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? Wofür 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
Lernen Sie die Kundendaten, die für eine Kundensegmentierung durch Clustering zur Verfügung stehen, wirklich gut kennen. Durch eine gute Exploration der Daten, bekommt man ein gutes Gefühl für Ausreißer in den Daten und mögliche Qualitätsprobleme lassen sich somit beheben. Hier können verschiedene Visualisierungen dabei helfen.
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 in entsprechend viele 0-1-skalierte Variablen unterteilt werden.
Download:
KI Use Cases für Marketing und Vertrieb
- Mehr Umsatz durch gezielte Vorhersagen
- Durch Automatisierung mehr Zeit gewinnen
- Budget und Ressourcen gezielt einsetzen
Jetzt eintragen und spannende KI-Projektbeispiele aus der Praxis erhalten:
Mit der Anmeldung stimmen Sie unserer Datenschutzerklärung zu.
#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, Produktmanagement) direkt bei der Definition der Ziele mit in das Projekt holen, sodass wichtige Informationen in den Prozess einfließen.
#5 Kundensegmente beschreiben
Eine Kundensegmentierung ist ohne eine gründliche Beschreibung der angelegten Cluster 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 eines Unternehmen aus dem Handel:
| Clustername | Größe | Beschreibung |
| Online-Shopper | 38% | – Hohe Umsätze – Hohe Retourenquote – Ø 35 Alter – Hohe Umsätze – Ø 8 Einkäufe 12 Monate – Hoher Anteil Young-Fashion – Einkauf vornehmlich online |
| Luxusfrauen | 22% | – Vornehmlich Weiblich – Ø 63 Alter – Hohe Umsätze – Ø 6 Einkäufe 12 Monate – Hoher Anteil Luxusmarken – Einkauf vornehmlich offline |
| Young | 15% | – geringe Umsätze – Hohe Retourenquote – Ø 22 Alter – Ø 3,5 Einkäufe 12 Monate – Hoher Anteil Sneaker – Online only |
| Business Man | 13% | – Männlich – Hohe Umsätze – Niedrige Retourenquote – Ø 46 Alter – Ø 2,8 Einkäufe 12 Monate – Hoher Anteil Anzüge und Hemden – Nur 15% online |
| Young Families | 12% | -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 weitaus mehr Variablen zu verarbeiten, als einfache Regeln dies können. Kundensegmentierungen finden nicht nur im analytischen CRM Platz, sondern auch für die Produktentwicklung oder Sortimentsoptimierung sind diese sehr gut einsetzbar.
Sie möchten mit der clusterbasierten Kundensegmentierung starten, wissen aber noch nicht wie? Mit unserer Data Science Beratung erfahren Sie alles, was Sie für die erfolgreiche Planung und Umsetzung wissen müssen.
