Mit Generative AI den Angebotsprozess vereinfachen

12. Dezember 2023

Man kann als Unternehmen erfolgreich Produkte verkaufen, ohne welche zu produzieren – umgekehrt funktioniert das eher nicht. Ohne die Leistung all der Arbeit in Konstruktion, Entwicklung, Produktion, Service und Wartung schmälern zu wollen: Ohne einen erfolgreichen Vertriebsprozess wird kein Unternehmen erfolgreich, alles andere kann man vielleicht auch irgendwie auslagern oder sogar ganz lassen.

Um so bemerkenswerter, dass Vertriebsprozesse in vielen Unternehmen noch viel Luft für Optimierungen bieten, insbesondere durch die bessere Nutzung von Informationen, die es im jeweiligen Unternehmen längst gibt.

Ein Beispiel: Lieferanten von Heizungs- und Lüftungstechnik oder Baumaterialien machen ihre größten Umsätze vorzugsweise in großen Bauvorhaben. Auf große Bauprojekte bewerben sich in der Regel gleich mehrere Firmen um die Generalunternehmerschaft (GU) und jede dieser Firmen holt mit dem Leistungsverzeichnis der ausschreibenden Stelle Angebote von vielen Lieferanten und Dienstleistern für die einzelnen Gewerke ein. Für die Lieferanten heißt das: sie bekommen zu einem Bauprojekt häufig mehrere Angebotsanfragen von verschiedenen potenziellen Generalunternehmen und müssen die alle beantworten. Zum Leidwesen der Lieferanten machen es sich die GUs einfach: sie schicken einfach das ganze Leistungsverzeichnis – gerne mit hunderten von Seiten – an viele Lieferanten und fordern einfach auf, alles anzubieten, was der Lieferant anbieten kann. Das ist in so vielen Dimensionen ineffizient, dass es vielleicht alleine schon manch eine Bauverzögerung erklärt.

Zum Glück lässt sich dieser Prozess mit ein bisschen Artificial Intelligence stark vereinfachen und das gleich an mehreren Stellen. Fangen wir bei den GU an: Natürlich ist es einfach, dasselbe Leistungsverzeichnis an zahlreiche Firmen zu schicken, aber mit gezielten Anfragen für einzelne Gewerke könnte man eine viel bessere Steuerungswirkung entfalten. Dank Generative AI macht das heute kaum noch Mühe. „Extrahiere mir aus dem vorliegenden Leistungsverzeichnis die Positionen für den Trockenbau, erstelle daraus ein neues Leistungsverzeichnis und verschicke das als Angebotsanfrage mit Frist 27. August an alle Trockenbauunternehmen, die in unserer Lieferantendatenbank mit mindestens 4 Punkten bewertet sind.“ Fertig.

Damit das funktioniert, wird der schnelle Austausch mit ChatGPT natürlich nicht reichen. Mindestens muss das verwendete Large Language Model mit der Lieferantendatenbank integriert und der Kommunikationsprozess automatisiert werden. Aber egal, ob das ein ausgewachsenes ERP-System oder eine Excel-Tabelle ist: diese Integration erfolgt einmal, führt zu schnelleren Prozessen, zu schneller zugelieferten Angeboten und nebenbei zu besseren Daten über die Lieferanten.

Wenn die Generalunternehmer sich darum nicht kümmern, bleibt die Aufgabe bei den Lieferanten. Ähnliches Spiel: Statt jedes eintreffende Leistungsverzeichnis händisch nach Positionen zu durchsuchen, zu denen der Lieferant etwas beitragen könnte, überlassen wir wieder der AI die Aufgabe, den relevanten Teil zu ermitteln, also: „Extrahiere aus dem Leistungsverzeichnis die Positionen zur Brandschutztechnik.“ und schon haben wir nur noch zwei Seiten auszuwerten statt 200. Für diese 2 Seiten kann die KI dann auch gleich noch ermitteln, ob wir genau zu diesem Vorhaben nicht für einen anderes Unternehmen schon ein Angebot erstellt haben, dann können wir das einfach wiederverwenden.

Auch hier: Es ist ein bisschen mehr zu tun, als nur mit ChatGPT zu plaudern, insbesondere, wenn nach der Extraktion der relevanten Passagen aus dem Leistungsverzeichnis auch gleich ein Angebot erzeugt werden soll. Für eine durchgängige Unterstützung sollte die KI-basierte Plaudertasche mit unserer Produktdatenbank verbunden sein, denn Sprachmodelle wissen nichts über die tatsächliche Verfügbarkeit von Komponenten, ihre Preise und ihre Abhängigkeiten zu anderen Teilen. Damit die Verbindung zwischen Produktdatenbank und Leistungsverzeichnis funktioniert, bietet sich die Integration von speziellen Vokabularen an, beispielsweise die normierten Leistungsbezeichnungen aus Datanorm.

Aber auch hier gilt: Diese Integration mit den Datenbanken und/oder ERP-Systemen erfolgt einmal und spart danach nicht nur kontinuierlich Zeit, sondern bietet enorme Potenziale, den Inhalt der Angebote zu optimieren.

So bleibt die Produktdatenbank wie sie ist, in einem Knowledge Graph lässt sich aber granular erfassen, welchem Kunden auf welche Anfrage welches Angebot erstellt wurde, welche nicht angefragten Positionen zusätzlich angeboten wurden und ob das Angebot erfolgreich war. Das liefert die notwendige Datenbasis, um die Angebote kontinuierlich zu verbessern: Kunden, die A kauften, kauften auch B – immer, wenn ich C anbiete, bekomme ich keinen Auftrag – immer, wenn ich D anbiete, aber E nicht anbiete, kommt später eine Reklamation und so weiter.

Und die Generative AI hilft uns, die relevanten Teile aus viel zu langen Anfragen zu extrahieren und die anzubietenden Positionen in die richtige Angebotsform zu gießen, samt Begleitschreiben falls gewünscht.
So können Routineaufwände drastisch reduziert werden und der Vertriebsprozess optimiert sich auf Basis von Erfahrungsdaten selbst dann, wenn die erfahrenen Kollegen im Urlaub sind.