Kontinuierliche Kundensegmentierung mit künstlicher Intelligenz

Um Kundengruppen mit passenden Marketingstrategien ansprechen oder besonders wertvollen Gruppen eine noch hochwertigere Betreuung bieten zu können, greifen viele Unternehmen auf Methoden der Kundensegmentierung zurück. Die Basis dafür kann beispielsweise die Erfahrung und Intuition der Marketingexperten sein oder auch eine Datenanalyse, die Muster in großen unstrukturierten Datenmengen findet. Diese Clusteranalyse ist sehr leistungsfähig und kann Segmente identifizieren, wenn die manuelle Datenanalyse schon längst an ihre Grenzen gestoßen ist.

Aber auch die Clusteranalyse bietet keine Lösung für ein klassisches Problem der Kundensegmentierung: Die Segmentierung ist immer nur eine Momentaufnahme, die Segmente selbst sind aber sehr volatil. Denn Trends kommen und gehen, und so ändern sich Präferenzen und Bedürfnisse. Dann aber können alle Maßnahmen und Ergebnisse einer Marketingstrategie unbrauchbar werden.

Um dieses Problem zu lösen, hat  ein interdisziplinäres Expertenteam aus Vertretern von Arvato CRM Solutions und dem ERCIS Omni-Channel-Lab der Westfälischen Wilhelms-Universität (WWU) Münster einen innovativen Segmentierungsansatz auf Basis von Stream-Clustering entwickelt, also dem Clustering von kontinuierlich eintreffenden Daten. Das ermöglicht es, Segmente über einen längeren Zeitraum zu identifizieren und zu überwachen, etwa auf Basis eines Transaktionsstroms. Dazu aktualisiert der Algorithmus die Segmente schrittweise. Dabei identifiziert er neu entstehende Segmente und sortiert veraltete aus. Die Ergebnisse können jederzeit ohne komplizierte Neuberechnungen verwendet werden. Dieser schnell und einfach anwendbare Ansatz ermöglicht es auch, die Veränderungen der Segmente zu verfolgen.

Einsatz in der Praxis

Der neue Segmentierungsansatz hat sich bereits in der Praxis bewährt. Zum Beispiel im Einsatz für einen Einzelhändler im Bereich Wohnkultur, für den mehr als 1,7 Millionen Transaktionen analysiert wurden. Zunächst wurden die Kundengruppen in zwei Dimensionen aufgeteilt, zum einen anhand der Rücklaufquote, zum anderen anhand der Anzahl der Käufe.

Im vorgestellten Fall bilden Kunden mit sehr wenigen Käufen und niedrigen Rücklaufquoten das größte Segment. Es gibt aber auch Segmente mit deutlich höheren Kauffrequenzen und Rücklaufquoten. Auf der einen Seite tätigen einige Benutzer Hunderte von Einkäufen. Das sind möglicherweise gewerbliche Wiederverkäufer. Auf der anderen Seite geben einige Kunden fast jedes Produkt zurück, das sie kaufen. Diese Kunden scheinen mit dem Service unzufrieden zu sein.

Im nächsten Schritt wurde die Analyse um die Bewertung erweitert, wie oft Kunden online gekauft haben, wie viele Artikel sie gekauft haben und wie lange ihr letzter Kauf zurückliegt. So wurden mehrere Segmente identifiziert. Um diese Segmente genauer zu definieren, betrachtete das Arvato-CRM-Team deren Abweichung vom Gesamtmittel zu einem bestimmten Zeitpunkt: Was unterscheidet ein identifiziertes Kundensegment vom Durchschnittskunden? Diese Analyse ermöglicht es, jedes Segment mit seinem charakteristischsten Merkmal zu kennzeichnen.

Fünf Kundensegmente

Insgesamt wurden für den Auftraggeber fünf Kundensegmente herausgearbeitet. Das erste und größte umfasst Kunden mit jeweils mehr als 100 Einkäufen. Ein sehr wertvolles Segment. Die Empfehlung an den Auftraggeber:  Alles zu tun, um diese loyalen Kunden auch zukünftig zufrieden zu stellen.

Das zweite identifizierte Segment besteht aus Käufern, die 85 Prozent ihrer Einkäufe im Online-Shop tätigen – rund 26 Mal soviel, wie es die Kunden des Unternehmens üblicherweise tun. Außerdem scheinen die Käufer mehr Artikel pro Bestellung zu kaufen. Dieses Segment ist möglicherweise für digitale Marketingstrategien am besten zugänglich und könnte so über neue Produkte im Online-Shop informiert werden.

Das dritte Segment weist ebenfalls eine hohe Quote von Online-Einkäufen auf. Allerdings ist auch die Rücklaufquote dreizehnmal höher als im Durchschnitt und oft werden Produkte einzeln gekauft. Dies deutet darauf hin, dass diese Kunden die kostenlose Versand- und Rückgaberichtlinie des Online-Shops übermäßig in Anspruch nehmen. Um Kosten und Ergebnis zu optimieren empfahl Arvato CRM Solutions dem Auftraggeber, die Rentabilität für die Kunden dieses Segments zu bewerten. Unprofitable Kunden könnten die kostenlosen Versandoptionen verlieren.

Das vierte Segment repräsentiert eine große Kundenbasis mit sehr traditionellem Verhalten. Im Allgemeinen kaufen diese Kunden seltener, nutzen den Online-Shop nicht und geben Produkte nur selten zurück. Interessanterweise scheint dieses traditionelle Verhalten nicht mit dem Alter zusammenzuhängen, da der Altersdurchschnitt dem der übrigen Segmente ähnelt.

Das kleinste Segment ist das fünfte. Es repräsentiert Kunden, die sehr große Bestellungen tätigen, aber weniger häufig einkaufen.

Verbesserung der Kundenerfahrung

Die Kundensegmentierung auf Basis von Stream-Clustering zeigt permanent, wie sich der Kundenstamm eines Unternehmens zusammensetzt, welche Kundengruppen für das Unternehmen welchen Wert haben und wo sich beispielsweise verstärkte Marketingaktionen lohnen. Dabei ist sie natürlich nicht auf den Bereich Einzelhandel/E-Commerce beschränkt, sondern auch in anderen Branchen einsetzbar.

Unternehmen legen damit die Basis für gezielte Marketingkampagnen, um beispielsweise loyale Kunden zu belohnen, Abwanderungen zu vermeiden oder neue Kunden zu gewinnen. Die Segmentierung hilft auch dabei, die richtigen Kommunikationskanäle auszuwählen. Sollen etwa Online-Shopper angesprochen werden, empfehlen sich Kampagnen über Social Media und E-Mails eher als teure White-Mail-Kampagnen. Anders gesagt, mit dem neuen Ansatz für die Kundensegmentierung erreichen Unternehmen die gewünschten Kunden mit den richtigen Botschaften über die richtigen Kanäle und verbessern so auch die Customer Experience. Und zwar kontinuierlich, denn die permanente Aktualisierung der Cluster per Streaming behebt den entscheidenden Mangel der traditionellen Kundensegmentierung.

Autor: Redaktion Zukunft. Kunde.
Bild: © Andrey Popov – AdobeStock