Logo ManagementJournal
27. September 2018 | von Prof. Dr. Frank Hubert

Klassifizierung von Kunden mittels Clusteranalyse

Viele Unternehmen stehen vor dem Problem, dass ihre Kunden unterschiedliche Bedürfnisse haben und sich daher in ihrem Kaufverhalten stark unterscheiden. So wird ein Autohersteller der 18-jährigen Fahranfängerin kaum das gleiche Auto verkaufen können wie der fünfköpfigen Familie. Statt Massenmarketing sind daher zielgruppenspezifische Marketingstrategien für eine bessere Kundenansprache notwendig (vgl. Kotler u. a. 2016, S. 351 f.).

Um ein solches Zielgruppenmarketing durchführen zu können, müssen die Kunden in Segmente eingeordnet werden. Eine Klassifizierung ist nur möglich, wenn dem Unternehmen ausreichend Daten über die Kundinnen zur Verfügung stehen. Neben klassischen Kundendateien sorgt hier die Digitalisierung für eine kaum vorstellbare Datenflut. Durch Transaktionen im Internet, Scannerkassen im Einzelhandel sowie die zunehmende Vernetzung über Activity Tracker, Wearables oder Smart-Home-Systeme werden eine Vielzahl von Daten erfasst.

Mit einer Clusteranalyse können die Daten für die Bildung von Kundensegmenten genutzt werden. Die Clusteranalyse zählt zu den multivariaten statistischen Verfahren. Ihr Ziel ist es, aus einer heterogenen Gesamtheit von Objekten oder Personen möglichst homogene Teilmengen zu bilden. Bei der hierarchisch-agglomerativen Clusteranalyse ist jeder Kunde in der Ausgangslage ein eigener Cluster. Nach und nach werden die Kunden zu in sich homogenen Kundensegmenten zusammengefasst.

Abbildung (Quelle: eigene Darstellung): Hierarchisch-agglomerative Clusteranalyse

Was sind die Schritte solch einer Analyse? Zunächst müssen geeignete Variablen festgelegt werden. Dies können sozio-demografische Merkmale sein (z. B. Alter, Geschlecht, Familienstand, Beruf, Einkommen) oder auch Variablen, die sich auf das Kaufverhalten beziehen (z. B. Kaufintensität, Ausgabe pro Kauf, Kundenbewertung des Produkts, Reklamationshäufigkeit). Es ist darauf zu achten, dass die Variablen messbar sind und dass ihre Verwendung nicht gegen Datenschutzbestimmungen verstößt. Je ähnlicher die Kunden hinsichtlich der untersuchten Merkmale sind, desto wahrscheinlicher ist es, dass sie in einem Kundensegment landen. Für die Berechnungen, bei denen mittels Proximitätsmaßen und Fusionierungsalgorithmen die endgültigen Cluster gebildet werden (vgl. Backhaus u. a. 2016, S. 456 ff.), sollten Sie auf leistungsfähige Software zurückgreifen. In vielen Unternehmen sind Programme wie IBM SPSS Statistics oder SAS/STAT inzwischen Standard.

Die gebildeten Kundensegmente können dann gezielt durch gruppenspezifische Werbemaßnahmen bearbeitet werden. Im Vergleich zum Massenmarketing fühlen sich die Kundinnen nun besser verstanden, Streuungsverluste gehen zurück und das Kosten-Nutzen-Verhältnis Ihrer Marketingaktivitäten verbessert sich.

Quellen:

Backhaus, K./Erichson, B./Plinke, W./Weiber, R. (2016): Multivariate Analysemethoden – Eine anwendungsorientierte Einführung, 14. Aufl., Berlin/Heidelberg.

Kotler, P./Armstrong, G./Harris, L. C./Piercy, N. (2016): Grundlagen des Marketing, 6. Aufl., Hallbergmoos.

Eine kurze mathematische Darstellung der hierarchisch-agglomerativen Clusteranalyse finden Sie in der Fachzeitschrift planung & analyse unter:

https://www.ifad.de/wp-content/uploads/2018/06/Statistik-Kompakt-2-15_.pdf

Prof. Dr. Frank Hubert, Mannheim

 

Das Thema interessiert Sie? Mit unserem Modul Grundlagen des Marketingmanagements können Sie Ihr Wissen vertiefen.

Deutsche Akademie für Management_Mitarbeitende
Prof. Dr. Frank Hubert
Prof. Dr. Frank Hubert ist seit 2001 Professor für Volkswirtschaftslehre und Quantitative Methoden an der Dualen Hochschule Mannheim. Seine Arbeitsschwerpunkte sind die Arbeitsmarkt- und Umweltökonomie sowie die empirische Wirtschaftsforschung. Nach dem Studium der Volkswirtschaftslehre und der Promotion in Ökonometrie an der Johannes Gutenberg-Universität Mainz arbeitete er mehrere Jahre als Bankvolkswirt. Er übernahm Lehraufträge an der Universität Mainz, der Hochschule Aschaffenburg, der Graduate School Rhein-Neckar und der Dualen Hochschule Mosbach. Neben diversen Fachaufsätzen veröffentlichte er u. a. das grundlegende VWL-Lehrbuch VWL für BWLer (2015).
Consent Management Platform von Real Cookie Banner