Fachartikel

MÄR2020
Ausgabe 2/2020, Seite 30 | 20-03-30-1

Multi-Purpose-Segmentierung: Kundenorientierung durch Identifizierung passender Kundensegmente

Eine Frage der Perspektive

Segmentierungen können ein wertvolles Werkzeug zur optimalen Kundenansprache sein – vorausgesetzt, sie sind richtig gemacht. Damit sie den gewünschten Mehrwert bringen, sind einige Faktoren zu bedenken. Sören Scholz stellt in diesem Zusammenhang die Multi-Purpose-Segmentierung als vorteilhafte Lösung vor.
Fachartikel zum Thema Segmentierung aus dem Research & Results Magazin 2/2020Foto: © fufunteg – Shutterstock
An Kundenorientierung kommt heutzutage kein Unternehmen mehr vorbei: Unabdingbar ist, die Kunden in ihren Bedürfnissen und Wünschen zu verstehen. Diese Ausrichtung des Unternehmens als Ganzes und des Marketings im Besonderen erfordert tiefgreifende Analysen der Kundenbasis hinsichtlich ihrer Gemeinsamkeiten und individuellen Unterschiede.
Das Mittel der Wahl ist häufig eine Segmentierung. Auf deren Basis werden verschiedene Zielgruppensegmente identifiziert, 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 und Neuproduktentwicklung 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“.


Segmentierung – mit Einschränkungen verbunden

Denn auch wenn die Vorteile einer einheitlichen, ganzheitlichen Kundensegmentierung sehr verlockend sind, so bestehen doch einige Schwierigkeiten:
Identifizierung nur weniger Kundensegmente:
In der Regel kann 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 kann. Dieser Sachverhalt wirkt umso schwerwiegender, wenn konfligierende Muster auf unterschiedlichen Perspektiven bestehen.
Unsystematische Streuung (Rauschen):
Die Berücksichtigung von sehr vielen unterschiedlichen Dimensionen führt sehr schnell dazu, dass unsystematische Streuungen (sogenanntes 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 und Ähnlichem in unserer Gesellschaft noch verstärkt (Stichwort: hybrider Konsument).
Eindimensionale Segmentierung:
Jede Segmentierung ist nur so gut wie das Ziel, welches mit dieser verfolgt wird. So kann eine Segmentierung, die präzise Soziodemographika oder psychographische Merkmale trennt, normalerweise nicht dieselbe Präzision und Trennschärfe auf andere Aspekte wie das Kaufverhalten liefern.


Von Mustern und Kompromissen

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 oder Soziodemographika 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.


Multi-Purpose-Segmentierung: Bündelung aller Perspektiven

Daher stellt sich die Frage: Wie kann diese Anforderung nach einer Identifizierung passender Zielgruppensegmente erfolgreich erfüllt werden? Die Antwort lautet: mit einer Multi-Purpose-Segmentierung. Damit 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 oder Perspektiven (Abb. 1).
Im ersten Schritt werden die Variablen je Perspektive einzeln analysiert und geclustert, sodass innerhalb der einzelnen Perspektiven – seien es die bisherigen Nutzungen, Einstellungen oder Soziodemographika – 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 die eigentliche Multi-Purpose-Segmentierung, nämlich die Segmentierung über alle vorangegangenen Clusterungen. Dieser Ansatz basiert auf in 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 (beziehungsweise Perspektiven) aussagekräftige und verhaltensrelevante Muster aufweisen.

Schematische Darstellung der Multi-Purpose Segmentierung
Das Rauschen reduzieren

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: Neben der übergeordneten Kundensegmentierung bleiben auch die zugrunde liegenden Single-Purpose-Segmentierungen als eigene Lösungen erhalten und können für spezifische Fragestellungen, etwa im Rahmen der Kundenkommunikation, des CRM oder der Neuproduktentwicklung genutzt werden. 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.


Klare Strukturierung in Perspektiven – Beispiel Baumarkt

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 unter anderem die Perspektiven Soziodemographie, Expertise und Einstellungen genutzt wurden. So bilden etwa die Erfahrungen und Skills im Bereich Bauen, Renovieren und Heimwerken eine zentrale Perspektive für die Segmentierung, da sie wichtige Voraussetzungen für den Zugang zu und den Umgang mit Warenangeboten im Baumarkt darstellen. Die üblichen soziodemographischen Daten wie Alter, Geschlecht und Einkommen sind unmittelbar mit anderen Kernfaktoren wie der 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 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 haben.
Multi-Purpose-Segmentierung von Baumarkt-Kunden

Trennscharfe Ergebnisse

Die Multi-Purpose-Segmentierung bildet 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 hilfreich, da eine fehlende Differenzierung – berechtigterweise – schnell dazu führen kann, an der Qualität und dem Nutzen einer Kundensegmentierung zu zweifeln. ■
Sören Scholz ist Geschäftsführer des Marktforschungsinstituts Interrogare und in dieser Position verantwortlich für Methodenentwicklung und deren Implementierung. Seine Expertisen-Schwerpunkte liegen in der Markenund Kommunikationsforschung, Präferenz- und Preis- sowie Kundenzufriedenheitsmessung. Er studierte Betriebswirtschaftslehre und Psychologie an der Universität Bielefeld.
www.interrogare.de


Diese Webseite verwendet Cookies. Cookies ermöglichen uns zu verstehen, wie Besucher unsere Webseite nutzen, damit wir sie verbessern und Ihnen das bestmögliche Erlebnis bieten können. Durch den Besuch unserer Website stimmen Sie der Verwendung von Cookies zu. Durch die Cookie-Einstellungen Ihres Internet-Browsers können Sie die Verwendung von Cookies blockieren. Weitere Informationen finden Sie unter Datenschutz.
akzeptieren
Mehr Marktforschung für Sie mit dem Research & Results Newsletter.
« Zur Anmeldung »