5 wertvolle Tipps für eine clusterbasierte Kundensegmentierung

Eine Kundensegmentierung ist ein wichtiges Element jeder guten CRM- oder Marketingstrategie. Neben eindimensionalen Ansätzen, wie der ABC-Analyse (rein umsatzbasierter Ansatz), gibt es clusterbasierte Ansätze durch Data-Mining-Methoden. Diese haben den Vorteil, viel mehr Informationen über das Kundenverhalten zu nutzen, um sinnvolle Segmente zu bilden.

In diesem Beitrag gebe ich 5 wertvolle Tipps für richtige Kundensegmentierungen mit Clusteringverfahren:

#1 Ziele der Kundensegmentierung klar definieren

Versuchen Sie, bevor Sie Ihre Kunden in verschiedene Gruppen einteilen, möglichst klare Ziele für Ihre Kundensegmentierung zu definieren. Klare Ziele definieren Sie indem Sie sich klarmachen: welchen Zweck soll die Segmentierung erfüllen? Wo für wird Sie eingesetzt? Denn die “richtige” oder “falsche” Kundensegmentierung gibt es nicht. Je klarer der Zweck ist, desto besser können die Eingabevariablen für das Clustering-Verfahren ausgewählt werden.

#2 Datenexploration und Datenqualität

Die Kundendaten, die für eine Kundensegmentierung durch Clustering zur Verfügung stehen, im Detail zu kennen ist wichtig. Durch eine gute Exploration der Daten, bekommt man ein gutes Gefühl für Ausreißer in den Daten und mögliche Qualitätsprobleme können so behoben werden. Hier können verschiedene Visualisierungen dabei helfen.

Datenexploration anhand der Variable Alter für Kundensegmentierung
Variable Alter für Kundensegmentierung.

Wie bei jeder Data-Mining-Methode oder anderen Verfahren von maschinellem Lernen, ist die Datenqualität ein entscheidender Faktor für die Modellqualität (Shit-In-Shit-Out).

#3 Vorverarbeitung der Kundendaten

Wie bei jedem Data-Mining-Projekt werden die Daten vorverarbeitet. Für Clusteringverfahren (insbesondere K-Means) ist es wichtig eine Normalisierung, z.B. zwischen 0-1, der Daten im Voraus durchzuführen. Auch kategoriale Variablen, wie z.B. die Information über Ausbildung oder den Beruf, sollte ich entsprechend viele 0-1-skalierte Variablen unterteilt werden.

#4 Expertenwissen nutzen

Besonders für Kundensegmentierungen mit Clusterverfahren, ist das Expertenwissen der Fachabteilungen extrem wichtig. Am Ende gibt es kein richtig oder falsch bei einem Clustering der Kunden. Daher sollten Sie die Fachabteilung (CRM, Onlinemarketing, Produktmanagment) direkt bei der Definition der Ziele mit in das Projekt holen, so dass wichtige Informationen in den Prozess einfließen.

#5 Kundensegmente beschreiben

Eine Kundensegmentierung ohne eine gründliche Beschreibung der angelegten Cluster ist nicht zielführend. In die Dokumentation und Ergründung der Kundensegmente sollte besonders viel Arbeit reinfließen, damit jeder versteht was jedes einzelne Cluster aussagt.

Ich gebe ein Beispiel für eine mögliche Beschreibung für ein Unternehmen aus dem Handel:

ClusternameGrößeBeschreibung
Online-Shopper38%– Hohe Umsätze
– Hohe Retourenquote
– Ø 35 Alter
– Hohe Umsätze
– Ø 8 Einkäufe 12 Monate
– Hoher Anteil Young-Fashion
– Einkauf vornehmlich online
Luxusfrauen22%– Vornehmlich Weiblich
– Ø 63 Alter
– Hohe Umsätze
– Ø 6 Einkäufe 12 Monate
– Hoher Anteil Luxusmarken
– Einkauf vornehmlich offline
Young15%– geringe Umsätze
– Hohe Retourenquote
– Ø 22 Alter
– Ø 3,5 Einkäufe 12 Monate
– Hoher Anteil Sneaker
– Online only
Business Man13%– Männlich
– Hohe Umsätze
– Niedrige Retourenquote
– Ø 46 Alter
– Ø 2,8 Einkäufe 12 Monate
– Hoher Anteil Anzüge und Hemden
– Nur 15% online
Young Families12%-Vornehmlich weiblich
– Hohe Umsätze
– Niedrige Retourenquote
– Ø 32 Alter
– Ø 7,2 Einkäufe 12 Monate
– Hoher Anteil Baby und Kinder
– 40% Online

Wie man sieht, schafft es der Algorithmus weit aus mehr Variablen zu verarbeiten, als einfache Regeln dies können. Kundensegmentierungen finden nicht nur im analytischen CRM Platz, auch für die Produktentwicklung oder Sortimentsoptimierung sind diese sehr gut einsetzbar.

Ihr Ansprechparnter: Laurenz Wuttke

Wir entwickeln Künstliche Intelligenz, mit der Sie mehr aus Ihren Kundendaten machen – für wachsende Umsätze und eine nachhaltig hohe Kundenzufriedenheit.

Auch interessant für Sie