Kundensegmentierung: Optionen, die Marketers 2019 kennen sollten

Wenn Sie 2019 Ihre Kunden nicht segmentieren, hat Ihr Unternehmen ein Problem. Kunden von heute erwarten einen gewisses Level an Personalisierung. Wenn sie diese von Ihnen nicht bekommen, holen sie sich es von woanders. 

Personalisieren Sie Ihre Kundenerlebnisse Ihres E-Commerces durch Segmentierung und Sie werden mehr Kunden halten und gleichzeitig ihren Customer Lifetime Value erhöhen.

In diesem Artikel stellen wir alle Optionen vor, die Marketers 2019 zum Thema Kundensegmentierung kennen sollten. 

Was ist Kunden-Segmentierung?

Traditionelle Arten von Kunden-Segmentierung

Kunden-Segmentierung ist simpel ausgedrückt der Prozess, in dem Ihre Kunden anhand ihrer Daten in unterschiedliche Gruppen aufgeteilt werden. Im Marketing sollten Leute mit ähnlichen Merkmalen in Gruppen eingeteilt werden, um für jede Gruppe die passenden Marketingmethode anzuwenden. Man unterscheidet vier traditionelle Arten von Marketing-Segmentierungen:

• Geographisch – Wo sich Ihre Kunden befinden
• Demographisch – Geschlecht, Alter, Einkommen
• Psychographisch – Soziale Klasse, Persönlichkeitstyp
• Verhaltensweisen – Wie viel sie konsumieren, welche Produkte/Services sie nutzen

Mit großen Datenbanken auf dem Vormarsch, wissen wir heute viel mehr über unsere Kunden, insbesondere über ihr Verhalten. Dank dieses Reichtums an Kundeninformation können wir viel spezifischere Segmentierungen ausprobieren.

Wieso ist Kundensegmentierung wichtig?

Kundensegmentierung ermöglicht es, den richtigen Kunden mit dem richtigen Angebot anzusprechen. Und das Ganze zur richtigen Zeit. Es lässt Sie einen Fokus auf spezielle Interessensgruppen richten, statt die ganze Publikumsbandbreite anzusprechen. Kundensegmentierung ist wichtig, wenn Sie das Level an Personalisierung erreichen wollen, das Ihre Kunden erwarten. 

Kundensegmentierung:

• Ermöglicht Personalisierung
• Gibt Ihnen Struktur zum Verbessern von Kundenwerten
• Hilft Ihnen, Ihre wertvollsten Kunden zu finden 
• Reduziert Abwanderung durch zielgerichtete Kampagnen 
• Lässt sie allgemein kostengünstigere und zielgerichteter Kampagnen durchführen

Kundensegmentierungsmethoden

In diesem Bereich werden wir Ihnen die drei beliebtesten Segmentierungsmethoden vorstellen. Erfahren Sie, weshalb sie nützlich sind und lernen Sie Wege kennen, wie Sie diese Methoden am effektivsten auf Ihr Business anwenden. 

Die RFM-Analyse

Was ist die RFM-Analyse?

Ein Klassiker: Die Recency, Frequency, Monetary (RFM)-Analyse nutzt Werte auf Basis von Aktualität, Häufigkeit und Geldwert, um Kunden in unterschiedliche Phasen des Customer Lifecycles einzuteilen (Champion, treuer Kunden, gefährdet, etc.). Die Kunden werden anhand ihrer Daten auf einer Skala (normalerweise von 1-5) bewertet. 

 

Ein RFM-Beispiel:

Wenn Sie 100 Kunden haben. Wie können Sie RFM nutzen, um Ihre Kunden zu segmentieren? Lassen Sie es uns Schritt für Schritt durchgehen:

1. Sie wählen einen Zeitraum. Sagen wir, den letzten Monat.
2. Sie sammeln RFM-Werte für jeden Kunden.
   • Recency: Kunde X hat zuletzt vor 3 Tagen etwas gekauft
   • Frequency: Kunde X hat im letzten Monat 6x etwas gekauft
   • Monetary: Kunde X hat im letzten Monat 172€ ausgegeben
3. Aus diesen Werten ergibt sich eine Skala für Ihre Segmentierung (in diesem Beispiel nutzen wir: 1 – 5). Das ist unser RFM-Punktestand

Am Ende der Analyse werden Sie Kunden mit Punkteständen wie 425 haben. Ein Kunde mit einem Punktestand von 425 hat: a) erst kürzlich etwas gekauft (R = 4), b) insgesamt nicht wirklich viel gekauft (F = 2), c) aber hat über den festgelegten Zeitraum eine ganze Menge ausgegeben (M = 5).

Das RFM-Modell ist sehr anpassungsfähig: Exponea nutzt RFM-Segmente in Verbindung mit großen Mengen von Echtzeit-Kundendaten. Vordefinierte RFM-Kategorien machen die Handhabung von RFM-Segmentierung mit Exponea besonders einfach und die Echtzeit-Daten unterstützen fundierte Prognosen.

Wieso sollten Sie die RFM-Analyse nutzen?

Verglichen mit maschinellem Lernen, ist eine RFM-Analyse schnell und relativ leicht durchzuführen. Sie kann zu einer Stärkung von Kundenbindungen, einer höheren Conversion Rate und zusätzlichem Umsatz führen. Außerdem kann sie Abwanderungen verhindern; RFM beinhaltet Segmente wie “Gefährdet”, “Braucht Aufmerksamkeit”, und “So gut wie reglos”. Mit diesen Insights können Sie Kampagnen aufsetzen, um diese Kunden direkt ansprechen und sie davon abhalten abzuwandern. Wenn Sie nicht wissen, auf welche Kunden sie sich konzentrieren sollten, zeigt Ihnen die RFM-Analyse, welche Kunden den größten Customer Lifetime Value haben. 

Wie können Sie RFM-Analysen anwenden?

• Entwickeln Sie personalisierte Kampagnen für jede Phase des Customer Lifecycles  
  • Formulieren Sie Ihre Message für eine bestimmte Phase
  • Versuchen Sie Kunden von dort aus zu einer wertvolleren Phase zu leiten

• Finden Sie heraus, welche Ihrer Kunden gewinnbringend und welche nicht gewinnbringend sind
  • Gehen Sie auf die wertvollen Kunden ein 
  • Nähren Sie und erhöhen Sie den Wert der weniger gewinnbringenden Kunden 

• Finden Sie heraus, welche Kunden gefährdet sind abzuspringen 
  • Wecken Sie ihr Interesse mit exklusiven Rabatt-Deals
  • Schicken Sie ihnen persönliche Produktempfehlungen 

Die Kohortenanalyse

Was ist Kohortenanalyse?

In Kürze: Die Kohortenanalyse unterteilt Nutzer in kleinere Gruppen (Kohorten), die ein gemeinsames Merkmal haben (oft den ersten Kaufmonat) und vergleichen die Daten zwischen diesen Gruppen. Eine Methode zum Erkennen von Mustern historischer Daten.

Diese schnelle und simple Analyse können Sie anwenden, um zu sehen welche Auswirkungen Ihre Entscheidungen zu jedem Zeitabschnitt auf Ihre Nutzer hatte. Sind Ihre Retentionszahlen höher in einer Ihrer Kohorten? Wieso? Vielleicht haben Sie in diesem Monat eine großartige Marketingkampagne durchgeführt. Vielleicht haben Sie zu diesem Zeitpunkt das Design Ihrer Homepage überarbeitet?

Eine Kohortenalyse lässt Sie Datengruppen isolieren, so dass Sie verstehen können, was funktioniert und was nicht. 

Wieso sollten Sie die Kohortenanalyse anwenden?

Eine Kohortenanalyse ist ein schneller und einfacher Weg, Ihre Hypothese zu testen. Wenn Sie denken, Ihr neuer Werbe-Banner erhöht Ihre Conversion Rate, können Sie eine schnelle Kohortenanalyse durchführen: Erstellen Sie eine Kohorte für die Besucher, die die Anzeige gesehen haben und eine Kohorte für die Besucher, die sie nicht gesehen haben. Dann vergleichen Sie beide miteinander. 

Wie können Sie eine Kohortenanalyse anwenden?

• Finden Sie heraus, ob Sie mehr Zeit in Kundenbindung investieren sollten: 
  • Gruppieren Sie Ihre Kohorten nach dem Kaufdatum
  • Schauen Sie sich die Kaufhistorie über einen Zeitraum Ihrer Wahl an
  • Wenn der Umsatz sich monatlich nicht erhöht, sollten Sie an Ihrer Kundenbindung und Ihren Bestandskunden arbeiten 

• Bestimmen Sie Ihre besten Akquisekanäle:
  • Unterteilen Sie Ihre Kohorten danach, wer zuerst Ihre Website besucht hat  
  • Schauen Sie sich die Kaufhistorie der letzten 1-2 Jahre an 
  • Sehen Sie, welche Gruppe den größten Customer Lifetime Value hat

• Finden Sie heraus, welche Phase Ihres Customer Lifecycles am meisten Arbeit bedarf
  • Gruppieren Sie Ihre Kohorten nach Lifecycle-Phasen
  • Entdecken Sie Engpässe: In welcher Phase stockt die Conversion am meisten?
  • Lenken Sie den Fokus Ihrer Kampagnen auf diese Phase

Maschinelles Lernen

Was ist Maschinelles Lernen?

Mit den richtigen Ressourcen können Modelle für Maschinelles Lernen beeindruckende Resultate liefern. Es gibt zwei Hauptarten maschineller Lernverfahren: überwachte und nicht überwachte.

Überwachtes Maschinelles Lernen: 

Sie wissen bereits, welche Antwort Sie die Maschine finden lassen wollen. Ihr Ziel ist es, den Weg vom Input zum entsprechenden Output zu programmieren. Sobald die Maschine “trainiert” ist, können Sie ihr ähnlichen Input zu schreiben und im Idealfall wird die Maschine Ihnen den Output für eine ähnliche, aber andere Situation vorhersagen.

Unüberwachtes Maschinelles Lernen:

Sie wissen noch nicht, welche Antwort Sie die Maschine finden lassen wollen. Sie geben Daten ein, deren Muster die Maschine entschlüsselt, so dass Sie mehr über die Struktur dieser Daten erfahren können.

In diesem Bereich werden wir uns auf eine der einfacheren Methoden des überwachten Maschinellen Lernens konzentrieren, um Predictive-Analytics zu ermöglichen: 

Entscheidungsbäume

Ein Entscheidungsbaum verläuft in Serien von Ja-oder-Nein-Szenarien: “Wenn dies, dann jenes.” Sie sind nützlich für Klassifikationen, die auf historischen Beispielen basieren.

BEISPIEL: Dieser Entscheidungsbaum wird vorhersagen, ob Sam einen oder keinen Bagel essen wird.

Entscheidungsbäume, die für Verhaltensprognosen von Kunden genutzt werden, sind viel länger und weitaus komplexer als dieser. Die Verzweigung des Baums hängt von der Anzahl der Fragen ab, die man braucht, um die Vorhersage zu treffen. Dieser Baum hat eine dreifache Verzweigung, weil es drei Fragen braucht, um die Antwort zu erhalten, ob Sam einen Bagel essen wird.

Entscheidungsbäume funktionieren schnell, sind einfach zu interpretieren und können für große Datenmengen genutzt werden. Sie können allerdings zu fehlerhaften Ergebnissen kommen, wenn sie nicht genug Daten als Basis haben (was wiederum aus einer zu spezifischen Segmentierung resultieren kann).   

Sehen Sie NICHT den Wald vor lauter Bäumen nicht – Sie können Fehler reduzieren, indem Sie sogenannte “Random Forests” kreieren: Eine Gruppe von Entscheidungsbäumen, deren Ergebnisse kombiniert, das Endresultat ergeben. 

Warum sollten Sie Maschinelles Lernen bei Segmentierung verwenden?

Maschinelles Lernen bringt Ihre Segmentierung auf das nächste Level. Segmente Maschinellen Lernens sind dynamisch: Sie aktualisieren sich in Echtzeit. Dies macht die Automatisierung Ihrer Personalisierungsmethoden möglich; eine Notwendigkeit, wenn Sie diese im großen Maße anwenden wollen.

Maschinelles Lernen ermöglicht Ihnen Muster innerhalb Ihrer Daten zu erkennen, die Sie sonst nie gefunden hätten. Muster, die Sie in Zukunft nutzen können, um das Verhalten Ihrer Kunden zu prophezeien.  

Wie können Sie Maschinelles Lernen nutzen?

• Recommendation Engines (Empfehlungsmaschinen)
  • Mit diesem Personalisierungs-Feature können Sie den Customer Lifetime Value (CLV) merklich steigern. Netflix hat angegeben, dass es durch seine Personalisierungen und Empfehlungen, Abwanderungen verhindert und damit über $1 Milliarde jährlich spart
  • Versuchen Sie Produkte auf Basis von Kunden-Aktivitäten vorzuschlagen 
  • Versuchen Sie Produkte vorzuschlagen, die ähnliche Kunden mochten 

• Aktivieren Sie dynamische Preissetzungen
  • Produkte können automatisch andere Preise vorschlagen, je nachdem, welcher User sie sich gerade ansieht
  • Experimentieren Sie mit verschiedenen Preisen and unterschiedlichen Lifecycle-Phasen 

• Optimieren Sie Ihren Bestand
  • Ermöglichen Sie Prognosen, die Ihnen rechtzeitig Bescheid geben, wann Ihnen die Bestände ausgehen werden, damit Sie genug Zeit haben, nachzubestellen

Nutzen Sie einen Single Customer View für Ihre Marketing-Segmentierung

RFM-Analysen sind eine nützliche Strategie, aber sie ist auch über 50 Jahre alt. Kunden von heute erwarten Omni-Channel-Kommunikation; deren Daten sind reicher, und weiter verbreitet.

Mit einem Single Customer View (SCV) wie dem von Exponea können Sie dennoch Ihre Kundendaten speichern, die RFM-Analyse zum Segmentieren- und gleichzeitig modernste Vorhersage-Funktionen nutzen. Da der SCV Ihre Kundendatenprofile in Echtzeit aktualisiert, können Sie automatisierte Kampagnen auf den gesamten Customer Lifecycle ausrichten – vom Erstbesucher zum Champion. Außerdem können Sie Predictive-Analytics verwenden, um Ihre Kampagne noch effektiver zu gestalten.

BEISPIEL: Angenommen, Sie wollen einen Fall kreieren, der Ihr ROI verbessert, indem Sie Kunden mit einer hohen Kaufwahrscheinlichkeit gar nicht erst Rabatt-Angebote zeigen. Alles, was Sie dafür tun müssen, ist einen Bereich an ausgeschlossenen Kunden zu definieren (Kaufwahrscheinlichkeit  = > 80%). Den Rest übernehmen die Echtzeit-Updates für Sie. 

Sie können spezielle Kampagnen für jedes Segment automatisieren. Schauen Sie sich Ihre unterste Kunden-Kategorie an. Hier sind es die engagierten Besucher. 

Ihr Ziel für dieses Segment ist es, aus ‘engagierten Besuchern’ ‘treue Besucher’ zu machen und sie damit in die nächsthöhere Kunden-Kategorie zu bringen. 

Treue Besucher unterscheiden sich von engagierten Besuchern einzig durch die Angabe ihrer E-Mail-Adresse. Mit diesem Wissen im Hinterkopf, können Sie eine Kampagne (oder gleich mehrere) erstellen, die darauf abzielen, die E-Mail-Adressen zu erhalten. 

Hier geht der Spaß erst richtig los. 

Wenn ein engagierter Besucher seine E-Mail-Adresse angibt, aktualisiert das System sein Profil in Echtzeit und befördert ihn oder sie automatisch in die nächste Kategorie, zu den treuen Besuchern. Von diesem Moment an erhalten sie die Kampagnen für treue Besucher. Natürlich zielen diese Kampagnen wiederum darauf ab, sie in die nächsthöhere Kategorie zu befördern. 

Sie sehen worauf es hinausläuft. Mit einem SCV und einer sauberen Segmentation, können Sie Ihren Umsatz erheblich steigern: Sie haben ein ganzes System, das darauf ausgerichtet ist, von Anfang an wertvollere Kunden zu generieren. 

Dasselbe System versteht es auch, wenn Kunden kurz davor sind, abzuspringen und sendet automatisch Kampagnen, um sie zu halten. 

Sie müssen Ihre Segmente nicht manuell aktualisieren, wenn Nutzer zwischen ihnen hin- und herspringen – Exponea übernimmt das für Sie.  

Key-Points: Kunden-Segmentierung

• Kunden-Segmentierung ist der Prozess, bei dem Ihre Kunden anhand ihrer Daten in unterschiedliche Gruppen eingeteilt werden 
• Segmentierung ist ein entscheidender Faktor, wenn Sie ein erfolgreiches E-Commerce Unternehmen führen wollen
• Mithilfe der RFM-Analyse können Sie Ihre Kunden anhand ihrer Phase im Customer Lifecycle segmentieren und den Customer-Lifetime-Value bestimmen
• Durch Kohortenanalyse lassen sich Muster in historischen Daten erkennen; es ist eine schnelle Methode, um Datengruppen zu isolieren und herauszufinden, was funktioniert und was nicht 
• Segmentierung durch maschinelles Lernen stattet ihre Website mit modernen Vorhersage-Funktionen und Datenaktualisierung in Echtzeit aus; Resultat ist eine automatisierte und gesteigerte Personalisierung 
• Exponea nutzt historische Kundendaten, um den vorgefertigten Segmenten der RFM-Analyse Kontext zu geben und Vorhersage-Funktionen zu ermöglichen. Zusammen mit diesem Kontext kann Exponea die Echtzeit-Daten des Single Customer Views nutzen und mit den Usern jedes Segmentes interagieren. So begleitet Exponea Kunden durch den gesamten Customer Lifecycle – vom Besucher zum Champion 

 

Ist die Segmentierung Ihres Unternehmens so effektiv wie möglich? Finden Sie es heraus.