Optimale Segmentierung von Bestandskunden durch KI

Seine Bestandskunden optimal zu bedienen ist eine große Herausforderung in vielen Unternehmen. Eine der häufigsten Initiativen ist eine Segment-basierte Strategie und Personalisierung. Doch wie kann man am besten Bestandskundensegmente generieren? Wir zeigen verschiedene Möglichkeiten und wie künstliche Intelligenz unterstützen kann.

Welche Vorteile hat man durch die Segmentierung seiner Bestandskunden?

Mehreren Studien zufolge ist die Neukundenakquise bis zu sieben Mal so teuer wie die Bindung von Bestandskunden. Daher macht es Sinn, sich um seine vorhandenen Kunden zu kümmern. Um diese Aufgabe zu vereinfachen, möchte man oft Segmente aus dem gesamten Kundenstamm bilden. Die Vorteile für dieses Vorgehen liegen auf der Hand:

  • Gruppenbasierte Personalisierung: Angebote, Services, Kontakt durch Kundenbetreuer, bestimmte Produkte – alles nur Beispiele für eine mögliche Personalisierung für jedes Segment. 
  • Steuerung von Außendienst und Service: Unterschiedliche Segmente haben unterschiedliche Bedürfnisse im Bezug auf Kontakt mit Mitarbeitern, egal ob Außendienst oder Service. Durch Segmentierung ist diese Unterscheidung einfach möglich.
  • Newsletter Marketing: Der klassische Newsletter an alle Abonennten hat ausgedient! Individuelle Newsletter für jedes Segment erhöhen die Konvertierung und Click-Through-Raten (CTR) und somit den Umsatz.
  • Priorisierung: Manche Segmente sind entweder strategisch oder operativ wichtig (z.B. durch hohen Umsatz). Die Erkenntnis welche diese sind erlaubt klare Priorisierung um diese Segmente optimal zu bedienen.
  • Besseres Kundenverständnis: Einer der wohl wichtigsten Gründe ist, dass man mittels Segmenten den gesamten Bestandskundenstamm in verdauliche Gruppen einteilen kann. Dies erlaubt einen differenzierten Blick auf die Kunden. Das Verständnis, welche Bedürfnisse die Kunden haben und wie sie am besten bedient werden, wird durch Segmente stark unterstützt.

Welche herkömmlichen Arten der Kundensegmentierung gibt es?

Kundensegmentierung ist keine neue Idee. Daher gibt es eine Reihe an Methoden, von denen wir die häufigsten hier vorstellen. 

ABC-Analyse

Die klassische ABC-Analyse sortiert Kunden in drei Kategorien: Top-Kunden (Kategorie “A”) bis Rest-Kunden (Kategorie “C”). ABC-Analysen basieren auf vielen verschiedenen Attributen, wie zum Beispiel Industrie, Geographie, Haupt-Produktkategorie, Gesamtumsatz und ähnliches. Da die ABC-Analyse nur auf einem Faktor beruht, wird sie auch “eindimensionale Segmentierung” genannt.

Zweidimensionale Segmentierungen auf Umsatz

Während die ABC-Analyse nur ein Attribute zur Segmentierung einbezieht, gibt es weitere Verfahren die zwei oder mehr Faktoren mit einbezieht. Zwei Beispiele für diese Art von Segmentierung sind die Recency Frequency Monetary Methode oder der Customer Lifetime Value. In beiden Fällen werden der Umsatz je Bestellung, Anzahl an Bestellungen oder Gesamtumsatz mit einbezogen. 

Das Verhalten im Zentrum: Aktivitätssegmentierung

Für viele moderne digitale Plattformen ist hingegen eine hohe Aktivität zentral („Stickiness“). Oft bildet diese Information auch die Basis für die Definition von „gesunden“ Kunden (“Health Score”); also hohe Aktivität mit vielen Bereichen bedeutet eine gute Nutzung der Tools. Aktivität eignet sich somit für diese Unternehmen als optimale Segmentierung von bestehenden Kunden.

Das Problem mit Standard-Methoden

Während herkömmliche Methoden zur Bestandskundensegmentierung sehr einfach zu implementieren sind, genügen sie oft den Anforderungen nicht. Eindimensionale Segmentierung lässt oft viele wichtige andere Muster außer acht; Segmentierung auf Basis von Umsätzen vergisst gerne die weiteren Kundenfaktoren.

Weiter werden Grenzen (z.B. für ABC-Segmentierung) oft manuell-qualitativ festgelegt und sind innerhalb kürzester Zeit wieder veraltet. Als solche sind sie nur sehr bedingt zuverlässig. 

Kurz gesagt sind Standard-Methoden zur Segmentierung schnell und einfach implementiert, verlieren sich aber in der Volatilität und Komplexität der wechselnden Bedürfnisse der Bestandskunden.

Bestandskundensegmentierung durch künstliche Intelligenz

Doch es gibt Ansätze, um auch diese komplexen Segmente zu erfassen. Durch die Unterstützung von künstlicher Intelligenz können sehr unterschiedliche, flexible Segmente aus den Bestandskunden extrahiert werden. Diese lösen die Probleme der herkömmlichen Analysen und erlauben somit ein noch besseres Kundenverständnis.

Segmentierung durch Clustering

Der Algorithmus der sich am besten für die Gruppierung von Bestandskunden eignet ist das so genannte Clustering. Clustering nutzt Daten, um Muster zu erkennen und ähnliche Einträge zusammen zu fassen.

Clustering: Gruppen von ähnlichen Daten durch maschinelles Lernen
Clustering: Gruppen von ähnlichen Daten durch maschinelles Lernen

Im Falle der Bestandskundensegmentierung bedeutet dies, dass mittels Clustering sich ähnliche Kunden identifiziert und zu einem Cluster – also einem Segment – zusammengefügt werden. Dieser Cluster bildet dann eine Einheit, mit der man wie in den herkömmlichen Methoden weiterarbeiten kann.

Das besondere ist, dass man im Gegensatz zu herkömmlichen Methoden weder die Grenzen noch die relevanten Attribute vorab definiert. Diese Segmentierungsrichtlinien werden flexibel vom Algorithmus selbst festgelegt. So kann es vorkommen, dass für das menschliche Auge relevante Attribute (z.B. Umsatz, Aktivität, Geographie) für die KI-Methode vollkommen irrelevant sind.

Clustering ist ein Algorithmus des unüberwachten Maschinellen Lernens. Als solcher beruht er rein auf selbst erkannten Mustern und Regelmäßigkeiten innerhalb des Datensatzes und wird nicht von Menschen “angelernt”. Das Ergebnis hängt jedoch sehr stark von den Inputdaten ab – denn nur was der KI vorgelegt wird, kann evaluiert werden.

Häufige Datenquellen für das Clustering

Es gibt eine ganze Reihe an Datenquellen für die Kundensegmentierung mittels Clustering, zum Beispiel:

  • Kundenstammdaten-System: Meist ein CRM, aber manchmal auch im E-Commerce-Shop oder anderen Systemen hinterlegt bilden die Stammdaten der Kunden eine der wichtigsten Datenquellen.
  • Transaktionsdaten: Das ERP, der Onlineshop oder andere Systeme die Transaktionen aufzeichnen sind fundamental um das Verhalten der Bestandskunden in die Segmentierung einzubeziehen. Art, Häufigkeit und monetäre Werte der Transaktionen bilden meist die Grundlage für eine Analyse.
  • Supportdaten: Daten über den Kontakt zum Support sind eine weitere wichtige Informationsquelle. Aussendienst, Service-Mitarbeiter oder Ticket-System sind dabei nur einige Beispiele, die weiter das Verhalten der Bestandskunden quantifizieren.

Dies sind jedoch nur einige Beispiele, woher die Daten für eine nachhaltige Segmentierung stammen können. Im Prinzip gilt jedes System oder jede Datenbank mit kundenrelevanten Daten als Quelle und kann für eine optimale Kundensegmentierung eingesetzt werden.

Kundensegmentierung in der Praxis: Data-Driven Personas

So viel zur Theorie. Ein Beispiel für die praktische Umsetzung von KI-basierter Kundensegmentierung sind Data-Driven Personas. 

Eine Persona ist die steckbriefartige Darstellung einer Kundengruppe. Üblicherweise werden Personas durch die Kombination von Expertenwissen (z.B. Vertrieb) und Umfragen (z.B. Marktforschung) erstellt. 

Was ist eine Persona?
Was ist eine Persona?

Doch das ist auch genau eine der Schwachstellen: Herkömmliche Personas bilden kein reales Verhalten ab, sondern qualitative Meinungen. Zudem sind sie schnell veraltet, da sich der Markt und somit die Kundenbedürfnisse schnell ändern.

Zum Einsatz kommt die Kundensegmentierung mittels KI. Indem man Clustering auf die Daten der Bestandskunden anwendet, können Gruppen identifiziert und zusammengefasst werden. Diese entstandenen Cluster können anhand ihrer Daten beschrieben werden und formen dadurch datenbasierte, also Data-Driven Personas.

Die Vorteile der Data-Driven Personas sind vielfältig. Die wichtigsten Vorteile sind:

  • Basierend auf realen Daten und daher auf realem Verhalten statt auf qualitativen Meinungen
  • Die Kunden können durch den geringen Aufwand schnell und einfach neu segmentiert werden
  • Da sie auf realen Bestandskunden basieren, können die Ergebnisse (v.a. die Segmente selbst) direkt wieder in die Systeme eingepflegt und verwendet werden (z.B. durch personalisierte Newsletter)
  • Man kann sehr gut steuern, welche Attribute wichtig sind für die Personas – bei Marketing-Personas nutzt man andere Daten als bei Service-Personas

Zusammen genommen kann hier in einem sehr praktischen Beispiel gezeigt werden, wie künstliche Intelligenz schnell und einfach Mehrwert liefert. Die geschickte Kombination von Kundenzentrierung und Daten erlaubt neue Ansätze, die vorher nicht möglich waren.

Data-Driven Personas: Mehr Wissen durch den Einsatz von Daten
Data-Driven Personas: Mehr Wissen durch den Einsatz von Daten

Der nächste Schritt: Anwendung der identifizierten Segmente

Wenn man Segmente identifiziert hat, gilt es noch diese auch gewinnbringend einzusetzen. Hier einige Beispiele, wie dieser nächste Schritt gelingt:

  • Einsatz in Marketing-Maßnahme: Personalisierte Marketing-Aktionen, Coupons, Newsletter oder AdWords können helfen Bestandskunden zu binden oder neue Kunden zu akquirieren.
  • Einsatz in strategischer Planung: Entscheidungen für strategische Themen und Projekte können nun auf realen Kundengruppen basiert werden und/oder in Betracht ziehen, welche Kundengruppen noch NICHT vorhanden sind.
  • Einsatz in Produktentwicklung: Wenn wir wissen, was unsere Bestandskunden bevorzugen, können wir entweder unsere Produktpalette in die gleiche Richtung weiter entwickeln oder eben darüber hinaus ausweiten
  • Einsatz im Service: Unterschiedliche Personas haben unterschiedliche Bedürfnisse. Durch den Einsatz im Service und Außendienst können diese Bedürfnisse individuell abgedeckt werden.

Data-Driven Personas für die Segmentierung von Bestandskunden mit Kobold AI

Wem die Bestandskundensegmentierung durch KI nach zu viel Aufwand klingt, dem können wir diese Ängste nehmen. Es gibt zwar die Möglichkeit dafür eine Agentur zu beauftragen oder eigene Data Scientists einzustellen, aber Kobold AI bietet einen viel einfacheren und effektiveren Weg: Self-Service KI-Produkte.

Unser Produkt “Data-Driven Personas” geht den beschriebenen Weg zur optimalen Segmentierung von Bestandskunden. Durch unsere Plattform kann jeder Nutzer ohne Vorwissen diesen Anwendungsfall umsetzen. Einfach eigene Daten hochladen und Ergebnisse direkt bekommen.
Für Details geht’s hier lang: