Segmentierung: Strategie vor Algorithmen

Der Geschenkkorbshop, der glaubte, einen einzigen Kunden zu haben

Im ersten Jahr von The Gift Bow, meinem Solidus Demoshop für Geschenkkörbe auf hampers.keferboeck.com, behandelte das Reporting jeden Käufer als dieselbe Person. Eine Conversion Rate, ein durchschnittlicher Bestellwert, eine Mailingliste, eine Churn Zahl. Dieser eine Kunde war eine Fiktion. Hinter dem Durchschnitt steckten eine Frau in Leeds, die sich alle sieben Wochen einen Käsekorb für sich selbst bestellt, eine Officemanagerin in Wien, die Ende Oktober dreissig Weihnachtskörbe auf Rechnung ordert, und ein Mann, der genau einmal im Jahr bestellt, am 22. Dezember um 23:40, mit Lieferung am nächsten Tag und leichter Panik. Allen dreien dieselbe Mail mit "zehn Prozent Rabatt am Wochenende" zu schicken ist kein Marketing. Es ist Rauschen mit Rabatt.

Segmentierung ist die Disziplin, zuzugeben, dass deine Kunden nicht eine Person sind, und bewusst zu entscheiden, wie viele Personen sie sind. In diesem Kapitel geht es um die Strategie dahinter; die Algorithmen kommen im nächsten. Wer mit dem Algorithmus beginnt, bekommt Cluster. Wer mit der Strategie beginnt, bekommt Segmente. Der Unterschied kostet echtes Geld.

Wo dieses Kapitel in der Serie steht

Das ist Kapitel 13 von 21 und das dritte von vier Kapiteln in Teil drei, den Interdependenztechniken, bei denen keine einzelne Variable das Ziel ist. Das vorige Kapitel, Hauptkomponenten und Faktorenanalyse für Marketer, hat viele korrelierte Variablen auf wenige zugrunde liegende Dimensionen reduziert, oft der Vorbereitungsschritt für das, was hier folgt. Das nächste Kapitel, Werkzeuge der Segmentierung: k means, Latent Class und mehr als RFM, steigt in die Maschinerie ein. Dieses hier ist das Denken, das du erledigen solltest, bevor du irgendetwas davon anfasst.

Was ein Segment ist, und was nicht

Ein Segment ist eine Gruppe von Kunden, die auf dieselbe Marketingmassnahme ähnlich reagieren und anders als andere Gruppen. "Reagieren" heisst, das Segment wird durch das definiert, was Menschen tun, wenn du handelst, nicht durch das, wie sie aussehen. "Dieselbe Marketingmassnahme" heisst, die Trennung muss für eine Entscheidung zählen, die du tatsächlich treffen kannst: ein anderes Produkt, ein anderer Preis, eine andere Botschaft, ein anderer Kanal. "Anders als andere Gruppen" heisst: Wenn zwei deiner Segmente auf alles, was du plausibel tun könntest, gleich reagieren würden, hast du ein Segment mit zwei Namen.

Was ein Segment nicht ist: eine demografische Klammer, ein Cluster, den ein Algorithmus ausgespuckt hat, eine Persona aus einem Workshop oder ein Filter in deinem Mailtool. All das kann zum Segment werden; nichts davon ist von sich aus eines. Über die Demografiefalle habe ich in Segmentierung ist keine Demografie geschrieben; die Kurzfassung: Alter und Postleitzahl beschreiben, wer jemand ist, nicht, was er von dir will.

Der strategische Grund zu segmentieren ist, dass sich die vier Ps pro Segment setzen lassen: Produkt (Sortiment, Bundles, Funktionen), Preis (Niveau, Struktur, Rabattregel), Promotion (Botschaft, Timing, Angebot) und Platz (Kanal, Checkout, Vertriebsweg). Ein Unternehmen, das nicht ein einziges der vier Ps nennen kann, das es für ein Segment anders setzen würde, braucht dieses Segment nicht. Es braucht ein schöneres Diagramm.

Fünf Tests, bevor ein Segment den Namen verdient

Ich lasse jedes vorgeschlagene Segment durch fünf Tests laufen, streng, weil ein Segment, das an einem davon scheitert, jahrelang leise Budget verbrennt.

Identifizierbar. Kann ich für jeden einzelnen Kunden in der Datenbank sagen, zu welchem Segment er gehört, mit einer Regel oder einem Modell, das jede Woche auf den Daten läuft, die ich habe? Ein Segment namens "Menschen, die Handwerk schätzen" ist nicht identifizierbar, solange ich es nicht aus Verhalten scoren kann.

Substanziell. Ist das Segment gross genug, in Umsatz oder Marge, um eine eigene Behandlung mit eigener Kreation, eigenen Preisdebatten und eigener QA zu rechtfertigen? Ein Segment aus 200 Kunden, die £40 im Jahr wert sind, zahlt das nicht, so eigenständig es auch sein mag.

Erreichbar. Kann ich diesem Segment eine andere Botschaft oder ein anderes Angebot vor die Nase setzen, ohne die anderen mitzutreffen? Wenn dein einziger Kanal ein Banner auf der Startseite ist, hast du ein Segment, egal was das Modell sagt.

Responsiv. Reagiert das Segment anders auf die Behandlung, die ich im Sinn habe? Das ist der Test, den alle überspringen. Er braucht ein Experiment, oder zumindest ein natürliches Experiment in der Historie, das zeigt, dass Segment A auf Lieferversprechen reagiert hat und Segment B nicht.

Stabil. Bleibt das Segment lange genug erkennbar, um etwas darauf zu bauen? Wenn jeden Monat ein Drittel der Mitglieder wandert, ist das Segment eine Stimmung, kein Markt.

A priori oder post hoc: zwei Wege zum selben Ziel

Eine A priori Segmentierung legst du fest, bevor du in die Daten schaust, weil die Strategie es verlangt. Bei The Gift Bow ist die A priori Trennung Geschenkkauf gegen Selbstkauf. Das Geschäft diktiert sie: Ein Geschenk hat einen Empfänger, einen Termin und eine Grusskarte; ein Selbstkauf hat nichts davon. In der Praxis lese ich es aus der Bestellung: Eine Lieferadresse, die von der Rechnungsadresse abweicht, eine Grussbotschaft oder ein Wunschliefertermin markiert ein Geschenk mit rund 90 Prozent Genauigkeit; eine einzelne Frage im Checkout fängt den Grossteil des Rests.

Eine Post hoc Segmentierung entdeckst du in den Daten. Innerhalb der Geschenkkäufer sagt die A priori Trennung nichts über den Mann am 22. Dezember gegenüber der Frau, die jeden März in derselben Woche den Geburtstagskorb für ihre Mutter bestellt. Diese Gruppen tauchen aus Timing, Frequenz und Warenkorb auf, und aus der Strategie allein wären sie mir nicht eingefallen.

Die beiden sind keine Rivalen. Meine Regel: Zuerst die A priori Trennung, wenn die Geschäftslogik erdrückend ist, dann in jeder Hälfte nach Post hoc Struktur suchen. Einen Algorithmus auf alle loszulassen und zu hoffen, dass die Unterscheidung Geschenk gegen Selbstkauf schon herausfällt, liefert meist Cluster, die halb Geschenk, halb Selbstkauf und für beides unbrauchbar sind.

Von der Strategiefrage zur Aktivierung

So sieht der Prozess aus, dem ich folge, gezeichnet als Schleife, weil der letzte Schritt den ersten füttert.

Der Segmentierungsprozess als Schleife: Strategie zuerst, der Algorithmus in der Mitte, die Governance füttert die nächste Frage.

Die strategische Frage muss konkret sein. "Wir wollen unsere Kunden besser verstehen" ist keine Frage. "Welche Kunden sollen ein bezahltes Lieferversprechen bekommen und welche einen Treuevorteil statt eines Rabatts?" ist eine, und sie sagt dir schon, welche Variablen zählen.

Basisvariablen sind die, auf denen du segmentierst; Deskriptorvariablen sind die, mit denen du die Segmente danach beschreibst und findest. Verhalten gehört in die Basis, Demografie höchstens in die Deskriptoren. Fällt ein Test durch, geh zurück und ändere die Basisvariablen. Besteht alles, dann benenne die Segmente, schreib für jedes eine einseitige Definition, score jeden Kunden und rede erst dann über Kreation.

Worauf segmentieren: Verhalten zuerst

Segmentiere auf das, was Menschen getan haben, bevor du auf das segmentierst, was sie gesagt haben, und auf das, was sie gesagt haben, bevor auf das, was sie sind.

1. Transaktionsverhalten: wie oft, wie kürzlich, wie viel, welche Kategorien, welche Jahreszeit, ob es ein Geschenk war. Es steckt in jeder Shopdatenbank und ist der stärkste Prädiktor für künftiges Verhalten.
2. Engagementverhalten: geöffnet, geklickt, besucht, abgebrochen, Support kontaktiert. Schwächer und verrauschter, aber nützlich fürs Timing.
3. Geäusserte Bedürfnisse und Einstellungen: eine kurze Umfrage, an einen Kauf gehängt. Nötig, wenn es in der Strategie um Positionierung geht, denn Verhalten sagt dir nur, was Menschen mit dem Sortiment gemacht haben, das du hattest.
4. Demografie und Firmografie: nur als Deskriptoren, damit der Mediaeinkauf das Segment findet. Nie als Basisvariablen, ausser ein Gesetz oder eine logistische Grenze erzwingt die Trennung.

Ist die Trennung echt? Ein bisschen Mathematik

Eine Kennzahl erspart viele Diskussionen. Nimm eine beliebige Basisvariable, etwa Bestellungen pro Jahr. Ihre Gesamtstreuung über alle Kunden zerfällt sauber in Streuung innerhalb der Segmente und Streuung zwischen den Segmenten:

$$\sum_{i=1}^{N}(x_i - \bar{x})^2 = \sum_{k=1}^{K}\sum_{i \in S_k}(x_i - \bar{x}_k)^2 + \sum_{k=1}^{K} n_k(\bar{x}_k - \bar{x})^2$$

Dabei ist $x_i$ der Wert für Kunde $i$, $\bar{x}$ der Gesamtmittelwert, $S_k$ die Menge der Kunden in Segment $k$, $\bar{x}_k$ der Mittelwert dieses Segments, $n_k$ seine Grösse, bei $K$ Segmenten und $N$ Kunden insgesamt. Links steht die gesamte Quadratsumme. Der erste Term rechts ist die Quadratsumme innerhalb der Segmente, die Streuung, die du nicht erklärt hast; der zweite ist die Quadratsumme zwischen den Segmenten, die Streuung, die die Segmentzugehörigkeit erklärt.

Der erklärte Anteil ist:

$$\eta^2 = \frac{SS_{\text{zwischen}}}{SS_{\text{gesamt}}}$$

Eta Quadrat läuft von 0 bis 1. Nahe 0 unterscheiden sich die Segmente auf dieser Variable gar nicht; nahe 1 verrät dir die Segmentzugehörigkeit fast den Wert. Bei einer guten Verhaltenssegmentierung erwarte ich auf den Basisvariablen ein Eta Quadrat über 0,3 und freue mich über 0,5. Wenn die Altersgruppe 0,03 erreicht, sagt dir die Altersgruppe, dass sie nicht in die Basis gehört.

Die zweite Formel ist der Substanztest in einer Zeile. Der Wert, Segment $k$ anders zu behandeln, ist:

$$V_k = n_k \cdot m_k \cdot \left(r_k^{\text{behandelt}} - r_k^{\text{kontrolle}}\right)$$

wobei $n_k$ die Anzahl der Kunden im Segment ist, $m_k$ die Marge pro reagierendem Kunden, und die Klammer der Zuwachs an Reaktionsrate durch die segmentspezifische Behandlung gegenüber dem, was du heute tust. Wenn $V_k$ die Kosten für Aufbau und Betrieb der Behandlung nicht bequem deckt, verschmilz das Segment mit seinem nächsten Nachbarn. Diese Formel ist auch der Grund, warum "responsiv" ein Experiment braucht: Die Klammer ist der einzige Teil, den du nicht aus der Historie ablesen kannst.

Die vier Gruppen von The Gift Bow

Zwei Jahre Bestellungen, 12.400 Kunden, je eine Zeile mit Bestellungen pro Jahr, durchschnittlichem Bestellwert, Stück pro Bestellung, Tagen zwischen Bestellung und Anlass, Dezemberanteil der Bestellungen und dem A priori Geschenkflag. Die Zahlen sind illustrativ, aus den Seeddaten des Demoshops gezogen und gerundet. Vier Gruppen kamen heraus und überlebten die fünf Tests.

Segment	Anteil Kunden	Anteil Umsatz	Bestellungen pro Jahr	Durchschnittsbestellung	Typisches Timing
Terminschenker	42%	31%	1,3	£68	Ein bis vier Tage vor einem Anlass, stark im Dezember
Anlasstreue	23%	24%	2,6	£59	Dieselben Wochen jedes Jahr
Selbstverwöhner	27%	19%	5,8	£34	Alle sechs bis acht Wochen, für sich selbst
Firmenplaner	8%	26%	1,4	£1.120	Oktober und November, auf Rechnung

Zeile für Zeile gelesen. Terminschenker sind nach Köpfen die grösste Gruppe und pro Kopf die am wenigsten profitable: Sie kaufen einmal, spät, und zahlen für Geschwindigkeit. Untreu sind sie nicht, sie denken nur nicht an Geschenkkörbe, bis der Kalender sie zwingt. Anlasstreue sehen bei einer einzelnen Bestellung ähnlich aus, kommen aber Jahr für Jahr auf die Woche genau wieder. Selbstverwöhner sind die Selbstkäufer: kleine Körbe, hohe Frequenz, Käse und Wein statt der grossen Präsentbox. Firmenplaner sind 8 Prozent der Kunden und ein Viertel des Umsatzes, bestellen in Mengen mit Bestellnummer und dem Termin "vor der Weihnachtsfeier".

Umsatzanteil der vier Segmente. Firmenplaner sind ein Zwölftel der Kunden und ein Viertel des Geldes.

Die Eta Quadrat Werte sagen mir, dass die Trennung echt ist, und bestätigen die Reihenfolge der Variablen:

Variable	Eta Quadrat	Was es bedeutet
Bestellungen pro Jahr	0,61	Frequenz trennt die Gruppen stark
Stück pro Bestellung	0,58	Vor allem die Firmengruppe steht abseits
Tage vor dem Anlass	0,44	Terminschenker gegen alle anderen
Durchschnittlicher Bestellwert	0,39	Firmen hoch, Selbstverwöhner niedrig
Dezemberanteil der Bestellungen	0,33	Saisonalität ist echt, aber nicht die ganze Geschichte
Altersgruppe	0,03	Höchstens ein Deskriptor

Alter und Region waren nie in der Basis; ich habe sie nachträglich berechnet, um zu zeigen, warum sie dort nicht hingehören.

Ein Churn Modell für alle oder eines pro Segment

Hier hört Segmentierung auf, eine Marketingübung zu sein, und beginnt, die Statistik zu verbessern. Ein einzelnes logistisches Churn Modell für alle 12.400 Gift Bow Kunden, gebaut wie im Kapitel zur logistischen Regression beschrieben, erreichte auf einem Holdout Jahr eine AUC von 0,71, respektabel und ungefähr das, was ein gepooltes Modell auf Handelsdaten üblicherweise schafft.

Das Problem: "Churn" bedeutet nicht in jeder Gruppe dasselbe, und die Prädiktoren auch nicht. Ein Selbstverwöhner, der 120 Tage nicht bestellt hat, ist weg. Eine Anlasstreue, die 120 Tage nicht bestellt hat, ist zwischen zwei Geburtstagen. Ein Firmenplaner ist nur gefährdet, wenn der 15. Dezember ohne Bestellung vergeht. Alle zusammenzuwerfen zwingt eine Definition und einen Satz Koeffizienten auf vier verschiedene Prozesse.

Also habe ich vier Modelle gefittet, eines pro Segment, jedes mit eigenem Churn Fenster und eigenen Prädiktoren:

Segment	Churn Definition	AUC gepooltes Modell im Segment	AUC Segmentmodell	Abwanderer im obersten Dezil, gepoolt	Abwanderer im obersten Dezil, Segmentmodell
Terminschenker	Keine Bestellung in 14 Monaten	0,69	0,74	24%	29%
Anlasstreue	Anlasswoche des Vorjahres um 60 Tage verpasst	0,72	0,81	27%	38%
Selbstverwöhner	Keine Bestellung in 120 Tagen	0,74	0,83	29%	41%
Firmenplaner	Keine Bestellung bis 15. Dezember	0,66	0,79	22%	36%

Gelesen: Das gepoolte Modell ist genau dort am schwächsten, wo das Geld liegt, in der Firmengruppe, weil 1.000 Kunden die Koeffizienten eines Modells mit 12.400 Zeilen nicht auf ihre Seite ziehen können. Das Firmenmodell nutzt Variablen, die das gepoolte kaum bemerkt hat: ob im September ein Angebot angefragt wurde, ob die Ansprechperson gewechselt hat, ob es zur Lieferung im Vorjahr eine Beschwerde gab. Seine AUC springt um 13 Punkte. Bei den Selbstverwöhnern kommt der Gewinn aus dem kurzen Churn Fenster; das gepoolte Modell hat die Hälfte von ihnen als sicher eingestuft, als sie längst weg waren. Die Dezilspalten sind die operative Version: Die riskantesten zehn Prozent der Liste enthalten jetzt 29 bis 41 Prozent der Kunden, die tatsächlich gehen.

Links das gepoolte Modell, rechts die vier Segmentmodelle. Jedes Segmentmodell schlägt das gepoolte, und die Gewinne sind dort am grössten, wo das gepoolte Modell am wenigsten Daten hatte.

Ein nach Grösse gewichteter Mix der Segment AUCs ist eine grobe Zusammenfassung, keine saubere gepoolte Statistik, aber er vermittelt das Gefühl:

$$\text{AUC}_{\text{Mix}} = \sum_{k=1}^{K} \frac{n_k}{N}\,\text{AUC}_k \approx 0{,}42 \cdot 0{,}74 + 0{,}23 \cdot 0{,}81 + 0{,}27 \cdot 0{,}83 + 0{,}08 \cdot 0{,}79 \approx 0{,}78$$

Von 0,71 auf rund 0,78 ohne eine einzige neue Datenquelle, nur weil man zugibt, dass vier Prozesse nicht einer sind. Die allgemeine Lehre: Wenn ein Modell mit abhängiger Variable auf einer heterogenen Population schwächelt, zuerst segmentieren und dann innerhalb fitten. Die operative Seite davon habe ich in Predictive Automation mit Behavioural Segments beschrieben, wo die Segmentscores die Automationen direkt steuern.

Die vier Ps pro Segment

Das ist die Tabelle, für die die ganze Übung existiert. Wenn du sie nicht ausfüllen kannst, ist die Segmentierung nicht fertig.

Segment	Produkt	Preis	Promotion	Platz
Terminschenker	Bestseller auf Lager, Grusskarte inklusive, nichts, was den Versand bremst	Voller Preis, bezahlte Lieferung am nächsten Tag und am Samstag	Liefercountdown auf der Seite, Anlasskalender Mails zwei Wochen vorher	Suchanzeigen auf Dringlichkeitsbegriffe, mobiler Checkout mit gespeicherten Adressen
Anlasstreue	Der Korb vom Vorjahr als Nachbestellung mit einem Klick, ein Upgradevorschlag	Voller Preis, ein Treuevorteil statt eines Rabatts	Eine Erinnerung drei Wochen vor dem Bestelldatum des Vorjahres, mit Namen des Empfängers	Mail und Kundenkonto, nichts Bezahltes
Selbstverwöhner	Kleinere Boxen, Neuheiten, eine Abo Option	Bundlepreise und ein Abo Vorteil, das einzige Segment, in dem sich eine Preissenkung rechnet	Neuheiten, Verkostungsnotizen, Nachfüllhinweise	Instagram, Newsletter, Empfehlungen im Shop
Firmenplaner	Karten mit Firmenlogo, Mengenstaffeln, gestaffelte Lieferung an viele Adressen	Mengenstaffeln, Rechnungskauf, auf Angebot	Ein Anruf im September, ein gedruckter Katalog, eine Fallstudie	LinkedIn, Direktvertrieb, ein Angebotsformular

Lies eine Zeile quer, und du siehst ein stimmiges Angebot für eine Art von Kunde. Lies eine Spalte hinunter, und du siehst, warum eine einzige Startseite nicht alle vier bedienen kann. Allein die Rabattentscheidung bezahlt die Analyse: Nur die Selbstverwöhner reagieren auf eine Preissenkung mit mehr Volumen; für die anderen drei ist ein Rabatt Marge, die man Leuten schenkt, die ohnehin gekauft hätten. Das ist der Test "responsiv" in Aktion, bestätigt mit einem Holdout, nicht behauptet.

Selbst durchführen

Daten, die du brauchst: zwei Jahre abgeschlossene Bestellungen mit Kundenschlüssel, Bestelldatum, Summe, Stückzahl, Lieferadresse gegen Rechnungsadresse sowie jedes Geschenkflag oder jede Grussbotschaft. Eine Zeile pro Kunde ist die Zielform; so etwas baut die Basisvariablen aus einem Solidus Schema:

with orders as (
  select o.user_id, o.completed_at, o.total, o.item_count,
         (o.ship_address_id <> o.bill_address_id) as is_gift
  from spree_orders o
  where o.state = 'complete'
    and o.completed_at >= now() - interval '24 months'
)
select user_id,
       count(*) * 12.0 / 24 as orders_per_year,
       avg(total) as avg_order_value,
       avg(item_count) as units_per_order,
       avg(case when extract(month from completed_at) = 12 then 1 else 0 end) as december_share,
       avg(case when is_gift then 1 else 0 end) as gift_share
from orders
group by user_id;

Dann der Algorithmus, das ist das nächste Kapitel, dann das Profil, dann Eta Quadrat pro Variable, um zu prüfen, ob die Trennung echt ist. Die Segmentmodelle sind dieselbe Schleife noch einmal, ein Fit pro Gruppe mit eigenem Churn Flag.

import pandas as pd

def eta_squared(df, var, seg):
    grand = df[var].mean()
    ss_total = ((df[var] - grand) ** 2).sum()
    groups = df.groupby(seg)[var]
    ss_between = (groups.size() * (groups.mean() - grand) ** 2).sum()
    return ss_between / ss_total

for var in ["orders_per_year", "avg_order_value", "units_per_order", "age_band"]:
    print(var, round(eta_squared(customers, var, "segment"), 2))

Wie lange es dauert: Mit sauberen Bestelldaten ist die erste belastbare Segmentierung zwei Wochen Arbeit, der Grossteil davon Profilieren und die fünf Tests, nicht Rechnen. Prüfungen, bevor du ihr traust: Die Segmente sollten sich auf einer zufälligen Hälfte der Kunden reproduzieren; Eta Quadrat auf den Basisvariablen sollte deutlich über 0,3 liegen; jedes Segment sollte die fünf Tests schriftlich bestehen; und mindestens ein Vier Ps Unterschied pro Segment sollte gegen einen Holdout getestet worden sein.

Governance: Segmente altern

Eine Segmentierung ist ein lebendes Asset, und die meisten sterben an Vernachlässigung. Kunden wandern: Eine Terminschenkerin wird in dem Moment zur Anlasstreuen, in dem sie zum zweiten Mal für denselben Geburtstag bestellt. Die Regeln, die ich einführe, sind langweilig und funktionieren.

Jeder Kunde trägt im CRM eine Segment ID und eine Segmentversion, und das Scoring läuft monatlich. Wanderung zwischen Segmenten ist eine berichtete Zahl; wenn in einem Quartal mehr als etwa 10 Prozent wechseln, schaue ich, ob sich die Segmente oder die Kunden verändert haben. Die Definitionen werden einmal im Jahr neu gefittet, und eine neue Version wird nur übernommen, wenn sie die alte bei Eta Quadrat und den fünf Tests schlägt. Jedes Segment hat einen Verantwortlichen, der in einem Satz sagen kann, wozu es da ist. Und Segmente werden in Pension geschickt: Fällt $V_k$ zwei Quartale lang unter die laufenden Kosten, verschmilzt das Segment mit seinem Nachbarn und seine Kreation wird eingestellt.

Stolperfallen

Segmentieren auf das, was verfügbar ist, statt auf das, was zählt. Alter, Geschlecht und Postleitzahl stehen in jedem Export, also landen sie in der Basis. Später kann niemand erklären, warum sich die Segmente nicht unterschiedlich verhalten, weil sie nie dafür gebaut wurden.

Zu viele Segmente. Acht Segmente fühlen sich gründlich an und sind operativ unmöglich: Vier Ps mal acht sind 32 Entscheidungen, die gepflegt werden müssen. Drei bis fünf ist der Bereich, in dem ein kleines Team tatsächlich unterschiedliche Behandlungen fahren kann. Wenn der Algorithmus auf mehr besteht, sind die Basisvariablen wahrscheinlich verrauscht.

Cluster mit Segmenten verwechseln. Ein Algorithmus liefert immer Gruppen, auch auf Zufallsdaten. Ein Cluster wird erst zum Segment, wenn er die fünf Tests besteht und eine Zeile in der Vier Ps Tabelle hat.

Responsivität behaupten ohne Test. Die Vier Ps Tabelle ist ein Satz Hypothesen, bis ein Holdout etwas anderes sagt. Ich habe "preissensible" Segmente gesehen, die zum vollen Preis mehr kauften, sobald die Rabatte aufhörten. Teste die Klammer in $V_k$.

So mache ich das für Kunden

Die Daten, die ich brauche, sind die Bestellhistorie mit Kundenschlüssel, zwei Jahre, wenn du sie hast, plus die Engagementdaten, die dein Mail oder CRM Tool exportiert. Wenn du Solidus oder einen anderen Rails Shop betreibst, kann ich die Tabelle mit einer Zeile pro Kunde meist an einem Tag selbst ziehen.

Der erste Monat beginnt mit dem kostenlosen Workshop, in dem wir die strategische Frage und die A priori Trennungen aufschreiben, die das Unternehmen schon kennt, und festlegen, was "andere Behandlung" konkret heissen würde. Dann zwei Wochen echte Arbeit auf meine Kosten: die Featuretabelle, die A priori Trennung, die Post hoc Segmentierung darin, die fünf Tests und ein erster Entwurf der Vier Ps Tabelle. Wenn du am Ende nicht glaubst, dass die Segmente echt sind, trennen wir uns ohne Rechnung.

Was du bekommst, wenn wir weitermachen: eine einseitige Definition pro Segment, eine gescorte Kundenliste mit Segment ID und Version, die in dein CRM lädt, das Scoring als SQL oder Python, damit es ohne mich in deinem eigenen Warehouse läuft, ein Entscheidungsmemo pro Segment mit einer Zahl (dem Substanzwert) und einem Risiko, und ein Dashboard, das eine Frage beantwortet: Wie bewegen sich die Segmente. Wo es sich rechnet, ersetzen Segmentmodelle die gepoolten, wie im Churn Beispiel oben. Alles davon gehört dir. Die analytische Arbeit ist auf der Seite Data Science beschrieben, die Aktivierungsseite, auf der die vier Ps zu Kampagnen und Tests werden, unter Growth Hacking Plus, und die kommerziellen Bedingungen, inklusive der provisionsbasierten Option, auf der Preisseite. Eine verantwortliche Person, ehrliche Zahlen mit Fehlermargen, keine Eitelkeitsmetriken.

Fragen an dein Team oder deine Agentur

• Welche Entscheidung würden wir pro Segment anders treffen, über die Botschaft hinaus?
• Kann jeder Kunde in unserer Datenbank durch eine Regel, die wir nächsten Montag laufen lassen können, genau einem Segment zugeordnet werden?
• Wie hoch ist Eta Quadrat auf unseren Basisvariablen, und hat es jemand zur Kontrolle für die demografischen Variablen berechnet?
• Welche Unterschiede in der Reaktion der Segmente wurden tatsächlich gegen einen Holdout getestet, und welche sind Annahmen?
• Was bedeutet Churn für jedes Segment, und kennt unser Churn Modell den Unterschied?
• Wann wurden die Segmente zuletzt neu gescort, wie viele Kunden sind gewandert, und wer verantwortet jedes Segment?

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