Vertrieb Auswerten & Messen Einmalprojekt, abgeschlossen Unbequemer Befund
Wiederkaufrate 30 % statt der angenommenen 10 %
Eine Kundenanalyse aus fünf Quellen korrigiert eine Planungszahl — und zeigt, dass fünf scheinbare Kundenmerkmale nur beschreiben, wen man anruft.
Der Fall auf einen Blick
Das Problem
Es gab keine belastbare Kundenliste, und die Aussagen über den idealen Kunden waren nie an den eigenen Daten gemessen worden.
Was der Fall macht
Führt die Kundenlisten aus fünf Quellen zusammen und rechnet nach, welche Annahmen über die eigenen Kunden stimmen.
Was er bewirkt
49 von 164 zahlenden Kunden kaufen nach — 30 % statt der angenommenen 10 %, und sie tragen 52 % des Umsatzes.
So funktioniert es
In diesem Ablauf arbeitet kein Sprachmodell mit. Die KI hat beim Bauen geholfen — im Betrieb läuft ein normales Programm.
- 1 Daten Fünf Quellen Kundendatenbank (CRM), Umsatz und Fragebögen vom Kundenstart — fünf Quellen, die sich widersprachen.
- 2 Programm Zusammenführen Ein Programm führt die fünf Quellen zu 373 Kunden zusammen.
- 3 Mensch Dubletten von Hand prüfen 75 Dublettengruppen werden von Hand geprüft; was nicht sicher zuzuordnen ist, bleibt ein eigener Eintrag.
- 4 Programm Merkmale nachrechnen Jedes Merkmal wird gegen die Grundquote von 271 Kunden unter 81.628 Kontakten gerechnet.
- 5 Programm Gegenprobe Dasselbe nur über 1.251 geführte Verkaufsgespräche und nur für Kunden ab 180 Tagen seit Erstkauf.
- Datenquelle
- normales Programm
- Mensch
Die Zahlen dahinter
Was das für Ihren Betrieb heißt
Bevor Sie aus Ihrem Kundenbestand eine Zielgruppe ableiten, prüfen Sie, ob ein Merkmal beschreibt, wer kauft — oder nur, wen Ihr Vertrieb anruft.
Die Gegenprobe braucht eine Gruppe, die den Filter der Anrufliste schon hinter sich hat — bei uns Kontakte mit geführtem Verkaufsgespräch. Ohne sie bleibt offen, ob ein Merkmal Kaufen misst oder Auswählen. Jede Quote über einen Zeitraum braucht zudem die Alterskontrolle: Junge Kunden hatten weniger Zeit nachzukaufen.
Erster Schritt: den Fragebogen, den Sie beim Kundenstart ohnehin einsammeln, einmal nach Vollständigkeit auswerten.
Die Ausgangslage
Die Kunden eines Dienstleisters für Personalgewinnung standen in fünf Quellen, die sich widersprachen. Die Kundenzahl hing davon ab, welche man fragte.
Dazu kursierten Zielgruppenregeln — Österreich, Gastronomie, ländliche Lage — und eine Wiederkaufrate von rund 10 %. Gemessen hatte das niemand.
Die Lösung im Einzelnen
Zuerst die Liste: 373 Kunden, 75 Dublettengruppen von Hand geprüft. Was nicht sicher zuzuordnen war, blieb ein eigener Eintrag.
Dann die Merkmale und die Gegenprobe: Jedes Merkmal aus der Kundendatenbank (CRM) wurde gegen die Grundquote von 271 Kunden unter 81.628 Kontakten gerechnet — und danach nur über 1.251 Kontakte mit geführtem Verkaufsgespräch. Österreich liegt im Gesamtbestand 3,6-fach über der Grundquote — im Gespräch kaufen 10 % der österreichischen und 11 % der deutschen Betriebe.
Übrig blieb ein einziges starkes Merkmal: 2 bis 4 selbst ausgeschriebene Stellen, im Gespräch 15 % Abschluss gegen 8 % bei höchstens einer. Im Lauf arbeitet kein Sprachmodell; ein KI-Werkzeug hat Programme und Bericht geschrieben. Grenze: Umsatz ist erst ab 02/2025 erfasst.
- HältBetriebe mit 3 offenen Stellen auf der eigenen WebsiteIm Gespräch 17 % Abschluss gegen 9 % bei einer Stelle.Öffentlich prüfbar, bevor jemand zum Telefon greift.
- FrühwarnungOnboarding-Bogen mit 31 KreuzenKunde füllt sorgfältig aus — Wiederkauf wahrscheinlich.Liegt Wochen vor dem ersten Kampagnenergebnis vor.
- Fällt„Betriebe am Land kaufen häufiger“Im Gesamtbestand 3-fach, im Gespräch kein Unterschied mehr.Gemessen war, wen der Vertrieb anruft.
- GrenzeHenne oder EiOb Sorgfalt den Wiederkauf auslöst oder gute Betreuung beides, ist offen.Als Frühwarnung brauchbar, als Ursache nicht.
Zahlen und Beispiele erfunden, die Einordnung nicht. Der dritte Eintrag ist der lehrreichste: Ein Merkmal, das die Kundschaft beschreibt, kann genauso gut die eigene Anrufliste beschreiben.
Was wir dabei gelernt haben
- Zwei Aussagen standen schon im Entwurf und waren falsch. „Wer mit dem größeren Paket einsteigt, kauft nie nach“ war ein Laufzeiteffekt: Diese Kunden waren ein halbes Jahr jünger. Mit Alterskontrolle dreht sich das Verhältnis um, 25 % gegen 22 %.
- Gemessen war Sorgfalt, nicht Inhalt. Wiederkäufer kreuzen im Fragebogen im Median 29 Vorteile an, Einmalkunden 6. Erst die Normierung auf die Zahl der Kreuze zeigte das.
- Ein Ergebnis, das zwischen zwei Läufen schwankt, ist nicht prüfbar. Die Kundenzahl sprang zwischen 372 und 373 ohne geänderte Eingabe — Ursache war eine zufällige Reihenfolge im Programm.
- Ein Datumsfeld lieferte still nichts. Es war als Zahl gespeichert; die Umrechnung ergab leere Werte statt eines Fehlers.
- Der Bestand ist selbst erzeugt. Ein Segment, das nie angerufen wurde, kann hier nicht gut aussehen — auflösen lässt sich das nur mit einem bewussten Gegenversuch.
Jede Aussage über den idealen Kunden ist an einer Kundschaft gemessen, die unsere eigene Akquise hervorgebracht hat.
Aus den Grenzen des Berichts
Was die Gegenprobe übrig ließ Tabelle
| Merkmal | Gesamtbestand | nur geführte Gespräche |
|---|---|---|
| 2–4 selbst ausgeschriebene Stellen | Faktor 2,46 | 15 % gegen 8 % — trägt |
| Land | Spanne 6,1-fach | 1,1-fach |
| Gastronomie / Hotellerie | Spanne 4,4-fach | 1,2-fach |
| Stadt oder Land | Spanne 3,1-fach | 1,3-fach |
| Tourismusregion | Spanne 2,8-fach | 1,3-fach |
| Saisonbetrieb | Spanne 2,6-fach | 1,1-fach |
Quelle: 81.628 Leads, davon 1.251 mit geführtem Gespräch; Stand 06.09.2026
Der Ablauf als Diagramm Schaubild
Haben Sie so einen Fall im Betrieb?
Schreiben Sie mir in zwei Sätzen, welche Aufgabe bei Ihnen am meisten Zeit frisst. Sie bekommen eine ehrliche Einschätzung — samt Aufwand und samt der Antwort „lohnt sich nicht“, wenn es so ist.