Eine Marketingleiterin eines italienischen KMU soll eine Werbeaktion starten. Im CRM sieht sie Alter, Geschlecht und Wohnort der Kunden, weiß aber nicht, wer eine bestimmte Produktkategorie mehrmals besucht hat, wer den Bestellvorgang abgebrochen hat oder wer nur dann kauft, wenn er einen Rabatt erhält. Die Datenbank beschreibt die Personen, gibt aber keinen Aufschluss darüber, was sie tatsächlich zum Kauf bewegt.
Das ist die Grenze der traditionellen Segmentierung. Eine für alle gleiche Botschaft kann zwar viele Kontakte erreichen, spricht aber nur wenige an. Die verhaltensbasierte Segmentierung bietet eine andere Perspektive: Sie beobachtet Handlungen, Häufigkeit, Aktualität, Kaufwert und Interaktionen auf den verschiedenen Kanälen und wandelt diese Signale dann in Gruppen um, die als Entscheidungsgrundlage dienen.
Sie müssen keine eigene Data-Science-Abteilung aufbauen, um loszulegen. Mit den Daten, die bereits in Ihrem CRM, auf Ihrer Website, in Ihren E-Mails und im E-Commerce vorhanden sind, sowie einer KI-gestützten Plattform können Sie statische Listen in umsetzbare Erkenntnisse umwandeln. Hier finden Sie einen praktischen Leitfaden mit Beispielen für den Einzelhandel, den Finanzsektor und den E-Commerce, mit Fokus auf Datenschutz und einer Methode, um Segmente dynamisch zu gestalten.
Der Betreiber eines Online-Shops kennt den Monatsumsatz. Er weiß, welche Produkte sich verkaufen und vielleicht auch, wie viele Kunden in einer bestimmten Region leben. Wenn er jedoch entscheiden muss, an wen er ein Werbeangebot versenden soll, greift er oft auf allgemeine Kategorien zurück, wie „Frauen einer bestimmten Altersgruppe“ oder „Kunden aus Norditalien“.
Diese Informationen können zwar nützlich sein, erklären das Verhalten jedoch nicht. Zwei Personen aus derselben Region können gegensätzliche Bedürfnisse haben: Die eine kauft jeden Monat ein, ohne auf Rabatte zu warten, die andere besucht die Website, vergleicht die Preise und schließt erst während einer Werbeaktion einen Kauf ab. Sie beide gleich zu behandeln, bedeutet, wichtige Signale zu ignorieren.
Die verhaltensbasierte Segmentierung berücksichtigt genau diese Signale. Ein wiederholter Besuch, ein kürzlich getätigter Kauf, ein verlassener Warenkorb oder eine Antwort auf eine „ newsletter “ geben Aufschluss darüber, an welcher Stelle der Kaufprozess sich der Kunde gerade befindet. Das Marketing kann somit Inhalte, Kanäle und Zeitpunkte anpassen, anstatt sich ausschließlich auf demografische Daten zu verlassen.
Faustregel: Bevor du dich fragst, welche Nachricht du senden sollst, frag dich, welche Handlung des Kunden du verstehen möchtest.
Für ein KMU kann der erste Schritt ganz einfach sein: Vergleichen Sie die Kaufhistorie mit den digitalen Interaktionen und identifizieren Sie Gruppen, die eine differenzierte Behandlung verdienen. Sie können mit den ELECTE-Kundenerkenntnissen beginnen, um die verfügbaren Daten in eine übersichtlichere Arbeitsgrundlage umzuwandeln, ohne die Komplexität der Analyse mit dem Wert der Informationen zu verwechseln.
Bei der verhaltensbasierten Segmentierung werden die Kunden anhand ihres Verhaltens in homogene Gruppen unterteilt. Die demografische Segmentierung beantwortet die Frage „Wer sind sie?“, wobei Faktoren wie Alter, Geschlecht oder geografische Region herangezogen werden. Die verhaltensbasierte Segmentierung fügt eine Frage hinzu, die für das Handeln von größerer Bedeutung ist: „Wie verhalten sie sich, wenn sie mit dem Unternehmen in Kontakt treten?“.
Zu den Variablen können gehören:
Die einfachste Analogie ist die eines Ladenbesitzers. Zu wissen, dass eine Person in der Nähe des Geschäfts wohnt, ist zwar informativ, aber wenn man sich daran erinnert, dass sie jede Woche hereinkommt, immer dasselbe Produkt fragt und keine Sonderangebote nutzt, kann man sie besser bedienen. Die Verhaltensdaten verknüpfen die Beobachtung mit einer Entscheidung.
In Italien werden bei Untersuchungen zum Lebensmittelkundensegment seit langem Dezile hinsichtlich Ausgabenhöhe, Kaufhäufigkeit und Kaufzeitpunkt herangezogen. Diese Herangehensweise nimmt die RFM-Modelle vorweg, die Kunden anhand von Recency, Frequency und Monetary klassifizieren und dabei helfen, treue, besonders wertvolle oder abwanderungsgefährdete Kunden zu unterscheiden. Eine historische Übersicht finden Sie im ausführlichen Artikel zum Multichannel-Verbraucherverhalten.
Eine beschreibende Klassifizierung fasst bereits bekannte Merkmale zusammen. Die Profilerstellung hingegen kann Korrelationen und Modelle nutzen, um zukünftige Neigungen abzuschätzen. Der Unterschied ist wichtig: Ein Segment kann aussagen: „Diese Kunden haben kürzlich etwas gekauft“, während ein Modell dabei helfen kann, diejenigen zu identifizieren, die Anzeichen für einen erneuten Kauf zeigen.
Italienische Studien zur Segmentierung zeigen, dass Aktualität und Häufigkeit einen höheren Vorhersagewert haben können als rein demografische Merkmale, da sie bereits geäußerte Bedürfnisse widerspiegeln. Dadurch eignet sich die Segmentierung besser zur Personalisierung von Kampagnen und geschäftlichen Prioritäten, wie in der Analyse zur generationsbezogenen Segmentierung im digitalen Marketing erläutert wird.
Eine sinnvolle Segmentierung entsteht aus der Verbindung von strukturierten Daten, digitalen Ereignissen und dem Unternehmenskontext. Es reicht nicht aus, einfach nur viele Informationen hinzuzufügen. Man muss die Aktionen dem jeweiligen Kunden zuordnen, schlüssige Ereignisse definieren und Variablen auswählen, die als Grundlage für eine Kampagne oder eine geschäftliche Entscheidung dienen können.
Bevor Sie Cluster erstellen, sollten Sie sich darüber im Klaren sein, welches Ergebnis Sie erzielen möchten. „Die Kunden besser kennenlernen“ ist zu allgemein. „Kunden, die schon lange nichts mehr gekauft haben, wieder aktivieren“ oder „Kunden, die ein Hauptprodukt gekauft haben, Zubehör vorschlagen“ bietet ein konkretes Kriterium für die Auswahl der Daten.
Für ein KMU kann eine Ausgangsbasis Folgendes umfassen:
Das RFM-Modell ist oft ein guter Ausgangspunkt, da es die historischen Daten in drei verständliche Fragen umsetzt: Wer hat kürzlich gekauft? Wer kauft häufig? Wer generiert den größten Wert? Beim Clustering können diese Variablen dann mit bevorzugten Kategorien, der Reaktion auf Angebote oder dem Surfverhalten kombiniert werden.
Im Jahr 2020 gab es in Italien 46,5 Millionen Multichannel-Konsumenten, was88 % der Bevölkerung über 14 Jahren entspricht, die sich auf 52,7 Millionen Menschen belief. Dies entspricht einem Wachstum von 6 % gegenüber dem Vorjahr, wie aus der Analyse von CustomerMinding zur Multichannel-Segmentierung hervorgeht. Dieselbe Studie zeigt unterschiedliche Zahlungspräferenzen zwischen den verschiedenen Verhaltensprofilen: PayPal wurde von den „Digital Rooted“ und den „Digital Engaged“ bevorzugt, jeweils zu 53 %, während die „Digital Bouncers“ und die „Digital Rookies“ Prepaid-Karten bevorzugten, und zwar zu 41 % bzw. 44 %.
Der Wert dieses Beispiels liegt nicht in der Zahlung an sich. Es zeigt, dass beobachtbares Verhalten Angebote, Kanäle und Botschaften effektiver steuern kann als eine allgemeine demografische Kategorie.
Ein Cluster soll jemandem dabei helfen, etwas zu tun. „Gruppe 4“ sagt dem Marketingteam nichts. „Neukunden, Stammkunden, aktionsempfängliche Kunden“ hingegen legt eine Kommunikationslogik nahe und liefert eine Kennzahl, die es zu überwachen gilt.
Pflegen Sie eine zentralisierte Datenbank, legen Sie eine einheitliche Kennung fest und überprüfen Sie die Datenqualität, bevor Sie den Prozess automatisieren. Der Leitfaden zur Unternehmensdatenanalyse kann Ihnen dabei helfen, Datenerfassung, -bereinigung und -auswertung zu einem Prozess zu verknüpfen, der auch für nicht-technische Teams verständlich ist.
Ein Segment ist erst dann nützlich, wenn es einen Arbeitsablauf auslöst. Der Prozess kann mit einem geschäftlichen Ziel beginnen, über die Auswahl relevanter Ereignisse verlaufen und mit einer Kampagne, einer Maßnahme des Verkäufers oder einer Entscheidung bezüglich des Service enden.
Nehmen wir an, ein E-Commerce-Unternehmen möchte die Abbruchrate beim Bezahlvorgang senken. Es muss nicht jedes mögliche Verhalten klassifizieren. Es kann sich auf diejenigen konzentrieren, die ein Produkt mehrmals aufgerufen, einen Artikel in den Warenkorb gelegt und den Kaufvorgang vor dem Kauf abgebrochen haben.
Das Segment wird aktivierbar, wenn es Folgendes enthält:
Die für den italienischen Markt bestimmten technischen Leitfäden empfehlen, RFM-Kennzahlen mit Navigationsereignissen wie wiederholten Besuchen, Klickpfaden, E-Mail-Interaktionen und abgebrochenen Kaufvorgängen zu kombinieren, um detaillierte, aber messbare Mikrosegmente zu erstellen. Das Prinzip ist einfach: weniger dekorative Bezeichnungen, dafür mehr Gruppen, die mit einer konkreten Aktion verknüpft sind.
Die Konversionsrate gibt an, ob das Segment auf die Kampagne anspricht. Die Kaufhäufigkeit hilft dabei zu verstehen, ob sich die Kundenbeziehung festigt. Der Lifetime Value (LTV) setzt den wirtschaftlichen Wert der Kundenbeziehung in Beziehung zu den Marketingentscheidungen, während die Abwanderungsrate auf einen Rückgang des Engagements hindeutet.
Sie können diese Kennzahlen mit einem nach Segmenten aufgeschlüsselten NPS kombinieren, sofern die Daten im Zusammenhang mit den tatsächlichen Maßnahmen betrachtet werden. Ein Kunde kann zwar Zufriedenheit äußern, aber nur selten kaufen, oder er kann zwar häufig interagieren, ohne jedoch eine Bestellung abzuschließen. Das Verhalten ersetzt das Feedback nicht, sondern ergänzt es.
Qualitätskriterium: Ein KPI ist dann nützlich, wenn er eine Entscheidung beeinflusst, nicht wenn er nur ein Dashboard füllt.
Die dynamische Segmentierung aktualisiert die Gruppe, sobald sich das Verhalten ändert. Ein Kunde, der einen Kauf abschließt, wird aus dem Segment der Abbrecher entfernt. Ein Stammkunde, der seine Besuche einstellt, kann in einen Reaktivierungsprozess aufgenommen werden. Um diese Steuerung zu organisieren und aussagekräftige Kennzahlen auszuwählen, können Sie sich bei ELECTE über KPI-Analysen für Unternehmen informieren.
Die gleiche Logik nimmt je nach Branche unterschiedliche Formen an. Ein Supermarkt beobachtet die Häufigkeit und den Wert der Einkäufe. Ein Finanzunternehmen achtet auf die Nutzung der Dienstleistungen und auf Risikosignale. Ein E-Commerce-Anbieter verfolgt den Weg vom Suchvorgang über das Produkt und den Warenkorb bis hin zur Bezahlung.
Im italienischen Einzelhandel stellt die Segmentierung auf der Grundlage von Ausgaben-Dezilen sowie der Variablen Kaufhäufigkeit und Kaufaktualität eine historische Grundlage des RFM-Ansatzes dar, wie aus Untersuchungen zur Kundschaft im Lebensmittelhandel hervorgeht. Eine Verkaufsstelle kann somit zwischen Kunden mit hohem Wert, häufigen Kunden mit geringem Umsatz, Gelegenheitskäufern und Kunden, die ihre Kaufhäufigkeit reduziert haben, unterscheiden.
Diese Gruppen benötigen nicht unbedingt denselben Anreiz. Der Stammkunde kann einen schnelleren Service oder ergänzende Vorschläge erhalten. Der Gelegenheitskunde benötigt möglicherweise eine Nachricht, die sich auf die Kategorie bezieht, die er bereits gekauft hat. Bei Kunden, deren Kaufhäufigkeit zurückgegangen ist, ist zunächst eine Analyse des Kontexts erforderlich, nicht eine automatische Werbeaktion.
Der Preis ist ein heikles Thema. Eine Familie entscheidet sich möglicherweise für eine günstigere Alternative, weil sie der Eigenmarke des Händlers treu bleibt oder weil das Budget in diesem Zeitraum knapper ist. Das beobachtete Verhalten allein erklärt den Grund dafür nicht.
Im Finanzsektor können Verhaltenscluster Aufschluss darüber geben, wie der Kunde die Dienstleistungen nutzt: Häufigkeit der Zugriffe, Art der Transaktionen, bevorzugte Kanäle und Veränderungen im Nutzungsverhalten. Diese Signale können die Personalisierung des Angebots, das Prioritätenmanagement und die Überwachung der Compliance-Prozesse unterstützen.
Die Analyse muss jedoch von automatisierten Entscheidungen mit weitreichenden Auswirkungen, die nicht angemessen geregelt sind, getrennt bleiben. Ein Modell kann zwar auf eine zu überprüfende Veränderung hinweisen, sollte jedoch nicht als vollständige Erklärung für das Kundenverhalten angesehen werden. Für Finanz-, Kredit- oder Compliance-Aktivitäten sind menschliche Kontrollen, Dokumentation und spezifische rechtliche Bewertungen erforderlich. Dieser Inhalt stellt weder eine Finanzberatung noch eine Compliance-Stellungnahme dar.
Ein vorsichtiger Ablauf könnte wie folgt aussehen:
Ein Online-Shop kann Nutzer danach segmentieren, an welcher Stelle sie den Kaufprozess abbrechen. Wer sich eine Produktseite mehrmals ansieht, hat ein anderes Interesse als jemand, der bis zur Kasse gelangt und den Vorgang im letzten Schritt abbricht. Auch wer E-Mails öffnet, ohne darauf zu klicken, signalisiert ein anderes Bedürfnis als jemand, der klickt, mehrere Produkte vergleicht und auf die Website zurückkehrt.
Die Kampagne sollte diesen Unterschied widerspiegeln. Eine informative Botschaft kann denjenigen helfen, die noch unentschlossen sind. Eine Erinnerung kann für diejenigen geeignet sein, die den Bestellvorgang abgebrochen haben. Ein ergänzender Vorschlag kann denjenigen nützen, die den Kauf bereits abgeschlossen haben. Das Ziel besteht nicht darin, mehr Mitteilungen zu versenden, sondern die Kluft zwischen Verhalten und Inhalt zu verringern.
Die Untersuchung italienischer Haushalte zeigt unterschiedliche Muster zwischen den erklärten Absichten und dem beobachteten Verhalten. Es gibt konsistente Gruppen und Gruppen mit größeren Widersprüchen, sodass das, was eine Person angibt zu bevorzugen, nicht immer mit dem übereinstimmt, was sie tatsächlich kauft.
Mitte 2024 hatten laut den Statista-Daten, die in der imArchiv der Universität Parma verfügbaren Studie aufgeführt sind, bereits85 % der italienischen Verbraucher mit geringem Einkommen auf günstigere Alternativen umgestellt. Dies ist nicht automatisch ein Zeichen für geringere Markentreue, sondern kann auf eine vorübergehende Einschränkung des Budgets hindeuten.
Aus diesem Grund sollten der stationäre Handel und der E-Commerce Verhaltensweisen, Preis, Kategorie, Kanal und Kontext miteinander kombinieren. Ein Segment, das Preissensibilität mit tatsächlichen Präferenzen verwechselt, kann zu falschen Kampagnen und ungerechtfertigten Schlussfolgerungen über den Kunden führen.
Der Übergang von statischen zu dynamischen Segmenten hängt nicht nur vom Algorithmus ab. Ein KMU kann über ein gutes Modell verfügen und dennoch schwache Ergebnisse erzielen, wenn das CRM nicht mit der Website kommuniziert, die E-Mails nicht dieselbe Kennung verwenden und das Vertriebsteam die Ereignisse anders interpretiert als das Marketingteam.
In Italien ist der Einsatz von KI bei Großunternehmen nach wie vor weiter verbreitet als bei KMU: Laut dem Jahresbericht von Intesa Sanpaolo über künstliche Intelligenz in italienischen Unternehmen nutzen 53,1 % der Großunternehmen KI-Lösungen, gegenüber 15,7 % der KMU. Diese Zahl deutet auf eine Kluft in Bezug auf Infrastruktur, Kompetenzen und Datenqualität hin, nicht jedoch auf einen Mangel an Nutzen dieser Methode.
Beginnen Sie mit einem klar abgegrenzten Anwendungsfall. Wenn das Ziel darin besteht, inaktive Kunden wieder zu aktivieren, legen Sie fest, was „inaktiv“ für Ihr Unternehmen bedeutet, welche Ereignisse dies bestätigen und welches Team tätig werden soll. Weisen Sie anschließend die Zuständigkeiten zu: Wer überprüft die Daten, wer genehmigt die Kampagne, wer misst das Ergebnis?
Ein nachhaltiger Ansatz umfasst:
Man muss nicht gleich mit einer extrem komplexen Segmentierung beginnen. Eine kleine, klar definierte Gruppe, die regelmäßig aktualisiert und mit einer konkreten Maßnahme verknüpft ist, bietet mehr Nutzen als Dutzende von Clustern, die niemand nutzt.
Die DSGVO definiert Profiling als eine Form der automatisierten Datenverarbeitung, die dazu dient, persönliche Aspekte wie Vorlieben, Interessen, Zuverlässigkeit, Verhalten, Standort und Bewegungen zu bewerten, wie die Datenschutzbehörde in ihrer Definition des Profiling verdeutlicht. In Italien unterscheidet die Datenschutzbehörde zudem zwischen der Datenerhebung und der anschließenden Einteilung der betroffenen Personen in homogene Gruppen für bestimmte Zwecke.
Für das Marketing-Profiling muss die Einwilligung in der Regel spezifisch sein und sich von der Einwilligung zum Versand von Werbemitteilungen unterscheiden. In der Datenschutzerklärung muss das Profiling erläutert werden, die Verarbeitung muss im Verarbeitungsregister vermerkt werden, und wenn die Maßnahme in großem Umfang erfolgt, kann gemäß der Zusammenfassung der italienischen Praxis zum Profiling im Rahmen der DSGVO eine Folgenabschätzung erforderlich sein.
Der Google-Fall der Datenschutzbehörde zeigt zudem, dass Daten ohne vorherige Einwilligung nicht zur Profilerstellung verwendet werden dürfen. In der Datenschutzerklärung müssen die Erfassung und die Verwendung der Daten zu Werbezwecken klar erläutert werden, einschließlich Techniken wie Fingerprinting, wie aus der Entscheidung der Datenschutzbehörde zu Google hervorgeht.
Bei der einfachen Segmentierung können Abfragen anhand bekannter Merkmale verwendet werden. Die Profilierung ergänzt diese durch Modelle, Korrelationen und Schlussfolgerungen, um Neigungen oder Verhaltensweisen abzuschätzen, wie aus der Analyse der Unterschiede zwischen Profilierung und Segmentierung hervorgeht.
Diese Unterscheidung hat Auswirkungen auf die Verantwortlichkeiten. Bevor Sie ein Modell aktivieren, sollten Sie die Rechtsgrundlage, die Transparenz, die Datenqualität und die Möglichkeit prüfen, die Verwendung des Segments zu begründen. Eine Plattform wie ELECTE, eine KI-gestützte Datenanalyseplattform für KMU, kann dabei helfen, Quellen zu verknüpfen, die Vorverarbeitung und Analyse zu automatisieren, Muster, Anomalien und Trends zu erkennen sowie Berichte zu erstellen; die Verantwortung für die Festlegung der Verwendungszwecke und die Datenverarbeitung liegt jedoch weiterhin beim Unternehmen.
Die verhaltensbasierte Segmentierung ist kein Projekt, das großen Konzernen vorbehalten ist. Es handelt sich um eine Methode, um beobachtbare Handlungen mit alltäglichen Entscheidungen zu verknüpfen – von Werbeaktionen im Einzelhandel über die Verwaltung des Warenkorbs bis hin zur Auswertung von Signalen im Finanzdienstleistungsbereich.
Gehen Sie von den Daten aus, die Ihnen bereits vorliegen. Legen Sie ein Ziel fest, ermitteln Sie die relevantesten Variablen, stellen Sie sicher, dass CRM, Website, E-Mail und Vertrieb miteinander kommunizieren können, und erstellen Sie ein erstes aussagekräftiges Segment. Messen Sie die Resonanz anhand aussagekräftiger KPIs und passen Sie die Regeln an, sobald sich das Verhalten, das wirtschaftliche Umfeld oder die Unternehmensprioritäten ändern.
Der Unterschied zwischen statischer und dynamischer Segmentierung liegt nicht nur in der Technologie. Er liegt in der Fähigkeit des Teams, ein Ereignis – wie beispielsweise einen kürzlich getätigten Kauf oder einen abgebrochenen Kaufvorgang – in eine zeitnahe und datenschutzkonforme Maßnahme umzusetzen. Ein KI-gestützter Prozess kann den manuellen Aufwand reduzieren und die Erkenntnisse auch ohne ein Data-Science-Team zugänglich machen.
ELECTE verbindet Ihre Unternehmensdatenquellen, analysiert automatisch das Kaufverhalten und hilft Ihnen dabei, Segmente, Anomalien und Trends in aussagekräftige Berichte umzuwandeln. Besuchen Sie ELECTE und erfahren Sie, wie Sie dynamische Segmentierung in den Arbeitsalltag Ihres KMU integrieren können.
.svg)
.svg)
.svg)
