Case Study · Onboarding & Lead-to-Demo
Wie wir BarBrains Onboarding-Abbruch von 30 % auf 12 % gesenkt haben — und Lead-Buchungen von 15 % auf 40 %.
Drei Kern-KPIs aus zwei Prozessen, die elvys 2025 für BarBrain neu gebaut hat.
30% → 12%
Trial-Abbruchquote im Onboarding
15% → 40%
Demo-Buchungsrate aus Leads
5h → <1 Min.
Lieferschein-Erfassung pro Beleg
Über BarBrain
Inventursoftware für die Gastronomie. Der Engpass saß im Prozess drumherum.
BarBrain ist eine Inventursoftware für die Gastronomie. Bars, Restaurants und Hotels nutzen das Tool, um Bestände zu erfassen, Einkauf zu kontrollieren und Schwund sichtbar zu machen. Der Markt: DACH-Gastronomie, ein Sektor unter Margendruck, in dem jede gesparte Stunde im Backoffice direkt durchschlägt.
Das Produkt war früh in einem klaren Problem: Die Kennzahlen, die BarBrain liefert, sind nur so gut wie die Daten, die ins System kommen. Und genau dort lag der Engpass.
elvys hat zwei Prozesse bei BarBrain neu gebaut. Beide hatten dasselbe strukturelle Problem: Ein Schritt im Tagesgeschäft, der so anstrengend war, dass Kunden ihn vermieden haben — mit direkten Folgen für Retention und Conversion.
Was wir gemacht haben
Zwei Prozesse. Dasselbe strukturelle Muster.
Beide Prozesse haben wir nicht nur „automatisiert". Wir haben sie umgedacht — denn die zentrale Erkenntnis war in beiden Fällen dieselbe: Die Software war nicht das Problem. Der Prozess drumherum war es.
Prozess
Vorher
Nachher
Lieferschein-Erfassung
Lead-to-Demo
Use Case 1 · Lieferschein-Scanner
5 Stunden Tipparbeit, bevor das Tool Wert geliefert hat.
Wer BarBrain neu nutzt, muss sein Inventar ins System bringen. In der Gastronomie heißt das: Lieferscheine erfassen. Jede Lieferung von Chefs Culinar, METRO, Transgourmet oder regionalen Händlern bringt hunderte Positionen mit — Artikelnummer, Bezeichnung, Menge, Einheit, Preis. Pro Position eine Zeile. Pro Zeile manuelles Abtippen.
Eine durchschnittliche Ersteinrichtung: rund 5 Stunden Tipparbeit, bevor das Tool überhaupt nutzbaren Wert geliefert hat. In einem Alltag zwischen Frühschicht, Lieferantenrückfragen und Personalplanung war das die Stelle, an der der Trial-Kunde aufgegeben hat. Halbherzig angefangen, irgendwann liegen gelassen, am Ende nicht zur zahlenden Subscription konvertiert.
30 % der Trial-Kunden sind in dieser Phase abgesprungen. Nicht weil das Produkt schlecht war, sondern weil sie es nie wirklich erlebt haben.
Die Lösung
Wir haben einen Lieferschein-Scanner gebaut, der Großhändler-PDFs liest — keine sauberen Demo-PDFs, sondern echte Realbelege. Mit drei Auftragsblöcken auf einer Seite. Mit gemischten Einheiten (kg, Gramm, Liter, Stück, Karton, Schale, Bündel). Mit Doppelpreisen, Liefergebühren in unterschiedlichen Mehrwertsteuer-Sätzen, Druckspuren und handschriftlichen Häkchen.
Was vorher 5 Stunden gedauert hat, dauert jetzt unter einer Minute pro Lieferschein. Onboarding wird dadurch nicht nur schneller — es wird zu einem Moment, in dem der Kunde den Wert von BarBrain unmittelbar sieht, statt ihn sich in Tipparbeit zu verdienen.
01
Upload
Der Kunde lädt das Lieferschein-PDF des Großhändlers hoch — Realbelege, keine sauberen Demos.
02
AI-Scan
Die AI extrahiert jede Position mit Menge, Einheit, Preis und Bezeichnung. Auch bei gemischten Einheiten und Doppelpreisen.
03
Review
Kunde prüft und korrigiert das Ergebnis. 33 Positionen auf einen Blick statt 33 Eingabemasken.
04
Match
Entscheidung, welche Artikel als neue Produkte angelegt werden. Stapelimport mit Kontrollschritten.
Vorher
≈ 5 Stunden
33 Positionen seriell abgetippt. Inventar erst nach einem halben Arbeitstag im System.
Nachher
≈ 45 Sekunden
Upload, AI-Scan, Review, Match, Done. Stapelimport mit Kontrollschritten.
Workflow · Vorher / Nachher
Vom seriellen Abtippen zum Stapelimport mit Kontrollschritten.
Vorher
- 01Lieferung erhalten
- 02Lieferschein nehmen
- 03BarBrain öffnen
- 04Produkt 1 anlegen (Name, Menge, Preis, Einheit)
- 05Produkt 2 anlegen
- 06… 30 weitere Schritte
- 07Produkt 33 anlegen
- 08Inventar erfasst
≈ 5 Stunden
Nachher
- 01Lieferschein-PDF
- 02Upload
- 03AI-Scan
- 04Review (Korrekturen)
- 05Match
- 06Done
✓ ≈ 45 Sekunden
Das Ergebnis
Trial-Abbruchquote von 30 % auf 12 %.
Im Zuge einer Onboarding-Überarbeitung — flankiert von einem kurzen Onboarding-Call, mit dem AI-Scanner als zentralem Hebel — ist die Trial-Abbruchquote von 30 % auf 12 % gesunken. Gemessen an Trial-Kunden, die nicht zur zahlenden Subscription konvertieren.
Bei der Größe der BarBrain-Pipeline bedeutet das: Auf jede 100 Trials werden heute 18 Kunden mehr zu zahlenden Abonnenten. Multipliziert mit dem durchschnittlichen Customer Lifetime Value ist das der größte einzelne Hebel, den wir 2025 in der Firma bewegt haben.
„Onboarding war von Anfang an unser kritischster Engpass. Neue Kunden mussten sich vor dem ersten echten Aha-Moment durch fünf Stunden Lieferscheine tippen — und genau dort haben wir sie verloren. Mit dem AI-Scanner ist dieser Schmerzpunkt einfach weg. Das ist nicht nur eine technische Verbesserung, das ist ein anderes Produkt geworden."
Use Case 2 · Lead-to-Demo
Telefon-Outbound an Gastronomen, die nicht ans Telefon gehen.
BarBrain bekommt Online-Leads über zwei Hauptkanäle: Paid Social und Inbound über die Website. Beide kommen mit hoher Motivation und kurzem Aufmerksamkeitsfenster. Wer sich für eine Inventursoftware interessiert, hat ein konkretes Problem im Betrieb — und die Wahrscheinlichkeit, dass er es heute lösen will, sinkt mit jeder Stunde.
Der alte Prozess: Vertriebsmitarbeiter sieht den Lead im CRM, ruft an, erreicht den Gastronom nicht (Schichtbetrieb, lautes Umfeld), versucht es zwei- oder dreimal über mehrere Tage. Bei keinem Erreichen folgte eine generische Nachricht. Danach galt der Lead als tot.
Die strukturelle Schwäche war nicht primär Geschwindigkeit. Sie lag in zwei Punkten: Kanal-Mismatch (Gastronomen telefonieren nicht zwischen 11 und 14 Uhr, auch nicht abends; WhatsApp lesen sie ständig nebenbei) und fehlende Personalisierung — der Sales-Mitarbeiter hatte beim ersten Kontakt nichts in der Hand außer Name und Telefonnummer. Historische Buchungsquote: rund 15 %.
Die Lösung
Sobald ein Lead reinkommt, läuft im Hintergrund eine Anreicherung: Web-Recherche zum Betrieb, öffentlich verfügbare Informationen — Größe, Konzept, Standort, Spezifika. Auf Basis dieser Daten wird eine personalisierte WhatsApp-Nachricht erstellt, die einen erkennbaren Bezug zum Betrieb hat. Versendet wird sie mit einer bewussten Verzögerung von 3 Minuten.
Die 3 Minuten sind der wichtigste Designentscheid des gesamten Prozesses. Eine Maschine, die in 12 Sekunden antwortet, fühlt sich nicht hilfreich an — sie fühlt sich verdächtig an. Der Lead weiß sofort: Das war kein Mensch. 3 Minuten sind genau der Zeitraum, in dem ein realer Sales-Mitarbeiter eine Web-Recherche, eine kurze Notiz und eine durchdachte Erstnachricht schaffen würde. Der Lead-Empfänger merkt nicht, dass im Hintergrund Automation läuft.
Vorher
- 01Lead kommt rein
- 02Sales sieht ihn (Stunden später)
- 03Anruf 1 → niemand hebt ab
- 04Anruf 2 → niemand hebt ab
- 05Anruf 3 → niemand hebt ab
- 06Generische Nachricht
- 07Lead tot ✗
≈ 15 % Buchungsrate
Nachher
- 01Lead kommt rein
- 02Web-Anreicherung parallel im Hintergrund
- 03Personalisierte WhatsApp nach 3 Min
- 04Reaktion des Leads
- 05Demo gebucht ✓
✓ ≈ 40 % Buchungsrate
Vorher
≈ 15 %
Telefon-Outbound-Loop. 2–3 Anrufversuche, generische Nachricht, Lead tot.
Nachher
≈ 40 %
Kontextualisierte WhatsApp nach 3 Minuten. Über 1.000 Leads, 3 Monate Beobachtung.
Über einen Beobachtungszeitraum von 3 Monaten und mehr als 1.000 eingehenden Leads aus Paid Social und Inbound: 40 % abgehaltene Demos. „Abgehaltene Demo" heißt tatsächlich stattgefundenes Gespräch — keine Buchung im Kalender, die nie eingehalten wurde. Der Lead-Mix ist unverändert geblieben, parallele Veränderungen an Kampagnen oder Landingpage gab es nicht.
Was wir daraus methodisch mitnehmen
Beide Cases haben ein gemeinsames Muster — und das ist die eigentliche Übertragbarkeit.
Prinzip 1
AI ist die Hälfte, Prozessdesign ist die andere.
Eine AI, die in 12 Sekunden auf einen Lead antwortet, hätte schlechter konvertiert als eine, die 3 Minuten wartet. Eine AI, die Lieferscheine in 0,4 statt 0,8 Sekunden scannt, hätte den Onboarding-Abbruch nicht von 30 auf 12 % gesenkt — denn der Hebel saß im Prozess drumherum, nicht im Modell. Wir denken nicht in Tools. Wir denken in dem, was am Montagvormittag in einer realen Bar oder einem realen Sales-Team funktioniert.
Prinzip 2
AI dort, wo Operatoren Frust haben.
Das Abtippen von Lieferscheinen gehört nicht zu den beliebtesten Aufgaben in der Gastronomie. Genau deshalb ist sie der höchste ROI-Hebel. AI in Demos sieht oft beeindruckend aus — die AI, die Geschäftszahlen bewegt, ist aber die, die den Stress aus dem Alltag nimmt.
Wer wir sind
Aufgebaut von Operatoren, nicht von Beratern.
elvys ist aufgebaut von Operatoren, nicht von Beratern. Wir betreiben eigene Firmen — SaaS, E-Commerce, Beteiligungen — und bauen die AI-Prozesse, die wir auch dort einsetzen, für unsere Kunden.
Daraus folgt eine Disziplin: Wir messen jeden Prozess, den wir bauen, an einer einzigen Frage. Hat er einen messbaren Hebel innerhalb eines Quartals erzeugt? Wenn nicht, sagen wir das offen — bevor du das nächste Quartal investierst.
45 Minuten · Kostenlos
Wir bauen einen Ihrer Prozesse nach und zeigen Ihnen, wo AI ihn 3–10× schneller macht.
Sie nennen uns einen Prozess, der bei Ihnen Zeit, Geld oder Kunden kostet. Wir zerlegen ihn live, identifizieren die Hebel und zeigen Ihnen, wie der gleiche Prozess mit AI aussehen würde — inklusive konkreter Schätzung, was sich in 90 Tagen messen ließe.
Zum Strategiegespräch