Data Mining im Handel: Kundensegmentierung liefert Informationsgrundlage

Der Handel gehört – insbesondere in Deutschland – zu den wettbewerbsintensivsten Branchen überhaupt. In einem von Preisdruck und sprunghaftem Kundenverhalten geprägten Umfeld sind effiziente Geschäftsabläufe die Hauptvoraussetzung dafür, konkurrenzfähig zu bleiben. Eine individuelle Sortimentsgestaltung oder zielgruppenspezifische Filialplanungen sind hier geeignetere Differenzierungsmöglichkeiten gegenüber dem Wettbewerber als immer neue Preisschlachten.

Grundlage dafür sind allerdings profunde und zeitlich stabile Aussagen über das Einkaufsverhalten typischer Kundengruppen, die z.B. eine Kundensegmentierung (Zusammenfassung von Einzelkunden nach ähnlichen Merkmalsausprägungen in Segmente) liefern kann.

Data Mining zur explorativen Analyse des Kundenverhaltens

Zwar wird im Handel durch die Nutzung von Kundenkarten und Rabattsystemen oder durch die Bestellabwicklung im E-Commerce eine Fülle an Daten erzeugt. Traditionelle Auswertungen in Form einfacher Statistiken oder Ad-hoc-Datenbankabfragen stoßen jedoch rasch an Grenzen – allein aufgrund der meist unüberschaubaren Menge an Einkaufstransaktionen (bereits mittelgroße Versandhäuser verschicken mehrere Zehntausend Sendungen pro Tag). Insbesondere die Kundensegmentierung erweist sich als komplexes Analyseproblem, denn es gibt bereits 269 Möglichkeiten, lediglich 100 Kunden in fünf Gruppen einzuteilen.

Hinzu kommen weitere Herausforderungen: Geeignete Segmentierungskriterien sind ex ante weitgehend unbekannt und müssen während der Analyse aus den vorliegenden Daten ermittelt werden. Zusätzlich sollten die Erkenntnisse zeitlich stabil sein, um später konkrete Maßnahmen ableiten zu können – dafür müssen z.B. Saisoneffekte geglättet oder durch geschickte Wahl des Zeithorizonts minimiert werden.

Die erforderliche Verdichtung der Einkaufsdaten und die gleichzeitige Bestimmung trennscharfer Segmentierungskriterien lässt sich nur mit einer explorativen Data-Mining-Segmentierung erreichen. Der große Vorteil von Data-Mining-Verfahren besteht in ihrem großen Suchraum, der durch keine Hypothese des Anwenders eingeschränkt wird. Spezielle Ansätze wie z.B. das Self-Acting Data Mining haben einen besonders hohen Automatisierungsgrad, verlangen nur wenig manuelle Eingriffe und können auch sehr große Datenmengen schnell analysieren.

Nutzenpotenziale von Kundensegmentierungen
Zur Bildung von Kundensegmenten eignen sich vorwiegend Warenkorbdaten, die beim Einkauf erfasst werden: Neben absoluten Größen wie Umsätzen und Deckungsbeiträgen sind vor allem Kennzahlen aufschlussreich, die auf relativen Umsatzanteilen von Warengruppen basieren. Beispiele sind „Anteil Bioprodukte“ im Lebensmittelhandel oder „Anteil Premium-Waren“ im Elektronikversandhandel. Durch die Normierung des Wertebereichs (0 bis 1) sind die Kennzahlen direkt vergleichbar – gleichzeitig wird ein unübersichtliches Sortiment sinnvoll auf Warengruppenebene verdichtet. Zusätzlich können z.B. zeitliche Merkmale wie die Einkaufszeit oder der Wochentag aufgenommen werden.

Fazit:
Kundensegmentierungen liefern die Informationsgrundlage sowohl für die operative Nutzung und als auch für grundlegende strategische Entscheidungen im Handel. So erlauben die Segmenteinteilungen und die Anzahl der Kunden in bestimmten Segmenten z.B. einen Abgleich zwischen der Positionierung eines Handelsbetriebs oder einer Filiale (Zielgruppe) und der Charakteristik aktueller Kunden. Darüber hinaus gibt es zahlreiche weitere Anwendungszwecke: In die bestehende Segmentierung können z.B. sofort Neukunden eingeordnet werden. Auch Segmentwechsel von bestehenden Kunden im Zeitablauf können aufschlussreiche Informationen liefern.

Autor: Peter Neckel

Peter Neckel ist Analyst beim Berliner BI-Beratungs- und Analystenhaus mayato.