E.ON optimiert Kundenakquise mit KI im Energievertrieb
70% höheres Vertriebspotenzial durch datenbasierte Zielgruppenerkennung
Verbesserung bei der Erkennung potenzieller Neukunden
höhere Zielgenauigkeit bei der Erkennung potenzieller Neukunden
Datensätze und 600 Attribute als Grundlage für das Modelltraining
Herausforderung
Kundenerkennung im Erdgasvertrieb – manuell nicht mehr skalierbar
E.ON wollte die Kundenakquise im Erdgasbereich verbessern. Bisher wurden potenzielle Kund:innen manuell durch Expertenteams ausgewählt. Diese Methode war aufwendig, fehleranfällig und schwer skalierbar.
Ziel war es, einen automatisierten Prozess zu schaffen. Dieser Prozess soll die richtigen Kund:innen erkennen. Das geschieht durch datenbasierte Wahrscheinlichkeiten und nicht durch Bauchgefühl.
Lösung
Propensity-to-Buy-Modell mit Machine Learning im Vertrieb
Gemeinsam mit E.ON entwickelten wir ein Propensity-to-Buy-Modell auf Basis von Machine Learning. Das Modell bewertet, welche Kund:innen am wahrscheinlichsten einen Gasanschluss bestellen oder den Anbieter wechseln würden.
Technischer Aufbau
- Entwicklung eines analytischen Datamarts auf der Microsoft Azure Cloud
- Automatisierte Übertragung und Aufbereitung der Daten aus dem zentralen Data Warehouse (DWH)
- Nutzung von rund 300 Basisattributen als Ausgangspunkt
- Generierung von mehr als 7.500 prädiktiven Merkmalen (z. B. Tarifhistorie, Wechselverhalten, Region, Verbrauchsmuster)
- Entwicklung eines ML-Modells auf der Databricks-Plattform
- Training des Modells auf einem Datensatz mit 1,2 Millionen Einträgen und 600 Attributen
- Integration zusätzlicher Faktoren: Anbieterwechsel-Prozesse, regulatorische Rahmenbedingungen, interne Abläufe
- Automatisierter monatlicher Export der Modell-Ergebnisse zur operativen Nutzung im Vertrieb
Das Modell erkennt das Potenzial. Es gibt auch Einblicke in wichtige Einflussfaktoren. Dazu gehören Produktnutzung, Vertragslaufzeit, Serviceinteraktionen und regionale Marktdaten. So konnten wir die Kundenakquise gezielt und automatisiert steuern.
WIRKUNG
70% besseres Vertriebspotenzial durch KI im Energievertrieb
Die datenbasierte Lösung lieferte konkrete, messbare Resultate:
- 70 % höheres Vertriebspotenzial im Vergleich zur Expertenselektion
- 3- bis 3,5-fach höherer Lift-Faktor im obersten Kundendezil gegenüber Zufallsauswahl
- 100 % Leistungssteigerung gegenüber der ersten Modellgeneration
Der größte Vorteil: Das Modell identifiziert exakt die Kund:innen, bei denen sich eine persönliche Kontaktaufnahme lohnt – z. B. durch Telefonvertrieb oder Vor-Ort-Beratung.
FAZIT
Mit KI im Energievertrieb die Kundenakquise skalieren
Mit dem Einsatz von KI im Energievertrieb und einem leistungsfähigen Propensity-to-Buy-Modell ist es E.ON gelungen, seine Kundenakquise zu optimieren und das Erdgasvertriebspotenzial gezielter auszuschöpfen.
Das Projekt zeigt, wie sich Machine Learning im Vertrieb direkt auf den Geschäftserfolg auswirkt: durch präzisere Zielgruppenselektion, geringere Streuverluste und bessere Ressourcenverteilung.
Wir freuen uns, E.ON bei weiteren datenbasierten Vertriebsinitiativen zu unterstützen – für mehr Effizienz, Skalierbarkeit und Wirkung im Energiemarkt.
