Blog Details

  • Home
  • Know Your Customer – Ein Machine Learning Ansatz

Know Your Customer – Ein Machine Learning Ansatz

Je besser ein Unternehmen seine Kunden kennt, desto gezielter kann es seine Produkte an den Mann/die Frau bringen. In der heutigen digitalen Welt sind die Verkaufskanäle vielfältig und der persönliche Kontakt zu den Kunden, wie er früher stattgefunden hat, existiert oft nicht mehr. Die «neue» Welt bietet aber andere Mittel und Wege, seine Kunden trotz Distanz und Onlinekanäle sehr genau zu kennen: Wir haben so viel Daten wie nie zuvor. Und genau diese Daten können wir nutzen, um uns ein Bild über unsere Kunden zu machen. Dazu verwenden wir eine Customer Segmentation.

Was ist Customer Segmentation?

Das Ziel bei der Customer Segmentation oder der Kundenanalyse ist es, den Kunden so gut zu kennen und einzuschätzen, dass ein gezieltes Marketing angewendet werden kann und Produkte somit noch direkter platziert werden können. Dabei kann man sich am STP-Framework orientieren: Segmentation – Targeting – Positioning. Doch was bedeutet das genau?

segmentation targeting positioning

Segmentation: Das ist die Unterteilung von Kunden in Gruppen, welche ähnliche Merkmale aufweisen. Dadurch kann man schliessen, dass sie ein ähnliches Kaufverhalten haben und entsprechend auf Marketing-Aktionen reagieren. Um die Merkmale zu vergleichen, stehen verschiedene Daten zur Verfügung. Einerseits können demographische Daten wie Alter, Geschlecht, Bildung, etc. analysiert werden. Die viel spannenderen Daten sind jedoch jene, die auf das Verhalten und die Psychologie hinweisen: Wie oft kauft jemand ein, in welchen Mengen, zu welchen Preisen, zu welcher Zeit, etc.

Targeting: In dieser Phase werden die identifizierten Gruppen/Segmente analysiert und beurteilt, welche Gruppen fokussiert werden soll. Dabei wird geprüft, welches Potential die jeweilige Gruppe ausweist.

Positioning: Nun werden konkrete Massnahmen definiert, wie die gewählte Gruppe angegangen werden kann. Die Erkenntnisse aus der Segmentierung (Eigenschaften, Verhalten, etc.) ermöglichen den gewünschten Wettbewerbsvorteil, da das Unternehmen nun genau weiss, wie die Personen im Segment auf Aktionen, Kampagnen und sogar Preiselastizitäten reagieren.

Segmentierung mit Machine Learning

Wie kann nun eine solche Segmentierung mit Machine Learning erreicht werden? Das ist eine klassische Aufgabe für das sogenannte Clustering. Das ist eine Disziplin im «Unsupervised» Machine Learning und bedeutet, dass Daten aufgrund ihrer Ähnlichkeit in Gruppen eingeteilt werden (mehr zu Supervised und Unsupervised in einem früheren Blogbeitrag). Die wesentlichen Bestandteile beim Clustering sind folgende drei Punkte:

Punkt 1: Daten, Daten, Daten

Wie immer steht und fällt ein Machine Learning Projekt mit der Verfügbarkeit und Qualität der Daten. Für die Segmentierung nehmen wir ein überschaubares Datenset von Kunden mit ein paar demografischen Felder und ihrer Kaufkraft¹:

customer segmentation daten

Punkt 2: Die Features

Bei der Aufbereitung werden die vorhandenen Felder (genannt Features) analysiert, ob sie sich für eine Einteilung eignen und ob sie evtl. vorgängig transformiert werden müssen. Unter anderem müssen nicht-nummerische Features konvertiert und sämtliche nummerische Features normalisiert werden. Normalisierung heisst, alle Features benutzen die gleiche Werte-Skala, damit der Algorithmus die Werte miteinander vergleichen und mit einer höheren Wahrscheinlichkeit ein gutes Resultat liefern kann.

Eine Analyse der einzelnen Features gibt zusätzliche Aussagen darüber, wie sehr sie miteinander korrelieren und sich für ein Clustering anbieten. Oftmals erkennt man bei einem simplen Scatter Plot bereits, ob sich ein Muster erkennen lässt.

Punkt 3: Der Algorithmus

Der wohl bekannteste Clustering Algorithmus ist der K-Means Algorithmus. Dabei wird pro Cluster der Mittelpunkt eruiert und die Distanz der einzelnen Werte zum Cluster-Mittelpunkt ergeben die Zugehörigkeit zu einem bestimmten Cluster – oder eben Segment.

Algorithmus
Machine Learning mit Azure ML Studio links, das Clustering Ergebnis rechts

Das Beispiel hier zeigt eine einfache Berechnung und Darstellung mit zwei Dimensionen und fünf Cluster. In der Realität werden aber viel mehr Dimensionen benötigt, da mehr Features verwendet werden, was wiederum schwierig wird, die Cluster in einem einfachen Scatter Plot darzustellen. Das Prinzip ist aber das Gleiche: Ein Cluster ist ein Kundensegment und aufgrund ihrer Eigenschaften werden Kunden jenem Segment zugeordnet, dem sie am nächsten sind.

Was fängt man nun mit der Segmentierung an?

4P Customer Segmentation

Mit der Segmentierung legen wir die Basis für die weiterführende Phasen des Targetings und Positionings. Das Beispiel hier gibt fünf Segmente zurück, die wir unterschiedlich einordnen und beurteilen können, wie hoch das Potential ist. Mit einem gezielten Marketing Mix können nun Massnahmen und Kampagnen vorbereitet werden.

Bei der Customer Segmentation ist ein enges Zusammenspiel zwischen dem Analysten und dem Marketer gefragt. Aus den Segmenten oben können wir nun lesen, welche Kunden zum Beispiel viel verdienen, aber wenig kaufen. Diese Personen müssen anders beworben werden, als jene, die kein grosses

Gehalt haben, davon aber schon sehr viel ausgeben. Die Marketing-Abteilung kann nun gezielt Strategien entwickeln, um die gewünschten Segmente direkt anzuwerben.

Je mehr Informationen über die Käufer und ihr Kaufverhalten verfügbar sind, desto genauer können die Segmentierungen vorgenommen werden. Die Kombination mehrere Segmente und die Tiefe an Details erlauben sogar Marketing-Strategien bis auf das Individuum.

Möchten Sie mehr aus Ihren Daten machen? Dann kontaktieren Sie uns.

Datenset Download:

¹ https://github.com/2blam/ML/blob/master/k_means_clustering/Mall_Customers.csv