Data Driven Business in der Praxis – Ratet ihr noch oder clustert ihr schon?

»Kenne deinen Kunden!« Marketing-Mantra, Grundzutat im Digital Business Erfolgsrezept. Easy. Personas erstellen, Kundenfokus in alle E-Commerce-Prozesse integrieren und los geht’s. Oder? Nicht ganz. Personas, die beispielsweise in Workshops kreiert werden, zeichnen zwar ein ungefähres Bild der verschiedenen Kundengruppen eines Unternehmens , beruhen aber oftmals nur auf subjektiven Fakten und können nicht mit Zahlen untermauert werden.

Hinzukommt, dass die Auswahl an Kriterien zur Segmentierung von Kunden ebenfalls komplett subjektiv ist und daher Kunden auch nicht optimal repräsentiert. Datengetrieben? Fehlanzeige. Mehr noch, widerspricht diese Subjektivität der Idee vom Data Driven Business – also den datengetriebenen Geschäftsentscheidungen im Unternehmen. Doch, es gibt einen Ansatz, der Abhilfe schafft. Was hinter Kundenclustering – einer mathematischen, algorithmusbasierten Analysemethodik – steckt, zeigen wir euch heute mit Support aus good old Springfield 😉.

Data Driven Business – Mittelstufenmathematik meets Algorithmus

Ziel eines Clusterings ist ebenfalls das Segmentieren von Kunden in namensgebende Cluster. Der Algorithmus optimiert dabei die Kundensegmente so, dass innerhalb eines Segments die Kunden möglichst homogen, sich also möglichst ähnlich und zwischen den Segmenten möglichst heterogen, also möglichst verschieden sind.

Distanz berechnen

Obwohl dies intuitiv sinnvoll erscheint, stellt sich dennoch die Frage: Wie misst man denn nun die Ähnlichkeit zwischen Kunden? . Wir haben Homer und Bart als potenzielle Kunden gewählt und ihr Shoppingverhalten in eine Grafik gepackt.

Die beiden Kunden aus Springfield haben in unserem Onlineshop eingekauft. Von jedem der beiden kennen wir die Anzahl an Klicks sowie den generierten Umsatz.

Anhand dieser zwei Zahlen können wir nun mit etwas Mittelstufenmathematik (dem Pythagoras in diesem Fall) eine Distanz zwischen unseren Kunden berechnen. Diese Formel kann nun beliebig um weitere Attribute ergänzt werden.

Während es für uns Menschen ab drei Dimensionen unmöglich wird, das Ganze sinnvoll zu visualisieren, ist es dem Algorithmus letztendlich egal, wie viele Dimensionen benutzt werden sollen. Daher können wir prinzipiell nun für dieses Distanzmaß alle interessanten Kundendaten, die uns zur Verfügung stehen, nutzen. Diese können z.B. aus Trackingdaten aus Google Analytics oder auch direkt aus den Shopdaten bestehen.

Cluster bilden

Nun beginnt der zweite Schritt: das eigentliche Clustering. Zunächst wird mithilfe mehrerer statischer Metriken die Qualität der Cluster und daraus die optimale Anzahl an Clustern bestimmt. Anschließend ordnet der Clusteralgorithmus jeden Kunden einem Cluster zu. In einem iterativen Prozess werden diese Cluster weiterverbessert, bis eine optimale Verteilung der Kunden hergestellt wurde.

Cluster analysieren

Jetzt kommt der spannendste Teil des Ganzen: Die Analyse der Cluster bzw. vom Algorithmus gefundene Kundensegmente. Da wie bereits erklärt, eine grafische Darstellung ab drei Attributen nicht mehr möglich ist, können wir uns nur die Verteilung für alle Attribute einzeln anschauen. Hier bietet es sich an, sich zunächst eine Übersicht zu verschaffen und mit der Größe der Cluster und dem generierten Umsatz dieser zu beginnen.

Data Driven Business – Persona follows Cluster

Anschließend betrachten wir die übrigen Attribute und vergleichen deren Unterschiede innerhalb der Cluster. Hieraus lassen sich abschließend auch Clustersteckbriefe erstellen. Diese können die wichtigsten Unterschiede zum Durchschnitt der Gesamtkundschaft oder zu den anderen Clustern anzeigen.

Obwohl es schwerfällt, die möglicherweise vielen Attribute auf einen Blick zu erfassen, liegt auch gerade hier einer der Hauptvorteile des Clusterings. Die objektive Segmentierung der Kunden anhand von metrischen Distanzen ermöglicht eine neue Perspektive auf die eigene Kundschaft und damit effektivere Marketingmaßnahmen.

Das Clustering sowie die Clustesteckbriefe verstehen wir dabei keineswegs als Ersatz, sondern als hervorragende Grundlage für die Erstellung von Personas.

Zu guter Letzt ist das Kundenclustering der optimale Startpunkt für weitere Analysen und Vorhersagen aus dem Bereich Data Driven Business.

Data Driven Business und KI

Inspirierende Use Cases, die zeigen können, wie mithilfe intelligenter Maschinen echte Mehrwerte für Kunden erzeugt werden, lassen sich bereits allen Bereichen des Digital Business finden.

Wir zeigen im Whitepaper, wie interessante Projekte von Start-ups über mittelständische Unternehmen bis hin zu global operierenden Enterprises KI nutzen, um User-Experience-Design zu verbessern, Online-Marketing und Marketing-Automation zu optimieren, für exzellente Produkt- und Stammdatenverwaltung zu sorgen oder den Handel zu revolutionieren – und wie die Technologien dabei zum Beispiel nicht nur im B2C-E-Commerce eingesetzt werden, sondern dass auch der B2B-Sektor und der stationäre Handel profitieren.