Sell One More: Das ungenutzte Cross-Selling-Potenzial im laufenden Design-In

Der schnellste Hebel für Mehrgeschäft im Elektronikvertrieb liegt selten im neuen Markt oder Kunden — sondern im laufenden Design-In. Warum das Potenzial trotzdem meist ungenutzt bleibt, und wie datengestützte Vertriebssteuerung es systematisch hebt.

Fragt man Hersteller und Distributoren nach ihrer Attach Rate — wie viele aktive Komponenten im Schnitt in ein Projekt gehen —, liegt die Antwort aus unseren Gesprächen über alle Projekte hinweg erstaunlich häufig zwischen 1.x und 3.x; höhere Attach Rates sind bereits die Ausnahme. Das Design-In wird als das behandelt, was es im ersten Moment zu sein scheint — die Anfrage nach einer einzelnen Komponente — und genau dort bleibt es meistens stehen. Das Cross-Selling-Potenzial bleibt ungehoben, und ein erheblicher Teil des möglichen Ertrags liegt auf dem Tisch.

Dabei verfügen dieselben Unternehmen über Portfolios von zehntausenden, oft hunderttausenden Produkten. Was fehlt, ist nicht die Sortimentsbreite, sondern der systematische Zugriff darauf im entscheidenden Moment — dann, wenn der Kunde bereits in einem Entwicklungsprojekt steckt.

Ein zweites Bauteil zu platzieren ist leichter als einen Neukunden zu gewinnen

Der Verkauf der kompletten Systemlösung — das System-Sales — bleibt ein hoher Anspruch im Elektronikvertrieb. Nur ist er in der Praxis der seltenere Fall. Die weitaus meisten Design-Ins beginnen klassisch mit dem technischen Bedarf an einer oder wenigen spezifischen Komponenten, oft schlicht deshalb, weil zentrale Systembestandteile beim Kunden bereits definiert oder gesetzt sind und nur inkrementell verändert werden. Genau in diesen vielen Alltagsfällen entscheidet sich, wie viel Ertrag ein Projekt am Ende bringt.

Aus vertrieblicher Sicht ist diese Ausgangslage attraktiver, als sie zunächst wirkt. Der Vertrieb ist bereits im Projekt involviert, der Kunde ist bekannt, sein Entwicklungsvorhaben ist bestätigt und der technische Dialog läuft. Weitere passende Bauteile in ein laufendes Design-In zu platzieren, ist damit ungleich leichter, als einen neuen Kunden zu gewinnen — die Erfolgswahrscheinlichkeit ist deutlich höher, der Weg zum Abschluss kürzer.

Der Business Impact ist gerade wegen der niedrigen Ausgangsbasis erheblich: Schon eine einzige zusätzliche aktive Komponente pro Projekt — konsequent über die Kundenbasis gehoben — hebt die Attach Rate um bis zu die Hälfte, ohne einen einzigen neuen Kunden. Und weil die zusätzlichen Value Parts häufig margenstärker sind als das ursprünglich angefragte Bauteil, wächst der Rohertrag oft überproportional zur reinen Stückzahl. „Sell one more" ist deshalb kein inkrementeller Feinschliff, sondern ein struktureller Ertragshebel.

Betriebswirtschaftlich schlägt sich genau das in der Marge nieder. Die Erweiterung eines bestehenden Design-Ins um eine weitere Komponente ist die schnellste und effizienteste Methode zur Ertragssteigerung — und der Grund liegt in den Transaktionskosten. Ein Kunde mit einem validierten Entwicklungsprojekt hat seine Customer Acquisition Cost bereits amortisiert; jedes weitere platzierte Line Item steigert den Rohertrag bei nahezu gleichbleibendem Vertriebsaufwand, und die Time-to-Revenue ist signifikant kürzer.

Der pragmatische Sweet Spot liegt dazwischen: nicht das komplette System vom Reißbrett, das nicht in jedem Design-In das Thema ist, aber auch nicht der isolierte Einzelverkauf, der Ertrag liegen lässt — sondern die systematische Erweiterung des laufenden Design-Ins um das, was ohnehin dazugehört. Aus einer platzierten Komponente kann später eine Systemposition wachsen.

Was man nicht misst, kann man nicht steuern

Dass die Attach Rate in vielen Organisationen gar nicht erfasst wird, ist mehr als eine Reporting-Lücke, ist sie doch einer der wenigen Vertriebs-KPIs, der direkt auf den Rohertrag durchschlägt und dabei fast vollständig in der eigenen Hand liegt. Wer sie nicht kennt, verlässt sich implizit darauf, dass Cross-Selling schon irgendwie passiert — und genau das tut es oft nicht.

Cross-Selling scheitert an Komplexität, nicht an Motivation

Wenn der Hebel so klar ist, warum wird er dann so selten konsequent gezogen? Die Antwort ist keine Frage der Motivation, sondern der Komplexität. Das Portfolio eines durchschnittlichen Design-In-Distributors oder Komponentenherstellers ist schlicht zu groß, als dass ein einzelner Vertriebsingenieur oder Account Manager sämtliche Korrelationen zwischen Zielapplikation und passenden Nebenprodukten präsent haben könnte. Und dieses Portfolio steht nicht still: Neue Franchises auf Distributionsseite erweitern das Sortiment laufend, Hersteller erschließen neue Produktbereiche oder übernehmen ganze Produktlinien durch M&A.

Unter diesen Bedingungen fokussiert sich der Vertrieb nachvollziehbarerweise auf das, was greifbar ist: das konkret angefragte Produkt und die umsatzstarken High-Runner — häufig Commodities mit hohem Preisdruck. Das eigentliche Ertragspotenzial liegt jedoch oft eine Reihe dahinter, in den „Value Parts": relevanten Bauteilen mit häufig höherer Marge, für die es bereits erste Erfolgsstories gibt, die aber im Rauschen des Gesamtkatalogs untergehen — vorhanden, im Moment der Entscheidung aber nicht sichtbar.

Ein Beispiel macht das konkret. Ein Kunde fragt einen Mikrocontroller für die Motorsteuerung eines E-Bikes an — das angefragte Produkt. Dieselbe Ansteuerung eines bürstenlosen Motors braucht zwangsläufig weitere Bauteile: einen Gate-Treiber für die Leistungsendstufe, eine Strommessung für die Regelung, einen DC/DC-Wandler für die Versorgungsspannungen — häufig die margenstärkeren Value Parts. Ins Angebot kommen sie nur, wenn jemand die Verbindung zwischen MCU, Applikation und Begleitbausteinen kennt. Fehlt dieses Wissen im entscheidenden Moment, bleibt es beim einzelnen Sockel.

Das ist keine Schwäche einzelner Vertriebsteams, sondern eine strukturelle Grenze: Erfahrung und Training tragen weit, aber sie skalieren nicht mit einem Katalog, der schneller wächst und sich verändert, als ein Mensch ihn im Kopf behalten kann.

Der Kunde kommt später — und besser informiert

Erschwerend verengt eine Verschiebung im Kaufverhalten den Handlungsspielraum: Kunden treffen heute einen großen Teil ihrer Entscheidung autonom und steigen oft mit einer bereits gefestigten Komponenten-Vorauswahl in den Dialog ein. Das Zeitfenster, in dem der Vertrieb den Umfang eines Projekts noch beeinflussen kann, wird damit kürzer und dichter — der relevante Zusatzvorschlag muss im ersten qualifizierten Kontakt sitzen, nicht drei Follow-ups später. Die Anforderung verschiebt sich von „mehr verkaufen wollen" zu „im richtigen Moment das Richtige wissen" — genau der Punkt, an dem Daten den Unterschied machen.

Datengestützte Insights ergänzen das Vertriebswissen

Die eigentliche Chance liegt darin, dass genau diese beiden Ursachen sich mit Daten adressieren lassen. Was ein einzelner Vertriebsingenieur nicht überblicken kann, steckt kollektiv längst in der Historie vergangener Projekte: in dem, was ähnliche Kunden in vergleichbaren Applikationen tatsächlich bestellt haben. Und die Erfahrung, die sonst an einzelne Mitarbeiter gebunden bleibt — und mit einem Wechsel das Unternehmen verlässt — lässt sich als kuratiertes Expertenwissen sichern und wiederverwenden. Aus zwei strukturellen Schwächen werden so zwei nutzbare Quellen: das gemeinsame Gedächtnis abgeschlossener Projekte und das kodifizierte Urteil erfahrener Experten.

Derselbe Mechanismus wirkt genau dort, wo es im Alltag am meisten hakt. Ein neu ins Sortiment aufgenommenes Produkt — über eine neue Franchise oder eine Akquisition — muss sich nicht erst im Team herumsprechen, bevor es verkauft wird; es wird verkaufbar, sobald es den passenden Applikationen und Kunden zugeordnet ist. Und ein neuer Mitarbeiter greift vom ersten Tag an auf dieses gebündelte Wissen zu, statt es sich über Jahre anzueignen. Die Portfolio-Volatilität, zuvor ein Nachteil im Vertrieb, wird so vom System aufgefangen.

Moderne Vertriebssteuerung ergänzt das Erfahrungswissen des Vertriebs um datengestützte Insights. Mit Machine Learning auf historischen Transaktionsdaten lassen sich Muster erkennen, die dem einzelnen Vertriebsingenieur verborgen bleiben. Das System erkennt, welche Begleitbausteine zu einer bestimmten Komponente in einer bestimmten Applikation typischerweise gehören, und verknüpft diese Muster mit dem kuratierten Wissen erfahrener Experten. Damit daraus ein belastbarer Hebel wird und kein Selbstzweck, kommt es auf drei Faktoren an. Eine Empfehlung ist nur so gut wie ihr Kontext: Nicht das Produkt allein entscheidet, sondern das Zusammenspiel aus Kundenprofil, Historie und Applikationstyp — dieselbe Komponente kann einmal die naheliegende Ergänzung und einmal völlig irrelevant sein. Wertvoll ist außerdem nicht die Vollabdeckung des Portfolios, sondern die Reduktion auf die wenigen Produkte mit der höchsten Abschlusswahrscheinlichkeit; eine kurze, treffsichere Liste wird genutzt, eine lange ignoriert. Und das System muss lernen: Jede angenommene oder abgelehnte Position schärft die Datenbasis für die nächste Empfehlung — so wird es mit jedem Vertriebszyklus präziser, statt mit dem Portfolio zu veralten.

Entscheidend ist dabei ein Punkt, der in vielen KI-Projekten untergeht: Eine Erkenntnis, die nicht mit einer konkreten Handlung verknüpft ist, bleibt weitgehend folgenlos. Ein Modell, das im Data-Science-Team einen Score ausrechnet, hilft dem Verkäufer im Kundengespräch nicht. Der Nutzen entsteht erst, wenn die Empfehlung dort erscheint, wo ohnehin gearbeitet wird — eingebettet in den Vertriebs-Workflow, nicht in einem separaten Report.

So klar dieser Hebel ist, er hat Grenzen, die man benennen sollte. Eine statistische Empfehlung ist ein Ausgangspunkt, keine Entscheidung. Ob ein vorgeschlagenes Teil tatsächlich ins Design passt, bleibt das Urteil des Vertriebsingenieurs, nicht des Modells; das System liefert die Vorauswahl, die fachliche Entscheidung trifft der Mensch (Expert in the Loop). Die Qualität der Vorschläge steht und fällt mit der Datenbasis — wo die Historie dünn, lückenhaft oder schlecht gepflegt ist, liefert auch das beste Modell keine perfekten Ergebnisse. Und sie hängt am Nutzerverhalten: Weil das System aus der Resonanz lernt, wird es nur dann besser, wenn der Vertrieb Vorschläge aktiv annimmt, ablehnt und zurückmeldet — wird es ignoriert, altert es, statt zu lernen. Ein Datenmodell reduziert den Aufwand, die eigenen Daten nutzbar zu machen; es nimmt ihn einem nicht vollständig ab.

Die relevanten Daten liegen selten nur im CRM

Damit solche Empfehlungen tragen, braucht es die richtige Datengrundlage — und die reicht in aller Regel über das CRM hinaus. Ob ein Kunde für ein Value Part in Frage kommt, ergibt sich weniger aus dem Design-In-Datensatz als aus der Bestell- und Applikationshistorie, aus BOM- und Order-Daten — und die liegen meist im ERP, nicht im Vertriebstool. Die eigentliche Intelligenz entsteht deshalb nicht im Modell allein, sondern in der Kombination verschiedener Datenquellen: Erst wenn Transaktions-, Applikations- und Produktdaten aus CRM und ERP mit dem Expertenwissen zusammengeführt werden, wird aus verstreuten Einzeldaten ein belastbares Signal. Genau hier entscheidet sich, ob datengestütztes Cross-Selling ein Projekt bleibt oder zum Regelbetrieb wird.

Inkrementelles Wachstum ist eine Strategie, kein Zufall

Der „Sell-One-More"-Ansatz erfindet keine neue Nachfrage, sondern übersetzt vorhandenes Kundeninteresse systematisch in einen höheren Share of Wallet. Für das Vertriebsmanagement heißt das, den Blick zu verschieben — weg von der alleinigen Frage nach neuen Märkten, hin zu der Frage, wie konsequent das Potenzial in den vorhandenen Daten genutzt wird.

Besonders greifbar wird der Hebel dort, wo Linecards zusammenkommen. Distributoren erweitern ihre franchisierten Linecards laufend und übernehmen Nischendistributoren für breitere Marktabdeckung — doch in der Praxis greifen Vertriebsmitarbeiter reflexhaft zu den vertrauten Legacy-Linien, während neu hinzugekommene Herstellerlinien unternutzt bleiben. Datengestütztes Cross-Selling gleicht neue Herstellerportfolios automatisch gegen die historischen BOMs bestehender Kunden ab: So erzeugen neue Franchises unmittelbare Umsatzsynergien, statt ungenutzt im Vertriebskatalog zu liegen. Aus einer Synergie-Annahme im Business Case wird eine trackbare Größe im Vertriebsalltag.

Branchenspezifisch schlägt generisch

Ein Faktor entscheidet darüber, ob dieser Ansatz im Elektronikvertrieb tatsächlich trägt: das Domänenwissen im Empfehlungssystem selbst. Horizontale Sales-AI — also branchenunabhängige, generische KI-Werkzeuge, die quer über alle Branchen Meeting-Notizen zusammenfassen, E-Mails vorformulieren und pauschale Abschlusswahrscheinlichkeiten schätzen — adressiert genau die Probleme nicht, um die es hier geht. Sie kennt keine Design-In-Zyklen, keine BOM-Zusammenhänge, keine Applikations-Komponenten-Logik und keinen Unterschied zwischen einem austauschbaren High-Runner und einem margenstarken Value Part. Solche Funktionen sind nützlich, aber sie sind überall verfügbar — und was alle einsetzen, verschafft keinen Vorsprung.

Der eigentliche Hebel im Cross-Selling steckt in der Fachsemantik: im Wissen, dass eine bestimmte Komponente für eine bestimmte Applikation typischerweise einen bestimmten Begleitbaustein nach sich zieht. Das lässt sich nicht aus generischen CRM-Texten ableiten — es entsteht aus der Kombination von elektronikspezifischer Modellierung, der Historie realer Projekte und dem kuratierten Urteil erfahrener FAEs, die den Design-Win technisch tragen. Eine branchenspezifische, purpose-built Lösung kann diese Semantik abbilden; eine horizontale Plattform kann es strukturell nicht.

Für das Vertriebsmanagement lässt sich das auf eine einzige Frage zuspitzen: Weiß der Vertrieb im Moment des Kundengesprächs, welche weiteren Produkte mit der höchsten Wahrscheinlichkeit in dieses Design gehören — oder verlässt er sich darauf, dass es der richtigen Person zur richtigen Zeit einfällt?

Die Voraussetzung für „Sell One More" ist damit keine neue Verkaufsphilosophie, sondern die relevanten Insights im richtigen Moment — im Kontext der eigenen Branche. Nicht die Daten an sich helfen dem Vertrieb weiter, sondern die aus ihnen abgeleitete, konkrete Empfehlung. Genau hier setzt eine Sales-Intelligence-Schicht an: Sie entwickelt die Lösung nicht neu, sondern legt sich als datengetriebene Assistenz über die bestehenden CRM- und ERP-Systeme und macht aus der vorhandenen Datengrundlage nutzbare Insights im Vertriebsalltag. FASTND ist als eine solche purpose-built Lösung speziell für den Elektronikvertrieb konzipiert — mit dem Ziel, in jedem Design-In das komplette vorhandene Portfolio zu berücksichtigen.