Die Customer Loyalty Journey: von Segmenten zu Erlebnissen

Die Frage, die jeder Shopbetreiber im Oktober stellt

Jeden Herbst findet bei The Gift Bow, meinem Solidus Demoshop für Geschenkkörbe auf hampers.keferboeck.com, dasselbe Gespräch statt. Die Weihnachtsware ist bestellt, die Zustellfenster beim Paketdienst sind reserviert, und jemand schaut in die Kundentabelle und sagt: Wir haben 24.000 Leute, die in den letzten drei Jahren bei uns gekauft haben, und nur 14 Prozent davon sind letztes Jahr wiedergekommen. Was würde mehr von ihnen zurückbringen?

Das klingt nach einer Frage. Es sind vier, und sie müssen in der richtigen Reihenfolge beantwortet werden. Wer sind diese 24.000 Menschen, nicht nach Postleitzahl, sondern danach, wie und warum sie kaufen? Worauf reagiert jede Gruppe, wenn wir am Preis drehen oder mehr Mails schicken? Wie füttern sich Kaufen und unser Kontakt gegenseitig, damit wir das Echo nicht mit der Ursache verwechseln? Und welche Momente beim Bestellen, Empfangen und Verschenken machen, dass jemand es wieder tun will? Jede dieser Fragen hat früher in der Serie ein eigenes Kapitel. Dieses legt sie auf denselben Tisch, in der Reihenfolge, in der ich sie wirklich abarbeite, mit einem Plan Monat für Monat. Die Zahlen sind illustrativ, die Struktur ist genau das, was ich tue.

Wo dieses Kapitel in der Serie steht

Das ist das letzte Kapitel von Teil vier, Media und Loyalität, der die Kapitel 15 bis 19 umfasst. Das vorige Kapitel, Loyalität mit Strukturgleichungsmodellen, hat die strenge Version des Erlebnismodells mit latenten Konstrukten gebaut. Dieses hier ist die praktische Montage: Segmente, Elastizität, eine Loyalitätsschleife und ein Fragebogen, zu einem Projekt verschweisst. Danach kommt Teil fünf, Testen und Big Data, beginnend mit Statistische Tests: Stichprobengrösse, Lift und vollfaktorielle Designs, also der Frage, wie du beweist, dass die Änderungen aus diesem Projekt wirklich gewirkt haben.

Ein System, nicht vier Projekte

Der Fehler, den ich am häufigsten sehe: Diese vier Teile werden als vier getrennte Projekte beauftragt, von vier verschiedenen Leuten, über drei Jahre, und keines nutzt das Ergebnis der anderen. Als ein System betrieben, liefert jede Stufe den Input für die nächste.

Das Loyalty Journey Projekt: zuerst die Segmente, dann drei Analysen, die alle die Segmente nutzen, dann ein Test und ein Dashboard.

Die Segmente sind das Rückgrat. Elastizität und Loyalitätsschleife werden pro Segment geschätzt, der Fragebogen wird nach Segment gezogen. Am Ende steht ein Dashboard, das eine Frage beantwortet: Steigt die Wiederkaufrate in den Segmenten, die wir uns vorgenommen haben?

Stufe eins: Segmente aus Verhalten und Bedürfnissen

Warum die Strategie vor dem Algorithmus kommen muss, habe ich in Segmentierung: Strategie vor Algorithmen beschrieben, darum hier nur die Regel: Segmentiere nach dem, was Leute tun und warum sie es tun, nie danach, wer sie sind. Postleitzahl und Alter sagen mir nichts darüber, ob jemand einen Korb für seine Mutter oder für sich selbst kauft.

Bei The Gift Bow kommen die Verhaltensvariablen direkt aus der Bestelltabelle: wie viele Tage vor dem 25. Dezember bestellt wurde, ob Liefername und Rechnungsname übereinstimmen, Bestellwert, Körbe pro Bestellung, frühere Bestellungen und der Kanal, der den Besuch gebracht hat. Die Bedürfnisseite kommt aus einer Befragung mit sechs Fragen an 1.400 Kunden: warum sie gekauft haben und was sie abgehalten hätte. Ein Latent Class Modell auf beidem zusammen landet bei vier Segmenten. Die Methodenwahl steht im Kapitel über die Werkzeuge der Segmentierung; hier zählt das Ergebnis.

Segment	Anteil Kunden	Anteil Umsatz	Durchschnittliche Bestellung	Wiederkaufrate	Typischer Zeitpunkt
Planer	22%	38%	£62	41%	Oktober bis Mitte November
Spätentschlossene	41%	30%	£54	12%	15. bis 22. Dezember
Selbstkäufer	27%	14%	£38	23%	Das ganze Jahr
Firmenkunden	10%	18%	£410	55%	Ende November, per Angebot

Zeile für Zeile gelesen. Planer sind ein Fünftel der Kunden und fast zwei Fünftel des Umsatzes; sie kaufen früh, kaufen wieder, und der Liefername ist fast nie ihr eigener. Spätentschlossene sind die grösste Gruppe nach Köpfen und die schwächste nach Loyalität; sie haben uns am 18. Dezember über eine Suche gefunden und werden nächstes Jahr dasselbe tun, womöglich auf einer anderen Seite. Selbstkäufer kaufen kleinere Körbe für die eigene Küche, das ganze Jahr über. Firmenkunden sind wenige, gross und treu, und sie bestellen über ein Angebotsformular statt über den Warenkorb.

Schon hier hat die ursprüngliche Frage ihre Form geändert. Die Wiederkaufrate von 14 Prozent zu heben bedeutet für Planer, die schon bei 41 Prozent stehen, etwas völlig anderes als für Spätentschlossene bei 12 Prozent.

Stufe zwei: Elastizität pro Segment

Die zweite Stufe fragt, worauf jedes Segment reagiert. Ich schätze pro Segment ein eigenes Log Log Nachfragemodell auf Wochendaten, 156 Wochen für drei Jahre, dasselbe Modell wie im Kapitel zur Elastizität, nur viermal gefittet.

\ln Q_{s,t} = a_s + \beta_s \ln P_{s,t} + \gamma_s \ln M_{s,t} + \delta_s X_t + \varepsilon_{s,t}

Dabei ist $Q_{s,t}$ die Zahl der Bestellungen aus Segment $s$ in Woche $t$ , $P_{s,t}$ der durchschnittlich bezahlte Preis pro Korb in diesem Segment und dieser Woche, nach Rabatten und bereinigt um den Produktmix, $M_{s,t}$ die Zahl der Marketingmails pro aktivem Kunden im Segment, $X_t$ ein Satz saisonaler Kontrollen für die Wochen vor Weihnachten, Ostern und Muttertag, und $\varepsilon_{s,t}$ der Fehler. Weil beide Seiten logarithmiert sind, ist $\beta_s$ direkt die Preiselastizität des Segments: Eine Preisänderung um 1 Prozent bewegt die Bestellungen um $\beta_s$ Prozent. Dasselbe gilt für $\gamma_s$ und die Mails.

Segment	Preiselastizität	Mailelastizität	Was das praktisch heisst
Planer	minus 0,9	0,21	Leicht preissensibel, reagieren gut auf Mails
Spätentschlossene	minus 0,5	0,04	Preis egal, Mails werden nicht gelesen
Selbstkäufer	minus 1,8	0,15	Stark preissensibel, reagieren auf Mails
Firmenkunden	minus 1,3	0,02	Vergleichen Angebote, ignorieren Newsletter

Preiselastizität nach Segment als Absolutwert. Selbstkäufer reagieren fast viermal so stark auf eine Preisänderung wie Spätentschlossene.

Jede Zeile ändert eine Entscheidung. Spätentschlossene haben eine Elastizität von minus 0,5, ein Rabatt von 10 Prozent in der Woche vor Weihnachten gibt also 10 Prozent Marge her, um 5 Prozent mehr Bestellungen zu gewinnen; genau das hat der Shop jedes Jahr gemacht. Selbstkäufer bei minus 1,8 sind das einzige Segment, in dem ein niedrigerer Preis sich über die Menge wirklich selbst trägt, darum ist ein kleinerer Küchenkorb unter £30 für sie eine echte Produktentscheidung und kein Gutschein. Firmenkunden sind elastisch, weil sie drei Angebote einholen; der Hebel ist eine Mengenstaffel, kein Newsletter. Bei Planern wirken Mails: 10 Prozent mehr Mails pro aktivem Planer bringen grob 2 Prozent mehr Bestellungen, bis zu dem Punkt, an dem sie sich abmelden, den das Modell nicht sehen kann.

Stufe drei: die Loyalitätsschleife

Diese Mailelastizität von 0,21 hat ein Problem, und deshalb gibt es die dritte Stufe. The Gift Bow schickt, wie jeder Shop, mehr Mails an Leute, die kürzlich gekauft haben, und Leute, die gerade einen Weihnachtskorb kaufen wollen, öffnen im November mehr Mails, weil sie einen suchen. Öffnungen und Bestellungen verursachen einander also im selben Quartal, und eine einzelne Gleichung schreibt den Mails einen Effekt zu, der zum Teil nur die Kaufabsicht ist, die zweimal auftaucht. Den allgemeinen Fall habe ich im Kapitel über simultane Gleichungen behandelt; hier die kleinste Version, die funktioniert, auf einem Panel von Kunden nach Quartal.

R_{i,t} = \alpha_0 + \alpha_1 E_{i,t} + \alpha_2 R_{i,t-1} + \alpha_3 D_{i,t} + u_{i,t}

E_{i,t} = \beta_0 + \beta_1 R_{i,t} + \beta_2 N_{i,t} + \beta_3 S_i + v_{i,t}

$R_{i,t}$ ist die Zahl der Bestellungen von Kunde $i$ im Quartal $t$ . $E_{i,t}$ ist die Zahl der Marketingmails, die dieser Kunde im selben Quartal geöffnet hat, Transaktionsmails ausgenommen. $R_{i,t-1}$ sind die Bestellungen des Vorquartals, sie tragen die Gewohnheit. $D_{i,t}$ ist die Zahl der Geschenkanlässe, die der Kunde im Erinnerungskalender des Shops gespeichert hat und die in dieses Quartal fallen, etwas, das er uns vor Monaten gesagt hat und das nicht von den Mails dieses Quartals abhängt. $N_{i,t}$ ist die Zahl der Mails, die wir geschickt haben, festgelegt durch Kalender und Segmentregeln. $S_i$ ist das Segment. $u$ und $v$ sind die Fehler. In der ersten Gleichung treiben Öffnungen die Bestellungen; in der zweiten treiben Bestellungen und Versendungen die Öffnungen. Jede Gleichung hat eine Variable, die die andere nicht hat, die gespeicherten Anlässe und die Versendungen, und das identifiziert das System, sodass zweistufige Kleinste Quadrate es schätzen können. Diese Ausschlussrestriktionen sind Annahmen. Ich halte sie für vernünftig und schreibe das ins Memo, statt es zu verstecken.

Koeffizient	Bedeutung	Einzelgleichung OLS	Zweistufige Kleinste Quadrate
$\alpha_1$	Zusätzliche Bestellungen pro zusätzlich geöffneter Mail	0,062	0,031
$\alpha_2$	Übertrag aus den Bestellungen des Vorquartals	0,34	0,33
$\alpha_3$	Zusätzliche Bestellungen pro gespeichertem Anlass	0,27	0,26
$\beta_1$	Zusätzliche Öffnungen pro Bestellung im Quartal	2,4	1,9
$\beta_2$	Zusätzliche Öffnungen pro versendeter Mail	0,18	0,18

Die erste Zeile ist der ganze Punkt. Naives OLS sagt, eine geöffnete Mail ist 0,062 Bestellungen wert; das System sagt 0,031, halb so viel. Der Rest bewegt sich kaum, was beruhigend ist. Die Schleife selbst ist real, aber bescheiden: Eine zusätzliche Öffnung bringt 0,031 Bestellungen, jede Bestellung bringt 1,9 weitere Öffnungen, jede davon wieder 0,031 Bestellungen, und so weiter. Der Gesamteffekt einer zusätzlichen Öffnung, alle Echos eingerechnet, ist

\text{Gesamteffekt} = \frac{\alpha_1}{1 - \alpha_1 \beta_1} = \frac{0{,}031}{1 - 0{,}031 \times 1{,}9} \approx 0{,}033

Die Schleife legt also etwa 6 Prozent auf den direkten Effekt drauf. Nicht nichts, aber keine Strategie. Was wirklich zählt: $\alpha_1$ unterscheidet sich nach Segment, 0,058 bei Planern, 0,036 bei Selbstkäufern, 0,021 bei Firmenkunden und 0,014 bei Spätentschlossenen. Das ist die Entscheidung über den Mailtakt, und sie ist das Gegenteil von dem, was der Shop gemacht hat, nämlich allen dieselben elf Mails zwischen 1. November und 23. Dezember zu schicken.

Stufe vier: der Erlebnisfragebogen

Die ersten drei Stufen sagen mir wer, was und wie oft. Keine sagt mir, was ich am Korb, an der Zustellung oder an der Karte ändern soll. Dafür frage ich, aber nach Momenten, nicht nach Zufriedenheit im Allgemeinen. Mit "Gesamtzufriedenheit 7,8" kann niemand etwas anfangen.

Der Fragebogen ging an eine nach Segment geschichtete Stichprobe, 1.140 verwertbare Antworten. Jeder Befragte bewertete neun Momente von 1 bis 10: die Einfachheit der Bestellung, die Auswahl, die Zustellung am versprochenen Tag, die Präsentation beim Öffnen der Box, die Kartenbotschaft genau so wie getippt, den Inhalt passend zur Beschreibung, den Umgang mit einem Problem, falls es eines gab, die Fairness des Preises und die Nachhaltigkeit der Verpackung. Das Loyalitätsergebnis ist keine geäusserte Absicht, sondern der tatsächliche Wiederkauf innerhalb von neun Monaten, zurückgespielt auf die Bestelltabelle. Das Modell regressiert dieses Ergebnis auf die standardisierten Momentwerte.

L_i = \lambda_0 + \sum_{k=1}^{9} \lambda_k \, z_{k,i} + \eta_i

$L_i$ ist eins, wenn Kunde $i$ innerhalb von neun Monaten wieder gekauft hat, sonst null. $z_{k,i}$ ist die Bewertung von Moment $k$ , standardisiert auf Mittelwert null und Standardabweichung eins, damit $\lambda_k$ über die Momente vergleichbar ist, und $\eta_i$ ist der Fehler. Das vorige Kapitel macht das sauber mit latenten Konstrukten und Strukturpfaden; diese einfachere Version trennt schon die Momente, die zählen, von denen, die es nicht tun.

Moment	Mittelwert, 1 bis 10	Standardisierter Effekt auf Wiederkauf	Rang
Zustellung am versprochenen Tag	7,9	0,31	1
Präsentation beim Öffnen der Box	8,4	0,24	2
Umgang mit einem Problem, nur Betroffene	6,2	0,22	3
Kartenbotschaft genau wie getippt	8,1	0,18	4
Fairness des Preises	7,1	0,11	5
Inhalt passend zur Beschreibung	8,6	0,09	6
Auswahl	7,7	0,08	7
Einfachheit der Bestellung	8,8	0,06	8
Nachhaltigkeit der Verpackung	7,4	0,04	9

Neun Momente nach heutiger Bewertung und Effekt auf den Wiederkauf. Oben links liegt das Geld: starker Effekt, mittelmässige Bewertung.

Zwei Erlebnisse bewegen die Loyalität am stärksten, und keines davon ist auf der Website. Das erste ist die Zustellung an dem Tag, den wir versprochen haben, Effekt 0,31 bei einer Bewertung von nur 7,9, und bei Spätentschlossenen allein liegt der Effekt bei 0,44. Ein Korb, der am 27. Dezember ankommt, ist nicht verspätet, er ist wertlos, und der Käufer merkt sich das genau ein Jahr lang. Das zweite ist der Moment, in dem die Box geöffnet wird, Effekt 0,24. Für Schenkende ist das aus zweiter Hand: Sie hören es vom Empfänger, oder sie hören es nicht. Darum empfiehlt das Projekt zwei Änderungen: einen garantierten Zustelltag mit einer proaktiven Nachricht, wenn er wackelt, und eine neue Innenpräsentation mit einer kleinen Karte, die den Empfänger einlädt, dem Schenkenden ein Foto zurückzuschicken. Die Problemlösung liegt auf Rang drei und betrifft nur die 210 Leute, die eines hatten; genau darum ist ihre Bewertung so niedrig, und darum gehört sie in dieselbe Massnahme.

Die Momente, in die der Shop investiert hatte, liegen unten. Die Einfachheit der Bestellung steht bei 8,8 mit einem Effekt von 0,06; noch ein Checkout Redesign würde nichts verbessern, was zählt. Die Nachhaltigkeit der Verpackung, für das Team angeblich entscheidend, kommt zuletzt mit 0,04. Die Leute finden sie wichtig, wenn man sie fragt, und sie ändert nichts daran, ob sie wieder kaufen.

Wie die Teile einander füttern

Leg die vier Ergebnisse nebeneinander, und der Plan schreibt sich selbst. Die Segmente entscheiden, wer welche Preisregel und welchen Takt bekommt. Die Elastizität sagt, wo eine Preisänderung sicher ist: Ein garantierter Zustelltag kostet beim Paketdienst etwa £2,40 mehr pro Paket, das können Spätentschlossene tragen und Selbstkäufer nicht. Die Schleife sagt, wie oft wir mit wem reden, und warnt, dass ein Mailprogramm im Dashboard doppelt so gut aussieht, wie es ist. Der Fragebogen sagt, was am physischen Erlebnis zu ändern ist und, entscheidend, wofür kein Geld auszugeben ist.

Ohne die Segmente hätte der Fragebogen den Zustelleffekt über alle gemittelt und dort unterschätzt, wo er am meisten zählt. Ohne die Elastizität wäre das Zustellupgrade über eine pauschale Preiserhöhung finanziert worden, die Selbstkäufer kostet. Ohne die Schleife hätte das Mailteam ein Budget, das es nicht rechtfertigen kann. Jedes Teil korrigiert einen Fehler der anderen.

Ein Plan Monat für Monat

So takte ich das für einen Shop dieser Grösse. Sechs Monate, eine verantwortliche Person, eine Entscheidung pro Monat.

Monat	Was passiert	Was du am Ende in der Hand hast	Welche Entscheidung es ermöglicht
1	Kostenloser Workshop, dann zwei Wochen, in denen Bestellungen, Maillogs und Erinnerungskalender zu einer Kundentabelle werden	Datenmemo mit benannten Lücken, erste RFM Skizze	Reichen die Daten, um weiterzumachen
2	Bedürfnisbefragung an 1.400 Kunden, Latent Class Segmentierung, Benennung und Grössen	Vier Segmente, ein Profilblatt, eine bewertete Kundenliste	Welche Segmente wir bearbeiten
3	Wöchentliches Nachfragemodell pro Segment, Elastizitäten mit Fehlermargen	Preis und Angebotsregeln pro Segment	Was rabattieren, für wen, und was nie
4	Panel Kunden nach Quartal, Loyalitätsschleife per zweistufiger Kleinster Quadrate	Mailtakt pro Segment, ehrlicher Wert einer Öffnung	Wie viele Mails jedes Segment bekommt
5	Erlebnisfragebogen im Feld, Effekte auf tatsächlichen Wiederkauf bezogen	Rangliste der Momente, die zwei Erlebnisse, die zu ändern sind	Was an Zustellung und Präsentation geändert wird
6	Änderungen gestaltet, Test aufgesetzt wie im nächsten Kapitel, ein Dashboard gebaut	Laufendes Dashboard, Testplan mit aufgeschriebener Stichprobengrösse	Go live für Weihnachten

Was sich für das Unternehmen ändert, ist konkret. Statt eines Rabattcodes für alle gibt es vier Angebotsregeln, und ein Segment bekommt gar keinen Rabatt. Statt elf identischer Mails gibt es Takte von neun, drei, sechs und zwei. Der Vertrag mit dem Paketdienst wird für einen garantierten Tag auf den Paketen der Spätentschlossenen neu verhandelt. Die Innenbox wird einmal neu gestaltet. Und die wöchentliche Managementfrage lautet nicht mehr "wie lief der Newsletter", sondern "steigt die Wiederkaufrate bei Planern und Spätentschlossenen gegenüber derselben Woche im Vorjahr", was eine einzige Grafik beantwortet.

So machst du es selbst

Die Daten sind weniger exotisch, als es klingt. Drei Jahre Bestellungen mit Kundennummer, Zeitstempel, Wert, Positionen, Liefer und Rechnungsname und Kanal. Versand und Öffnungsereignisse der Mails pro Kunde. Jedes eigene Signal von Kaufabsicht, das keine Mail ist, etwa gespeicherte Anlässe oder Wunschlisten. Ein Umfragetool, das eine Kundennummer mitträgt, damit Antworten ans Verhalten angebunden werden können. An diesem letzten Punkt scheitern die meisten Befragungen: Anonyme Antworten lassen sich nicht mit dem tatsächlichen Wiederkauf verknüpfen, also modellierst du am Ende geäusserte Absicht, und das ist etwas Schwächeres.

Das Panel Kunden nach Quartal für die Schleife ist eine einzige Abfrage.

with q as (
  select user_id, date_trunc('quarter', completed_at) as qtr,
         count(*) as orders, sum(total) as spend
  from spree_orders
  where state = 'complete'
  group by 1, 2
),
e as (
  select user_id, date_trunc('quarter', occurred_at) as qtr,
         count(*) filter (where event = 'open') as opens,
         count(*) filter (where event = 'sent') as sent
  from email_events
  where campaign_type = 'marketing'
  group by 1, 2
)
select coalesce(q.user_id, e.user_id) as user_id,
       coalesce(q.qtr, e.qtr) as qtr,
       coalesce(orders, 0) as orders, coalesce(spend, 0) as spend,
       coalesce(opens, 0) as opens, coalesce(sent, 0) as sent
from q full outer join e on q.user_id = e.user_id and q.qtr = e.qtr;

Füll die fehlenden Quartale mit Nullen, bevor du irgendetwas verzögerst, sonst verschwindet ein Kunde, der in Q4 gekauft hat und in Q1 nicht, aus dem Panel, und der Gewohnheitskoeffizient wird aufgeblasen. Die zweistufige Schätzung sind ein paar Zeilen Python: Öffnungen sind die endogene Variable, versendete Mails das Instrument.

import statsmodels.api as sm
from linearmodels.iv import IV2SLS

exog = sm.add_constant(panel[["orders_lag", "occasions"]])
m1 = IV2SLS(panel["orders"], exog, panel["opens"], panel["sent"])
r1 = m1.fit(cov_type="clustered", clusters=panel["user_id"])
print(r1.summary)

Bevor du irgendetwas davon glaubst, mach vier Prüfungen. Segmente müssen stabil sein: Fitte auf einer zufälligen Hälfte der Kunden neu, und dieselben vier Gruppen sollten in ungefähr denselben Grössen erscheinen. Elastizitäten brauchen das richtige Vorzeichen und einen Standardfehler, der klein genug ist, dass die Entscheidung innerhalb davon nicht kippt; minus 0,9 mit einem Standardfehler von 0,7 ist keine Entscheidung, sondern ein Schulterzucken. Die Instrumente in der Schleife müssen stark sein, praktisch heisst das eine F Statistik der ersten Stufe deutlich über zehn. Und die Fragebogeneffekte müssen die Kontrolle nach Segment überstehen, sonst hast du nur wiederentdeckt, dass Planer treu sind, und es Zustellung genannt.

Zeit: sechs Monate im obigen Takt, mit vielleicht zwei Stunden pro Woche für Rückfragen im Shop. Schneller geht, wenn die Daten sauber sind. Das sind sie selten.

Stolperfallen

Segmentieren danach, wer die Leute sind. Altersgruppen und Postleitzahlen ergeben Segmente, die leicht zu beschreiben und nutzlos zum Handeln sind, weil dieselbe 45 Jährige in Leeds im Oktober einen Korb für ihre Mutter kauft und im März einen für sich. Verhalten und geäusserte Bedürfnisse trennen diese beiden Käufe; Demografie tut es nie.

Elastizität nur aus Aktionswochen schätzen. Wenn sich der Preis nur in Aktionen bewegt, lernt das Modell den Effekt der Aktionswoche, Mail, Banner und Saison inklusive, und nennt ihn Preis. Du brauchst Preisvariation ohne Kampagne, auch wenn das heisst, einen kleinen Korb ein Quartal lang in zwei Regionen zu zwei Preisen zu halten.

Öffnungen als Ursache lesen. Jede Mailplattform weist Umsatz nach Öffnungen aus, und jede überschätzt ihn, genau aus dem Grund, aus dem es die Schleifengleichungen gibt. Wenn ein Dashboard sagt, Mails hätten 30 Prozent des Umsatzes gebracht, halbiere das im Kopf, bis dir jemand eine Schätzung zeigt, die die Simultanität behandelt hat.

Nach Zufriedenheit statt nach Momenten fragen und Absicht statt Verhalten messen. "Würden Sie wieder kaufen" korreliert mit Höflichkeit. Der tatsächliche Wiederkauf neun Monate später, über die Kundennummer verknüpft, korreliert mit dem, was mit dem Paket passiert ist.

Segmente, die der Shop nicht operationalisieren kann. Wenn das Einstufen eines neuen Kunden ein Latent Class Modell braucht, wird es im Lager niemand verwenden. Jedes Segment braucht eine Näherung aus zwei Regeln, die sich als Filter im Admin des Shops schreiben lässt und in mindestens 85 Prozent der Fälle mit dem Modell übereinstimmt.

So mache ich das für Kunden

Dieses Projekt ist der vollste Ausdruck dessen, was ich als Data Science für ein kleines oder mittleres Unternehmen anbiete, und es ist der Grund, warum ich darauf bestehe, eine verantwortliche Person zu sein statt eines Teams von Spezialisten: Der Wert liegt in den Verbindungen zwischen den vier Stufen, und Verbindungen sind das, was zwischen Abteilungen verloren geht.

Es beginnt mit dem kostenlosen Workshop, in dem wir gemeinsam auf deine Bestell und Maildaten schauen und ich dir ehrlich sage, ob sie das Projekt tragen. Dann arbeite ich zwei Wochen auf eigenes Risiko: die Kundentabelle, das Datenmemo, eine erste Segmentskizze. Wenn dieses Memo sagt, die Daten sind nicht bereit, hast du nichts verloren und eine Liste gewonnen, was zu reparieren ist.

Ab Monat zwei bekommst du jeden Monat ein Ergebnis, das dir vollständig gehört: eine bewertete Kundenliste mit Segmentlabels, die in deinen Shop und dein Mailtool geladen wird, ein Preis und Angebotsmemo pro Segment mit Elastizitäten und ihren Fehlermargen, ein Memo zum Mailtakt mit dem ehrlichen Wert einer Öffnung, eine Rangliste der Erlebnismomente mit den zwei Änderungen, die ich machen würde, und schliesslich ein Dashboard, das eine Frage beantwortet. Jedes Modell liegt in deinem Repository, dokumentiert, und braucht mich nicht, um neu zu laufen.

Weil Rabattregeln und Mailtakt live gehen, bevor das Projekt endet, zahlen die Änderungen meist die späteren Monate. Wenn du es lieber so willst, kann die Wachstumsseite auf Provisionsbasis über mein Growth Hacking Programm laufen, sodass ich bezahlt werde, wenn sich die Wiederkaufrate bewegt, und nicht davor. Die Kosten stehen offen auf der Preisseite; den ersten Monat beschreibe ich in Der erste Data Science Monat.

Fragen an dein Team vor dem nächsten Weihnachten

Sind unsere Segmente danach definiert, was Kunden tun und brauchen, oder danach, wie sie aussehen, und kann das Lager sagen, zu welchem Segment eine Bestellung gehört?
Kennen wir die Preiselastizität jedes Segments einzeln, mit Fehlermarge, oder eine Zahl für den ganzen Shop?
Wenn der Mailreport Umsatz beansprucht, hat jemand dafür korrigiert, dass Leute kurz vor dem Kauf mehr Mails öffnen?
Welcher einzelne Erlebnismoment hat den grössten Effekt auf den Wiederkauf, und wie ist seine Bewertung heute?
Messen wir Loyalität als geäusserte Absicht oder als tatsächlichen Wiederkauf, verknüpft mit dem Kundendatensatz?
Welche Entscheidung hat sich im letzten Quartal wegen einer dieser Analysen geändert?
Wenn die Person, die die Modelle gebaut hat, morgen geht, könnten wir sie neu laufen lassen?

Diese Serie ist inspiriert von Mike Grigsbys Marketing Analytics (Kogan Page). Erklärungen, Beispiele und Zahlen hier sind meine eigenen.