Sponsored Post. Interrogare

Ihre Konsumenten sind vielschichtig – Ihre Segmentierung auch?

   Artikel anhören
© wachiwit - stock.adobe.com
Nur wer seine Zielgruppen versteht, kreiert relevante Kommunikation, erfolgreiche Produkte und langfristige Kundenbeziehungen. Doch das scheint leichter gesagt als getan. Merken wir doch gerade in heutigen Zeiten – Stichwort rasant zunehmende Digitalisierung – besonders: das Konsum- und Nutzungsverhalten verändert sich ebenso deutlich wie die Erwartungen und Bedürfnisse der Kunden.

Die einzige Möglichkeit diese Veränderungen zu erkennen und nicht zu verschlafen, besteht in einer empirischen Überprüfung. Das Mittel der Wahl stellt häufig eine Segmentierung dar, auf deren Basis verschiedene Zielgruppensegmente identifiziert werden, die daraufhin alle Kontakte des Unternehmens mit den Kunden beeinflussen und im Idealfall als Leitlinie für alle Bereiche im Unternehmen gelten sollen. Darüber hinaus besteht der Wunsch, dass sie auch als Anknüpfungspunkte für spezifische Unterthemen wie Pricing, Kommunikation, CRM, Neuproduktentwicklung, etc. genutzt werden können. Wer sich diese Vielfalt an Anforderungen betrachtet, kommt nicht umhin zu bemerken, dass der Wunsch nach einer solchen allumfassenden Segmentierung nichts anderes ist als der nach einer „eierlegenden Wollmilchsau“.

Denn auch wenn die Vorteile einer einheitlichen, ganzheitlichen Kundensegmentierung sehr verlockend sind, so bestehen doch einige Schwierigkeiten:

  1. In der Regel können nur eine geringe Anzahl an Kundensegmenten differenziert werden, damit die Segmentierung verständlich und tatsächlich genutzt werden kann. Diese Limitierung bedeutet, dass nur ein Bruchteil relevanter Unterschiede durch die Segmente beschrieben werden können. Dieser Sachverhalt wirkt umso schwerwiegender, wenn konfligierende Muster auf unterschiedlichen Perspektiven bestehen.
  2. Die Berücksichtigung von sehr vielen unterschiedlichen Dimensionen führt sehr schnell dazu, dass unsystematische Streuungen (sog. Rauschen) die relevanten Muster zur Identifizierung der Segmente verschüttet und nicht mehr identifizierbar machen. Dieser Effekt wird durch die immer stärker werdende Individualisierung von Einstellungen, Bedürfnisstrukturen etc. in unserer Gesellschaft noch verstärkt (Stichwort: hybrider Konsument).
  3. Jede Segmentierung ist nur so gut, wie das Ziel, welches mit dieser verfolgt wird. So kann eine Segmentierung, die präzise Soziodemografika oder psychografische Merkmale trennt, in der Regel nicht dieselbe Präzision und Trennschärfe auf anderen Aspekten, wie z.B. dem Kaufverhalten liefern.

Um diesen Sachverhalt etwas besser zu erläutern, hilft es sich die zur Bildung von Segmenten genutzten Verfahren einmal ganz allgemein hinsichtlich ihrer Funktionsweise zu betrachten: Alle verfügbaren Informationen, also vielfältigste Variablen zu Einstellungen, Verhalten, Soziodemografika, etc. werden in einem Schritt verarbeitet und auf erkennbare Muster untersucht. Dies funktioniert dann gut, wenn die Muster über alle Variablen korreliert sind. Sollten allerdings auf unterschiedlichen „Datenabschnitten“ unterschiedliche, unkorrelierte Muster bestehen, dann versucht das Segmentierungsverfahren einen Kompromiss zwischen den verschiedenen Mustern zu erzeugen. Diese Kompromisslösung liefert hinsichtlich einzelner Variablen entsprechend kaum trennscharfe, klar voneinander abgrenzbare Segmente. Einen Mehrwert schafft man so keinesfalls. Daher stellt sich die Frage: Wie kann diese Anforderung nach einer Identifizierung passender Zielgruppensegmente erfolgreich erfüllt werden? Die Antwort lautet: Multi-Purpose Segmentierung.


Mit der Multi-Purpose Segmentierung löst man dieses multidimensionale Problem mit einer ebenso multidimensionalen Herangehensweise. Im Gegensatz zur klassischen Segmentierung, wird bei der multidimensionalen Variante keine einzelne vollständige Segmentierung hinsichtlich aller relevanten Variablen erstellt, sondern mehrere Segmentierungen für unterschiedliche Zielsetzungen bzw. Perspektiven.
Abbildung 1: Schematische Darstellung der Multi-Purpose Segmentierung
© Interrogare
Abbildung 1: Schematische Darstellung der Multi-Purpose Segmentierung
Im ersten Schritt werden hierzu die Variablen je Perspektive einzeln analysiert und geclustert, sodass innerhalb der einzelnen Perspektiven – sei es die bisherige Nutzung, Einstellungen oder Soziodemografika – unterschiedliche Gruppen ausgemacht werden können. An dieser Stelle können die typischen klassischen Clusterverfahren sowie neuere Ansätze zur Segmentbildung wie Self-Organizing Maps oder Latent Class Verfahren verwendet werden. Im zweiten Schritt folgt dann die eigentliche Multi-Purpose Segmentierung, nämlich die Segmentierung über alle vorangegangenen Clusterungen. Dieser Ansatz basiert auf im Data Mining und Machine Learning entwickelten Voting-Algorithmen, welche die Informationen der einzelnen Single-Purpose-Segmentierungen nutzen und diese Informationen zu einer aggregierten Lösung vereinen. Das Resultat sind konkretere und präzisere Segmente, die auch hinsichtlich ihrer Teilaspekte (bzw. Perspektiven) aussagekräftige und verhaltensrelevante Muster aufweisen. Im Vergleich zu den üblichen Clusterverfahren wird auf diese Weise das Rauschen reduziert und es werden bereits mit geringeren Fallzahlen stabile und valide Kundensegmente identifiziert.

Ein wesentlicher Vorteil dieser Herangehensweise ist, dass neben der übergeordneten Kundensegmentierung auch die zugrundliegenden Single-Purpose-Segmentierungen als eigene Lösungen erhalten bleiben und für spezifische Fragestellungen, z.B. im Rahmen der Kundenkommunikation, des CRM oder der Neuproduktentwicklung genutzt werden können. Diese „Bausteine“ der Overall-Segmentierung sind dabei gänzlich unabhängig voneinander und bieten somit für detaillierte Sachverhalte deutlich präzisere, validere und trennschärfere Ergebnisse als eine klassische Kundensegmentierung über alle Perspektiven auf einmal bieten kann.
Abbildung 2: Beispielhafte Darstellung einiger Ergebnisse der MPS eines Baumarkes
© Interrogare
Abbildung 2: Beispielhafte Darstellung einiger Ergebnisse der MPS eines Baumarkes
Ein weiterer Vorteil der Multi-Purpose-Segmentierung ist die klare Strukturierung der Ergebnisse in einzelne Perspektiven. Abbildung 2 zeigt als Beispiel ausschnitthaft einige Ergebnisse einer Multi-Purpose-Segmentierung von Baumarktkunden, in der u.a. die Perspektiven Soziodemographie, Expertise, Einstellungen genutzt wurden. So bilden z.B. die Erfahrungen und Skills im Bereich Bauen, Renovieren und Heimwerken eine zentrale Perspektive für die Segmentierung, da diese wichtige Voraussetzungen für den Zugang- und Umgang mit Warenangeboten im Baumarkt darstellen. Die üblichen soziodemografischen Daten wie Alter, Geschlecht und Einkommen sind unmittelbar mit anderen Kernfaktoren wie Wohnsituation verknüpft, da diese – für die Segmentierung von Baumarktkunden – wichtige Informationen für die aktuelle Lebenssituation (und damit auch potenzielle Bedarfe) abbildet. Wie aus der Perspektive „Einstellung“ hervorgeht, können diese durchaus unterschiedliche Aspekte vereinen und wie in diesem Beispiel Interessen hinsichtlich von DIY-Tätigkeiten, Präferenzen für die Baumarktwahl und konkrete Erwartungen an den Baumarkt an sich (Mindset) abdecken. So zeigt das in Abbildung 2 beschriebene Segment eher baumarktaffine Kunden, welche – trotz relativ hoher Expertise im Bereich DIY – einen hohen Bedarf an qualitativ hochwertigen Produkten, Service und Beratung hat.

Die Multi-Purpose Segmentierung bildet somit zahlreiche unterschiedliche Perspektiven der Konsumentenrealität ab und integriert sie in trennscharfe Ergebnisse für die gewählten Perspektiven. Dies ist gerade für die Glaubwürdigkeit und Nutzbarkeit der Ergebnisse im Unternehmen extrem hilfreich, da eine fehlende Differenzierung – berechtigterweise – schnell dazu führen kann, an der Qualität und dem Nutzen einer Kundensegmentierung zu zweifeln. 

Ich habe die Datenschutzbestimmungen zur Kenntnis genommen und akzeptiere diese.
stats