Segmentierung ist keine Demografie

Das Segment das rigoros wirkt und dir nichts sagt

Die meisten Segmentierungsfolien fangen gleich an. Hier sind unsere Kunden nach Alter aufgeteilt. Hier nach Geschlecht. Hier die Heatmap der Postleitzahlen, die Einkommensbänder, das saubere Tortendiagramm wer unsere Käufer sind. Es sieht nach Hausaufgaben aus. Es sieht aus als hätte jemand die Analyse gemacht. Und in neun von zehn Fällen sagt es dir fast nichts darüber warum irgendjemand irgendetwas gekauft hat.

Das ist der unangenehme Teil, also sage ich es klar. Demografische Segmente wirken rigoros und erklären meist so gut wie nichts darüber was Menschen tatsächlich kaufen. Zu wissen dass eine Kundin weiblich ist, zwischen 35 und 44, wohnhaft in einer Postleitzahl mit mittlerem Einkommen, heißt viel über ihren Eintrag im Melderegister zu wissen und sehr wenig über ihren Warenkorb. Zwei Menschen die in jeder dieser Schubladen übereinstimmen können deinen Shop mit gegensätzlichen Wünschen betreten, und du hast sie zusammengeworfen und eine Botschaft für beide geschrieben.

Ich will fair zur Demografie sein bevor ich den Rest dieses Textes damit verbringe sie auseinanderzunehmen. Sie ist nicht nutzlos. Sie ist leicht zu erheben, sie ist stabil, und ab und zu passt sie wirklich zu einem Bedürfnis. Windeln und Kinderwägen verkaufen sich tatsächlich an frischgebackene Eltern, und niemand bestellt einen Treppenlift zum Spaß. Das Problem ist dass wir ein schwaches Signal behandeln als wäre es die ganze Geschichte. Alter ist bestenfalls ein Stellvertreter für ein Bedürfnis, und ein fauler noch dazu. In dem Moment wo ein stärkeres Signal unberührt in deiner Bestellhistorie liegt, ist stattdessen zum Melderegister zu greifen eine Entscheidung, und meist die falsche.

Zwei identische Menschen, gegensätzliche Warenkörbe

Stell dir zwei Kundinnen vor. Gleiches Alter aufs Jahr genau, gleiches Geschlecht, gleiche Postleitzahl, praktisch gleiches Einkommen. Auf jedem demografischen Diagramm das du hast sitzen sie in derselben Zelle. Du würdest sie mit derselben Anzeige und demselben Angebot ansprechen.

Kundin eins kauft ein Paar Trail Laufschuhe, dann zwei Wochen später ein paar Gels, dann eine leichte Jacke, dann drei Monate später weitere Schuhe. Sie trainiert für etwas. Sie kauft nach Leistung, sie bestellt Verbrauchsmaterial nach, sie achtet auf Gewicht und Grip und sie zahlt für die guten Sachen.

Kundin zwei hat im November ein einziges Paar derselben Schuhe gekauft, in einer Geschenkbox, in der Größe von jemand anderem, und war seither nicht mehr da. Sie ist eine Geschenkkäuferin. Sie hat wegen der Empfehlung und der Rückgaberichtlinie gekauft, der Preis war wichtig, und mit dem Laufen hat sie nichts am Hut.

Dieselbe demografische Zelle. Gegensätzliche Bedürfnisse. Wenn du beiden dieselbe Mail über eine neue Zwischensohlen Technologie schickst, begeisterst du die eine und verwirrst die andere. Die demografische Schublade hat dir gesagt sie seien gleich. Ihr Verhalten sagt dir sie könnten unterschiedlicher nicht sein. Diese Lücke ist der ganze Punkt dieses Artikels, und sie ist das Erste worüber es sich nachzudenken lohnt.

Zwei sehr verschiedene Menschen die dasselbe wollen

Jetzt dreh es um. Eine 24 jährige Studentin und ein 61 jähriger Geschäftsführer teilen keine einzige demografische Schublade. Anderes Alter, anderes Einkommen, alles anders im Melderegister. Und trotzdem kommen beide aus genau einem Grund in deinen Shop: sie wollen den Artikel der morgen ankommt, garantiert, weil sie es zu spät gelassen haben. Sie sind beide im selben Segment. Nenn es das Last Minute Segment. Sie wollen Tempo und Sicherheit, sie schauen kaum auf den Preis, und die Botschaft die beide gewinnt ist die Uhr bis zum Bestellschluss, nicht die Produktgeschichte.

Demografie steckt sie in verschiedene Räume. Verhalten steckt sie in denselben. Sobald du ein paar solche Beispiele gesehen hast kannst du es nicht mehr übersehen: das was vorhersagt was jemand kauft ist das was er tut, nicht wer er auf dem Papier ist. Hier ist das Aha zum Festhalten. Demografie beschreibt den Menschen. Verhalten beschreibt das Bedürfnis. Du verkaufst nicht an einen Menschen, du verkaufst an ein Bedürfnis, also miss das woran du tatsächlich verkaufst.

Was ein echtes Segment tatsächlich ist

Also hier ist die Definition mit der ich arbeite. Ein echtes Segment ist ein Cluster aus Bedürfnis und Verhalten. Es ist eine Gruppe von Kunden die sich gleich verhalten, die denselben Job erledigt haben wollen, die auf denselben Auslöser reagieren, egal ob sie eine einzige Zeile auf einem Meldeformular teilen.

Und Verhalten ist etwas das du bereits misst, du hast es nur unter Reporting abgelegt statt es zu nutzen. Wie kürzlich haben sie gekauft. Wie oft. Was ist im Warenkorb, und was gehört zusammen. Wie reagieren sie auf einen Rabatt, warten sie darauf oder ignorieren sie ihn. Stöbern sie wochenlang oder kaufen sie in neunzig Sekunden. Schicken sie Sachen zurück. Bestellen sie dasselbe Verbrauchsmaterial in einem Rhythmus nach. Jedes davon ist ein Verhaltenssignal, und übereinandergelegt beschreiben sie einen Menschen weit besser als seine Postleitzahl es je könnte.

Der Job, nicht der Mensch

Es gibt eine alte Idee im Marketing zu der ich immer wieder zurückkehre weil sie sich weigert zu altern: Menschen kaufen keine Produkte, sie stellen sie an um einen Job zu erledigen. Niemand will eine Bohrmaschine, er will ein Loch, und eigentlich will er ein Regal, und eigentlich will er ein aufgeräumtes Zimmer. Dein Kunde hat einen zu erledigenden Job, und er stellt an was ihn erledigt. Zwei Menschen stellen dasselbe Produkt für völlig verschiedene Jobs an, und genau deshalb ist die Produktkategorie auf deiner Rechnung ein schlechter Wegweiser dazu wer dein Kunde wirklich ist.

Segmente sind Jobs die Kunden tragen. Wenn du Verhalten clusterst gruppierst du nicht wirklich Menschen, du gruppierst Jobs, und der Grund warum drei oder vier Gruppen immer wieder herausfallen ist dass die meisten Shops drei oder vier Jobs bedienen. Der Geschenkjob. Der Bevorratungsjob. Der Gönn mir was Job. Der Notfalljob. Sobald du den Job benennst schreibt sich die Botschaft von selbst, weil du endlich weißt was der Kunde erledigt haben wollte. Das ist das zweite Aha, und es rahmt die ganze Übung neu: du sortierst keine Menschen, du sortierst die Gründe aus denen sie aufgetaucht sind.

Die Verhaltenssignale die sich zu messen lohnen

Du brauchst keine hundert Felder um gut zu clustern. Du brauchst eine Handvoll ehrliche. Hier sind die Signale die in fast jedem Shop den ich mir ansehe das meiste Gewicht tragen, und was jedes davon leise darüber verrät welchen Job der Kunde bei dir anstellt.

Signal	Was es misst	Worauf es hindeutet
Aktualität	Tage seit der letzten Bestellung	Ob aktiv, abflauend oder weg
Häufigkeit	Bestellungen in einem Zeitfenster	Gewohnheit gegen einmalige Absicht
Geldwert	Durchschnittlicher und gesamter Warenkorb	Wertstufe und Spielraum
Rabattreaktion	Anteil der Bestellungen mit Aktion	Ob der Preis der Auslöser ist
Warenkorbform	Was zusammen im Korb liegt	Der Job der erledigt wird
Kaufdauer	Minuten von der Landung bis zur Kasse	Überlegt gegen impulsiv
Rückgabequote	Anteil zurückgeschickter Artikel	Schenken, Unsicherheit oder Passform
Nachbestellrhythmus	Abstand zwischen Wiederkäufen eines Verbrauchsmaterials	Versteckte Abo Absicht

Du wirst nicht jedes Mal alle acht nutzen. Drei oder vier starke Signale schlagen acht schwache, weil jede zusätzliche Achse deine Kunden dünner verteilt und die Klumpen schwerer sichtbar macht. Fang mit Aktualität, Häufigkeit, Warenkorb und Rabattreaktion an, und füge erst mehr hinzu wenn sich eine Gruppe weigert sich zu trennen.

Die Cluster ohne Raten finden

Schön, sagst du, aber ich kann nicht zehntausend Kunden mit dem Auge sortieren und von Hand in Gruppen stecken. Richtig. Genau dafür wurde die Clusteranalyse gebaut, und sie ist das Rückgrat der Segmentierungskapitel in Cutting Edge Marketing Analytics von 2014 und wieder in Business Intelligence Analytics and Data Science von 2018. Die Idee ist wunderbar einfach. Du setzt jeden Kunden in einen Raum in dem jede Achse ein Verhalten ist, eine Achse für Häufigkeit, eine für den durchschnittlichen Warenkorb, eine für die Rabattempfindlichkeit, und so weiter. Kunden die sich gleich verhalten sitzen in diesem Raum nahe beieinander. Ein Clusterverfahren findet dann die natürlichen Klumpen.

Die Standardmethode ist k Means. Du sagst ihr wie viele Gruppen sie suchen soll, nenn diese Zahl k, und sie tut zwei Dinge immer wieder bis sie sich einpendelt. Sie ordnet jeden Kunden dem nächsten Gruppenzentrum zu, dann verschiebt sie jedes Zentrum in die Mitte der Kunden die sie gerade eingesammelt hat. Wiederhole das, und die Zentren wandern bis sie im Herzen echter Verhaltensklumpen sitzen.

Bring zuerst jedes Signal auf dieselbe Skala

Hier ist eine Falle die beim ersten Mal fast jeden erwischt, und sie ist ein eigenes Aha wert. Deine Signale leben auf völlig verschiedenen Skalen. Häufigkeit läuft vielleicht von 1 bis 20 Bestellungen. Der Warenkorb läuft vielleicht von 5 bis 500 Euro. Der Abstand in diesem rohen Raum ist fast vollständig Warenkorb, weil ein Ausschlag von ein paar hundert Euro einen Ausschlag von ein paar Bestellungen erdrückt. Clusterst du auf den rohen Zahlen dann clusterst du heimlich allein auf Geld, und die Maschine wird das Muster in der Häufigkeit nie sehen.

Die Lösung ist jedes Signal zu standardisieren bevor du clusterst, damit jedes mit derselben Stimme spricht. Der übliche Schritt ist der z Wert: für jedes Signal ziehst du seinen Durchschnitt ab und teilst durch seine Streuung.

$z = \frac{x - \mu}{\sigma}$

In Klartext, nimm einen Wert $x$, zieh den Durchschnitt $\mu$ dieses Signals über alle Kunden ab, und teile durch die Standardabweichung $\sigma$, den typischen Abstand vom Durchschnitt. Jetzt wird jedes Signal in derselben Einheit gemessen, Standardabweichungen von der Mitte, und ein großer Sprung in der Häufigkeit zählt genauso viel wie ein großer Sprung im Warenkorb. Lässt du diesen Schritt aus dann ist jede Clusterung die du je läufst leise falsch. Machst du ihn dann hast du den häufigsten Grund beseitigt warum Segmente matschig herauskommen.

Der Abstand der entscheidet wer zusammen sitzt

Clusterung steht und fällt mit einer Frage die immer wieder gestellt wird: wie weit sind diese zwei Kunden voneinander entfernt. Sobald jedes Signal standardisiert ist ist die ehrliche Antwort der Abstand in gerader Linie zwischen ihnen im Verhaltensraum, derselbe Pythagoras den du in der Schule getroffen hast, nur mit mehr Achsen.

$d(a, b) = \sqrt{\sum_{j} (a_j - b_j)^2}$

Für zwei Kunden $a$ und $b$ geh jedes Signal $j$ durch, nimm den Abstand zwischen ihnen auf diesem Signal, quadriere ihn, addiere die Quadrate über alle Signale auf, und zieh die Wurzel. Kleiner Abstand heißt sie verhalten sich gleich und gehören zusammen. Großer Abstand heißt sie gehören auseinander. Das ist der ganze Begriff von nah den k Means nutzt wenn es jeden Kunden dem nächsten Zentrum übergibt, und deshalb ist zuerst zu standardisieren so wichtig: der Abstand ist nur dann fair wenn jede Achse auf dieselbe Skala gebracht wurde bevor du gemessen hast.

Was k Means wirklich jagt

Was versucht die Methode also gut zu machen? Sie versucht jede Gruppe so eng wie möglich zu machen. Wir messen die Enge mit der Summe der quadrierten Abweichungen innerhalb der Cluster, WCSS, dem gesamten quadrierten Abstand von jedem Kunden zum Zentrum seiner eigenen Gruppe.

$WCSS = \sum_{i} \| x_i - \mu_{c(i)} \|^2$

Lies es in Klartext. Für jeden Kunden $i$ nimm seine Position $x_i$, finde das Zentrum des Clusters zu dem er gehört, geschrieben $\mu_{c(i)}$, miss den Abstand zwischen beiden, quadriere ihn, und addiere das alles auf. Wenn WCSS klein ist sitzt jeder Kunde nahe an seinem Gruppenzentrum, was bedeutet die Gruppen sind eng und die Mitglieder verhalten sich wirklich gleich. k Means ist einfach die Maschine die nach den Gruppenzentren jagt die diese Zahl so klein wie möglich machen.

Wie viele Segmente: die Ellbogenmethode

Es gibt eine Entscheidung die die Maschine nicht für dich treffen kann: wie viele Gruppen soll es geben. Das ist das k. Wähl k zu klein und du quetschst verschiedene Kunden zusammen. Wähl es zu groß und du zerschneidest eine echte Gruppe in bedeutungslose Scherben.

Hier ist der Trick, und es lohnt sich darüber nachzudenken. Lass die Clusterung für k gleich eins, zwei, drei und so weiter laufen, und schreib jedes Mal den WCSS auf. WCSS fällt immer wenn du Gruppen hinzufügst, weil mehr Zentren immer näher an mehr Menschen sitzen können. Aber er fällt nicht gleichmäßig. Er stürzt ab solange du noch wirklich verschiedene Kunden auseinander teilst, dann flacht er ab sobald die echten Gruppen gefunden sind und du nur noch Klumpen zerhackst die schon eng waren.

Sieh es an einem kleinen Beispiel passieren.

Anzahl der Cluster	WCSS	Rückgang zur Zeile darüber
1	100
2	55	45
3	30	25
4	22	8
5	18	4
6	15	3

Schau auf die letzte Spalte. Von einer Gruppe auf zwei bringt dir 45. Zwei auf drei bringt dir weitere 25. Dann bringt drei auf vier nur noch 8, und jeder Schritt danach ist Kleingeld. Die großen Rückgänge hören nach drei auf. Diese Biegung, wo der steile Sturz dem sanften Gefälle weicht, ist der Ellbogen, und der Ellbogen ist deine Antwort. Hier sagt er drei, vielleicht vier, echte Segmente. Nicht weil eine Regel es dir vorgeschrieben hat, sondern weil die Daten aufgehört haben dich fürs weitere Teilen zu belohnen. Die meisten Unternehmen die ich mir ansehe landen bei drei oder vier echten Gruppen, was eine sehr menschliche Zahl ist und kein Zufall.

Eine zweite Meinung wenn der Ellbogen verschwommen ist

Manchmal ist der Ellbogen offensichtlich und manchmal ist er eine sanfte Kurve ohne klare Biegung, und dann willst du eine zweite Meinung. Die der ich vertraue ist die Silhouette. Für einen einzelnen Kunden stellt sie eine einfache Frage: bist du näher an deiner eigenen Gruppe als an der nächsten fremden Gruppe. Sei $a$ der durchschnittliche Abstand von einem Kunden zu den anderen in seinem eigenen Cluster, und $b$ der durchschnittliche Abstand zu den Mitgliedern des nächsten anderen Clusters. Die Silhouette für diesen Kunden ist

$s = \frac{b - a}{\max(a, b)}$

Sie landet zwischen minus eins und eins. Nahe eins heißt der Kunde sitzt bequem in seiner eigenen Gruppe und weit weg von der nächsten, ein sauberer Sitz. Nahe null heißt er sitzt auf der Grenze, er könnte in beide Richtungen. Unter null heißt er ist näher an einer anderen Gruppe als an seiner eigenen, was die Maschine dir sagt dass das Etikett falsch ist. Mittle die Silhouette über jeden Kunden für jeden Wert von k, und das k mit dem höchsten Mittel ist die sauberste Aufteilung. Wenn Ellbogen und Silhouette übereinstimmen kannst du aufhören mit dir zu streiten. Wenn sie sich widersprechen vertraue dem der dir Gruppen gibt die du tatsächlich benennen und behandeln kannst, denn ein Segment das du einem Texter nicht beschreiben kannst ist kein Segment, es ist eine Zahl.

Vom Verhalten zum Segment zur Handlung

Hier der ganze Weg in einem Bild, von den rohen Signalen zu dem was du am Montag tatsächlich tust.

Der Fehler ist beim demografischen Diagramm stehen zu bleiben, Kasten A ganz übersprungen, und direkt dazu zu springen eine Botschaft für alle zu schreiben. Der Wert lebt weiter hinten, wo das Verhalten zum Segment wird und das Segment zu einem anderen Versprechen und einem anderen Preis für jede echte Gruppe.

Und hier ist die Pipeline die der Analyst durchläuft um dorthin zu kommen, damit du siehst wo jede Formel von oben ihren Platz verdient.

Was die Cluster meist tatsächlich sind

Wenn du das wirklich auf einem echten Shop laufen lässt, haben die Gruppen die herausfallen Persönlichkeiten, und es sind nie die von der demografischen Folie. Du triffst tendenziell irgendeine Version von diesen.

Der treue Stammkunde. Kauft oft, mittlerer Warenkorb, ignoriert Rabatte weil er ohnehin gekauft hätte. Hier lebt dein Gewinn.

Der Schnäppchenjäger. Kauft nur bei Aktionen, dann großer Warenkorb, verschwindet zum vollen Preis. Erziehbar, aber gerade so.

Der einmalige Schenker. Ein Kauf, oft saisonal, hohe Rückgabequote, nie ein Verbrauchsmaterial. Leicht zufriedenzustellen, wird nicht treu, und du solltest aufhören so zu tun als ob.

Der überlegte Vielausgeber. Langes Stöbern, wenige aber große Bestellungen, liest alles, will Beruhigung statt einen Schubser.

Du wirst nicht genau diese vier bekommen, das ist der Punkt, du findest deine eigenen. Aber merke: ein 30 Jähriger und ein 60 Jähriger können beide treue Stammkunden sein, und zwei identisch aussehende 40 Jährige können sich in einen Schnäppchenjäger und einen Vielausgeber aufteilen. Das Verhalten hat sie sortiert. Die Demografie konnte es nie.

Ein fünftes Gesicht das du manchmal triffst: der abwandernde Treue

Es gibt eine fünfte Persönlichkeit die es sich zu nennen lohnt weil sie die wertvollste zum Fangen und die am leichtesten zu übersehende ist. Der abwandernde Treue sieht in jedem Signal aus wie ein treuer Stammkunde, außer in der Aktualität. Derselbe gesunde Warenkorb, dieselbe Gewohnheit zum vollen Preis zu kaufen, dieselbe Geschichte häufiger Bestellungen, und dann eine Lücke die immer größer wird. Auf einer demografischen Folie sind sie unsichtbar, abgelegt mit allen anderen ihres Alters. In einem Verhaltenscluster leuchten sie auf, weil die Aktualität abgedriftet ist während alles andere gleich blieb. Das ist die Gruppe wo eine einzige gut getimte wir haben dich vermisst Nachricht mehr einbringt als jede Neukundenkampagne die du fahren könntest, und du siehst sie nur wenn du auf Verhalten clusterst und die Aktualität als eigene Achse beobachtest. Fang den abwandernden Treuen früh und du behältst einen Kunden für den du schon bezahlt hast. Verpass ihn und du zahlst noch einmal um ihn zu ersetzen.

Ein durchgerechnetes Mini Beispiel: ein Kaffee Abo Shop

Lass es mich mit einem kleinen durchgerechneten Beispiel konkret machen. Stell dir einen Shop vor der Kaffee, Bohnen und Zubehör verkauft. Wir ziehen vier Signale für eine Auswahl an Kunden: Bestellungen im letzten Jahr, durchschnittlicher Warenkorb in Euro, der Anteil ihrer Bestellungen mit Rabatt, und Tage seit ihrer letzten Bestellung. Hier eine Handvoll davon, stellvertretend für die Tausende die du wirklich hättest.

Kunde	Bestellungen pro Jahr	Warenkorb	Rabattanteil	Tage seit letzter
A	14	32	0.05	12
B	2	41	0.90	8
C	13	30	0.10	140
D	1	68	0.00	200
E	15	34	0.00	9
F	3	39	0.85	15
G	1	72	0.00	30
H	12	29	0.05	160

Lies kein Alter und keine Postleitzahl, hier gibt es keine, das ist der Punkt. Lies das Verhalten. Standardisiere die vier Spalten damit der Warenkorb den Rest nicht ertränkt, dann clustere und lass den Ellbogen dir sagen wie viele Gruppen. Bei dieser Form landet der Ellbogen bei vier, und die Gruppen suchen sich mehr oder weniger selbst aus.

A und E clustern zusammen: viele Bestellungen, bescheidener Warenkorb, fast nie mit Rabatt, letzte Woche gekauft. Das ist der treue Stammkunde, das schlagende Herz des Abos. B und F clustern zusammen: seltene Bestellungen, ordentlicher Warenkorb, fast immer mit Rabatt, kaufen nur wenn es einen Deal gibt. Das ist der Schnäppchenjäger. D und G clustern zusammen: eine einzige große Bestellung, voller Preis, nie wieder gekommen, eine Mühle oder ein Geschenkset einmal und erledigt. Das ist der einmalige Vielausgeber. Und C und H clustern zusammen: sie sahen früher genau aus wie A und E, häufig und treu, aber ihre Tage seit letzter Bestellung sind über hundert gekrochen während alles andere identisch blieb. Das ist der abwandernde Treue, und sie sind die dringendste Gruppe auf der Seite.

Merke was gerade passiert ist. Vier Verhaltensgruppen, vier verschiedene Jobs, vier verschiedene nächste Handlungen, und keine einzige kam daher irgendjemandes Alter zu kennen. Die treuen Stammkunden bekommen den neuen Single Origin zuerst. Die Schnäppchenjäger bekommen das Feiertagsangebot und nichts zum vollen Preis. Die einmaligen Vielausgeber bekommen einen sanften Schubser Richtung eines Abos an das sie nie gedacht haben. Und die abwandernden Treuen bekommen eine wir haben deine übliche Sorte aufgehoben Nachricht bevor die Lücke dauerhaft wird.

Ein Clusterzentrum wie ein Portrait lesen

Sobald die Cluster existieren ist das nützlichste was du besitzt das Zentrum jedes einzelnen, der durchschnittliche Kunde dieser Gruppe. Nebeneinander gestellt lesen sich die Zentren wie Portraits, und die Unterschiede zwischen den Spalten sind deine ganze Strategie auf einer Seite.

Signal im Zentrum	Treuer Stammkunde	Schnäppchenjäger	Einmaliger Ausgeber	Abwandernder Treuer
Bestellungen pro Jahr	Hoch	Niedrig	Sehr niedrig	War hoch
Warenkorb	Mittel	Mittel	Hoch	Mittel
Rabattanteil	Niedrig	Sehr hoch	Keiner	Niedrig
Tage seit letzter	Niedrig	Mittel	Hoch	Hoch und steigend
Der Job	Halt mich bevorratet	Gib mir einen Deal	Kauf das einmal	Ich bin abgedriftet
Der Zug	Belohnen und Vorschau	Abgeschirmte Angebote	Schubser zum Abo	Jetzt zurückgewinnen

Wenn du ein Segment so lesen kannst, aus dem Zentrum statt aus einem Bauchgefühl, hört der Streit darüber wen du anmailst und was du verlangst auf eine Frage der Meinung zu sein. Das Portrait sagt es dir.

Botschaften: ein Produkt, mehrere verschiedene Versprechen

Sobald du deine drei oder vier Gruppen hast, hört dein Marketing auf eine einzige gebrüllte Botschaft zu sein und wird zu einer Handvoll leiser, treffender. Gleiches Produkt, anderes Versprechen, weil jede Gruppe einen anderen Job erledigt haben will. Der treue Stammkunde will das Neue zuerst hören und Danke gesagt bekommen. Der Schnäppchenjäger will das Angebot und die Frist. Der Schenker will es einfach, sicher, rückgabefähig, verpackt. Der überlegte Ausgeber will das Detail, die Garantie, den Beweis. Allen vieren dieselbe Mail zu schicken ist der Grund warum deine Öffnungsraten sind wie sie sind. Jedem seine eigene zu schicken ist die einzelne Änderung mit dem höchsten Ertrag die die meisten Shops machen können, und sie kostet nichts außer der Segmentierung.

Preise: dasselbe Regal, der richtige Preis je Bedürfnis

Segmentierung sollte auch deine Preise bewegen, nicht nur deine Worte. Der Schnäppchenjäger sagt dir mit seinem Verhalten dass er sich nur bei einem Rabatt bewegt, also sollten deine Aktionen auf ihn gerichtet und vor allen anderen abgeschirmt sein, denn der treue Stammkunde hätte den vollen Preis gezahlt und du hast die Marge gerade verschenkt. Der überlegte Vielausgeber sagt dir dass er auf Beruhigung kauft, also wird ein Premium Bündel mit einer starken Garantie für diese Gruppe jedes Mal eine Preissenkung übertreffen. Wenn du auf ein Verhaltenssegment hin bepreist hörst du auf an beiden Enden Geld liegen zu lassen, den Rabatt den du nicht geben musstest und den Aufpreis an den du nie gedacht hast.

Fehler die ich immer wieder sehe

Ich habe viele Segmentierungsprojekte schiefgehen sehen, und sie stolpern fast immer über dieselbe Handvoll Dinge. Hier sind die vor denen du dich hüten solltest.

Auf den rohen Zahlen clustern. Wenn du nicht zuerst standardisierst clusterst du auf dem Signal das zufällig die größte Spannweite hat, meist Geld, und nennst das Ergebnis Erkenntnis. Standardisiere, jedes Mal.

Zu vielen Segmenten hinterherjagen. Der Ellbogen sagt drei oder vier und die Versuchung ist zwölf zu fahren weil zwölf präziser wirkt. Es ist nicht präziser, es ist zerbrechlicher, und niemand kann zwölf verschiedene Mails schreiben die sich tatsächlich unterscheiden. Weniger, wahrere Gruppen schlagen ein Dutzend Scherben.

Auf Dinge segmentieren auf die du nicht reagieren kannst. Ein Segment ist nur etwas wert wenn es ändert was du tust. Wenn zwei Gruppen dieselbe Botschaft und denselben Preis bekommen sind sie eine Gruppe die zwei Etiketten trägt.

Es einmal bauen und nie wieder. Verhalten driftet. Der treue Stammkunde flaut ab, der Schnäppchenjäger bessert sich, neue Kunden kommen an. Eine Segmentierung ist eine Fotografie, kein Denkmal, also lass sie in einem sinnvollen Rhythmus neu laufen, für die meisten Shops vierteljährlich, und lass die Gruppen wandern.

Die Demografie sich zurückschleichen lassen. Der Sog das Alter wieder ins Modell zu nehmen ist stark weil es vertraut ist. Widersteh ihm es sei denn es verdient sich seinen Platz indem es die Gruppen wirklich enger macht. Meistens macht es sie nur unschärfer.

Das Segment benennen bevor du es verstehst. Der Name sollte aus dem Zentrum kommen, aus dem tatsächlichen Verhalten, nicht aus einer Persona die jemand in einem Workshop skizziert hat. Lies zuerst das Portrait, dann benenne es.

Wie du das ohne Datenteam anwendest

Du kannst das an einem Nachmittag mit einer Tabelle anfangen, lange bevor du jemanden einstellst oder irgendetwas kaufst. Hier ist die Reihenfolge der ich folgen würde.

Erstens, zieh deine Bestellhistorie in eine Tabelle, eine Zeile pro Kunde, und errechne vier Spalten: wie oft sie gekauft haben, ihr durchschnittlicher Warenkorb, der Anteil ihrer Bestellungen der einen Rabatt genutzt hat, und wie viele Tage seit ihrer letzten Bestellung. Das ist dein Verhaltensraum, und er ist schon ehrlicher als jede demografische Datei die du besitzt.

Zweitens, sortiere nach jeder Spalte der Reihe nach und schau einfach. Muster springen sogar vor jeder Mathematik heraus: der Klumpen häufiger Vollpreiskäufer, der Klumpen der nur je bei Aktion gekauft hat, die großen Warenkörbe die einmal kamen und verschwanden. Du wirst deine drei oder vier Gruppen sehr wahrscheinlich mit bloßem Auge sehen, denn echte Segmente sind nicht subtil sobald du auf das Verhalten schaust.

Drittens, wenn du es richtig machen willst, standardisiere die vier Spalten und lass k Means für k von zwei bis sechs in irgendeinem Werkzeug laufen das du schon hast, ein Notebook, ein Tabellen Plugin, was auch immer. Zeichne den WCSS, finde den Ellbogen, und nimm die Zahl die er dir gibt. Prüf sie gegen die Silhouette wenn der Ellbogen weich ist.

Viertens, benenne jede Gruppe aus ihrem Zentrum, schreib den einen Job auf für den sie dich anstellt, und entscheide eine Botschaft und einen Preis für sie. Kein Strategiepapier, vier Zeilen, eine pro Segment.

Fünftens, handle, und dann miss. Schick jeder Gruppe ihre eigene Mail, schirm deine Rabatte auf die Gruppe die sie braucht ab, und beobachte die Öffnungsraten und die Marge. Der Beweis liegt in der nächsten Kampagne, nicht in der Folie. Wenn die Gruppen anfangen zu driften, und das werden sie, lass das Ganze noch einmal laufen.

Das ist die ganze Methode, und nichts davon braucht Erlaubnis oder ein großes Budget. Der schwere Teil ist nicht die Mathematik, es ist die Entscheidung deine Kunden danach zu beschreiben was sie tun statt wer sie sind.

Die eine Sache die du diese Woche tun sollst

Du brauchst kein Data Science Team um anzufangen, und du musst am Montagmorgen keine zehntausend Menschen clustern. Zieh deine Bestellhistorie, das echte Verhalten, Aktualität und Häufigkeit und Warenkorb und Rabattreaktion, und teile deine Kunden von Hand in nur drei Gruppen anhand dieser Signale. Ignoriere Alter und Postleitzahl für einen Nachmittag komplett. Dann schreib drei Mails statt einer und schau was passiert. Das ist die ganze Methode im Kleinen, und sie schlägt die demografische Folie bevor du eine einzige Sache richtig geclustert hast.

Wenn du Hilfe dabei willst deine Bestellhistorie in echte Verhaltenssegmente zu verwandeln, und dann in Botschaften und Preise die zu jedem von ihnen sprechen, ist das genau die Art von Arbeit die ich mache. Meine Daten und eCommerce Arbeit dreht sich um genau das: die drei oder vier Gruppen zu finden die du wirklich hast, nicht die von denen die demografische Folie so tut als hättest du sie. Wenn es hilft das durchzusprechen, buch einen Termin und wir schauen uns deine Bestellhistorie gemeinsam an.

Die eine Idee die du mitnehmen sollst

Hör auf deine Kunden danach zu beschreiben wer sie sind und fang an sie danach zu beschreiben was sie tun. Alter und Postleitzahl wirken rigoros und sagen fast nichts vorher. Bedürfnis und Verhalten sehen unordentlich aus und sagen fast alles vorher. Zwei Menschen in derselben demografischen Schublade können Gegensätzliches wollen, zwei Menschen in verschiedenen Schubladen können dasselbe wollen, und der einzige Weg die Wahrheit zu sehen ist das Verhalten zu clustern und den Ellbogen dir sagen zu lassen wie viele Gruppen du wirklich hast. Finde diese drei oder vier, sprich mit jeder zu ihren eigenen Bedingungen, bepreise jede zu ihren eigenen Bedingungen, und du hast eine Folie die nach Analyse aussah durch eine Landkarte ersetzt die tatsächlich funktioniert.