Wie Refix 23 neue Kunden durch automatisierte Prospect-Identifikation gewann

Der Kunde

Refix hat sich auf ein sehr spezifisches Problem spezialisiert: Amazon-Verkäufer, die unter ungerechtfertigten negativen Bewertungen leiden. Das können Fake-Reviews von Konkurrenten sein, KI-generierte Massenkommentare, Bewertungen über verspätete Lieferungen (die nichts mit dem Produkt selbst zu tun haben) oder einfach Reviews, die komplett am Produkt vorbei gehen. Solche Bewertungen können den Umsatz eines Produkts massiv schädigen, oft ohne dass der Verkäufer überhaupt schuld ist.

‍

Refix hat einen bewährten 3-Stufen-Prozess entwickelt: In den ersten ein bis zwei Tagen werden negative Rezensionen über 15+ Amazon-Marktplätze hinweg gescannt und auf potenzielle Richtlinien- oder Rechtsverstöße analysiert. In den Tagen drei bis sieben werden gemeinsam mit einer Partnerkanzlei Fälle erstellt und bei Amazons Community- und Legal-Teams eingereicht. Bis Tag 30 werden Rückfragen beantwortet, ergänzende Belege nachgereicht und bei ausbleibender Reaktion eskaliert, bis die Rezension gelöscht wurde. Die Erfolgsquote ist beeindruckend: Die meisten berechtigten Fälle führen tatsächlich zur Entfernung der schädlichen Bewertung.

‍

Das Problem: Die richtigen Kunden finden, die nicht wissen, dass sie Hilfe brauchen

Die größte Herausforderung für Refix war nicht die Dienstleistung selbst, die funktionierte hervorragend. Das Problem war: Wie findet man die Verkäufer, die genau jetzt, genau dieses Problem haben? Amazon hat Millionen von Produkten und hunderttausende Verkäufer. Irgendwo da draußen gibt es zu jedem Zeitpunkt hunderte oder tausende Verkäufer, die unter unfairen Bewertungen leiden und dringend Hilfe bräuchten. Aber sie wissen oft nicht mal, dass es Lösungen wie Refix gibt.

‍

Der bisherige Ansatz von Refix war manuell und aufwendig: Verschiedene Teammitglieder durchsuchten Amazon nach Produkten, schauten sich Reviews an, versuchten einzuschätzen, ob da problematische Bewertungen dabei sind, recherchierten dann mühsam den Verkäufer, suchten nach Kontaktdaten, schrieben individuelle E-Mails. Das war nicht nur zeitintensiv, sondern auch inkonsistent. An einem guten Tag fand vielleicht ein Mitarbeiter fünf potenzielle Kunden. An einem schlechten Tag keinen einzigen.

‍

Dazu kam: Die manuelle Recherche war oberflächlich. Man konnte sich vielleicht fünfzig Produkte am Tag anschauen, nicht fünftausend. Die Chance, genau die Verkäufer zu finden, die die größten Probleme hatten (und damit am ehesten bereit wären, für Hilfe zu zahlen), war gering. Es war wie die Suche nach der Nadel im Heuhaufen, nur dass man nicht mal wusste, in welchem Heuhaufen man suchen sollte.

‍

Das Refix-Team wusste: Irgendwo da draußen gibt es gerade hunderte Verkäufer, deren Produkte durch unfaire Reviews leiden, die verzweifelt nach Lösungen suchen, aber die beiden Seiten fanden einfach nicht zueinander. Es musste eine systematischere, skalierbarere Lösung her.

‍

Die Lösung: Von 50.000 Produkten zu qualifizierten Gesprächen

bakedwith entwickelte ein vollautomatisiertes System, das den gesamten Prozess von der Produktidentifikation bis zur personalisierten Ansprache übernimmt. Das System arbeitet wie ein unermüdlicher Recherche-Assistent, der rund um die Uhr den Amazon-Marktplatz nach den perfekten Prospects durchsucht.

‍

So funktioniert der Prozess im Detail:

‍

Schritt 1: Massives Scraping von Amazon-Produkten
Das System startet mit einer breiten Netz-Auslegung: Es scrapet systematisch über 50.000 Amazon-Produkte aus relevanten Kategorien. Nicht zufällig, sondern strategisch ausgewählt nach Kriterien wie Produktkategorie, Verkaufsvolumen, Anzahl der Bewertungen und weiteren Indikatoren, die auf professionelle Verkäufer hinweisen (denn die sind die relevante Zielgruppe für Refix).

‍

Für jedes dieser Produkte zieht das System alle verfügbaren Informationen: Produkttitel, Beschreibung, Preis, Verkäuferinfos und vor allem alle Bewertungen, insbesondere die negativen.

‍

Schritt 2: KI-gestützte Analyse nach Refix-Kriterien
Jetzt kommt der clevere Teil. Das System nutzt künstliche Intelligenz, um systematisch alle negativen Bewertungen (1 bis 3 Sterne) zu analysieren. Die KI wurde genau nach den gleichen Kriterien trainiert, die auch Refix bei seiner manuellen Analyse über 15+ Marktplätze verwendet: potenzielle Richtlinien- und Rechtsverstöße.

‍

Die KI erkennt folgende Kategorien problematischer Reviews:

‍

Nicht zum Produkt passende Bewertungen: Reviews, die offensichtlich über etwas ganz anderes sprechen oder völlig generisch sind ohne spezifische Details zum Produkt.

‍

Lieferungs- und Logistik-bezogene Beschwerden: Bewertungen über verspätete Lieferung, beschädigte Verpackungen oder Logistikprobleme. Alles Dinge, die nichts mit dem Produkt selbst zu tun haben und nach Amazon-Richtlinien nicht in Produktbewertungen gehören.

‍

KI-generierte oder Spam-Reviews: Texte mit repetitiven Formulierungen, unnatürlichen Sprachmustern oder generischen Phrasen ohne spezifische Details.

‍

Potenzielle Konkurrenz-Manipulation: Bewertungen, die Konkurrenzprodukte erwähnen oder auf bewusste Schädigung hindeuten.

‍

Rechtsverstöße: Reviews mit diffamierenden, beleidigenden oder rechtlich problematischen Inhalten.

‍

Die KI verarbeitet tausende Reviews in Sekunden und erstellt für jedes Produkt einen detaillierten Score: Wie viele potenziell problematische Reviews gibt es? In welche Kategorien fallen sie? Wie stark beeinflussen sie die Gesamtbewertung? Welche davon hätten realistische Chancen auf Löschung durch den Refix-Prozess?

‍

Schritt 3: Priorisierung der besten Prospects
Nicht jedes Produkt mit ein paar schlechten Reviews ist ein guter Lead. Das System priorisiert intelligent nach mehreren Faktoren:

‍

Anzahl der löschbaren Reviews: Je mehr problematische Bewertungen identifiziert werden, die gegen Richtlinien oder Rechte verstoßen, desto dringender der Handlungsbedarf und desto überzeugender der Business Case.

‍

Impact auf die Gesamtbewertung: Ein Produkt mit 4,2 Sternen, das durch regelwidrige Reviews auf 3,8 gedrückt wird, ist ein besserer Prospect als eines mit generell schlechter Qualität.

‍

Verkaufsvolumen und Professionalität: Professionelle Verkäufer mit hohem Umsatz sind eher bereit, für Lösungen zu zahlen und verstehen den wirtschaftlichen Schaden durch schlechte Bewertungen.

‍

Schwere der Verstöße: Reviews mit klaren Richtlinienverstößen haben höhere Erfolgschancen im Refix-Prozess und sind damit überzeugender für den Verkäufer.

‍

Schritt 4: Verkäufer identifizieren und Kontaktdaten finden
Für die priorisierten Produkte startet jetzt die Detektiv-Arbeit, vollautomatisch: Das System navigiert zur Amazon-Verkäuferseite, extrahiert den Verkäufernamen und das Unternehmen. Dann geht die Recherche weiter: Über öffentliche Datenbanken, Handelsregister-Einträge und Websuchen findet das System die zugehörige Website des Unternehmens.

‍

Auf der Website kommt dann die Kontakt-Extraktion: Das System durchsucht Impressum, Kontaktseiten und Team-Seiten nach relevanten Personen, idealerweise Geschäftsführer, E-Commerce-Verantwortliche oder Inhaber. Die entsprechenden E-Mail-Adressen werden über verschiedene Methoden identifiziert: direkt auf der Website, über E-Mail-Pattern-Matching oder über professionelle Enrichment-Datenbanken.

‍

Schritt 5: Personalisierte, datenbasierte Ansprache
Jetzt kommt der entscheidende Moment: Die Kontaktaufnahme. Das System erstellt für jeden Prospect eine hochpersonalisierte Nachricht mit konkreten, produktspezifischen Informationen. Die E-Mail zeigt dem Verkäufer genau:

• Welche problematischen Reviews identifiziert wurden und in welche Kategorien sie fallen (Lieferprobleme, Nicht-Produktbezug, potenzielle Fake-Reviews, etc.)
• Wie diese Reviews die Gesamtbewertung beeinflussen (zum Beispiel: "Ihre Bewertung könnte ohne diese regelwidrigen Reviews bei 4,3 statt 3,9 Sternen liegen")
• Warum diese Reviews realistische Chancen auf Löschung haben, basierend auf Amazon-Richtlinien und der Expertise von Refix
• Der konkrete Business-Impact: Welchen Umsatz der Verkäufer potenziell verliert durch die schlechtere Bewertung

Die E-Mail demonstriert Expertise und liefert sofort konkreten Mehrwert. Der Verkäufer sieht: Hier hat jemand sein Produkt genau nach den gleichen professionellen Kriterien analysiert, die auch Refix bei seinen zahlenden Kunden anwendet.

Schritt 6: Automatisiertes Review-Monitoring für Neukunden
Sobald ein Verkäufer Kunde wird und seine Produkte aktiviert, greift der gleiche automatisierte Prozess, den Refix auch manuell anbietet: Das System scrapet kontinuierlich die Reviews über alle relevanten Amazon-Marktplätze hinweg, nutzt die gleiche KI-Analyse, um automatisch neue problematische Bewertungen zu identifizieren, kategorisiert sie nach Löschungs-Potential und alarmiert sowohl Refix als auch den Kunden. Aus einem einmaligen Service wird eine fortlaufende Betreuung, ohne zusätzlichen manuellen Aufwand für die initiale Identifikation.

‍

Die Ergebnisse: Von manueller Suche zu automatisierter Pipeline

Die Transformation war beeindruckend:

• ‍23 neue Kunden in sechs Monaten gewonnen, wodurch das Team sich vollständig auf die Kernkompetenz konzentrieren konnte: die erfolgreiche Entfernung regelwidriger Reviews‍
• 50.000+ Produkte analysiert mit den gleichen professionellen Kriterien, die auch im Refix-Kernservice verwendet werden, eine Größenordnung, die manuell unmöglich gewesen wäre‍
• Extrem hohe Response-Rate: Die personalisierten, datenbasierten E-Mails erzielten Response-Raten von über 30 Prozent, weit über dem Durchschnitt von Cold Outreach‍
• Hochqualifizierte Leads: Weil das System nur Verkäufer anspricht, bei denen konkrete, löschbare Richtlinien- oder Rechtsverstöße identifiziert wurden, waren die Gespräche von Anfang an hochrelevant‍
• Massive Zeitersparnis: Das Team konnte die Zeit, die vorher in manuelle Recherche floss, nun in die Verfeinerung des 3-Stufen-Prozesses und die Betreuung bestehender Kunden investieren‍
• Skalierbarkeit: Das System kann problemlos auf 100.000 oder 500.000 Produkte skaliert werden, ohne zusätzliche Ressourcen‍
• Konsistente Qualität: Die KI analysiert nach den gleichen Kriterien wie die Refix-Experten, stellt aber sicher, dass kein Produkt übersehen wird‍
• Kontinuierlicher Wert: Durch das automatisierte Review-Monitoring über 15+ Marktplätze bleiben Kunden länger, weil sie kontinuierlich geschützt werden

Der Business-Impact war enorm. Refix konnte innerhalb kürzester Zeit die Kundenbasis massiv ausbauen, und zwar mit Kunden, die ein akutes, nachweisbares Problem hatten. Das führte zu hohen Conversion-Rates und zufriedenen Kunden, weil Refix ihnen konkret half, regelwidrige Bewertungen über den bewährten 3-Stufen-Prozess entfernen zu lassen und damit ihren Umsatz zu schützen.

‍

Besonders wertvoll: Die Qualität der Leads. Weil das System nur Verkäufer anspricht, bei denen es konkrete, nach Refix-Kriterien bewertete problematische Reviews identifiziert hat, verschwenden weder Refix noch die Verkäufer Zeit mit irrelevanten Gesprächen. Jede Konversation startet mit einem klaren, datenbasierten Use Case, der auf den gleichen professionellen Standards basiert, die Refix auch bei der tatsächlichen Fallbearbeitung anwendet.

‍

Was wir gelernt haben

Skalierung braucht Automatisierung. Manuelle Recherche mag bei zehn Prospects funktionieren, aber nicht bei zehntausend. Um wirklich alle relevanten Kunden zu finden, braucht es systematische, automatisierte Prozesse.

‍

KI kann Expertenkriterien lernen und skalieren. Die KI-Analyse basiert auf den gleichen professionellen Kriterien, die Refix bei der manuellen Fallbearbeitung verwendet. Sie macht die Expertise skalierbar, ohne Qualitätsverlust.

‍

Multi-Marktplatz-Monitoring ist komplex, aber wertvoll. Die Fähigkeit, über 15+ Amazon-Marktplätze hinweg zu analysieren, verschafft einen enormen Wettbewerbsvorteil und findet Probleme, die lokale Recherche übersehen würde.

‍

Daten schlagen Bauchgefühl. Das System findet Prospects, die menschliche Rechercheure nie gefunden hätten, einfach weil es viel mehr Produkte analysieren kann.

‍

Timing ist entscheidend. Einen Verkäufer anzusprechen, wenn er gerade unter regelwidrigen Reviews leidet, ist hundertmal effektiver als ihn präventiv anzusprechen, wenn alles gut läuft.

‍

Konkrete Use Cases schlagen generisches Pitching. Vage Versprechungen überzeugen nicht. Konkrete, produktspezifische Daten mit nachweisbaren Richtlinienverstößen überzeugen sofort.

‍

Kategorisierung erhöht Glaubwürdigkeit. Wenn man dem Verkäufer nicht nur sagt "Du hast schlechte Reviews", sondern "Du hast 7 Reviews mit Lieferproblemen, 3 nicht-produktbezogene und 2 potenzielle Fake-Reviews", zeigt das echte Expertise.

‍

Personalisierung skaliert durch Automatisierung. Wirklich personalisierte E-Mails mit produktspezifischen Daten waren manuell zu aufwendig. Automatisiert sind sie der Standard, und genau das macht den Unterschied in der Response-Rate.

‍

Von Einmalservice zu fortlaufender Betreuung. Das kontinuierliche Review-Monitoring über alle Marktplätze verwandelt einen einmaligen Service in eine langfristige Kundenbeziehung mit wiederkehrendem Wert.

‍

Automatisierung schafft Raum für Kernkompetenz. Das Refix-Team macht nicht mehr stundenlang manuelle Recherche, sondern konzentriert sich auf das, was sie am besten können: Den 3-Stufen-Prozess zur erfolgreichen Entfernung regelwidriger Reviews.

‍

Verschenkt ihr qualifizierte Leads, weil ihr sie nicht systematisch finden könnt?

Ihr wisst, dass eure Zielkunden da draußen sind, irgendwo im Meer von Daten, Profilen, Websites? Die manuelle Recherche frisst Zeit und Ressourcen, aber findet nur einen Bruchteil der eigentlich relevanten Prospects? Ihr könntet viel überzeugender verkaufen, wenn ihr konkrete, datenbasierte Use Cases in der ersten Nachricht zeigen könntet?

‍

Wir bauen euch ein System, das systematisch die richtigen Prospects zur richtigen Zeit findet, mit den richtigen Daten anreichert und personalisiert anspricht. Vollautomatisch, skalierbar, messbar. Egal ob Amazon-Reviews, LinkedIn-Engagement, Website-Daten oder andere Signale: Wir verwandeln Rohdaten in qualifizierte Gespräche.

‍

Lasst uns in einem unverbindlichen Gespräch über euren konkreten Use Case sprechen.