Customer Segmentation

Eine der wichtigsten Aufgaben eines Unternehmens im Bereich Marketing ist es, die Kunden und ihre Bedürfnis zu kennen. Damit ist es möglich, mit einem gezielten Marketing-Mix die eigenen Produkte und Dienstleistungen zu vermarkten und den entscheidenden Wettbewerbsvorteil zu nutzen. Mit Hilfe von Machine Learning und Analytics können wir die Menge an verfügbaren Daten verwenden, um genau diese Aufgabe durchzuführen.

Segmentation - Targeting - Positioning

Eine mögliche (high level) Vorgehensweise ist hier der STP-Prozess:

segmentation targeting positioning
  • Segmentierung: Unterteilung von Kunden in Gruppen mit ähnlichen Eigenschaften
  • Targeting: Erkennen des Potentials und Auswahl der Gruppen, welche beworben werden sollten
  • Positioning: Ausrichtung der Marketingmassnahmen auf die ausgewählten Gruppen - individuell und gezielt

Mit der Customer Segmentierung mit Machine Learning konzentrieren wir uns auf den ersten Schritt des Prozesses. Das Resultat ist die Grundlage für den Marketer und die darauffolgenden Schritte und Aktionen.

Clustering

Die häufigste Technik, welche beim Machine Learning in der Segmentierung genutzt wird, ist das so genannte «Clustering». Es werden Clusters (Segmente) definiert und jeder Kunde wird dann einem Cluster zugeordnet. Diese Definition und Zuordnung hängt nun davon ab, welche Daten verfügbar sind, welcher Algorithmus verwendet wird und was die eigentlichen Ziele sind. Ein  Beispiel zur Veranschaulichung:

clustering
Links sind Kunden gemäss ihrem Einkommen und Ausgaben positioniert. Rechts hat eine Zuweisung zu einem Cluster stattgefunden.

Die Grafik zeigt Kunden gemäss ihrem Einkommen und Ausgaben in einem Scatter Plot an. Uns interessiert nun, welche der Kunden aufgrund ihrer Ähnlichkeit zusammengehören und so ein Segment bilden. Bei zwei Eigenschaften wie hier, kann man das manchmal bereits mit blossem Auge erkennen. Auf der rechten Seite sind die gleichen Daten ersichtlich, diesmal aber mit einer Einfärbung anhand ihres Clusters. Mit den gegebenen Eigenschaften können wir vier Segment definieren.

 

Segment 1: Kunden haben ein tieferes Einkommen, aber hohe Ausgaben

Segment 2: Kunden haben ein hohes Einkommen, aber wenig Ausgaben

Segment 3: Kunden haben ein hohes Einkommen und hohe Ausgaben

Segment 4: Kunden haben ein tieferes Einkommen und wenig Ausgaben


Wenn solche Segmente erkannt werden, dann können die Marketers ihren Marketing-Mix gezielt anwenden. Denn z.B. bei Segment 2 ist aufgrund ihres Einkommens und noch tiefen Ausgaben ein anderes Potential möglich, als bei Kunden im Segment 4. Deshalb müssen die Segmente mit unterschiedlichen Promotionen beworben werden.

 

Bei zwei Eigenschaften wie hier, ist eine Einordnung nicht allzu schwierig. Komplexer wird es allerdings, wenn viel mehr Eigenschaften in die Analyse einfliessen und diese Eigenschaften nicht nur demografischer Natur sind, sondern vor allem auch auf ihrem Kaufverhalten und Psychologie basieren.

Vorgehen: Knowledge Discovery Process

Bei einer Customer Segmentation mit Machine Learning gehen wir anhand des Knowledge Discovery Processes wie folgt vor:

clustering process

Mit der Segmentierung legen wir die Basis für die weiterführende Phasen des Targetings und Positionings. Bei der Customer Segmentation ist ein enges Zusammenspiel zwischen dem Analysten und dem Marketer gefragt. 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. 

Lust auf einen Kaffee?

Dann melden Sie sich per Mail oder Telefon

Blog-Artikel zum Thema