Personalized Pricing: Mythos oder Realität?

Personalisierung vs. Segmentierung

Personalisierung ist ein wirkungsvolles Marketingkonzept. Es spricht jeden an, denn es gibt uns als Verbrauchern das Gefühl, etwas Besonderes und Einzigartiges zu sein. Es überrascht nicht, dass Anbieter von Dienstleistungen und Produkten diesen Begriff breit einsetzen, um ihren Angeboten einen höheren Wert beizumessen. Wir erhalten "personalisierte Empfehlungen", wenn wir auf einem Marktplatz stöbern. Wir erhalten "personalisierte Vorschläge" zu Personen, denen wir folgen können, wenn wir durch X, Facebook oder LinkedIn scrollen. Wir freuen uns, wenn wir ein "personalisiertes Rabattangebot" von unserem Lieblingsgeschäft in unserem Briefkasten finden.

Laut der Umfrage, die das Aimondo-Team in Zusammenarbeit mit dem Marktforschungsinstitut People Fish durchgeführt hat, würden 94 % der Verbraucher einen Verkäufer, der personalised pricing anbietet, als erstes in Betracht ziehen, wenn sie an einen Kauf denken.

Das Problem ist, dass in Wirklichkeit 99 % der Angebote und Vorschläge, die wir erhalten, nicht wirklich auf uns zugeschnitten sind. Es handelt sich vielmehr um Angebote und Vorschläge, die allen anderen präsentiert werden, die uns in einigen Aspekten oder Verhaltensmustern ähnlich sind. Wir, die Verbraucher, erhalten diese Angebote als Teil eines bestimmten Kundensegments.

K-Means-Clustering  

Kundensegmentierung ist keine Raketenwissenschaft. Selbst wenn Sie kein großer Verkäufer sind, werden Sie es wahrscheinlich auf die eine oder andere Weise tun. Vielleicht gruppieren Sie Kunden auf der Grundlage ihrer Ausgabenhistorie (als Teil Ihres Treueprogramms, wenn sie einer bestimmten Stufe zugeordnet sind, die zu einer bestimmten Rabattstufe berechtigt).

Oder Sie gruppieren Kunden auf der Grundlage ihres Standorts und der Entfernung zu Ihrem Lager, um herauszufinden, welche Kunden für Sie lukrativer sind, da die letzte Meile Ihre Logistikkosten nicht so stark belastet.

Eine fortschrittlichere Methode für diese Segmentierung ist die Verwendung der Datenanalysetechnik K-Mittel-Clustering.

Im Allgemeinen gibt es zwei Algorithmen, die zur Segmentierung von Daten in verschiedene Gruppen auf der Grundlage bestimmter Merkmale oder Eigenschaften verwendet werden: K-means und K-median. Diese Algorithmen bilden die Grundlage für alle heute verfügbaren "Personalisierungsverfahren".

K-means-Clustering

Wird meist zur Segmentierung kontinuierlicher Daten verwendet

K-median Clustering

Wird meist verwendet, um Ausreißer zu identifizieren.

K-means Clustering wird meist zur Segmentierung kontinuierlicher Daten verwendet. K-median Clustering wird meist zur Identifizierung von Ausreißern verwendet.

‍

• Sie erhalten eine Empfehlung für ein bestimmtes Produkt auf Amazon - das ist K-means clustering.
• Ihre Banktransaktion nach China wurde verboten - das ist K-Median-Clustering bei der Arbeit.

Wie Unternehmen K-means clustering verwenden

Wie bereits erwähnt, ist das K-means-Clustering eine fortschrittliche Technik zur Segmentierung Ihres Kundenstamms.

Außerdem können Sie mit diesem Algorithmus den Customer Lifetime Value analysieren, das künftige Kaufverhalten vorhersagen und Kunden mit hohem Wert identifizieren.

So führen Sie K-means Clustering durch (DIY Methode)

Dies sind die Schritte, die Sie unternehmen sollten, um K-means Clustering durchzuführen.

1. Datenerfassung: Sammeln Sie relevante Kundendaten.
2. Vorverarbeitung der Daten: Bereinigen und Vorverarbeiten der Daten.
3. Bestimmung der Anzahl von Clustern (K)
4. Interpretieren von Clustern: Analysieren Sie die Cluster, um die Merkmale jedes Segments zu verstehen.
   ‍

Lassen Sie uns die einzelnen Schritte etwas genauer betrachten.

Sammlung von Daten

Beispiele für Daten, die für K-means Clustering benötigt werden

• Demografische Daten des Kunden: Alter, Geschlecht, Standort, etc.
• Kaufverhalten: Kaufhistorie, Häufigkeit, durchschnittliche Ausgaben, etc.
• Online-Engagement: Klickraten, Seitenaufrufe, Verweildauer auf der Website, usw.
• Kundenfeedback und Bewertungen
• Daten zum Treueprogramm: Falls zutreffend.

Vorverarbeitung der Daten

Datenvorverarbeitung bedeutet, dass Sie alle Daten in ein einheitliches, für die Analyse geeignetes Format bringen müssen.

Auswahl der Anzahl von Clustern (K)

Dies ist eigentlich der schwierigste Teil. Die Genauigkeit all Ihrer Analysen und Vorhersagen hängt davon ab, wie genau Sie K wählen.

Stellen Sie sich Folgendes vor: Sie sind ein Verkäufer, der gerade eine Halle betreten hat, in der ein Highschool-Ball stattfindet. Sie beobachten verschiedene Gruppen von Menschen und wissen mit Sicherheit, dass es eine bestimmte Anzahl von Gruppen gibt, mit denen Sie zu tun haben. Aber wie viele? 2 (Lehrer + Schüler)? Diese Unterscheidung ist hilfreich für einen Barkeeper, der entscheidet, wem er Schnaps anbietet, aber du verkaufst Strümpfe und Sportschuhe. Jungen/Mädchen? Toll, aber Sie haben auch ein paar Turnschuhe für Mädchen, die Fußball spielen. Vielleicht haben Sie mehr Erfolg, wenn Sie 4 als Zahl für K wählen? Modebewusste Jungen, modebewusste Mädchen, sportbegeisterte Mädchen, sportbegeisterte Jungen? Behandeln Sie die Lehrer als Teil der Gruppe?... Sie haben die Idee.

Wie wählen seriöse Datenanalysten also K aus? Es gibt mehrere Methoden, die hilfreich sein können.

1. Bei der Elbow Method wird die Summe der Quadrate innerhalb eines Clusters (WCSS) gegen verschiedene Werte von K aufgetragen, und der "Ellbogenpunkt", an dem sich die Abnahmerate stark verändert, liefert das optimale K.
2. Wenn diese Methode zu komplex ist, versuchen Sie, einen der Indizes zur Abstandsmessung zu verwenden: Davies-Bouldin-Index‍
3. oder Dunn-Index

Hier geht es darum, die Abstände zwischen den "Clustermitgliedern" zu messen und diejenigen zu gruppieren, die näher an einem Nachbarn liegen als an einem anderen. Wenn Sie immer noch Schwierigkeiten haben, finden Sie hier einen praktischen Artikel über K-Clustering-Methoden, der alle bestehenden Ansätze abdeckt

Interpretieren von Clustern

Im letzten Schritt betrachten Sie Ihre Cluster und versuchen, die Merkmale der einzelnen Cluster zu verstehen.

• Welches ähnliche Verhalten zeigen die Menschen in diesen Clustern?
• Welche Produkte kaufen sie am häufigsten? Und wann?
• Was sind die Auslöser für den Kauf dieser Produkte?
• Wie oft kaufen sie diese Produkte?
• Wann werden sie wahrscheinlich das nächste Mal einen Kauf tätigen?
• Wie kann man die Kundensegmentierung vereinfachen?

Die Vereinfachung des Prozesses ist absolut machbar! Predictive Analytics und BI-Tools für den Handel können diese Aufgabe mühelos erfüllen. Bei Aimondo bieten wir diese Funktionalität als Teil unseres Predictive-Analytics-Moduls an. Als Anwender laden Sie einfach Ihre Daten hoch, und innerhalb weniger Minuten haben Sie Ihre Cluster und Vorhersagen zur Kaufabsicht.

Kann die Personalisierung persönlicher sein als die Segmentierung?

Um auf unsere ursprüngliche Frage zurückzukommen: Ist die Clusterbildung der Höhepunkt des personalisierten Marketings? Ist unsere Personalisierung nur so gut wie die Einordnung eines Kunden in ein bestimmtes Segment oder Cluster?

Die Antwort lautet ja und nein.

Einige Aspekte können noch weiter verfeinert werden. Zum Beispiel können Sie einem Kunden mit einer bestimmten Kaufhistorie 100% personalisierte Rabatte auf Artikel anbieten. Mit der Aimondo Flex-Plattform ist dies ebenfalls ein einfacher Prozess: Sie wählen einfach eine dynamische Preisstrategie aus, die bestimmte Rabatte auf bestimmte Produkte für einen bestimmten Kunden zuweist.

Es ist jedoch wahrscheinlich, dass die Grenzen des Clustering weiterhin gelten, wenn es darum geht, das Verhalten vorherzusagen und Angebote für Produkte vorzuschlagen, die die Kunden wahrscheinlich kaufen werden.

Und warum? Weil es keine Kristallkugel gibt, die die Zukunft vorhersagt. Vorhersagen können nur durch die Analyse des Verhaltens anderer Kunden getroffen werden, die ähnliche Merkmale aufweisen wie der Kunde, dessen Verhalten Sie vorhersagen möchten. Daher hängt die Genauigkeit Ihrer Vorhersagen immer vom Umfang Ihrer Datenbank, der Anzahl der einbezogenen Variablen, der Genauigkeit bei der Zuordnung von Personen zu bestimmten Clustern und der Präzision bei der Schätzung von K... ab.

Im Wesentlichen hängt dies von der Kompetenz Ihres Datenanalyseteams und der Qualität der von Ihnen eingesetzten Technologie ab.

Wenn Sie diesen Artikel nützlich finden, nehmen Sie bitte an unserem kostenlosen Kurs zur Zertifizierung der Preisgestaltung teil, in dem wir K-Mens-Clustering, prädiktive Analytik und Preiswahrnehmung ausführlicher behandeln.

‍

‍

‍