Software Sales

Die Vertriebsrolle für Software mit starkem Data- und KI-Anteil besteht darin, komplexe Plattformen an Unternehmen zu verkaufen, die ihre Daten nutzen und KI-Lösungen integrieren möchten. Zu den Aufgaben gehören das Verständnis der Kundenbedürfnisse, der Nachweis des Mehrwerts der Lösungen, die Steuerung komplexer Verkaufszyklen und die Zusammenarbeit mit den Technikteams, um die Anforderungen der Kunden zu erfüllen.

Hauptaufgaben

a. Prospektion und Analyse der Kundenbedürfnisse

• Identifizierung von Interessenten
  • Nutzung von CRM-Tools (Salesforce, HubSpot) und Marktdaten, um Unternehmen mit Bedarf an Data Science, Machine Learning und Datenmanagement gezielt anzusprechen.
• Analyse der Bedürfnisse
  • Verständnis der fachlichen Herausforderungen der Kunden (z. B. digitale Transformation, Prozessoptimierung, Predictive Analytics) und Abgleich mit den Funktionen der angebotenen Software.

b. Demonstration und technische Argumentation

• Technische Präsentationen
  • Fähigkeit, die Funktionen der Software (z. B. Datenpipelines, Machine-Learning-Modelle, API-Integrationen) zu erklären und ihren Mehrwert anhand konkreter Use Cases aufzuzeigen.
• Individuelle Demonstrationen
  • Vorbereitung und Durchführung von Demos, die auf die spezifischen Bedürfnisse der Kunden zugeschnitten sind, in Zusammenarbeit mit den Technikteams (z. B. Data Scientists, Ingenieure).

c. Steuerung des Verkaufszyklus

• Verfolgung von Opportunities
  • Steuerung der Phasen des Verkaufszyklus (Lead-Qualifizierung, Angebote, Verhandlungen, Abschluss) mit Schwerpunkt auf komplexen Verkäufen mit langen Zyklen.
• Zusammenarbeit mit internen Teams
  • Enge Zusammenarbeit mit Produkt-, Support- und Marketingteams, um Einwände zu entkräften und die Angebote an die Kundenbedürfnisse anzupassen.

d. Wettbewerbs- und Marktbeobachtung

• Wettbewerbsanalyse
  • Beobachtung der Angebote von Wettbewerbern (z. B. Alteryx, Snowflake, Palantir) und der Markttrends, um die Verkaufsargumente anzupassen.
• Technologiemonitoring
  • Aktualisierung des Wissens über Innovationen in Data und KI, um künftige Kundenbedürfnisse zu antizipieren.

Beispiele für konkrete Projekte

• Verkauf einer Dataiku-Plattform
  • Begleitung einer Bank bei der Einführung von Dataiku, um ihre Credit-Scoring-Prozesse zu automatisieren und Betrugsrisiken zu senken, mit einem nachgewiesenen ROI von 25 %.
• Einführung von Databricks
  • Unterstützung eines Handelsunternehmens bei der Migration seiner Daten zu Databricks und der Optimierung seiner Echtzeitanalysen, wodurch die Infrastrukturkosten um 20 % sanken.
• Integration einer MLOps-Lösung
  • Zusammenarbeit mit einem Industrieunternehmen bei der Integration einer MLOps-Lösung, um den Einsatz von Modellen für vorausschauende Wartung zu beschleunigen.