese Mitarbeiter ihre Zeit auf die Kontaktaufnahme mit Unternehmen konzentrieren, die ein echtes Potenzial für Randstad haben, und sie in die Lage versetzen, Gespräche auf der Grundlage genauer und relevanter Informationen zu führen, 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 verfügte zwar bereits über Daten und Einblicke in die "richtigen Unternehmen" mit attraktivem Geschäftspotenzial, aber dieses Wissen wurde noch nicht optimal genutzt, um die Aktivitäten der Vertriebsorganisation im Tagesgeschäft zu steuern.

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

"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 für die Zukunft gerüstet."

Globaler VP, Digitale Strategie und Innovation

Unter

Randstad

Lösung

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

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

Das datengesteuerte Gebietsdesign zielt darauf ab, das Scoring auf ein bestimmtes geografisches Gebiet zu beschränken, um die Relevanz der gewonnenen Erkenntnisse für die lokalen Vertriebsteams zu erhöhen. Das daraus resultierende Kanban-Skript - eine automatisierte und umsetzbare To-Do-Liste - liefert den einzelnen Vertriebsberatern wöchentlich einen Überblick über die Unternehmen, auf die sie sich konzentrieren sollen, sowie Erkenntnisse über das jeweilige Unternehmen/die jeweilige Branche als Grundlage für die Strukturierung des Kundengesprächs.Schließlich nutzt die Lösungskomponente "Market Insights" zusätzliche externe Daten, um den Vertriebsberatern weiteren Kontext zu liefern, z. B. einen triftigen geschäftlichen Grund, das Unternehmen anzurufen, unmittelbare Informationen über die Branche des Kunden, unterstützende Daten für das Erwartungsmanagement/die Erfüllbarkeit und Preisverhandlungen.Das "Verkaufseffektivitäts-Tool" ist so konzipiert, dass es Daten in einem Outside-in-Ansatz formell und kontinuierlich nutzt, indem es aktuelle, faktische Daten aus ausgewählten, strukturierten externen Datenquellen erfasst und zeitreihenbasierte Prognosen anwendet, um Erkenntnisse und Auslöser zu generieren.

Das Dun & Bradstreet-Unternehmensverzeichnis dient als Quelle für eine weltweite Übersicht über alle Unternehmen, sowohl über bestehende Randstad-Kunden als auch über potenzielle Kunden, einschließlich eines umfassenden Überblicks über 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) gewährleisten die Datenqualität und damit die Relevanz der wöchentlichen Empfehlungen für die Verkaufsberater.

Der Ausbruch der Covid-Pandemie, ein Paradebeispiel für ein Ereignis mit hoher Auswirkung und geringer Häufigkeit (HILF), hat dazu geführt, dass Techniken der natürlichen Sprachverarbeitung (NLP) eingesetzt werden, um zusätzliche Daten über unregelmäßige, 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 tatsächliches und realisierbares Potenzial für Randstad haben.

Und dieser signifikante und nachgewiesene geschäftliche 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 für den Einsatz in einer wachsenden Anzahl von Ländern vorbereitet, während die KI-Modelle monatlich neu geschult und verfeinert werden.

Die Einführung in allen 38 Randstad-Ländern ist geplant, wobei ausdrücklich darauf geachtet wird, dass die Empfehlungen auf unterschiedliche Marktpositionen und Geschäftsbereiche oder -konzepte zugeschnitten sind. Die Einrichtung automatisierter Dateneingabe- und -verarbeitungspipelines sowie Umschulungspipelines fördert die Skalierbarkeit der Lösung und ihre Fähigkeit, ständig 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.