Wie und welche Cluster können im Kundenstamm zugeordnet werden?

Heute werden wir der Analyse einen weiteren Aspekt hinzufügen - Segmentierung und Clustering des Kundenstamms. Wie ich mehr als einmal geschrieben habe, bleibt die Analyse des Kundenstamms unvollständig, wenn wir unsere Kunden als eine große Gruppe identischer Personen betrachten. Kunden werden in Typen unterteilt und verwenden das Produkt unterschiedlich. Jemand kauft oft, aber nicht viel, jemand geht schnell, jemand kauft viel und oft. Um die Effizienz zu steigern, sollten Sie herausfinden, um welche Kundengruppen es sich handelt, und dann herausfinden, wie Sie mit Ihren Aktionen die Kunden gewinnen können, die Sie benötigen. Es gibt zwei Möglichkeiten, Ihre Kundengruppen zu verstehen: Heuristik und Clustering

Methode 1: Heuristik und Fachwissen

Als Teil dieses Ansatzes erstellen Sie basierend auf Ihrer Erfahrung, der Logik der Verwendung Ihrer Produkt- und Kundengeschichten verschiedene Porträts von Verbrauchern und bewerten dann, wie viele Kunden Sie unter diese Definitionen fallen. Oder Sie können numerischere Ansätze verwenden, die auf einer Analyse der Kundenmetriken basieren. Einige beliebte numerische heuristische Ansätze sind:

ABC-XYZ

Die Hauptidee besteht darin, die Kunden durch den Gesamtbeitrag zu Ihrem Umsatz und die Dynamik der Wachstumsindikatoren zu teilen. ABC ist für den Beitrag zum Umsatz verantwortlich, XYZ ist für die Stabilität des Umsatzes verantwortlich. Es bildet 9 Segmente

AX - die größte und mit stabilen Einnahmen
AZ - Groß, aber sie tätigen selten Einkäufe, die Einnahmen sind nicht stabil
CX - der kleinste, aber mit stabilem Umsatz
CZ - klein und Umsatz nicht stabil, selten einkaufen

In Segment A werden Kunden identifiziert, die 80% des Umsatzes erwirtschaften, in Segment B, das weitere 15% gibt, und in Segment C, das 5% gibt. In Segment X - die kleinste Variation des Umsatzes (Sie können 33 Perzentile nehmen), Z - die höchste Variation (jeweils das oberste 33 Perzentil). Mit Variabilität meine ich die Höhe der Umsatzvarianz.

Was diese Analyse bietet: Sie ermöglicht es Ihnen, Ihre Kunden entsprechend ihrer Bedeutung für Ihr Unternehmen in Gruppen einzuteilen. Kunden aus der AX, AY, AZ-Gruppe sind die größten und Sie sollten ihnen die größte Aufmerksamkeit schenken. Kunden von BX, BY-Gruppen benötigen zusätzliche Aufmerksamkeit, sie können entwickelt werden. Die Aufmerksamkeit für Gruppen in anderen Kategorien kann reduziert werden. Es ist besonders gut, wenn Sie die Gemeinsamkeit zwischen Kunden in verschiedenen Segmenten hervorheben, um gezielt die richtigen Kunden zu gewinnen.

RFM (Recency-Frequency-Money)

Die Hauptidee besteht darin, Kunden nach drei Eigenschaften aufzuteilen: Vor wie langer Zeit gab es einen Verkauf an einen Kunden (Aktualität), wie oft er Waren kauft (Häufigkeit), wie viel Umsatz er generiert hat (Geld). Im Allgemeinen ähnelt der Ansatz ABC-XYZ, jedoch aus einem etwas anderen Blickwinkel.

Im Rahmen dieses Ansatzes teilen Sie Clients in Aktualitätsgruppen ein, zum Beispiel:

• 0-30 Tage
• 31-60 Tage
• 61-90 Tage
• 90+

Nach Anzahl der Einkäufe, zum Beispiel:

• Mehr als 15
• 10-14
• 5-9
• 0-4

In Bezug auf die Einnahmen:

• 1000+
• 600-1000
• 200-599
• 0-199

Es ist klar, dass Sie für jedes spezifische Produkt, jede Anwendung oder jedes Produkt Ihre Grenzen festlegen müssen.
Auf diese Weise können Sie Kunden in viele Segmente unterteilen, von denen jedes den Kunden nach dem für Sie wichtigen Grad charakterisiert.

BCG Matrix

Die Hauptidee besteht darin, Kunden in Kategorien von Umsatzvolumen und Umsatzwachstumsrate zu unterteilen. Mit diesem Ansatz können Sie bestimmen, wer groß ist und wie schnell wächst. Alle Clients werden in 4 Quadranten zerlegt:

• Stars sind die größten Kunden mit hohen Umsatzwachstumsraten. Dies sind die Kunden, die am meisten Aufmerksamkeit schenken müssen. Dies ist ein starker Wachstumspunkt.
• Milchkühe sind Großkunden mit geringen oder negativen Einnahmen. Diese Kunden bilden den Kern Ihres aktuellen Umsatzes. Sehen Sie die Kühe und verlieren Sie das Geschäft.
• Dunkle Pferde sind immer noch kleine Kunden, aber mit einer hohen Wachstumsrate. Dies sind Gruppen von Kunden, denen Aufmerksamkeit geschenkt werden sollte Sie können zu Sternen oder Milchkühen heranwachsen.
• Hunde sind kleine Kunden mit niedrigen oder negativen Wachstumsraten. Dies sind Kunden, denen Sie am wenigsten Aufmerksamkeit schenken und Massenservice-Methoden anwenden können, um die Kosten zu senken.

Die Vorteile aller heuristischen Methoden liegen in der relativ einfachen Implementierung und der Möglichkeit, Ihre Kunden in Gruppen zu unterteilen, die aus geschäftlicher Sicht verständlich sind.

Die Nachteile sind, dass wir nur wenige Eigenschaften von Kunden verwenden, um sie zu beschreiben und andere Faktoren von der Betrachtung auszuschließen. Darüber hinaus befinden sich Kunden meistens vorübergehend in Segmenten, ändern ihre Position und es ist schwierig, eine echte Community innerhalb des Segments aufzubauen.

Methode 2: Clustering

Die Hauptidee besteht darin, Gruppen von Kunden zu finden, ohne vorläufige Hypothesen über die Struktur des Kundenstamms zu verwenden, um natürliche Cluster unter den Eigenschaften von Kunden basierend auf verfügbaren Daten zu finden.

Es gibt eine Reihe von Methoden (K-Mittelwert, C-Mittelwert, hierarchisches Clustering usw.), mit denen Sie die Nähe von Objekten zueinander anhand ihrer Eigenschaften bestimmen können. Im allgemeinen Fall beschreiben Sie Ihren Kunden als Vektor. Jedes Element dieses Vektors beschreibt ein Merkmal des Kunden (ob es sich um Umsatz, Anzahl der Monate der Zusammenarbeit, Registrierungsadresse, gekaufte Produkte usw. handelt). Danach konvertieren Sie diesen Vektor in das gewünschte Format für Ihren Algorithmus, legen den Algorithmus für Daten fest (und konfigurieren ihn für das Clustering) und erhalten die Ausgabe von Clients in Cluster am Ausgang.

Obwohl der Prozess nicht kompliziert aussieht, sind die Details der Methoden und ihre Interpretation von großer Bedeutung. Die ausgewählten Entfernungsmetriken, die Methode der Datentransformation und die Anzahl der ausgewählten Faktoren können das Bild erheblich verändern. Da es in mehrdimensionalen Daten letztendlich keine eindeutige „richtige“ Lösung für das Clustering-Problem gibt, müssen Sie letztendlich die Qualität von Clustern unabhängig bewerten und am Ende nach einer „geschäftlichen“ Interpretation für sie suchen, wenn Sie diese Cluster bei der Entscheidungsfindung von Personen verwenden möchten.

Aus Erfahrung kann ich sagen, dass Sie die komplexen und logisch nicht zusammenhängenden Eigenschaften von Clients sowie listige Transformationen nicht verwenden sollten. Trotz der wahrscheinlichen, eleganten Lösungen entlang der Reihe von Algorithmen kann es schwierig werden, Cluster zu interpretieren, die im Geschäftskontext nichts aufblasen. Vielleicht ist Ihre Methode gut, wenn die Cluster für Eingabeparameter eines anderen maschinellen Lernsystems verwendet werden. Wenn Sie jedoch den Kundenstamm aufteilen und eine Marketingstrategie formulieren möchten, führen Sie solche gerissenen Cluster nicht weiter.

Der Clustering-Prozess selbst ist ein iterativer Prozess:

1. Make up Vektor
2. Daten transformieren
3. Richten Sie Algorithmusparameter ein
4. Clustering durchführen
5. Cluster fachmännisch bewerten, können Sie sie verwenden?
6. Wiederholen Sie Schritt 1. Wenn die Cluster Sie nicht zufrieden stellen

Der Vorteil dieses Ansatzes besteht darin, dass Sie durch viele Iterationen Ihre Kunden und deren Daten viel besser verstehen. Jeder Clustering-Versuch zeigt Ihnen einen Abschnitt des Kundenverhaltens und der Eigenschaften, die Sie höchstwahrscheinlich noch nie gesehen haben. Sie werden auch die Beziehungen und Beziehungen zwischen verschiedenen Kunden besser verstehen. Daher rate ich Ihnen, diese Übung durchzuführen und Ihre eigenen Cluster herauszubringen.

Frühere Artikel auf dem Laufenden:

Dies ist der 6. Artikel in einer Reihe von Artikeln zur Produktanalyse:

1. Top-Down-Ansatz. Produktökonomie. Bruttogewinn
2. Produktökonomie. Umsatzanalyse
3. Eingebettet in die Dynamik des Kundenstamms: Kohortenanalyse und Flussanalyse
4. Wir sammeln Kohortenanalyse / Analyse von Flüssen am Beispiel von Excel
5. Sales Funnel Analytics
6. MPRU, Umsatz und wie er sich auf Umsatz und Kundenbasisdynamik auswirkt