Referenzprojekt Handel: Kundensegmentanalyse nach On- & Offlinekaufverhalten

Die statistische Kontrolle auf 'Behavior Patterns' eines Modeversandhändlers

Quick-Facts

  • ma-definition_kunden

    Referenz-Kunde

    Modeversandhändler 

     

  • Referenz-Branche_CINTELLIC_Icon

    Referenz-Branche

    Handel / E-Commerce

  • Ausgangssituation

    Das Kernziel des Klienten war die kausale Aufschl√ľsselung des Kaufverhaltens der Online- und Offline-Kundschaft zur besseren Aussteuerung und Angebotswegoptimierung. Hierf√ľr wurden einzelne Kundensegmente auf Verhaltensmuster – englisch: ‚Behavior Patterns‚ – kontrolliert. ¬†

    Insgesamt standen mehrere Millionen historische Kundenauftr√§ge zur Verf√ľgung, mit einer Zeitspanne von 20 Jahren, auf nicht aggregierter Rohdatenbasis.¬†¬†

    F√ľr den Klienten ist es wichtig, zu verstehen, wie sich die jeweiligen Kundengruppen bei der Ausspielung von Newslettern, Katalogen und Onsite-Kampagnen verhalten. Manche Kundengruppen sind bspw. sehr gutscheinaffin, andere reagieren vor allem auf Rabatt- und Salesaktionen. Wieder andere stellen die Qualit√§t eines Produkts in den Vordergrund. Schlussendlich hat jeder einzelne K√§ufer latente Charaktereigenschaften inne, die ihn intrinsisch steuern. ¬†

  • Aufgaben

    • Datenaufbereitung (Preprocessing)
    • Aufbau einer Datenpipeline mit integrierter Serververbindung
    • Datenauswertung und ‚Äď analyse
    • Ergebnisaufbereitung und -pr√§sentation¬†

Projekt-Insights

CINTELLIC hat sich gemeinsam mit dem Kunden allen Herausforderungen des Projektes gestellt. Es wurde ein Lösungsansatz skizziert, welcher auf drei aufeinanderfolgenden Bausteinen basiert.

Die folgenden Inhalte werden in den nächsten Abschnitten erläutert:

1. Herausforderung
2. Lösungen
3. Kundennutzen

CINTELLIC Workbook: Gemeinsam Business-Mehrwerte erzielen

Herausforderung

Bei dieser Art von Projekten gibt es mehrere Herausforderungen, die sich von der Datenaggregation bis zur statistischen Kontrolle ziehen. Dabei wird hier nur auf die großen Eckpunkte eingegangen.  

Bei jedem Auftraggeber unterscheiden sich die Datenstrukturen. Wichtig ist, diese Strukturen genauestens zu verstehen, um sinnvolle Aggregationen durchf√ľhren zu k√∂nnen. Oftmals werden zwei bis drei Schritte ben√∂tigt, um die gew√ľnschte Datenbasis f√ľr eine statistische Auswertung zu erreichen.¬†¬†

Dabei gilt es das Wechselspiel zwischen Auswertungsmethode und Auswertungsdatensatz zu beachten, um Operationalisierungsproblematiken zu vermeiden. Im vorliegenden Projekt musste das Verhalten des Kunden, also das Website- und Offlineverhalten bis zum finalen Datensatz durchgetragen werden, ohne den Verlust an Daten durch Aggregationsschritte hinzunehmen.

Die statistische Methode setzt genau da an und liefert die gew√ľnschten Ergebnisse zu Ausgaben(mustern) des Unternehmens und dem Verhalten der Kunden. Diese Ergebnisse gilt es intensiv zu interpretieren. Dabei ist es immens wichtig, das Gesch√§ftsmodell und die Gesch√§ftsprozesse des Klienten genau zu verstehen und zu verinnerlichen.¬†

Lösungen

Im Rahmen des Projektes konnte ein eindeutiger Lösungsweg skizziert werden, der sich schematisch wie folgt zusammensetzt: 

 1. Datenaufbereitung (Preprocessing) 

Zuerst standen die Datenaggregation und die Zusammenf√ľhrung der Daten im Vordergrund. Dabei wurden Daten aus mehreren Tabellen verdichtet und miteinander verbunden. Die historischen Kundenauftr√§ge umfassten neben qualitativen Merkmalen, wie Alterscluster, Bundesland, Anlaufsaison, Retourenverhalten, etc., auch quantitative Merkmale, wie Klicks innerhalb einer Session oder Warenkorbwerte. Final wurde ein valider Datensatz erstellt, mit dem die weiteren Analysen durchgef√ľhrt werden k√∂nnen.¬†

 2. Statistische Modellierung 

Um Kundenverhalten sichtbar und interpretierbar zu machen, gibt es eine Reihe von statistischen M√∂glichkeiten. Dabei ist es allerdings immer notwendig, die externen Effekte der Variablen und Attribute zu bereinigen. Dies gelingt besonders gut mit Regressionsmodellen, die √ľber Korrelationenarithmetik diese verzerrenden Effekte entfernen. Dies k√∂nnen individuelle ‚Äď wie auch zeitliche St√∂rgr√∂√üen sein. M√∂chte man auf beide St√∂reffekte kontrollieren und bereinigen, sollte man ein Paneldesign nutzen. Hier sei nochmal das Wechselspiel zwischen Methode und Daten erw√§hnt, da letztere ebenfalls f√ľr die Methode aggregiert werden m√ľssen. In diesem Fall ben√∂tigt das Design im Index sowohl eine individuelle – (bspw. Kundennummer), als auch eine zeitliche (bspw. Kaufzeitpunkt) Variable.¬†

3. Interpretation 

Nach der statistischen Umsetzung m√ľssen die Ergebnisse der Analyse interpretiert werden. Dies ist der wichtigste- aber auch komplizierteste Schritt. Obgleich in den vorherigen Schritten kausale Wirkrichtungen identifiziert wurden, gibt es dennoch mehrere Auspr√§gungen pro Kundensegment. Ohne das Know-how √ľber das zugrundeliegende Gesch√§ftsmodell sind solche Interpretationen nicht m√∂glich.¬†

Im Falle des Projektes konnten Verhaltensmuster ausfindig gemacht werden, vor allem im Zusammenspiel zwischen Kunden, die sowohl das Online-, als auch das Printmedium, genutzt haben. Aber auch f√ľr jeden einzelnen Angebotsweg konnten kausale Eindr√ľcke gewonnen werden. Schlussendlich konnten f√ľr alle Kundengruppen, auf Grundlage der analytisch gewonnenen ‚Behavior Patterns‘, neue Zielwerte bestimmt werden, um fortan die jeweiligen Kunden optimaler in der Angebotsstrecke auszusteuern.¬†¬†

Customer Analytics_CINTELLIC

Kundennutzen

Der Nutzen des Auftraggebers ist enorm, da er seine Kunden nun besser versteht und seine Angebotsstrecken diesbez√ľglich optimieren kann. Wie eingangs erw√§hnt, sind mache Kunden sehr gutscheinaffin, andere wiederum nicht. Mit der in diesem Projekt durchgef√ľhrten Analyse konnte dieses Kundensegment genau bestimmt werden.

Der Modeh√§ndler kann nun dieses Wissen nutzen und Gutscheinaktionen zielgruppengerecht an die gutscheinaffinen Kunden ausspielen und Streuverluste minimieren. Weiter sind teure Werbeprospekte f√ľr andere Kunden obsolet, weil diese sich nur √ľber Onlineaktionen triggern lassen. Auch hier kann Budget gespart werden und eine effizientere, nach Kanalaffinit√§ten gerichtete, Aussteuerung erfolgen.¬†¬†

Referenzprojekt_Handel_Kundensegmentanalyse_BehaviorPatterns (©Thom Bradley/Unsplash)

Sie haben Fragen zu unseren Referenzen oder möchten ein ähnliches Projekt umsetzen? Sprechen Sie uns gerne an!

Dr. Jörg Reinnarth CINTELLIC

Dr. Jörg Reinnarth

Gesch√§ftsf√ľhrer
info@cintellic.com
CINTELLIC Consulting - Social Media