Daten-Trampelpfade - Kunden zeigen den Weg

Bereits in den 70er Jahren war sich der Architekt Christopher Alexander der Problematik um die fehlende Partizipation der späteren Nutzerinnen von Gebäuden und Infrastruktur bewusst. Er war überzeugt davon, dass ein Projekt dann am erfolgreichsten geplant und umgesetzt werden kann, wenn in einem Bottom-Up Approach die Userinnen ein Mitspracherecht erhalten und nachträgliche Modifikationen sowohl in der Planungsphase als auch zu einem späteren Zeitpunkt möglich sind. Heute würde man von einem agilen Ansatz reden!

Data Driven Marketing, Kundendaten Analyse, Kundensegmentierung, Clusteranalyse, Marketing

Daten - Analog und digital

Die Universität von Oregon entschied sich 1971 den Ansatz von Christopher Alexander auszuprobieren und übertrug ihm die Verantwortung für die Gestaltung des Campus. Alexander entschied sich dagegen, die Wege auf dem Gelände nicht am Zeichentisch zu planen, sondern die Studentinnen und Angestellten der Universität wortwörtlich „mit den Füßen abstimmen zu lassen“. Auf dem gesamten neu zu gestaltenden Gelände wurde zu Beginn Rasen eingesät. Ohne durch vorgegebene Wege feste Routen vorzugeben, wurde in der folgenden Zeit beobachtet, welche Trampelpfade sich im Gras bilden. Diese Trampelpfade wurden anschließend befestigt und bildeten ein Wegenetz, das für die Nutzerinnen des Campus ideal und effizient ist, weil es ihre intuitive Bewegungsweise widerspiegelt. Damit handelte es sich um eine analoge und anonyme Nutzerbefragung.

Was hat aber nun die Campusgestaltung einer Universität mit Data Driven Marketing zu tun?
Christopher Alexander verwendet - genau wie es beim data driven Marketing der Fall ist – Daten für sein Projekt, nämlich Bewegungsdaten der Studierenden und Angestellten. Und er hatte etwas erkannt, was in vielen Marketingabteilungen aktuell noch vernachlässigt wird: Die beste Möglichkeit zur Identifikation von Kunden-Wünschen ist es, die hinterlassenen Spuren anzusehen, anstatt am Reißbrett Vorgaben zu machen.

In einer Zeit, in der Daten über das Kaufverhalten und die Profile von Kunden in vielfältiger Form vorhanden sind, werden diese oft nicht, oder in geringem Umfang, genutzt. Viele Marketingabteilungen tasten sich durch den Nebel und lernen durch „Trial and Error“. Zumindest vermeintlich kennen die Verantwortlichen ihre Kunden gut. Sie glauben zu wissen, welche verschiedenen Kundengruppen es gibt und welche Strategie für diese besten funktionieren. Das „Bauchgefühl“ ist dann in vielen Situationen ausschlaggebend für Marketingentscheidungen, höchstens werden diese Entscheidungen noch durch A-B- oder Nullgruppentests überprüft. So werden beispielsweise Kundensegmente nicht anhand einer statistischen Clusteranalyse gebildet, sondern am Reißbrett als Personas erstellt und oft am Kunden vorbei. Dabei gibt es eine sehr zuverlässige Quelle, aus der man Informationen über das (Kauf)Verhalten der Kunden zuverlässig erfahren kann: die Kunden selbst!

 

 

 

Spurensuche in den Kundendaten

Die für ein erfolgreiches Marketing relevanten Spuren hinterlassen Kunden natürlich nur in den seltensten Fällen auf dem Boden. Im Regelfall geht man im CRM System auf die Spurensuche und in den Kaufdaten. Diese Spurensuche kann zum Beispiel in Form einer Clusteranalyse erfolgen, durch die Kundensegmente gebildet werden, die vielleicht nicht der Idealvorstellung der Marketingverantwortlichen entsprechen, dafür aber die Bedürfnisse der Kunden viel besser widerspiegeln. Und wenn die Bedürfnisse von verschiedenen Kundengruppen innerhalb der Segmente recht homogen sind, so eröffnet dies viele Möglichkeiten der Anspracheoptimierung für jede Subgruppe!

Doch wie genau würde man vorgehen, wenn man data driven Marketing machen will? Wenn man zum Beispiel die Spuren der Kunden für eine Segmentierung nutzen möchte?

Sinnvoll ist es in einem ersten Schritt immer, sich einen Überblick darüber zu verschaffen, welche Daten überhaupt vorliegen. Wo verlaufen die Trampelpfade? Oft ist es dazu nötig mehrere Datenquellen zu nutzen, da nicht immer alle Informationen zentral gebündelt vorliegen (zB in Form eines Datamarts). Typische Datenquellen sind das CRM-System oder die Kaufdaten. Je nachdem, wie gut man die Daten bereits kennt, bietet es sich an, zuerst einige deskriptive Auswertungen zu machen, um herauszufinden, wie bestimmte Merkmale verteilt sind. Anschließend müssen die Variablen ausgewählt werden, die in die Clusterung mit einfließen sollen. Je nachdem in welcher Form sie vorliegen und in welcher sie in die Analyse mit einfließen sollen, müssen sie anschließend aufbereitet werden. Dann kommt der eigentliche Schritt: die Clusteranalyse wird gerechnet und anhand der Ergebnisse die beste Anzahl an Segmenten ausgewählt. 

 

 

Jetzt Newsletter abonnieren!