Wie sagen Algorithmen die Kaufabsicht voraus?

Kaufabsicht ist die Wahrscheinlichkeit, dass eine Person bald eine bestimmte Art von Produkt oder Dienstleistung kauft. Algorithmen lesen keine Gedanken: Sie leiten sie aus beobachtbarem Verhalten ab (ein Beitrag über ein Problem, eine Reaktion auf ein Thema, ein Jobwechsel) und deuten es mithilfe bewährter Verhaltensmodelle. Statt sich auf Zufall zu verlassen, analysiert KI-Akquise diese schwachen Signale, um die Interessenten zu finden, die in ihren Überlegungen am weitesten sind. Plattformen wie MeetMagnet verwandeln diese Wissenschaft in Handeln, indem sie Vertriebsteams erlauben, Interessenten genau in dem Moment zu erkennen, in dem ihr Bedarf entsteht. Ziel ist es, die richtige Person mit der richtigen Nachricht genau dann zu kontaktieren, wenn ihre Kaufabsicht am stärksten ist.

Wozu dient KI-Akquise, und wie funktioniert sie?

Akquise durch künstliche Intelligenz soll die Suche nach neuen Kunden automatisieren und optimieren. Sie findet nicht nur Kontakte, sondern analysiert eine große Menge öffentlicher Daten, um die Kaufabsicht vorherzusagen. Möglich wird das durch Algorithmen, die das Online-Verhalten von Fachleuten entschlüsseln, indem sie Dutzende relevante Kaufsignale analysieren. Nicht zu verwechseln mit Intent Data auf Account-Ebene: siehe Intent Data vs. Kaufsignale.

💡 KI-Akquise-Tools erfassen und interpretieren zentrale Ereignisse: eine Finanzierungsrunde, die Einstellung einer neuen Führungskraft, eine Interaktion auf LinkedIn oder auch eine technologische Änderung auf der Website eines Unternehmens. Bei MeetMagnet gehen wir vor allem von LinkedIn-Signalen aus (Reaktionen, Beiträge, Jobwechsel). Aber das Tool macht nicht alles: Die menschliche Kalibrierung zählt so viel wie der Algorithmus.

Wie entschlüsselt das EKB-Modell den Kaufprozess für die KI?

Das Engel-Kollat-Blackwell-Modell (EKB) ist grundlegend, weil es den Kundenprozess in logische Phasen gliedert. Die KI wird darauf trainiert, jede Phase anhand beobachtbarer Signale zu erkennen.

• Bedarfserkennung: Die KI erkennt Beiträge in beruflichen sozialen Netzwerken, in denen ein Interessent ein Problem oder einen Mangel äußert.
• Informationssuche: Der Algorithmus erkennt das Lesen von Fachartikeln, das Herunterladen von Whitepapers oder den Vergleich von Lösungen online.
• Bewertung von Alternativen: Er identifiziert die Teilnahme an Webinaren, Fragen in Foren oder Interaktionen mit Wettbewerbern.
• 🎯 Kaufentscheidung: Das sind die stärksten Signale, wie eine Demo-Anfrage oder der Besuch von Preisseiten, die überwacht werden.
• Nachkauf-Bewertung und Anbieterwechsel: Die KI kann sogar Bewertungen zu einem bisherigen Anbieter verfolgen, was auf eine Chance für eine neue Lösung hindeutet.

Indem sie diese Handlungen erfasst, erstellt die KI einen Absichts-Score, mit dem sich Interessenten mit dem dringendsten Bedarf priorisieren lassen. Aber Achtung: Einige dieser Signale (besuchte Seiten, heruntergeladene Whitepaper, Demo-Anfragen) sieht nur die betreffende Website oder ein Intent-Data-Anbieter. Öffentliche Signale wie ein Beitrag oder eine Reaktion auf LinkedIn kann ein Tool wie MeetMagnet für Sie auswerten.

Warum hilft die Theorie des überlegten Handelns (TRA), die Kaufabsicht vorherzusagen?

Die Theorie des überlegten Handelns (TRA) besagt, dass die Handlungsabsicht aus zwei Faktoren entsteht: der persönlichen Einstellung und den sozialen Normen. KI-Akquise nutzt dieses Modell, um nicht offen ausgesprochene Absichten zu entschlüsseln.

Die Einstellung wird über die Reaktionen eines Interessenten erkannt: Liked er Beiträge über Softwareeffizienz? Teilt er Inhalte über Kostensenkung? Diese Handlungen zeigen eine positive Meinung gegenüber einer möglichen Lösung.

Soziale Normen werden durch die Analyse seines Umfelds interpretiert. Wenn die Wettbewerber eines Interessenten eine Technologie einführen oder sein berufliches Netzwerk eine bestimmte Praxis schätzt, steigt die Wahrscheinlichkeit, dass er sich dafür interessiert. Genau das liest MeetMagnet auf LinkedIn: wer im beruflichen Umfeld Ihrer Zielgruppe worauf reagiert.

Welche Rolle spielt die wahrgenommene Kontrolle im Modell des geplanten Verhaltens (TPB)?

Die Theorie des geplanten Verhaltens (TPB) ergänzt die TRA um eine dritte Dimension: die wahrgenommene Verhaltenskontrolle. Anders gesagt: Fühlt sich der Interessent in der Lage, den Kauf tatsächlich durchzuführen?

🔍 Die KI bewertet diese Kontrolle, indem sie präzise Signale identifiziert. Ein Interessent, der Expertenmeinungen einholt, technische Funktionen vergleicht oder an Schulungen zu einem Thema teilnimmt, zeigt, dass er vor der Entscheidung sein Vertrauen stärken will.

Diese Verhaltensweisen zeigen, dass der Interessent sich nicht mehr nur informiert, sondern sich aktiv auf den Kauf vorbereitet. Für eine KI-Akquise-Plattform sind das starke Indikatoren, die eine schnelle, personalisierte Kontaktaufnahme rechtfertigen.

Wie hilft das Howard-Sheth-Modell der KI, externe Reize zu interpretieren?

Das Howard-Sheth-Modell beleuchtet den Einfluss von Reizen, ob extern (Marketing, Branchen-Innovation) oder intern (Persönlichkeit, Erfahrung). Eine leistungsfähige Akquise-KI muss jedes Signal in seinen Kontext einordnen.

👉 Eine neue Regulierung in einer Branche (externer Reiz) kann zum Beispiel eine Welle von Suchen nach Compliance-Lösungen auslösen. Die KI erkennt dann die betroffenen Unternehmen und identifiziert Mitarbeiter, die sich an Diskussionen zu diesem Thema beteiligen.

⚠️ Das Modell zeigt, dass nicht alle Interessenten gleich reagieren. Die KI passt ihren Ansatz daher an die Reife und die wahrgenommene Expertise des Interessenten an für eine relevantere Nachricht, die eher eine Antwort bekommt.

Welche Einflussvariablen entschlüsselt die KI, um die Akquise zu verfeinern?

Über die strukturierten Modelle hinaus bezieht KI-Akquise psychologische, kontextuelle und emotionale Variablen ein, um ihre Vorhersage zu verfeinern.

• Individuelle Motivation: Die KI kann die Ziele eines Interessenten (Produktivität steigern, Daten absichern, innovieren) ableiten, indem sie die Art der von ihm konsumierten Inhalte analysiert.
• Berufliches Umfeld: Wettbewerbsdruck oder ein interner Wandel im Unternehmen sind starke Auslöser, die Algorithmen über öffentliche Ankündigungen oder Diskussionen auf Plattformen wie LinkedIn erkennen können.
• Psychologische Faktoren: Der Wunsch, sich abzuheben, die Suche nach Anerkennung oder die Angst, zurückzufallen, sind Emotionen. Die KI übersetzt sie in Signale, etwa die Veröffentlichung von Fragen zu künftigen Markttrends.

Diese Analyse ermöglicht personalisierte Nachrichten, die die tatsächlichen Anliegen des Interessenten ansprechen. Ein Mensch prüft sie vor dem Versand.

Was Algorithmen nicht vorhersagen können

Ein Absichts-Score ist eine Wahrscheinlichkeit, keine Gewissheit.

• Budget und Zeitplan: Ein Interessent kann den Bedarf haben, ohne in diesem Quartal kaufen zu können. Das zeigt erst das Gespräch.
• Entscheidungen, die offline fallen: Eine Vorstandssitzung oder eine interne Ausschreibung hinterlässt oft keine öffentliche Spur.
• Falsche Signale: ein Berater, der auf alles reagiert, ein Student, ein Wettbewerber, der beobachtet. Deshalb lohnt es sich, ein Kaufsignal zu qualifizieren, bevor Sie schreiben, und die Zielgruppe von einem Menschen freigeben zu lassen.

Vergleichstabelle: manuelle Akquise vs. KI-Akquise

Kriterium	Klassische manuelle Akquise	KI-Akquise (z. B. MeetMagnet)
Signalerkennung	Manuell, begrenzt, oft verspätet	Automatisiert, jeden Tag, auf den beobachteten Quellen
Kontakt-Timing	Zufällig, auf Basis statischer Listen	Kontakt kurz nach dem Signal, solange die Absicht stark ist
Personalisierung der Nachricht	Generisch oder halbpersonalisiert, zeitaufwendig	Einstieg aus dem Signal, vor dem Versand geprüft
Volumen und Effizienz	Geringes Volumen, hoher manueller Aufwand	Mehr qualifizierte Interessenten, automatisierte Recherche
Nachverfolgung des Kundenprozesses	Fragmentiert, schwer nachzuvollziehen	Nachverfolgung der EKB-Phasen
Datenintegration	Manuell, fehleranfällig	Reibungslose Synchronisation mit CRMs über API

📌 KI-Akquise ist also keine Black Box. Sie beruht auf Jahrzehnten verhaltenswissenschaftlicher Forschung, angewendet auf die Spuren, die Fachleute online hinterlassen. Indem Algorithmen Kaufprozesse, Motivationen und soziale Einflüsse lesen, ermöglichen sie den Übergang von Massenakquise zu einem gezielten Ansatz. Es geht nicht darum, eine Kontaktliste zu liefern, sondern jedes Signal in ein relevantes Gespräch zu verwandeln. Das ist die Aufgabe der App MeetMagnet, unserer B2B-Akquise-Software mit Kaufsignalen.

Quellen

• Consumer Behaviour Theory: Approaches & Models (PDF, 223 KB)