Kundensegmentierung im B2B-Handel
Im folgenden KI-Use Case haben wir für ein B2B-Handels- und Dienstleistungsunternehmen eine Kundensegmentierung durchgeführt. Ziel war es, die Steuerung von Marketing- und Vertriebskampagnen zu optimieren und so den Umsatz zu steigern.
Das dabei eingesetzte – auf maschinellem Lernen basierende, unüberwachte – Clustering-Verfahren hilft dem Unternehmen, seinen Kundenstamm nach vorher definierten Kriterien in Gruppen einzuteilen. Diese Gruppen (Cluster) weisen unterschiedliche Verhaltensweisen in vordefinierten Kategorien (z.B. Kaufverhalten) auf.
Basierend auf dieser Unterscheidung des Kundenbestandes kann das Unternehmen dann gruppenspezifische Angebote unterbreiten.
Diese Case Study beantwortet vier zentrale Fragen:
- Welche Kriterien sind für eine effektive Kundensegmentierung wichtig?
- Wie unterstützt maschinelles Lernen die Bildung und Analyse von Kundensegmenten?
- Welche Daten sind für eine präzise Kundensegmentierung entscheidend?
- Welche Vorteile bietet die Kundensegmentierung für die Optimierung von Marketing- und Vertriebskampagnen?
Den durchschnittlichen Kunden gibt es nicht
Wie können Marketingmanager oder Vertriebsmitarbeiter Kampagnen zielgerichtet steuern, ohne die Bedürfnisse oder das Kaufverhalten ihrer Kunden zu kennen?
Für B2B-Handelsunternehmen ist es eine Herausforderung, den Kundenstamm zu verstehen und zu überblicken. Die gesammelten Daten der vergangenen Interaktionen zwischen Kunde und Unternehmen liegen wenig strukturiert im CRM-System vor. Somit können aus den Daten keine eindeutigen Rückschlüsse – beispielsweise auf das Kunden- oder Kaufverhalten – gezogen werden.
Für Marketingkampagnen steht ein bestimmtes Budget zur Verfügung. Wird dieses nicht effizient eingesetzt, gehen hohe Umsatzpotenziale verloren. Dennoch setzen viele Marketingverantwortliche bei der Budgetplanung für Kampagnen noch zu häufig auf die Gießkannenstrategie. Dabei wird das Budget gleichmäßig auf alle Kunden verteilt – unabhängig davon, ob es sich um aktive oder inaktive Kunden handelt.
Dies führt zu einem Konflikt, denn das Ziel ist es, die entstandenen Kosten für die Kampagne durch den durch die Kampagne generierten Umsatz wieder auszugleichen. Erreicht die Kampagne “Karteileichen”, geht der Umsatz verloren.
Daher ist es wichtig zu wissen, welche Kunden aktiv sind und regelmäßig kaufen und welche inaktiv sind und wahrscheinlich kein Interesse mehr an der Dienstleistung haben.
Vor diesen Herausforderungen stand unser Kunde
Unstrukturierte Kundendaten
Die im CRM-System gespeicherten Daten sind wenig strukturiert, so dass keine klaren Erkenntnisse über das Kunden- oder Kaufverhalten gewonnen werden können.
Ineffiziente Budgetverwendung
Die Gießkannenstrategie bei der Kampagnenplanung führt dazu, dass das Budget gleichmäßig auf alle Kunden verteilt wird, unabhängig von deren Aktivität, was zu hohen Umsatzverlusten führt.
Kundensegmentierung & Targeting
Ohne Kenntnis der aktiven und inaktiven Kunden ist es schwierig, Kampagnen zielgerichtet zu steuern und die Kampagnenkosten durch den erzielten Umsatz zu kompensieren.
Ziel des B2B-Handelsunternehmens ist es, tiefere Einblicke in das Kundenverhalten zu gewinnen, um Marketing- und Vertriebskampagnen gezielter ausrichten zu können. Insbesondere soll der Absatz von Füllprodukten für bereits vermietete Geräte gesteigert werden.
Um dieses Ziel zu erreichen, unterteilen wir den Kundenstamm in möglichst homogene Gruppen – so genannte Cluster. Den Clustern können – im Anschluss an die Unterteilung – verschiedene Merkmale zugeordnet werden, anhand derer das zusammengefasste Kundenverhalten dieser Cluster deutlich wird.
Wie gehen wir bei einem solchen Clustering-Verfahren vor?
Zunächst betrachten wir die historischen Transaktionsdaten der Kunden mit dem Unternehmen. Um ein möglichst genaues Clustering zu erreichen, füttern wir den Algorithmus mit den historischen Kundendaten der letzten 12 Monate.
Dabei interessieren uns insbesondere die folgenden Daten:
- Merkmale zur Unternehmensgröße und Branche
- Nutzungsdaten der bereitgestellten Geräte
- Externe Daten wie Kaufkraft
- Kaufhistorie
Anhand dieser Daten bildet der Algorithmus Kundensegmente und ordnet die Kunden diesen Clustern zu.
Im Anschluss an die Zuordnung der Kunden zu den entstandenen Clustern werden diese Cluster anhand gemeinsamer clusterinterner Merkmale beschrieben und benannt.
Beispielhafte Beschreibung der Kundensegmente (Cluster):
|
Kundensegment
|
Name
|
Beschreibung/Merkmale
|
|
1
|
Die Vielkäufer
|
-haben bereits hohen Umsatz erzielt
-kaufen viele Füllprodukte -Hohes ungenutztes Umsatzpotenzial |
|
2
|
Die Schläfer
|
-haben schon lange nichts mehr gekauft
-ungenutztes Umsatzpotential -kaufen kaum Füllprodukte |
Schließlich werden die Daten der einzelnen Kundensegmente im Hinblick auf die Unternehmensziele analysiert, so dass der Marketingmanager beispielsweise Informationen über das Kaufverhalten der einzelnen Cluster erhält.
Ihr drei Schritten zum besseren Kundenverständnis:
1.
Ziele definieren, die helfen, das Nutzungsverhalten der Kunden darzustellen und zu verstehen.
2.
Die Kundendaten werden vorverarbeitet: Variablen über Informationen von Kunden wie z.B. Kundentyp, Geschlecht oder Beruf werden in Features transformiert.
3.
Es gibt bei einer Kundensegmentierung kein Richtig oder Falsch, deshalb sollten Experten aus Fachabteilung bei der Definition von den Zielen mitwirken.Damit jeder versteht, wofür die einzelnen Cluster stehen, müssen diese detailliert beschrieben werden.
In diesem Fall interessieren uns dabei besonders die folgenden Daten:
- Merkmale zur Unternehmensgröße und Branche
- Nutzungsdaten der bereitgestellten Geräte
- Externe Daten, wie die Kaufkraft
- Kaufhistorie
Wie sieht das Ergebnis der Clusteranalyse aus?
Im Ergebnis liegen 5 trennscharfe Hauptsegmente vor, in denen sich die Kunden in ihrem Kunden- und Kaufverhalten signifikant voneinander unterscheiden. Mit Hilfe der Informationen über die Produktverwendung konnte u.a. das Umsatzpotenzial der einzelnen Kunden ermittelt werden.
Wie die folgende Tabelle zeigt, sind in den Clustern 3 und 4 noch erhebliche Umsatzsteigerungen möglich. Hier ist ein geringer Gesamtumsatz und ein geringer Anteil des Einkaufs von Füllgütern zu verzeichnen.
|
Cluster
|
Größe in %
|
Beschreibung
|
Umsatz
|
|
1
|
15,3
|
-Wenige Bestellungen im Jahr, dafür hoher Umsatz
-Kunden kaufen viele Fremdmarken -hohes erreichtes Potenzial |
Hoch
|
|
2
|
14,0
|
-hoher Anteil an Eigenmarke
-viele Kampagnenkontakte -hohes erreichtes Potenzial -hoher Umsatz in Warengruppe Füllprodukte |
Sehr hoch
|
|
3
|
21,8
|
-wenige Bestellungen im Jahr
-geringes erreichtes Potential |
Gering
|
|
4
|
28,7
|
-geringer Umsatz in Warengruppe “Füllprodukte”
-hoher Anteil Fremdmarken -geringes erreichtes Potenzial |
Mittel
|
|
5
|
20,2
|
-hoher Anteil Eigenmarke
-wenig Kampagnenkontakte -geringes erreichtes Potenzial |
Mittel
|
Im Gegensatz dazu sind die Kundensegmente 1 und 2 aus betriebswirtschaftlicher Sicht eher uninteressant, da die Kunden dieser Cluster bereits einen hohen Umsatz generieren. Eine Umsatzsteigerung wäre hier also kaum möglich.
Aufschlussreich ist auch das Kontaktverhalten: Obwohl die Telefonkampagnen mit der gleichen Frequenz durchgeführt wurden, ist das Kaufverhalten sehr unterschiedlich. So wurde Cluster 3 nicht weniger als zehnmal pro Jahr kontaktiert, aber nur dreimal pro Jahr bestellt.
Wenn auch Sie Ihre Kunden besser verstehen wollen, stehen wir Ihnen gerne zur Seite. Nehmen Sie einfach Kontakt mit uns auf!
Ihr Ansprechpartner
Ob und wie künstliche Intelligenz Ihnen weiterhelfen kann, können Sie in einem ersten, unverbindlichen Gespräch mit uns herausfinden.
In diesem Gespräch erfahren Sie:
- Wie Ihr Use-Case technisch am besten umgesetzt werden kann
- Wie wir maximal sicher mit Ihren Kundendaten umgehen
- Wie lange wir für die Umsetzung benötigen und wie ein konkreter Projektplan aussehen könnte