Machine Learning im Vertrieb: Was der Mittelstand braucht

Wer zuerst Kontakte, Gespräche und Termine sauber erfasst, schafft die Grundlage, auf der ein Modell später überhaupt etwas lernen kann.

Stand: Oktober 2026. KRAUSS verkauft keine Machine-Learning-Software. Wir führen die Telefonebene durch und dokumentieren Gespräche und Termine, damit Ihre Auswertung auf echten Zahlen steht.

Was heißt Machine Learning im Unternehmen konkret?

Machine Learning meint Verfahren, die aus vielen Beispielen ein Muster lernen und es auf neue Fälle anwenden. Im Vertrieb sind das typische Aufgaben: Ein Modell sortiert Leads nach der Wahrscheinlichkeit eines Termins, es sagt voraus, welche Kunden abwandern, oder es priorisiert die Anrufliste. Die Methode dahinter ist zweitrangig. Entscheidend sind die Beispiele, aus denen gelernt wird.

Welche Daten braucht ein Modell im Vertrieb?

Ein Modell braucht viele vergleichbare Fälle mit einem klaren Ergebnis. Für die Terminwahrscheinlichkeit heißt das: Tausende Kontakte mit Branche, Größe, Anlass, Uhrzeit und dem Ergebnis, ob ein Termin entstand. Fehlt das Ergebnis oder ist es in Freitexten versteckt, lernt das Modell Zufälliges.

Quelle: Einordnung der Redaktion, Stand 10/2026. Die Menge ist ein Richtwert und hängt vom Modell ab.

Praxisbeispiel: Das Modell, das nichts lernte

In einem Projekt für einen Anbieter von Gebäudetechnik sollte ein Modell die Terminwahrscheinlichkeit vorhersagen. Die Datenbasis umfasste 900 Kontakte, und das Ergebnis stand bei 40 Prozent der Fälle nur im Freitext. Das Modell erreichte in der Prüfung kaum mehr Treffer als ein Zufall. Nach einem Vierteljahr mit einem Auswahlfeld für das Ergebnis lagen 3.100 Kontakte vor, und die Prognose traf bei 70 Prozent der Termine richtig. Die Zahlen sind anonymisiert und gerundet.

Wann lohnt sich ein Modell nicht?

Bei weniger als ein paar tausend vergleichbaren Kontakten im Jahr bringt ein Modell meist nichts, was eine einfache Tabelle nicht auch zeigt. Ein Vertrieb mit zwanzig Kontakten im Monat braucht keine Vorhersage, sondern eine Priorisierung nach Anlass. Auch wenn sich die Zielgruppe jedes Quartal ändert, ist die Prognose schnell veraltet.

Ein Gegenargument gehört dazu: Viele Modelle wirken überzeugend, weil ihre Trefferquote am eigenen Trainingssatz gemessen wird. Fragen Sie immer nach den Ergebnissen auf Daten, die das Modell nie gesehen hat.

Welche Checkliste prüft den Einstieg?

• Jeder Kontakt hat Herkunft, Datum und Ergebnis als Pflichtfeld
• Mindestens ein Jahr vergleichbarer Daten liegt vor
• Die Ergebnisse werden auf Daten getestet, die das Modell nicht gesehen hat
• Ein einfacher Vergleich, etwa nach Branche, dient als Maßstab
• Jemand im Team liest die Prognose und entscheidet über die Anrufliste

Was bedeutet das für die Telefonebene?

Die Telefonebene liefert die Daten, aus denen ein Modell später lernen könnte. Jedes Gespräch mit Ergebnis ist ein Trainingsbeispiel, auch wenn es nur einen Termin brachte oder keinen. Deshalb halten wir das Gesprächsergebnis fest, bevor wir an Prognosen denken. Die Seite Kaltakquise-Agentur beschreibt, wie der Erstkontakt abläuft. Eine KI-gestützte Vorbereitung finden Sie in den KI-Prompts für den Vertrieb, die ohne eigene Software funktionieren.

Den Begriff Machine Learning erklärt das Glossar. Für den Einstieg in die Datenerfassung hilft der Leitfaden zu Akquise-Kennzahlen.

Häufig gestellte Fragen

Lohnt sich Machine Learning für kleine Vertriebe?

Meist nicht. Ein Modell braucht viele vergleichbare Kontakte mit klarem Ergebnis, die kleine Vertriebe selten haben. Eine Priorisierung nach Anlass ist oft genauer.

Welche Daten braucht ein Modell für die Terminprognose?

Kontakte mit Branche, Größe, Anlass, Uhrzeit und dem Ergebnis, ob ein Termin entstand. Fehlt das Ergebnis, lernt das Modell Zufälliges.

Wie viele Kontakte braucht ein Modell mindestens?

Als Richtwert mehrere tausend Kontakte mit Ergebnis. Die genaue Menge hängt vom Modell und von der Vielfalt der Fälle ab.

Wie prüfe ich, ob ein Modell trifft?

Testen Sie die Prognose auf Daten, die das Modell beim Training nicht gesehen hat. Vergleichen Sie das Ergebnis mit einer einfachen Regel, etwa nach Branche.

Was sollte ich zuerst verbessern?

Die Erfassung. Eine Quelle für alle Kontakte und ein Auswahlfeld für das Ergebnis schaffen die Grundlage für jede spätere Auswertung.

Verkauft KRAUSS Machine-Learning-Software?

Nein. KRAUSS führt die Telefonebene durch und dokumentiert Gespräche und Termine. Software für Prognosen gehört nicht zum Angebot.

Wie nutze ich KI im Vertrieb ohne eigenes Modell?

Mit geprüften Prompts für Vorbereitung, Einwände und Nachfassen. Sie brauchen dafür keine eigene Datenbasis, aber eine klare Prüfung der Antworten.

Woran scheitern die meisten Modelle im Vertrieb?

An Daten, die nicht vergleichbar sind, an fehlenden Ergebnissen und an Prognosen, die nie gegen neue Fälle geprüft wurden.