Zielgruppenwissen ist wichtig für viele Bereiche im Unternehmen. 61% der Marketingleiter nutzen Kundendaten zur Segmentierung und Zielgruppenbestimmung (IBM Studie 2011). Auch im Vertrieb und Service sind Segmentierungen nach Kundengröße, Wert oder Rohertrag häufig im Einsatz, vor allem um Ressourcen und das optimale Investment in den Kunden zu steuern.
Daneben ist das Wissen über Profilinformationen zu den Kundensegmenten wichtig. Im BtoB Bereich zählen Kriterien wie Unternehmensgröße, Industrie, Wachstum, Dauer der Kundenbeziehung. Im BtoC Bereich eher Alter, Geschlecht, Einkommen, Bildung, Familienstand, besondere Bedarfe, Hobbies und Interessen. Profile dienen dazu, relevante Botschaften und passende Angebote für den Kunden zu finden.
Doch wie kann die Zielgruppenbestimmung konkret erfolgen?
Der Kampagnenerfolg kann im Vorfeld mittels Data Intelligence, bzw. mit einer Marketinganalyse und damit einer geeigneten Zielgruppenauswahl um ein Vielfaches gesteigert werden. Das Kundenwissen nutzen heißt die Devise um Unternehmensziele zu erreichen.
Die Kampagnenziele unserer Kunden sind zumeist Aufmerksamkeit und Interesse für ein Produkt zu generieren, mit dem Ergebnis eines messbaren Marketingerfolgs, d.h. einer Umsatzsteigerung. Es soll also etwas "beworben" werden, sei es ein Produkt, eine Idee, oder eine Marke.
Es gibt eine Vielzahl an Segmentierungsmodellen am Markt. Folgende vier Kursrichtungen der Kundenauswahl möchten wir aufgrund ihrer Verbreitung in der Praxis näher betrachten.
1. Eindimensionale Modelle bzw. ABC Analysen
Dieser Modelltyp aus den 60er Jahren gilt als der Klassiker unter den Segmentierungsmodellen. Er baut auf dem Pareto oder 80:20 Prinzip auf, nach dem 80% des Ergebnisses von 20% der Ressourcen gemacht wird.
Auf Kunden übertragen bedeutet dies: 20% der Kunden sind für 80% der Umsätze oder des Profits verantwortlich. In der Praxis werden die Grenzen nach den Konzentrationskurven des Unternehmens individuell bestimmt, eine 10-25% zu 75-90% Konzentration des Umsatzes bzw. der Roherträge ist jedoch üblich.
Die Top Umsatzträger sind die A-Kunden, die Masse an Kunden mit geringem Umsatz C Kunden. Dies ist sozusagen ein eindimensionales Modell. Die typische Einteilung lautet: A-Kunde = hoher Umsatz, B-Kunde = mittlerer Umsatz und C-Kunde = geringerer Umsatz.
Bereits dieses einfache Modell ist in der Praxis gelegentlich nicht einfach umzusetzen, vor allem wenn allein aus dem CRM System keine Umsatzhistorie generiert werden kann oder wenn historische Preisinformationen nicht vorliegen. In diesem Fall kann eine Anbindung des ERP oder Finance-Systems und eine Kostenschlüsselung vonnöten sein. Sind kaum Kundendaten vorhanden, z.B. im indirekten Vertrieb, kann man auf der Basis der Größe und eventuell zusätzlich der Branche von Unternehmen A, B und C Kunden definieren.
2. Scoring Modelle
Dieser Modelltyp zeichnet sich dadurch aus, dass jeder Kunde ebenfalls nur einen Wert bekommt, der sich jedoch aus einer Kombination verschiedener Kriterien ergibt. Meist ist dies die gewichtete Summe von als relevant erachteten Kriterien.
Diese Modelle sind dann von Nutzen, wenn verschiedene wertbestimmende Größen im CRM vorhanden sind, die unabhängig voneinander Nutzen stiften. Ein typisches Beispiel ist das aus dem Versandhandel stammende RFM-Modell. In diesem Modell erfolgt die Segmentierung nach den Kriterien Recency (Zeitpunkt des letzten Kaufs), Frequency (Kauffrequenz), Monetary Value (Kaufwert).
Diese drei Kriterien beeinflussen das Wiederkaufverhalten. Besonders frequente Käufer mit hohen Kaufwerten, die vor kurzem erst gekauft haben bekommen einen höheren Score. Liegt der letzte Kauf schon länger zurück als ein bestimmter Grenzwert sinkt die Kaufwahrscheinlichkeit. Diese Modelle sind sehr aussagekräftig, wenn viele Transaktionsdaten eines hochfrequentierten (Online)-Stores vorliegen.
Andere Scoring Modelle inkludieren quantitative und qualitative Kriterien wie Umsatz, Umsatzpotenzial, Profit, Bedarfsvolumen, Bonität, Treue, Weiterempfehlungspotential, Zufriedenheit und verschiedene andere Variablen. Diese werden meist auf der Basis von Expertenmeinungen gewichtet und zu einem Gesamtscore aggregiert.
Ein Scoring-Modell ist dann am Besten geeignet, wenn alle Größen auf ein Ziel einzahlen und sie auch möglichst unabhängig sind. Ansonsten gewichtet man ein Kriterium eventuell zweifach ein.
Der Nachteil dieser Modelle ist die eingeschränkte Aktionsnähe, da nur ein Gesamtscore des Kunden betrachtet wird. Insbesondere im Falle eines geringen Wertes können allein aufgrund des Scores keine Aktionen ermittelt werden. Ein Kunde kann jedoch aus verschiedenen Gründen, z.B. aufgrund geringer Profitabilität, geringen Umsatzes oder längerer Inaktivität weniger wertvoll sein. Dieses Wissen ist zentral für die Planung der Aktivitäten mit dem Kunden. Zudem sind die Gewichtungen in einen Gesamtscore variabel und je nach Gewichtung kann man ganz unterschiedliche Kundenwerte erreichen.
3. Dimensionale Modelle (z.B. Würfelmodelle)
Aus dieser Einschränkung der Scoring Modelle sind die auf Kundenmustern (sogenannten Patterns) basierenden dimensionalen Modelle entstanden. Dimensionale Modelle gehen über die Kampagnen- oder Marketingsicht hinaus. Mögliche Dimensionen sind Umsatz, Potenzial, Profit, Loyalität, Risiko, Share of Wallet etc. oder bereits der Kundenwert als eine konsolidierte Dimension.
Die Auswahl der Dimensionen hängt maßgeblich von der bereits vorhandenen strategischen und damit langfristigen Definition des Kampagnenziels ab. Typische Kampagnenziele für eine strategische Segmentierung lauten:
-
Win-Back-Aktion für Kunden, welche schon lange nicht mehr gekauft haben
-
Retain / Halten der wertvollen Kunden durch Einladung zu einem Event und damit
-
Steigerung der Kundenzufriedenheit
-
Cross-/Up-Selling für Kunden mit hohem Potenzial
Können die wichtigsten Bewertungskriterien auf maximal 3 Faktoren und damit Dimensionen zusammengefasst werden, dann ist eine 3-dimensionale Würfeldarstellung ein sehr anschauliches und verständliches Mittel. Modelle, welche wir immer wieder umgesetzt haben sind dreidimensional, meist mit den Kriterien Umsatz bzw. Profit, Potenzial und Loyalität.
Innerhalb des Würfels können somit je nach Zielsetzung die entsprechenden Kunden ausgewählt werden, beispielsweise Kunden mit hoher Ausprägung auf der Dimension Potenzial für Cross- und Up-Selling-Aktivitäten.
4. Data Mining Modelle
Eine Spezialform der Kundensegmentierungen basiert auf Data Mining Profilierungsmodellen. Wird ein kurzfristiges Ziel mit schnellen Kampagneneffekten verfolgt und liegt eine ausgeprägte Datenvariabilität von Transaktions-, Profil- und Verhaltensdaten vor, so optimieren taktische Modelle einzelne Aktivitäten, oft als Black Box Modelle.
Der Kunde kennt also nicht die konkreten Formeln oder Kriterien die zu einem bestimmten Wert geführt haben, aber er hat Informationen zur Prognosegüte der Modelle.
Typische Fragen der taktischen Segmentierung lauten:
-
Ich möchte das Produkt x bewerben; wen kontaktiere ich am Besten durch welchen Kanal mit meiner Kampagne, um die Erfolgsquote zu maximieren?
-
Zu einem kostenpflichtigen Event möchte ich gezielt hochwertige Einladungen verschicken; wen sollte ich kontaktieren um viele Zusagen zu erhalten?
Im Fall der taktischen Segmentierung heißt ein bewährtes Mittel besonders im Zeitalter von Big Data und Social Media Profilierung mit Data Mining. Profilierung bedeutet, zu untersuchen, wie der typische Responder (z.B. Käufer eines Artikels) denn aussieht. Wurde ein Responder-Typ gefunden, so wird versucht, genau diejenigen Kunden aus der Datenbank herauszufischen, welche diesem Typus entsprechen. In Abhängigkeit der berechneten Response-Wahrscheinlichkeit werden ausgewählte Kunden bzw. Kundengruppen in die Zielgruppe mit aufgenommen.
Im Rahmen von Data Mining Modellen wird auf Basis von Beobachtungen aus der Vergangenheit auf das aktuelle und zukünftige Verhalten geschlossen. Diese Modelle benötigen häufig eine große Zahl beschreibender Kriterien des Kunden und seines Verhaltens, sowie einer Verkaufshistorie von je nach Kauffrequenz und Marktbewegung 2-5 Jahren, um zu validen Schätzungen zu führen.
Welches Modell ist für Sie sinnvoll? Unsere Checkliste:
Bei allen Modellen geht es darum, den Kunden durch die Analyse der Kundendaten zu verstehen, und somit das Budget zielgerichtet und damit effizient und effektiv zu verteilen.
Die Analyse der Kundendaten setzt natürlich eine hohe Datenqualität, d.h. gut gepflegte Daten voraus. Hier ist eine kurze Checkliste der wichtigsten Segmentierungs-Variablen in Bezug auf die Segmentierungs-Möglichkeiten und deren Eignung für die verfolgten Ziele:
Details und Beispiele zu ausgewählten Modelltypen folgen in Kürze...
