Werkzeuge der Segmentierung: k means, Latent Class und mehr als RFM

Die zwei Kunden, die laut RFM gleich waren

Im letzten November kamen bei The Gift Bow zwei Bestellungen innerhalb einer Stunde herein. Die erste von einer Office Managerin in Leeds: zwölf Mal derselbe Geschenkkorb, zwölf Lieferadressen, ein Firmenname im Rechnungsfeld, die Bitte um eine Rechnung mit Umsatzsteuer und eine Karte mit dem Logo der Kanzlei. 540 Pfund. Die zweite von einer Frau in Bath, die drei Körbe für ihre drei Schwestern kaufte, je eine Grussbotschaft, 190 Pfund. Beides waren Erstbestellungen. Beide waren frisch. Beide lagen im obersten Fünftel der Bestellwerte, weil die meisten Bestellungen im Shop ein einzelner Korb zwischen 40 und 60 Pfund sind.

Das RFM Scoring, das ich als schnellen Gewinn eingerichtet hatte, steckte beide in dieselbe Zelle: Recency 5, Frequency 1, Monetary 5. Die Automation an dieser Zelle schickte beiden in der zweiten Dezemberwoche ein "Willkommen, hier sind zehn Prozent auf deinen nächsten Korb". Die Office Managerin brauchte keine zehn Prozent. Gebraucht hätte sie jemanden, der sie im Oktober des nächsten Jahres anruft und fragt, wie viele es diesmal werden. Die Frau in Bath brauchte auch keinen Rabatt. Gebraucht hätte sie Ende Februar eine Erinnerung, dass der Muttertag näher kommt. RFM sah zwei Zahlen und ein Verhalten. Es waren zwei Verhalten, und ehrlich gesagt zwei Geschäfte, in einem Shop. Dieses Kapitel handelt von den Werkzeugen, die sie auseinanderhalten. Der Shop ist echt, es ist meine eigene Solidus Demo auf hampers.keferboeck.com; die Zahlen sind illustrativ.

Wo das in der Serie steht

Das ist das letzte Kapitel von Teil drei, Interrelationstechniken. Der Teil begann mit simultanen Gleichungen, ging über Hauptkomponenten und Faktorenanalyse und legte dann in Segmentierung: Strategie vor Algorithmen das Denken fest: du entscheidest, wozu ein Segment da ist, bevor du einen Algorithmus anfasst. Dieses Kapitel nimmt sich die Algorithmen vor. Danach eröffnen wir Teil vier, Medien und Loyalität, mit Den Wert von Marketingkommunikation modellieren.

Was eine gute Segmentierung liefern muss

Vier Dinge, und eine Segmentierung, die an einem davon scheitert, scheitert.

Trennung: Segmente sollen bei den Dingen, die Verhalten treiben, weit auseinanderliegen. Wenn sich zwei Segmente nur leicht unterscheiden, ist das Marketing für beide dasselbe, und was du wirklich hast, ist ein Segment mit einer Linie mitten durch.

Kohäsion: Kunden innerhalb eines Segments sollen sich ähnlich genug sein, dass eine Botschaft, ein Angebot und eine Landingpage für die meisten funktionieren.

Interpretierbarkeit: die Person, die das E Mail Programm betreibt, soll jedes Segment in einem Satz beschreiben können, ohne Tabelle. Wenn der Satz die Worte "Komponente zwei" braucht, fang noch einmal an.

Handlungsfähigkeit: jedes Segment braucht mindestens eine Sache, die du für dieses Segment anders machen würdest. Ein anderer Kanal, ein anderes Angebot, ein anderer Zeitpunkt, ein anderes Produkt. Wenn du sie nicht nennen kannst, ist das Segment eine statistische Kuriosität.

Die ersten zwei sind messbar. Die letzten zwei sind Urteil, und dort sterben die meisten Segmentierungen leise: wunderbar getrennte Cluster, mit denen niemand im Unternehmen etwas anfangen kann.

Der Werkzeugkasten

Hierarchisches Clustering baut einen Baum. Die agglomerative Variante beginnt mit jedem Kunden als eigenem Cluster und verschmilzt immer wieder das nächstgelegene Paar, bis ein einziger Cluster übrig ist; dann schneidest du den Baum auf der Höhe, die dir die gewünschte Anzahl Gruppen gibt. Das Verfahren nach Ward, das jeweils das Paar verschmilzt, das die Varianz innerhalb der Cluster am wenigsten erhöht, liefert kompakte Gruppen und ist mein Standard. Die Stärke ist das Dendrogramm, das die ganze Struktur bei jeder Gruppenanzahl zeigt. Die Schwäche sind die Kosten: es braucht den Abstand zwischen jedem Kundenpaar, bei 6.000 kein Problem, bei 6 Millionen unbrauchbar.

k means wählt k Zentren, ordnet jeden Kunden dem nächsten Zentrum zu, verschiebt jedes Zentrum auf den Mittelwert seiner Mitglieder und wiederholt das, bis sich nichts mehr ändert. Es ist schnell, es skaliert, es steckt in jeder Bibliothek, und es ist das, was die meisten mit "Clustering" meinen. Es hat auch feste Meinungen: es will numerische Variablen auf vergleichbaren Skalen, es bildet ungefähr kugelförmige Gruppen mit ähnlicher Streuung, und es findet k Cluster, egal ob die Daten welche enthalten oder nicht.

Latent Class Analysis sieht die Sache anders. Die Methode nimmt an, dass die Population eine Mischung aus wenigen unbeobachteten Klassen ist, dass innerhalb jeder Klasse die beobachteten Variablen unabhängig sind, und dass jede Klasse ihre eigene Wahrscheinlichkeit für jede Antwort hat. Zugehörigkeit ist probabilistisch: ein Kunde ist zu 84 Prozent Klasse B und zu 16 Prozent Klasse A. LCA verarbeitet kategoriale Variablen von Haus aus, was k means nicht kann, und gibt dir einen sauberen Weg, die Anzahl der Klassen zu wählen.

Mischmodelle verallgemeinern das auf stetige Variablen: eine Gauss Mischung ist die probabilistische Cousine von k means, mit Ellipsen statt Kugeln und weicher statt harter Zugehörigkeit.

Entscheidungsbäume sind hier keine Segmentierungsmethode, sondern das Profilierungswerkzeug. Ein flacher Baum, der die Zugehörigkeit aus einer Handvoll einfacher Variablen vorhersagt, liefert die kürzeste Beschreibung jeder Gruppe und Regeln, die du in ein E Mail Tool tippen kannst.

Die Mathematik, kurz

k means minimiert die Summe der quadrierten Abstände zwischen jedem Kunden und dem Zentrum seines Clusters:

$$J = \sum_{j=1}^{k} \sum_{x_i \in C_j} \lVert x_i - \mu_j \rVert^2$$

Dabei ist $k$ die Anzahl der Cluster, $C_j$ die Menge der Kunden in Cluster $j$, $x_i$ der Variablenvektor von Kunde $i$, $\mu_j$ das Zentrum (der Mittelwert) von Cluster $j$, und die Doppelstriche stehen für den euklidischen Abstand. $J$ ist die Quadratsumme innerhalb der Cluster, kurz WCSS, die Zahl im Ellbogendiagramm weiter unten. Der Algorithmus garantiert nur ein lokales Minimum, weshalb du ihn von vielen zufälligen Startpunkten laufen lässt und das beste Ergebnis behältst.

Der klassische RFM Score macht aus drei Quintilrängen eine dreistellige Zahl:

$$\text{RFM}_i = 100\,R_i + 10\,F_i + M_i$$

$R_i$ ist das Recency Quintil von Kunde $i$, mit 5 für das frischeste Fünftel, $F_i$ das Frequency Quintil und $M_i$ das Monetary Quintil. Eine 555 ist deine beste Zelle; eine 111 ist wahrscheinlich weg. Es ist eine Rangfolge nach Wert, keine Beschreibung von Verhalten, und die zwei Kunden aus der Eingangsszene hatten beide 515.

Latent Class Analysis maximiert eine Likelihood. In Worten: die Wahrscheinlichkeit des Antwortmusters eines Kunden ist die Summe über alle Klassen aus der Wahrscheinlichkeit, in dieser Klasse zu sein, mal der Wahrscheinlichkeit dieses Musters innerhalb der Klasse; innerhalb einer Klasse gelten die Variablen als unabhängig, sodass diese bedingte Wahrscheinlichkeit ein einfaches Produkt ist:

$$L(\theta) = \prod_{i=1}^{n} \sum_{c=1}^{k} \pi_c \prod_{v=1}^{V} P(x_{iv} \mid c)$$

$n$ ist die Anzahl der Kunden, $k$ die Anzahl der Klassen, $\pi_c$ der Anteil der Population in Klasse $c$, $V$ die Anzahl der beobachteten Variablen und $P(x_{iv} \mid c)$ die Wahrscheinlichkeit, dass ein Mitglied von Klasse $c$ bei Variable $v$ den Wert zeigt, den Kunde $i$ gezeigt hat. Nach dem Schätzen liefert die Regel von Bayes jedem Kunden eine Posterior Wahrscheinlichkeit für jede Klasse:

$$P(c \mid x_i) = \frac{\pi_c \prod_{v} P(x_{iv} \mid c)}{\sum_{c'} \pi_{c'} \prod_{v} P(x_{iv} \mid c')}$$

Dieser Posterior ist der praktische Unterschied zu k means. k means sagt "du bist in Cluster 2". LCA sagt "du bist 0,84 Cluster 2 und 0,16 Cluster 1", und die 0,16 ist Information, mit der du arbeiten kannst.

Für die Wahl von k stütze ich mich auf zwei Masse. Der Ellbogen verwendet $J$ von oben. Die Silhouette vergleicht für jeden Kunden den mittleren Abstand zum eigenen Cluster mit dem mittleren Abstand zum nächsten fremden Cluster:

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

$a(i)$ ist der mittlere Abstand von Kunde $i$ zu den anderen Mitgliedern des eigenen Clusters, $b(i)$ der mittlere Abstand zu den Mitgliedern des nächsten fremden Clusters. Nahe 1 heisst gut platziert, nahe 0 heisst auf einer Grenze, unter 0 heisst wahrscheinlich falsch zugeordnet. Der Durchschnitt über alle Kunden ergibt eine Zahl pro k.

Das durchgerechnete Beispiel: vier Segmente bei The Gift Bow

In Hauptkomponenten und Faktorenanalyse für Marketer habe ich vierzehn Verhaltensvariablen, gebaut aus 24 Monaten Bestellungen von 6.200 Kunden, auf vier Komponenten reduziert. Anlassschenken: Grussbotschaften, Empfängeradresse ungleich Rechnungsadresse, Bestellungen gehäuft um Weihnachten, Muttertag und Geburtstage. Firmenmassstab: Stück pro Bestellung, mehrere Lieferadressen in einer Bestellung, Firmenfeld ausgefüllt, Rechnung angefordert, Bestellung an Werktagen. Selbstverwöhnung: Lieferung an die eigene Adresse, Kategorien Käse und Wein, kurze Abstände zwischen Bestellungen, Interesse an der Abo Box. Preissensibilität: Rabattcodes, Käufe in Sale Phasen, gezahlter Durchschnittspreis relativ zum Median des Sortiments, Abbruch im Checkout beim Versandschritt.

Komponentenwerte sind bereits standardisiert, was die erste k means Falle beseitigt. Ich habe k means für k von 2 bis 8 laufen lassen, je fünfzig zufällige Starts.

Ellbogendiagramm: der Abfall von k=3 auf k=4 ist noch gross; ab k=4 wird die Kurve flach.

Der Ellbogen ist sichtbar, aber wie immer nicht scharf. Die Silhouette und ein Blick auf die Clustergrössen entscheiden:

k	WCSS	Mittlere Silhouette	Kleinster Cluster
2	17.900	0,34	2.310
3	13.600	0,31	1.180
4	10.900	0,38	430
5	9.700	0,33	190
6	8.900	0,29	110

Lies es Zeile für Zeile. Zwei Cluster geben eine ordentliche Silhouette, aber nur, weil sie "Schenken" von "allem anderen" trennen, was wir wussten. Drei verlieren Silhouette, weil die Firmenkäufer in den Geschenkcluster gezogen werden und ihn dehnen. Vier gibt die beste Silhouette, und der kleinste Cluster hat 430 Kunden, sieben Prozent, klein aber echt. Fünf schneidet 190 Kunden allein wegen Preissensibilität aus den Selbstkäufern heraus, und ab sechs entstehen Gruppen, die zu klein für eine Kampagne sind. Also vier, und vier passte zu dem, was laut Strategiekapitel das Unternehmen umsetzen kann.

Hier das Profil.

Segment	Kunden	Anteil	Bestellungen pro Jahr	Ø Bestellwert £	Stück pro Bestellung	Grussbotschaft	Fremde Adresse	Rabatt genutzt	Spitzenmonate
A Anlassschenker	2.480	40%	1,6	62	1,2	91%	94%	22%	Dez, Mär
B Firmenversender	430	7%	1,3	1.140	22	88%	100%	9%	Nov, Dez
C Selbstverwöhner	1.240	20%	5,8	48	1,1	6%	8%	31%	flach
D Schnäppchenkäufer	2.050	33%	1,1	34	1,0	55%	60%	78%	Jän, Nov

Und die Zentren, wobei der mittlere Komponentenwert jedes Segments als Perzentil über alle Kunden ausgedrückt ist, 50 ist also Durchschnitt und 90 ist nahe der Spitze:

Segment	Anlassschenken	Firmenmassstab	Selbstverwöhnung	Preissensibilität
A Anlassschenker	82	38	21	41
B Firmenversender	70	97	15	30
C Selbstverwöhner	12	27	91	52
D Schnäppchenkäufer	58	22	30	88

Segment A ist der Schwerpunkt des Shops: zwei Fünftel der Kunden, eine Grussbotschaft auf fast jeder Bestellung, eineinhalb Anlässe pro Jahr, Rabattnutzung unter dem Durchschnitt. Diese Kunden kaufen wegen eines Datums, nicht wegen eines Preises.

Segment B sind sieben Prozent der Kunden und, wenn ich die Zeilen ausmultipliziere, etwa die Hälfte des Umsatzes: 430 Kunden mal 1,3 Bestellungen mal 1.140 Pfund sind grob 637.000 Pfund bei einem Gesamtumsatz von etwa 1,3 Millionen. RFM hat fast alle davon mit Frequency 1 oder 2 bewertet, weil sie einmal im Jahr bestellen, in einer Häufigkeitsrangfolge sehen sie also wie Gelegenheitskäufer aus. Dabei sind sie die wertvollsten Beziehungen, die der Shop hat.

Segment C verschenkt nie etwas. Diese Kunden bestellen alle paar Monate Käse und Wein für sich selbst, lesen die Produktmails und sind das natürliche Publikum für die Abo Box. Ihre Rabattnutzung liegt eine Spur über dem Durchschnitt, aber die Spalte Spitzenmonate sagt "flach": sie warten nicht auf den Sale.

Segment D ist die Gruppe, für die die Rabattautomation gebaut wurde: ein Drittel des Kundenstamms und sechs Prozent des Umsatzes, eine Grussbotschaft bei etwa der Hälfte der Bestellungen, eine Bestellung pro Jahr, fast vier von fünf Bestellungen mit Code, Spitzen im Jännersale und um den Black Friday. Einige sind Geschenkkäufer, die den Shop über eine Gutscheinseite gefunden haben. Der Name ist eine Hypothese, und darauf komme ich bei den Fallen zurück.

Zurück zu den zwei Kunden vom Anfang. Die Office Managerin aus Leeds sitzt tief in B, Perzentil 98 beim Firmenmassstab. Die Frau aus Bath ist ein Lehrbuchfall A. RFM sah zweimal 515. Die Segmentierung sieht ein Firmenkonto für den Anruf im Oktober und eine Anlassschenkerin für die Erinnerung im Februar. Keine von beiden hätte zehn Prozent Rabatt bekommen sollen.

Umsatzanteil nach Segment: das nach Köpfen kleinste Segment trägt die Hälfte des Umsatzes.

Der Vergleich mit LCA

Um zu prüfen, dass k means nicht einfach ordentliche Kreise auf Rauschen gezeichnet hat, habe ich dieselben Kunden mit Latent Class Analysis auf kategorialen Fassungen der Rohvariablen neu geschätzt: Grussbotschaft, Lieferadresse abweichend, Firmenfeld ausgefüllt, Rabattcode genutzt, Bestellung im November oder Dezember, Bestellungen in mehr als einem Quartal, jeweils ja oder nein, plus Stück pro Bestellung in drei Bändern. Sieben Indikatoren, alle binär oder dreistufig, das Heimspiel der LCA.

Klassen	Negative Log Likelihood	BIC	Kleinste Klasse	Entropie
2	20.480	41.091	2.190	0,81
3	19.870	39.941	1.040	0,79
4	19.560	39.391	410	0,83
5	19.535	39.410	160	0,74
6	19.520	39.450	90	0,70

Das BIC erreicht bei vier Klassen seinen Tiefpunkt, und die Entropie, ein Mass dafür, wie sicher Kunden zugeordnet werden (1 ist vollkommen sicher), hat dort ebenfalls ihr Maximum. Fünf Klassen kaufen fast keine Likelihood dazu und zahlen mit einer Klasse von 160 Kunden und unschärferer Zugehörigkeit.

Dann die Kreuztabelle. Die vier Klassen decken sich mit den vier k means Clustern: 81 Prozent der Kunden landen in der passenden Klasse, und die meisten der 19 Prozent, die wandern, sitzen zwischen A und D, Anlassschenker, die einmal einen Code benutzt haben, oder Schnäppchenkäufer mit Grussbotschaft. Die Posteriors sagen dasselbe: 68 Prozent der Kunden haben einen maximalen Posterior über 0,9, 20 Prozent liegen zwischen 0,7 und 0,9, 12 Prozent unter 0,7, fast alle davon zwischen A und D. Diese Grenze ist echt. k means verbirgt sie nur, indem es eine harte Linie hindurchzieht.

Drei Werkzeuge, drei Fragen: RFM reiht nach Wert, k means teilt Verhalten auf, LCA schätzt die Wahrscheinlichkeit der Zugehörigkeit.

Meine Regel: k means, wenn die Inputs stetig und schon zu Komponenten bereinigt sind; LCA, wenn sie vor allem Ja oder Nein Antworten, Umfrageitems oder Kategorien sind; eine Gauss Mischung, wenn du weiche Zugehörigkeit auf stetigen Daten willst. Was auch immer du wählst, lass eines der anderen als Kontrolle laufen. Eine Übereinstimmung über 75 bis 80 Prozent zwischen zwei Methoden ist der stärkste Beleg, den ich kenne, dass die Segmente in den Daten und nicht im Algorithmus leben.

Was RFM nicht sehen kann und Verhaltenssegmente schon

RFM ist eine gute Rangfolge nach Wert zu einem Zeitpunkt, das richtige Werkzeug für "wen kontaktieren wir zuerst", wenn das Budget für ein Mailing reicht. Als Segmentierung scheitert es aus drei Gründen, die in seiner Definition liegen, nicht in der Umsetzung.

Es enthält keine Bedürfnisse. Recency, Frequency und Monetary sagen, was passiert ist, nicht warum. Zwei Kunden mit identischen Scores können für eine Hochzeit, einen Trauerfall, eine Vertragsverlängerung oder einen Dienstag gekauft haben.

Es enthält keinen Kaufanlass. Ein Geschenkkäufer kauft, weil ein Datum näher kommt, ein Firmenkäufer, weil ein Budgetjahr endet, ein Selbstkäufer, weil der Kühlschrank leer ist. Drei Auslöser, drei Kalender, und ein Frequency Quintil plättet sie alle.

Es enthält keine Reaktion. Was hat jede Gruppe getan, als du zuletzt einen Rabatt, eine Produktgeschichte, eine Erinnerung geschickt hast? Mit einem Segmentfeld am Kundendatensatz kann ich das nachschlagen. In den Demodaten ist die Klickrate von Segment D auf Rabattmails dreimal so hoch wie die von A, und die Klickrate von A auf die Mail "In drei Wochen ist Muttertag" ist die höchste in der Datei. Segment B öffnet Marketingmails gar nicht; der Anruf im Oktober hat eine Nachbestellrate um die 60 Prozent. Illustrativ, aber jede dieser Zahlen ist messbar, sobald das Segment existiert.

Verhaltenssegmentierung, gebaut auf dem, was Menschen über Kategorien, Anlässe, Kanäle und Angebote hinweg getan haben, liefert dir den Auslöser, das Bedürfnis und die Reaktion, und genau das brauchst du, um für verschiedene Menschen verschiedenes Marketing zu schreiben, der ganze Punkt von Segmentierung ist keine Demografie.

So läuft es in der Praxis

Daten. Eine Kundentabelle mit 12 bis 24 Monaten Bestellungen; Positionen mit Kategorien; ob Liefer und Rechnungsadresse abweichen (nicht die Adressen selbst); das Kennzeichen Grussbotschaft; Rabattcodenutzung; das Firmenfeld; E Mail Engagement, falls vorhanden. In einem Solidus Shop liegt all das in spree_orders, spree_line_items, spree_addresses und spree_adjustments. Ein paar hundert Kunden sind zu wenig, damit k means irgendetwas bedeutet; ab etwa tausend kannst du anfangen, ab fünftausend kannst du ihm vertrauen.

Schritte. Baue eine Zeile pro Kunde mit 10 bis 20 Verhaltensvariablen. Standardisiere, oder reduziere auf Komponenten wie in Kapitel 12. Lass k means für k von 2 bis 8 mit vielen Starts laufen; zeichne WCSS und Silhouette. Schätze LCA oder eine Gauss Mischung als zweite Meinung. Wähle k mit dem Unternehmen im Raum. Profiliere mit einer Tabelle und einem flachen Baum. Benenne die Segmente. Schreibe ein Scoring Skript. Lade das Segmentfeld in den Shop und ins E Mail Tool.

Das Scoring Skript ist kurz, und es muss die geschätzten Objekte wiederverwenden statt neu zu schätzen:

import joblib, pandas as pd

scaler = joblib.load("scaler.pkl")   # auf dem Trainingsfenster gefittet
pca = joblib.load("pca.pkl")         # die vier Komponenten aus Kapitel 12
km = joblib.load("kmeans_k4.pkl")    # Zentren eingefroren beim Fit
names = {0: "A", 1: "B", 2: "C", 3: "D"}

X = pd.read_sql("select * from customer_features", conn).set_index("customer_id")
Z = pca.transform(scaler.transform(X[pca.feature_names_in_]))
X["segment"] = [names[c] for c in km.predict(Z)]
X["distance"] = km.transform(Z).min(axis=1)   # weit weg von jedem Zentrum: zur Prüfung markieren
X[["segment", "distance"]].to_sql("customer_segments", conn, if_exists="replace")

Score monatlich neu. Schätze nicht monatlich neu: ein neuer Fit verschiebt die Zentren und benennt alle um, was jeden Kampagnenbericht bricht, der sich auf ein Segment bezieht. Schätze ein oder zwei Mal im Jahr neu und behandle das als kleines Projekt mit einer Migrationstabelle.

Prüfungen, bevor du vertraust. Lass k means von zwanzig Seeds laufen und vergleiche die Zuordnungen mit dem adjustierten Rand Index; unter 0,9 ist die Lösung instabil und du solltest sie nicht ausliefern. Bootstrap: ziehe Kunden mit Zurücklegen, schätze neu, vergleiche mit dem Original; ich will einen Median des adjustierten Rand Index über 0,7. Halbierung: fitte auf einer zufälligen Hälfte, score die andere, vergleiche die Profile. Zeitlicher Holdout: fitte auf den Monaten 1 bis 18, score die Monate 19 bis 24, prüfe, dass die Profiltabelle noch gleich liest. Prognosevalidität: sagt die Zugehörigkeit etwas vorher, das das Modell nie gesehen hat, etwa die Reaktion auf die Frühjahrskampagne oder den Umsatz im Folgequartal? Segmente, die nichts ausserhalb ihrer eigenen Inputs vorhersagen, sind eine Beschreibung, kein Werkzeug.

Für einen Shop dieser Grösse zwei bis drei Wochen, die Hälfte davon für die Merkmalstabelle.

Fallen

Unskalierte Inputs. Bestellwert in Pfund neben einem Grussbotschaftskennzeichen von 0 oder 1: k means clustert nach Pfund und nach sonst nichts. Standardisiere, oder besser, clustere auf Komponenten.

Kugeln, wo die Daten keine haben. k means teilt den Raum in Zellen um die Zentren auf. Wenn die wahre Struktur eine lange dünne Gruppe ist, etwa regelmässige Selbstkäufer entlang eines Ausgabengradienten, schneidet es diese Gruppe in zwei Teile. Mischmodelle mildern das; eine Silhouette pro Cluster deckt es meist auf.

RFM neu erfinden. Wenn die Clustervariablen von Umsatz und Häufigkeit dominiert werden, heissen die Cluster "hoher, mittlerer, niedriger Wert", und du hast RFM mit mehr Schritten gebaut. Halte die Wertvariablen aus dem Clustering heraus und nutze sie danach zum Profilieren. Deshalb ist der Umsatzanteil von Segment B ein Befund und kein Input.

Zu viele Segmente. Jedes Segment braucht ein Kreativbriefing, eine Landingpage Variante, einen E Mail Flow und einen Verantwortlichen. Vier sind für ein kleines Team machbar. Acht sind eine Tabelle, die niemand öffnet.

Statische Zugehörigkeit. Menschen wandern. Ein Kunde aus Segment D, der dreimal zum vollen Preis kauft, ist jetzt ein C oder ein A. Score monatlich und baue eine Migrationstabelle: wie viele sind von wo nach wo gewandert. Ein gesundes Programm bewegt Menschen von D nach A und von A nach B.

Namen werden zu Fakten. "Schnäppchenkäufer" ist eine Hypothese über 2.050 Menschen, erzeugt aus vier Zahlen. Einige sind Studierende. Einige sind Geschenkkäufer, die den Shop auf einer Gutscheinseite gefunden haben und gerne den vollen Preis für einen Korb zahlen würden, dem sie vertrauen. Teste den Namen: schick der Hälfte von D eine Produktgeschichte zum vollen Preis statt eines Codes und miss.

LCA hat zwei eigene. Label Switching: Klasse 1 in einem Lauf ist Klasse 3 im nächsten, also ordne Klassen über ihre Profile zu, nie über ihren Index. Lokale Unabhängigkeit: zwei fast doppelte Indikatoren wie "Grussbotschaft" und "Lieferadresse abweichend" blähen die Anzahl der Klassen auf; lass einen weg oder führe sie zusammen.

So mache ich das für Kunden

Die Daten, die ich brauche, sind Lesezugriff auf die Bestelldatenbank oder ein Export davon, 12 bis 24 Monate, plus E Mail Engagement, falls es existiert. Nichts über das hinaus, was der Shop sowieso hält, und nie die Adressen selbst.

Der erste Monat beginnt mit dem kostenlosen Workshop, ein halber Tag, in dem wir klären, wozu die Segmente da sind und welche zwei oder drei Massnahmen das Unternehmen für jedes realistisch umsetzen könnte. Dann zwei Wochen echte Arbeit auf meine Rechnung: die Merkmalstabelle, die Komponenten, k means und LCA nebeneinander, die Stabilitätsprüfungen, das Profil, die Namen. Wenn du entscheidest, dass dir das Ergebnis kein Geld wert ist, behältst du die Workshopnotizen und schuldest mir nichts.

Was du bekommst: eine gescorte Kundentabelle mit Segment und Sicherheit für jeden Kunden, zurückgeladen in deinen Shop und dein E Mail Tool; ein einseitiges Profil pro Segment, geschrieben für die Menschen, die damit arbeiten; ein Entscheidungsmemo mit der Zahl, die zählt (in der Demo: sieben Prozent der Kunden sind die Hälfte des Umsatzes und werden wie Einmalkäufer behandelt), samt Fehlermarge und Risiko; das Scoring Skript, das dir gehört; und ein Dashboard, das eine Frage beantwortet, "wie viele Kunden sind diesen Monat in jedem Segment und woher sind sie gewandert". Danach, wenn du willst, übernehme ich die Aktivierung auf Provisionsbasis: das Feld wandert in den Shop, ins E Mail Tool und in die Werbeplattformen als eine Kundenliste pro Segment, mit der Anrufliste für B im Oktober, der Erinnerung für A im Februar, dem Abo Schub für C und Lookalike Zielgruppen, die nur aus A und B gebildet werden, weil sie aus der ganzen Datei gebildet vor allem mehr von D finden würden.

Der Modellbau ist ein fest umrissenes Stück Arbeit; die Konditionen stehen auf der Preisseite. Die Methode gehört zu Data Science, die Aktivierung zu Performance Marketing, und beides beginnt mit dem kostenlosen Workshop.

Fragen, bevor du eine Segmentierung abnimmst

• Welche Variablen wurden zum Clustern verwendet, und waren Umsatz und Häufigkeit darunter?
• Wie wurde die Anzahl der Segmente gewählt, und was sagten Silhouette und eine zweite Methode?
• Lässt sich jedes Segment in einem Satz beschreiben, ohne auf eine Tabelle zu schauen?
• Was machen wir für jedes Segment anders, und wer verantwortet das?
• Wie stabil sind die Segmente unter Resampling und über die Zeit?
• Wie ist der Plan fürs Rescoring, und wie sehen wir die Wanderung zwischen Segmenten?
• Welche der Segmentnamen sind Hypothesen, die wir noch testen müssen?

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