Zeit für den nächsten Schritt: Klassische Marketing-Analysen eine Stufe weitergedacht

Aktuell arbeiten viele von uns im Homeoffice. Reisepläne sind gecancelt, Meetings werden digital durchgeführt und einige Projekte sind erstmal aufgeschoben. Das schafft Luft im Kalender und Zeit, Dinge anzugehen, für die man im regulären Alltag keinen Kopf hat oder die man schon länger Mal erledigen wollte. 

Wir haben uns gedacht: das ist auch eine gute Gelegenheit, die eigenen Kundendaten besser zu verstehen und Datenanalysen durchzuführen, die nicht alltäglich sind, mit denen sich aber spannende, neue Erkenntnisse generieren lassen. Hierfür haben wir uns einige Klassiker unter den Marketing-Analysen ausgesucht und einen Schritt weitergedacht.   

RFM-Analyse kombiniert mit Best Next Time 

Die RFM-Analyse ist eines der effektivsten Tools für Kundensegmentierungen. RFM steht dabei für die englischen Begriffe Recency, Frequency und Monetary (Value, Ratio) und beantwortet die folgenden Fragen: 

-    Wann war der letzte Kauf? (Recency)  
-    Wie häufig wurde schon gekauft? (Frequency) 
-    Welcher Umsatz wurde generiert? (Monetary) 

Durch die Analyse dieser Parameter lassen sich unterschiedliche Kundengruppen identifizieren und die Marketing-Aktivitäten entsprechend auf diese abstimmen. Kunden, deren letzter Kauf erst kürzlich war, die sehr häufig kaufen und einen hohen Umsatz generieren gelten als die Top-Kunden eines Unternehmens. 

Kundengruppen, die zwar in der Vergangenheit hohe Umsätze generiert, deren letztes Kaufdatum aber schon länger zurückliegt, bieten Potenzial für Reaktivierung. Auf diese Weise können aus der RFM-Analyse gezielte Marketing-Taktiken abgeleitet werden. So viel zum Grundkonzept und der klassischen Nutzung der RFM-Analyse. 

Geht man einen Schritt weiter, ist es sinnvoll, nicht nur die absoluten Zahlen, sondern auch relative Entwicklungen zu betrachten. Im monetären Bereich kann man so beispielsweise identifizieren, bei wem eine Umsatzsteigerung zu verzeichnen ist. Auch bei der Frequenz lohnt es sich, nicht nur die absolute Anzahl der Käufe innerhalb eines Zeitfensters zu betrachten, sondern auch die Abstände zwischen den Käufen. Hieraus lässt sich eine Taktung erkennen mithilfe derer sich der Zeitpunkt des nächsten Kaufs und somit die sog. „Best Next Time“ bestimmen lässt. Die Best Next Time beschreibt den bestmöglichen Zeitpunkt, einen Kunden zu kontaktieren und mit individuellen Angeboten zu versorgen. Neben dem Rhythmus gilt es hierbei aber auch die Varianz zu beachten. Bei einem sehr unregelmäßigen Kaufrhythmus ist die Varianz hoch, ein regelmäßiger Kaufrhythmus hingegen zeichnet sich durch eine niedrige Varianz aus. Aus der Kombination aus Kaufrhythmus und Varianz lässt sich nun kundenindividuell der beste Zeitpunkt für eine Kontaktaufnahme bestimmen. 

ABC-Analyse mit anderer Grundlage als dem Customer Lifetime Value 

Die ABC-Analyse ist wie die RFM-Analyse ein hilfreiches Tool zur Klassifizierung von großen Kundendatenmengen. Hierbei werden die Kunden in drei Kategorien (A,B,C) eingeteilt, mit einer relevanten Kenngröße beschrieben und nach dieser sortiert. Hieraus erfolgt eine Sortierung der Kunden nach: 

A: sehr wichtig 
B: wichtig 
C: weniger wichtig

Anhand dieser Klassifizierung der Kunden lassen sich Marketing-Maßnahmen zielgerichtet einsetzen. Sehr häufig wird hierbei der sog. Customer Lifetime Value, dt. Kundenlebenszeitwert, als Kenngröße zugrunde gelegt. Das heißt die Summe aller bisherigen sowie der zu erwartenden Umsätze eines Kunden. 

Hierbei werden allerdings Entwicklungen innerhalb der Kundenlebenszeit vernachlässigt. So lässt sich zum Beispiel nicht erkennen, ob ein Kunde aktiv oder inaktiv ist, oder der Umsatz innerhalb eines bestimmten Zeitfensters gestiegen oder zurückgegangen ist. Zu diesem Zweck lohnt es sich, neben dem Customer Life Time Value die ABC-Analyse auf unterschiedliche Zeiträume, wie z.B. ein Kalenderjahr oder Quartal oder auch auf die Transaktionsdaten selbst herunterzubrechen. Mithilfe einer Kreuztabelle kann man dann im nächsten Schritt analysieren, wie Kunden innerhalb der Segmente gewandert sind. 

Geo-Analyse: Kombination von unterschiedlichen räumlichen Informationen

Ziel der Geo-Analyse ist es, räumliche Informationen, die sich in Ihren Kundendaten befinden als Bereicherung für Ihre Kundenkommunikation einzusetzen. So kann beispielsweise die Postleitzahl aus der Kundenadresse extrahiert werden und für Visualisierungen und Selektionen verwendet werden. Damit können Inhalte z.B. mit dem Hinweis auf den Wohnort individualisiert oder auch Vertriebsgebiete optimiert werden.  

Besonders hilfreich ist die Geo-Analyse, wenn die Kundendaten zusätzlich mit weiteren räumlichen Informationen kombiniert werden. Bei der sog. Drive-Time Analyse wird unter Einbeziehung von naturräumlichen Hindernissen wie Flüssen, Bergen oder Seen sowie der bestehenden Verkehrsinfrastruktur berechnet, wie lange ein Kunde unabhängig von der reinen Kilometeranzahl tatsächlich zu einem Standort benötigt. So kann zielgerichtet der Einzugskreis für eine Filiale berechnet, aber auch beispielsweise der Personenkreis, der für eine Veranstaltungseinladung relevant ist, ermittelt werden. 

Noch einen Schritt weitergedacht können aber auch ganz andere Informationen in Verbindung mit Adressdaten gebracht werden. Die Datenbank OpenStreetMap liefert zahlreiche räumliche Informationen, darunter Straßen, Flüsse aber auch die Standorte von vielen Kindergärten, Restaurants, Hydranten und vielem mehr. Diese lassen sich frei nutzen und in einem Datenanalysetool weiterverarbeiten. Wir haben uns als Beispiel Apotheken gewählt und wissen jetzt genau, wie viele Apotheken es in einem Postleitzahlengebiet gibt. Die grünen Flächen in der Grafik kennzeichnen die Orte, an denen es die meisten Apotheken in Deutschland gibt. 

Das wiederum können wir in Verbindung mit der Anzahl unserer bestehenden Kunden in diesen Postleitzahlengebieten bringen und wissen dadurch genau, wie viele Kunden eine Apotheke direkt in ihrer Nähe haben und wie viele eine weitere Anfahrt haben. Dieses Wissen kann nun für unterschiedlichste Marketing-Aktivitäten genutzt werden. So können beispielsweise rezeptfreie Produkte an Kunden, die in der unmittelbaren Nähe wohnen, angeboten werden. Streuverluste, bei Kunden, die dafür den Weg nicht auf sich nehmen würden, können so vermieden werden. Auf der anderen Seite könnte man auch prüfen, wo es ggf. viele Apotheken aber wenige Kunden gibt, um Neukundenpotenziale zu adressieren. Die folgende Grafik hebt diese Gebiete hervor.

Hinweis: Wir haben die Daten der Apotheken mit Zufallsdaten kombiniert, daher handelt es sich hier um eine fiktive Darstellung zu Veranschaulichungszwecken.

Kampagnen-Priorisierung – die richtige Anzahl an Marketing-Botschaften für jeden Kunden

Nachdem wir uns nun verschiedenste Wege angeschaut haben, Kunden zu segmentieren und Zielgruppen für Marketing-Kommunikationen festzulegen, betrachten wir zum Abschluss nochmal, wie Sie verhindern können, dass Personen in mehr als eine Kampagne fallen. Erhält eine Person zu viele Nachrichten zur gleichen Zeit kann dies ggf. dazu führen, dass sie uns ihre Kontakterlaubnis entzieht. Hier hilft die Kampagnen-Priorisierung. Als Basis gilt es zu verstehen, welche Kampagnen Überschneidungspotenziale haben. Dies kann mit einer Kampagnen-Konflikt-Matrix abgebildet werden. Jede Zeile in der Grafik zeigt die Überschneidung zwischen zwei Kampagnen. 

Im Anschluss können dann die Prioritäten festgelegt werden, sodass automatisch die richtigen Personen in eine Kampagne fließen. An der obigen Grafik orientiert könnten Sie beispielsweise festlegen, dass die Geburtstagskampagne immer Vorrang vor der Treueaktion hat.  

Probieren Sie es einfach aus und experimentieren mit Ihren Daten. Eines steht fest - die Erkenntnisse, die Sie hierbei generieren, werden auch noch relevant sein, wenn wir wieder in unseren regulären Alltag zurückkehren können. Falls Sie bei den Datenanalysen Unterstützung benötigen, kontaktieren Sie uns gerne. Inspiration für weitere Datenanalysen bietet auch unser kostenfreies Whitepaper "Customer Analytics als Erfolgsfaktor".