B2B-Cross-Selling, Upselling und Empfehlungen zur Produktkonfiguration

B2B-Anbieter führen Tausende Artikelnummern, komplexe Kompatibilitätsregeln und wenige, große Kunden; Listen im Stil von „Kunden kauften auch" passen daher selten. Empfehlungssysteme verbinden Kauf- und Installationsdaten mit harten Produktregeln, sodass Vertrieb und Self-Service-Portale passende Zusatzprodukte, Upgrades und gültige Konfigurationen erhalten. Der Nutzen sind vollständigere Angebote und weniger Nacharbeit durch ungültige Konfigurationen.

Problem & Nutzen

• Heute: Der Vertrieb verlässt sich auf Erinnerung, statische Bundles und Tabellen. Cross-Selling hängt vom Wissen Einzelner ab, sodass Potenziale bei Kunden unentdeckt bleiben. Komplexe Produkte (Maschinen, IT, Industriekomponenten) werden mit ungültigen oder unvollständigen Konfigurationen angeboten, was Nacharbeit und Retouren verursacht.
• KI-Nutzen: wahrscheinliche Folgekäufe je Kunde aufzeigen (Zubehör, Ersatzteile, Verbrauchsmaterial, Stufen-Upgrades, ergänzende Module), die Gründe erklären und Vorschläge auf das technisch Gültige und Bestellbare beschränken. Anbieter berichten von Umsatz- und Angebotsgeschwindigkeitsgewinnen, doch die Zahlen sind anbieterspezifisch und sollten mit einem A/B-Test auf Ihren eigenen Daten überprüft werden.
• B2B-Besonderheiten: wenige Käufer je Kunde, lange Zyklen, Einkaufsgremien, verhandelte Preise und Verträge; die Empfehlungseinheit ist daher der Kunde und die Verkaufschance, nicht die anonyme Sitzung.

Varianten

• Vertriebsunterstützung (Guided Selling): Vorschläge im CRM oder CPQ während der Angebotserstellung.
• Self-Service-B2B-Portal / Webshop: Nachbestelllisten, Zubehör- und Ersatzteilvorschläge je Kunde.
• Produktkonfiguration: regelbasierte Konfiguratoren, erweitert um gelernte Präferenzen (Maschinen, Fahrzeuge, IT-Hardware, Gebäudetechnik).
• Installationsbasis-getrieben: Service- und Wartungsdaten lösen Angebote für Ersatz, Upgrade oder Verbrauchsmaterial aus.
• SaaS-Erweiterung: Nutzungstelemetrie steuert Upselling von Lizenzen, Stufen und Add-ons (Product-led Growth).
• Distribution / Großhandel: Warenkorbergänzung und Ersatzartikelvorschläge über große Kataloge.

So funktioniert es

1. ERP orders + CRM + installed base + telemetry + catalogue/rules
2. feature & graph building (account x product, product compatibility graph)
3. candidate generation (collaborative filtering, item embeddings, "lookalike" accounts, rules)
4. ranking (gradient-boosted trees / two-tower / sequence model) + business filters
5. constraint check (configurator / CPQ rules: valid, orderable, in stock, contract-compatible)
6. explanation (LLM drafts reason + talking points from the data)
7. rep or portal UI
8. quote / order
9. feedback loop (accepted, rejected, won)

• Kandidatenmodelle: Matrixfaktorisierung mit implizitem Feedback, Embeddings im Stil von item2vec und Graph-Neuronale-Netze über Kunden-Produkt-Graphen; bei dünn besetzten Kunden helfen inhaltsbasierte Embeddings der Produktbeschreibungen (Kaltstart).
• Regeln bleiben maßgeblich: Kompatibilität sowie regulatorische und preisliche Vorgaben werden vom Konfigurator oder einer Regelengine durchgesetzt. Überlassen Sie die Entscheidung, ob eine Konfiguration gültig ist, niemals einem Modell oder LLM.
• Rolle des LLM: den Kundenkontext zusammenfassen, den Vorschlag erklären und Angebotstexte entwerfen. Retrieval über Katalog und Datenblätter stützt die Antwort. Das LLM erstellt kein eigenständiges Ranking.
• Mensch-in-der-Schleife (Human-in-the-Loop): Die Vertriebsmitarbeitenden nehmen jeden Vorschlag an, bearbeiten oder verwerfen ihn. Ablehnungsgründe sind ein wertvolles Trainingssignal. Rabatte und Vertragsbedingungen bleiben bei Menschen.

Datenaufbereitung

Die Kerndaten sind die Auftrags- und Rechnungshistorie je Kunde, Installationsbasis und Verträge, der Produktkatalog mit Kompatibilitätsregeln sowie CRM-Angebote mit Gewonnen/Verloren. In einem KMU liegen diese im ERP, im CRM und oft in Excel-Preislisten oder PDFs. Typische Lücken sind uneinheitliche Kunden- und Produkt-IDs zwischen ERP und CRM, Kompatibilitätsregeln, die nur im Kopf der Vertriebsleute existieren, fehlende Einträge zur Installationsbasis und Angebote, die als Dokumente ohne strukturierte Positionen abgelegt sind.

Schritte der Aufbereitung: - ERP-Aufträge, Rechnungen und Verträge exportieren und mit CRM-Kunden verknüpfen (PREP-005). - Artikelnummern und Varianten vereinheitlichen sowie Kompatibilitäts- und Bundle-Regeln in einer Tabelle oder einem Glossar festhalten (PREP-012, PREP-011). - Angebotspositionen aus PDFs und Word-Dateien in strukturierte Datensätze überführen (PREP-006, PREP-007). - Labels aus gewonnenen Deals und Folgeaufträgen gewinnen (PREP-020). - Eine Datenverantwortliche oder einen Datenverantwortlichen für den Produktstamm benennen (PREP-004).

Rechnen Sie mit 40 bis 50 Prozent des Aufwands für den Abgleich von Kunden und Produkten und das Aufschreiben der Regeln. Ein kurzer Datenreife-Check vorab (GUIDE-003, PREP-001) vermeidet Überraschungen.

Umsetzungswege

Welcher Weg für wen

• KMU (A): CRM- und CPQ-Produkte mit eingebauten Vorschlägen für das nächstbeste Produkt gibt es zu KMU-tauglichen Preisen; das passt, wenn die Katalogregeln einfach sind.
• Großunternehmen (B): Komplexe Kompatibilitätsregeln, Daten zur Installationsbasis und die ERP-Integration erfordern eigene Pipelines auf Cloud-APIs und eigenen Daten.
• Entwickler (B): Empfehlungen und Konfigurationsprüfungen in das eigene Produkt einzubetten gelingt am besten über Cloud-APIs und offene Bibliotheken.

Weg A — Kaufen (Standardsoftware) (für die meisten KMU empfohlen)

• CRM-/CPQ-Suiten: Salesforce (Revenue Cloud, Einstein), Microsoft Dynamics 365 Sales, SAP Sales Cloud und SAP CPQ, HubSpot, Oracle CPQ. Die meisten bieten KI-gestützte Produktvorschläge oder Guided Selling.
• Konfiguratoren / CPQ-Spezialisten (mehrere aus der EU): Tacton (Schweden), Configit (Dänemark), camos/Siemens (Deutschland), Encoway (Deutschland), Cincom, Conga.
• Personalisierung im B2B-Commerce: Algolia (in der EU gegründet), Bloomreach, Coveo, Dynamic Yield, Adobe Commerce, SAP Commerce, Shopware B2B (Deutschland) mit Empfehlungs-Plug-ins.
• A wählen, wenn: der CRM-/ERP-Anbieter bereits ein Empfehlungssystem mitliefert, der Katalog unter etwa einigen Zehntausend Artikeln liegt und keine ungewöhnlichen Regeln gelten. Prüfen Sie EU-Datenspeicherung, AVV und ob Sie Empfehlungsprotokolle exportieren können.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Verwaltete Empfehlungsdienste: Amazon Personalize (Regionen Frankfurt/Irland), Google Cloud Vertex AI Search for commerce / Recommendations AI, Azure AI Search mit eigenem Ranking. Tabellarische Modelle über Vertex AI, Azure ML oder SageMaker.
• LLM-Schicht: ein führendes oder EU-Modell (Mistral, Claude, Gemini, GPT in EU-Regionen) für Erklärungen, Angebotstexte und Konfigurationswünsche in natürlicher Sprache („eine Pumpe für 40 m³/h, ATEX") mit strukturierten Ausgaben, die die Konfigurator-API als Werkzeug aufrufen.
• Integration: ERP-/CRM-Export in ein Data Warehouse (Snowflake, BigQuery, Databricks), nächtliche Batch-Bewertung, Ergebnisse zurück in CRM-Felder oder in eine API für das Portal.
• B wählen, wenn: Sie eigene Data-Science-Kapazität haben und kundenspezifische Logik oder eigene Regeln benötigen.

Weg C — Selbst betreiben (Open Source)

• Bibliotheken: implicit, LightFM, RecBole, TorchRec, Merlin/NVTabular, LightGBM / XGBoost für Ranker, PyTorch Geometric oder DGL für Graphmodelle.
• Retrieval: pgvector, Qdrant oder OpenSearch für Artikel-Embeddings; offene Embedding-Modelle wie BGE-M3 oder multilingual-e5.
• Randbedingungen: quelloffene Solver (Google OR-Tools CP-SAT, Choco) oder eine Regelengine für die Gültigkeit von Konfigurationen.
• LLM (optional): ein offenes Modell (Familien Qwen, Llama, Mistral) über vLLM für Erklärungen.
• Hardware: Die Ranking-Modelle laufen bei typischen B2B-Volumina auf der CPU (HW1). HW2 nur für selbst betriebene LLM-Texte ergänzen.

Weg D — Eigenes Training

Lohnt sich bei großen Katalogen mit umfangreichen Interaktionsprotokollen (Distributoren, große Maschinenbauer) oder wenn Sequenzmodelle über Auftragshistorien Standardlösungen übertreffen. Erfordert 12–24 Monate Auftrags- und Angebotsdaten mit Angenommen/Abgelehnt-Labels. Bewerten Sie offline (Recall@k, NDCG) und online (A/B oder Kontrollkunden), da B2B-Daten dünn besetzt sind und Offline-Gewinne den tatsächlichen Uplift oft überschätzen.

Stand der Technik (2026)

• Hybride Stacks dominieren: GBDT-/Two-Tower-Ranker für die Bewertung, Embeddings für den Kaltstart, Regeln für die Gültigkeit. LLMs ergänzen Erklärung, dialogische Konfiguration und Angebotsentwürfe statt des reinen Rankings.
• Agentisches Angebotswesen: Agenten lesen eine Anfrage (RFQ), schlagen über das Konfigurator-Werkzeug eine Konfiguration vor und entwerfen das Angebot zur Freigabe durch den Vertrieb (siehe AGENT-027). Werkzeugaufrufe in ein deterministisches CPQ halten die Ausgaben gültig.
• Sequenzmodelle im Stil von Foundation Models für Aufträge (Transformer-basierte Vorhersage des nächsten Artikels) wandern von der Forschung in die Produktion großer Commerce-Anbieter, doch B2B-Datensätze sind oft zu klein, um davon zu profitieren.
• Grenzen und Fehlerbilder: dünne und klumpige Käufe (eine Maschine wird einmal in Jahren gekauft); Popularitätsverzerrung zugunsten von Bestsellern; Empfehlung von Artikeln, die der Kunde bereits über einen anderen Kanal besitzt; veraltete Daten zur Installationsbasis; Vorschläge, die Verträgen, Exportregeln oder Preisvereinbarungen widersprechen; Rückkopplungsschleifen durch Vertriebsleute, die nur einfache Vorschläge annehmen; Offline-Kennzahlen, die sich nicht in Umsatz übersetzen.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack (recommender + tabular-ml): REC-001 (B2C-Produktempfehlungen), REC-009 (Treueangebote), REC-003 (Next Best Action) nutzen Feature Stores, Embeddings und das Experimentier-Framework gemeinsam.
• Vorgelagerte Signale: PRED-005 (Lead-Scoring), PRED-003 (Abwanderung: Bindungsangebote vs. Upsell-Zeitpunkt), REC-004 (Segmentierung), AGENT-011 (CRM-Datenpflege verbessert Kunden- und Installationsdaten).
• Nachgelagert: AGENT-027 (RFQ zum Angebot) verbraucht Konfigurationen; Preis- und Rabattoptimierung nutzen dieselben Daten.
• Wissensgraph aus Produkten und Kompatibilität wird mit Anwendungsfällen zu technischem Support und Katalogsuche geteilt.

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen bis wenige Monate, vor allem Datenbereinigung und CPQ-/Katalogmodellierung. Lizenzen je Nutzer oder Modul.
• Weg B: 2–4 Monate für eine erste Batch-Scoring-Pipeline mit Rückschreiben ins CRM; die Cloud-Kosten sind moderat, der Personalaufwand dominiert.
• Weg C/D: 4–9 Monate mit einer Data Scientistin oder einem Data Scientist und einem Ingenieur; laufend MLOps und Monitoring.
• Kennzahlen: Annahmequote der Vorschläge, Attach-Rate / Positionen je Auftrag, Anteil der Angebote mit gültiger Konfiguration im ersten Durchlauf, Angebotsdurchlaufzeit, Umsatz je Kunde gegenüber der Kontrollgruppe, Gewinnquote, Retouren-/Nacharbeitsquote, Akzeptanz im Vertrieb.
• Kostentreiber: Qualität von Katalog und Stammdaten, ERP-/CRM-Integration, Aufwand der Regelmodellierung.

Menschen & Veränderung

Beginnen Sie mit der Vertriebsleitung als Prozessverantwortlichen und der Geschäftsleitung für die Ziele. Die Vertriebsmitarbeitenden sind die eigentlichen Nutzer: Beziehen Sie früh einige erfahrene Kolleginnen und Kollegen ein, denn sie kennen die Kompatibilitätsregeln und beurteilen, ob Vorschläge glaubwürdig sind. Die IT und die Datenverantwortlichen von ERP und CRM liefern die Exporte; die oder der Datenschutzbeauftragte wird gebraucht, wo Ansprechpersonen personenbezogene Daten sind (AVV, Rechtsgrundlage).

Betriebsrat: kommt darauf an. Werkzeuge für den Vertrieb, die Klicks, Annahmequoten oder Nachverfolgung je Mitarbeitenden protokollieren, können zur Leistungsüberwachung geeignet sein, sodass § 87 Abs. 1 Nr. 6 BetrVG voraussichtlich greift; zudem nach § 90 Abs. 1 Nr. 3 unterrichten. Stellen Sie früh klar, dass die Annahme von Vorschlägen keine Leistungskennzahl ist, am besten in einer kurzen Betriebsvereinbarung.

KI-Kompetenz: Unterstützen Sie den Vertrieb mit einer kurzen Einheit dazu, wie Vorschläge entstehen und wo sie falsch liegen (KI-Verordnung Art. 4 unterstützt dies, ohne ein bestimmtes Niveau zu garantieren). Führen Sie einen Pilot mit einem Team durch und vergleichen Sie mit einem Kontrollteam. Typische Bedenken sind, ersetzt oder gemessen zu werden, sowie schlechte Vorschläge; begegnen Sie ihnen, indem Sie das Werkzeug als Anregung für Gesprächsimpulse darstellen, die Gründe je Vorschlag zeigen und den Vertrieb mit einem Klick verwerfen lassen. Der Vertrieb entscheidet immer.

Siehe GUIDE-004, GUIDE-008 und GUIDE-009.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): in der Regel minimales Risiko (keine Kategorie nach Anhang III). Relevant nur, wenn Empfehlungen den Zugang von Einzelpersonen zu wesentlichen Diensten steuern oder manipulative Techniken einsetzen (Art. 5 Abs. 1 Buchst. a); die Pflicht zur KI-Kompetenz (Art. 4) gilt. Konfiguratoren im Chatbot-Stil müssen die KI-Interaktion offenlegen (Art. 50).
• DSGVO: überwiegend Unternehmensdaten, aber Ansprechpersonen, Nutzungstelemetrie und Einzelunternehmer sind personenbezogene Daten. Rechtsgrundlage (berechtigtes Interesse) mit dokumentierter Abwägung, Widerspruch gegen Direktwerbung (Art. 21) und Transparenz beim Profiling (Art. 13/14). Vollständig automatisierte Entscheidungen mit rechtlicher Wirkung (Art. 22) sind hier nicht die Regel.
• Wettbewerb und Verträge: Nutzen Sie Daten eines Kunden nicht, um einen anderen zu benachteiligen; beachten Sie vertragliche Preisvereinbarungen und, bei Plattformen, den Data Act und das Wettbewerbsrecht zur Nutzung von Kundendaten.
• Produktsicherheit und Haftung: Ungültige Konfigurationen (Sicherheit, ATEX, CE) müssen durch Regeln blockiert werden, nicht durch das Modell.
• Gegenmaßnahmen: regelbasierte Gültigkeitsprüfung, menschliche Freigabe von Angeboten, Protokollierung der Vorschläge, Kontrollgruppen, regelmäßige Prüfung auf Verzerrung zugunsten margenstarker Artikel.

Erste Schritte

1. Daten prüfen: mehr als 2 Jahre Aufträge, ein sauberer Produktstamm und eine Liste der Installationsbasis je Kunde.
2. Die Einheit (Kunde, Verkaufschance oder Angebotsposition) und eine Vergleichsbasis festlegen, z. B. die aktuelle Attach-Rate.
3. Mit einer einfachen Liste „häufig zusammen gekauft + Potenzial gegenüber ähnlichen Kunden" und Regeln im CRM beginnen.
4. Pilot mit einigen Vertriebsmitarbeitenden, Annahme-/Ablehnungsgründe protokollieren und einen Vergleich mit Kontrollgruppe durchführen.
5. Ranker und LLM-Erklärungen erst ergänzen, wenn die Vergleichsbasis ein Signal zeigt; den Konfigurator für die Gültigkeit anbinden.

Quellen

1. Salesforce — Revenue Cloud (CPQ and billing) documentation — https://www.salesforce.com/products/revenue-cloud/
2. Tacton — CPQ and product configuration — https://www.tacton.com/
3. Amazon Personalize developer guide — https://docs.aws.amazon.com/personalize/latest/dg/what-is-personalize.html
4. Google Cloud — Vertex AI Search for commerce — https://cloud.google.com/solutions/retail-product-discovery
5. RecBole recommender library — https://github.com/RUCAIBox/RecBole
6. OR-Tools CP-SAT solver — https://developers.google.com/optimization/cp
7. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
8. Regulation (EU) 2016/679 (GDPR) — https://eur-lex.europa.eu/eli/reg/2016/679/oj