Prädiktive Segmente

Traditionelle Segmente gruppieren Kunden nach Alter, Geschlecht oder Standort. Prädiktive Segmente gruppieren sie stattdessen nach ihrem voraussichtlichen zukünftigen Verhalten.

Die Frage verschiebt sich von „Wer ist dieser Kunde?“ zu „Was wird dieser Kunde als Nächstes tun?“ Diese zukunftsorientierte Perspektive macht prädiktive Segmente für das Marketing deutlich umsetzbarer.

Das RFM-Scoring bewertet Kunden anhand von drei Dimensionen: Recency, also die Zeit seit dem letzten Kauf, Frequency, also die Kaufhäufigkeit, und Monetary Value, also den monetären Wert.

Jede Dimension wird üblicherweise anhand von Quintilen mit 1 bis 5 bewertet. So entsteht beispielsweise der Code R5 F5 M5 für Ihre besten Kunden. RFM ist das klassische, leicht interpretierbare Fundament der Verhaltenssegmentierung.

Rohcodes aus dem RFM-Modell werden nützlich, wenn sie benannten Segmenten zugeordnet werden, die eine Handlung nahelegen.

Champions kaufen häufig und erst kürzlich. Abwanderungsgefährdete Kunden haben früher viel gekauft, sind aber inzwischen inaktiv. Neue Kunden haben kürzlich gekauft, jedoch nur einmal. Jeder Name legt eine andere Kampagne nahe.

Sobald der LTV für jeden Kunden prognostiziert wurde, lassen sich Kunden in Wertklassen wie Platin, Gold, Silber und Bronze einteilen.

So wird das Kundenbindungsbudget dort eingesetzt, wo es sich auszahlt. Die obersten 20 % der Kunden erwirtschaften häufig den Großteil des Gewinns. Ihr Schutz hat daher Priorität.

Ein Abwanderungsmodell weist jedem aktiven Kunden eine Wahrscheinlichkeit zu, im nächsten Zeitraum abzuwandern. Wenn Sie das Abwanderungsrisiko mit dem prognostizierten Wert kombinieren, entsteht ein leistungsfähiges 2x2-Raster.

Kunden mit hohem Wert und hohem Risiko sind die dringendsten Rückgewinnungsziele. Bei Kunden mit niedrigem Wert und hohem Risiko lohnt sich der Aufwand für die Kundenbindung möglicherweise überhaupt nicht.

Propensity-Modelle prognostizieren die Wahrscheinlichkeit einer bestimmten zukünftigen Handlung: eines nächsten Kaufs, der Annahme eines Upsell-Angebots oder eines Cross-Sell-Kaufs in einer anderen Kategorie.

Wenn Sie nur Kunden oberhalb eines bestimmten Propensity-Schwellenwerts ansprechen, steigt die Effizienz der Kampagne, weil Sie keine Ausgaben mehr für Personen tätigen, die unabhängig vom Angebot wahrscheinlich nicht konvertieren.

Unüberwachte Verfahren wie k-means gruppieren Kunden anhand ihrer Ähnlichkeit über viele Merkmale hinweg und decken so Segmente auf, die Sie nicht vorher definiert haben.

Cluster können beispielsweise eine Gruppe von „Wochenend-Schnäppchenjägern“ oder „frühen Premiumanwendern“ sichtbar machen. Der Nachteil ist die eingeschränkte Interpretierbarkeit: Cluster müssen profiliert und benannt werden, bevor sie als Grundlage für Maßnahmen dienen können.

Gute prädiktive Merkmale gehen über die Kaufhistorie hinaus: E-Mail-Interaktionen, Support-Tickets, die Häufigkeit von App-Sitzungen und die Zeit zwischen Bestellungen liefern ebenfalls Hinweise auf zukünftiges Verhalten.

Eine zunehmende Abweichung zwischen dem erwarteten und dem tatsächlichen Kaufzeitpunkt ist eines der stärksten Frühwarnzeichen für Abwanderung. Sie tritt häufig Wochen auf, bevor ein Kunde offiziell inaktiv wird.

Kunden wechseln ständig zwischen Segmenten. Ein Champion, der nicht mehr kauft, wird abwanderungsgefährdet; ein neuer Kunde kann in die Goldklasse aufsteigen.

Prädiktive Segmente müssen regelmäßig neu berechnet werden, oft täglich oder wöchentlich. Ein bei der Registrierung festgelegtes Segment verliert schnell an Aussagekraft und löst irrelevante Nachrichten aus.

Ein Segment ist nur dann nützlich, wenn es sich anders verhält als der Rest. Prüfen Sie, ob Kunden mit einem prognostizierten hohen LTV im Zeitverlauf tatsächlich mehr Umsatz generieren.

Lift-Charts und Kontrollgruppen bestätigen, ob das Modell Kunden sinnvoll unterscheidet oder lediglich den Durchschnitt neu verteilt. Schlecht getrennte Segmente verschwenden den Aufwand für die Zielgruppenansprache.

Jedes prädiktive Segment sollte einer klaren Marketingmaßnahme zugeordnet sein: einem Rückgewinnungs-Flow für abwanderungsgefährdete Kunden, einem VIP-Programm für Kunden der Platin-Klasse oder einer Onboarding-Serie für neue Kunden.

Ohne diese Zuordnung bleibt Segmentierung reine Analyse. In der nächsten Lektion werden diese Prognosen in konkrete Kampagnen und Budgetentscheidungen umgesetzt.

Ermitteln Sie, bei welchem Segment eine Maßnahme am dringendsten ist.

Prädiktive Segmente gruppieren Kunden nach ihrem zukünftigen Verhalten. Dafür werden RFM, prognostizierte LTV-Wertklassen, Abwanderungsrisiko, Propensity-Scores und Clustering verwendet.

Aussagekräftige Merkmale und häufige Neuberechnungen halten die Segmente präzise, eine Validierung bestätigt den tatsächlichen Lift, und jedes Segment muss einer Maßnahme zugeordnet sein. Als Nächstes setzen wir diese Prognosen um.