Referenzprojekt Handel: Kundensegmentanalyse nach On- & Offlinekaufverhalten
Die statistische Kontrolle auf 'Behavior Patterns' eines Modeversandhändlers
Quick-Facts
-
Referenz-Kunde
Modeversandhändler
-
Referenz-Branche
-
Ausgangssituation
Das Kernziel des Klienten war die kausale Aufschlüsselung des Kaufverhaltens der Online- und Offline-Kundschaft zur besseren Aussteuerung und Angebotswegoptimierung. Hierfür wurden einzelne Kundensegmente auf Verhaltensmuster – englisch: ‚Behavior Patterns‚ – kontrolliert.
Insgesamt standen mehrere Millionen historische Kundenaufträge zur Verfügung, mit einer Zeitspanne von 20 Jahren, auf nicht aggregierter Rohdatenbasis.
Für 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 Qualität eines Produkts in den Vordergrund. Schlussendlich hat jeder einzelne Käufer latente Charaktereigenschaften inne, die ihn intrinsisch steuern.
-
Aufgaben
- Datenaufbereitung (Preprocessing)
- Aufbau einer Datenpipeline mit integrierter Serververbindung
- Datenauswertung und – analyse
- Ergebnisaufbereitung und -präsentation
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
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 durchführen zu können. Oftmals werden zwei bis drei Schritte benötigt, um die gewünschte Datenbasis für 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 gewünschten Ergebnisse zu Ausgaben(mustern) des Unternehmens und dem Verhalten der Kunden. Diese Ergebnisse gilt es intensiv zu interpretieren. Dabei ist es immens wichtig, das Geschäftsmodell und die Geschäftsprozesse 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 Zusammenführung der Daten im Vordergrund. Dabei wurden Daten aus mehreren Tabellen verdichtet und miteinander verbunden. Die historischen Kundenaufträge 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 durchgeführt werden können.
2. Statistische Modellierung
Um Kundenverhalten sichtbar und interpretierbar zu machen, gibt es eine Reihe von statistischen Möglichkeiten. Dabei ist es allerdings immer notwendig, die externen Effekte der Variablen und Attribute zu bereinigen. Dies gelingt besonders gut mit Regressionsmodellen, die über Korrelationenarithmetik diese verzerrenden Effekte entfernen. Dies können individuelle – wie auch zeitliche Störgrößen sein. Möchte man auf beide Störeffekte kontrollieren und bereinigen, sollte man ein Paneldesign nutzen. Hier sei nochmal das Wechselspiel zwischen Methode und Daten erwähnt, da letztere ebenfalls für die Methode aggregiert werden müssen. In diesem Fall benötigt das Design im Index sowohl eine individuelle – (bspw. Kundennummer), als auch eine zeitliche (bspw. Kaufzeitpunkt) Variable.
3. Interpretation
Nach der statistischen Umsetzung müssen 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 Ausprägungen pro Kundensegment. Ohne das Know-how über das zugrundeliegende Geschäftsmodell sind solche Interpretationen nicht möglich.
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 für jeden einzelnen Angebotsweg konnten kausale Eindrücke gewonnen werden. Schlussendlich konnten für alle Kundengruppen, auf Grundlage der analytisch gewonnenen ‚Behavior Patterns‘, neue Zielwerte bestimmt werden, um fortan die jeweiligen Kunden optimaler in der Angebotsstrecke auszusteuern.
Kundennutzen
Der Nutzen des Auftraggebers ist enorm, da er seine Kunden nun besser versteht und seine Angebotsstrecken diesbezüglich optimieren kann. Wie eingangs erwähnt, sind mache Kunden sehr gutscheinaffin, andere wiederum nicht. Mit der in diesem Projekt durchgeführten Analyse konnte dieses Kundensegment genau bestimmt werden.
Der Modehändler kann nun dieses Wissen nutzen und Gutscheinaktionen zielgruppengerecht an die gutscheinaffinen Kunden ausspielen und Streuverluste minimieren. Weiter sind teure Werbeprospekte für andere Kunden obsolet, weil diese sich nur über Onlineaktionen triggern lassen. Auch hier kann Budget gespart werden und eine effizientere, nach Kanalaffinitäten gerichtete, Aussteuerung erfolgen.
