KundensegmentierungWie Sie Künstliche Intelligenz (KI) für die Kundensegmentierung nutzen

Welche Technologien sind wichtig für die Kundensegmentierung?

Folgende Schlüsseltechnologien und Ansätze werden häufig für die Kundenanalyse und anschließende Kundensegmentierung eingesetzt, meist in Kombination miteinander:

Maschinelles Lernen (ML) und Deep Learning

Diese Technologien sind das Rückgrat vieler KI-Lösungen. Sie ermöglichen es, Muster und Trends in großen Datenmengen zu erkennen und zu lernen. Fortschritte in Deep Learning, insbesondere in neuronalen Netzwerken, ermöglichen eine präzise und dennoch flexible Kundensegmentierung mittels KI.

Predictive Analytics

Hier geht es um Vorhersagemodelle, die auf historischen Daten basieren. Sie können verwendet werden, um zukünftiges Kundenverhalten vorherzusagen. Dies hilft Unternehmen, maßgeschneiderte Marketingstrategien zu entwickeln.

Natural Language Processing (NLP)

NLP-Techniken werden verwendet, um Kundenfeedback aus sozialen Medien, Kundenbewertungen oder Support-Tickets zu analysieren. Dies hilft, Stimmungen und Meinungen in verschiedenen Kundensegmenten zu verstehen.

Künstliche neuronale Netze (KNN)

Insbesondere für komplexe Datensätze können KNN eingesetzt werden, um verdeckte Muster und Beziehungen zu identifizieren, die für die Segmentierung relevant sind.

Clustering-Algorithmen

Algorithmen wie K-Means, Hierarchisches Clustering oder DBSCAN werden verwendet, um Kundinnen und Kunden in verschiedene Gruppen einzuteilen. Sie basieren auf Ähnlichkeiten im Kaufverhalten, bei demografischen Merkmalen oder anderen relevanten Kundenmerkmalen.

Wie funktioniert Clustering mittels KI?

Clustering ist eine Form des maschinellen Lernens. Hier arbeitet ein Algorithmus mit vorhandenen Daten. Er wird dabei nicht überwacht, sondern verarbeitet die Daten vollkommen autark. Deshalb gilt das Ergebnis als relativ „neutral“ oder „objektiv“.

Mit Clustering lassen sich Kundendaten im Hinblick auf Ähnlichkeiten analysieren, um ein Muster zu erkennen und ähnliche Einträge zu gruppieren. Aus den einzelnen Gruppen oder Clustern lässt sich wiederum eine durch KI generierte Persona als Vertretung für ein Kundensegment erstellen.

Die Merkmale, anhand derer die Personen gruppiert werden, müssen nicht von Menschen vorgegeben werden. Sie ergeben sich auf Basis der bereits im System vorliegenden Kundendaten. Die Regeln zur Bildung von Segmenten bestimmt die KI mithilfe eines Algorithmus selbst.

Es ist nicht ungewöhnlich, dass die KI ganz andere gemeinsame Attribute erkennt und als relevant einstuft, als der menschliche Betrachter das tun würde. So entstehen auch Segmente, die ohne KI nicht erkannt worden wären.

Das Ergebnis des Clusterings hängt maßgeblich davon ab, welche Daten bereitgestellt werden. Hierdurch haben die Anwender der KI nach wie vor einen maßgeblichen Einfluss auf das Ergebnis der Datenanalyse.

Welche Datenquellen werden genutzt?

Damit die Kundensegmentierung mittels KI gelingt, müssen Kundendaten bereitgestellt werden, die aus einer oder mehreren der folgenden Quellen stammen:

• Customer Relationship Management (CRM): In diesem System sind alle Stammdaten, Kontakte und Kaufaktivitäten der Kunden hinterlegt.
• Enterprise Resource Planning (ERP): Mit diesem System werden Transaktionsdaten erfasst, anhand derer die KI das Verhalten von Kundinnen und Kunden in die Segmentierung einbeziehen kann. Besonders relevant ist zum Beispiel, welche Produkte wie oft und zu welchem Preis von welchen Kunden gekauft werden.
• Daten aus dem Support: Anhand dieser Daten lässt sich das Verhalten von Kundinnen und Kunden ebenfalls erkennen. Die Daten zu Support-Anfragen werden meist direkt von Außendienstmitarbeitenden und Service-Mitarbeitenden erfasst.

Was sind Data-Driven Personas?

Data-Driven Personas sind fiktive, aber datengestützte Repräsentationen von Benutzergruppen oder Kundensegmenten. Sie werden durch die Analyse von großen Datenmengen (Benutzerverhalten, demografischen Informationen, Kaufverhalten, Social-Media-Interaktionen) erstellt.

Die Persona ist wie der Steckbrief einer fiktiven Person aufgebaut, die aufgrund ihrer Merkmale einer bestimmten Zielgruppe angehört und diese repräsentiert. Durch die Persona werden Zielgruppen plastischer, was zum Beispiel die Entwicklung von Marketingmaßnahmen oder Usability-Maßnahmen erleichtert.

Bei einem geringen Budget oder für kleine Projekte reichen einfache, manuell erstellte Personas. Aber: Vom Menschen erstellte Personas sind immer subjektiv eingefärbt, können einseitig oder unvollständig sein und veralten schnell. Eine Data-Driven Persona bietet dagegen folgende Vorteile:

• Datengetriebene Personas werden immer aus den neuesten Nutzerdaten generiert und spiegeln dadurch aktuelle Trends und Verhaltensweisen wider.
• Sie können leicht angepasst und aktualisiert werden, um Veränderungen in Nutzerverhalten oder Marktbedingungen widerzuspiegeln.
• Datenbasierte Ansätze ermöglichen die Analyse großer Nutzermengen und können leicht skaliert werden, um eine breitere Palette von Nutzersegmenten abzudecken.
• Durch die Analyse von Daten werden unerwartete oder neue Zielgruppensegmente entdeckt, die bei der manuellen Erstellung möglicherweise übersehen worden wären.
• Weil quantitative Daten genutzt werden, können Investitionen in die Produktentwicklung oder das Marketing nachvollziehbar gerechtfertigt werden.

Datengetriebene Personas bieten zwar viele Vorteile, haben aber auch ihre Grenzen. Sie berücksichtigen beispielsweise keine emotionalen Aspekte, die in manuell erstellten Personas häufig enthalten sind.

Welche Software eignet sich zur Kundensegmentierung?

Bei der Auswahl geeigneter Software sollten Sie folgende Faktoren berücksichtigen:

• problemlose Integration in bestehende Systeme
• einfache Skalierbarkeit
• Datenschutz
• Benutzerfreundlichkeit
• spezifische Bedürfnisse Ihres Unternehmens

Nutzen Sie Demoversionen oder kostenlose Testversionen, um die Software ausgiebig zu testen. Beziehen Sie in die Tests und Auswahl möglichst Mitarbeitende ein, die später mit den Tools arbeiten werden; das erhöht die Akzeptanz.

Folgende Software ist derzeit (Stand: Februar 2024) verbreitet; sie gilt als funktional und nutzerfreundlich:

Adobe Audience Manager

Der Adobe Audience Manager bietet KI-gesteuerte Kundensegmentierung durch Adobe Sensei. Sie können damit komplexe Kundendaten in Echtzeit analysieren und segmentieren.

Microsoft Dynamics 365 Customer Insights

Microsoft Dynamics 365 nutzt KI, um Einblicke in das Kundenverhalten und Kundenpräferenzen zu erhalten. Microsoft beschreibt: „Erstellen Sie neue Segmente oder entdecken Sie neue Zielgruppen mit KI-Empfehlungen, die kontinuierlich mit Echtzeitdaten aktualisiert werden.“

Eine kostenlose Testversion ist verfügbar. Wenn Ihr Unternehmen bereits Produkte von Microsoft nutzt, bietet sich dieses Tool besonders an, da die Implementierung und die Einarbeitung einfacher gelingt.

Google Cloud AI und Machine Learning Produkte

Google Cloud bietet verschiedene AI- und Machine-Learning-Tools an, die für die Kundensegmentierung angepasst werden können, darunter AutoML, BigQuery ML und TensorFlow. Welches dieser Tools am besten zu Ihnen passt, hängt vom Anwendungsfall ab.  Beziehen Sie in die Auswahl am besten Mitarbeitende ein, die sich mit der Programmierung und Datenverarbeitung auskennen.

Welche rechtlichen Regelungen sind wichtig?

Bevor Sie KI zur Kundensegmentierung einsetzen, sollten Sie sich mit den gesetzlichen Rahmenbedingungen auseinandersetzen. Beachten Sie insbesondere:

Datenschutz-Grundverordnung (DSGVO)

Die DSGVO ist das wichtigste Gesetz zum Schutz personenbezogener Daten in der EU. Sie fordert, dass die Verarbeitung personenbezogener Daten rechtmäßig, fair und transparent erfolgt.

Beispiel: Damit Unternehmen personenbezogene Daten verarbeiten dürfen, müssen die Einwilligung der betroffenen Person, die Erfüllung eines Vertrags oder legitime Interessen vorliegen.

Informationspflichten

Unternehmen müssen betroffene Personen über die Verarbeitung ihrer Daten informieren. Dies schließt Informationen darüber ein, zu welchem Zweck die Daten verarbeitet werden und auf welcher Rechtsgrundlage dies geschieht.

Widerspruchsrecht

Personen haben das Recht, der Verarbeitung ihrer Daten zu Marketingzwecken zu widersprechen. Dies ist zum Beispiel bei der Datenerhebung und Datenverarbeitung zur Kundensegmentierung für die zielgerichtete Werbung relevant.

Automatisierte Entscheidungsfindung und Profiling

Die DSGVO enthält spezielle Vorschriften für die automatisierte Entscheidungsfindung und das Profiling. Personen haben das Recht, nicht ausschließlich einer automatisierten Entscheidungsfindung unterworfen zu werden, die ihnen gegenüber rechtliche Wirkung entfaltet oder sie in ähnlicher Weise erheblich beeinträchtigt.

Datensicherheit

Unternehmen müssen angemessene technische und organisatorische Maßnahmen ergreifen, um die Sicherheit der verarbeiteten Daten zu gewährleisten und Datenschutzverletzungen zu verhindern.

Datenschutz-Folgenabschätzung

Für Verarbeitungsvorgänge, die voraussichtlich ein hohes Risiko für die Rechte und Freiheiten natürlicher Personen zur Folge haben (zum Beispiel: umfangreiches Profiling), kann eine Datenschutz-Folgenabschätzung erforderlich sein.

Einbindung des Datenschutzbeauftragten

Unternehmen sollten ihre Datenschutzbeauftragten in die Planung und Umsetzung von KI-Projekten einbeziehen, um die Einhaltung der Datenschutzvorschriften sicherzustellen.

Berücksichtigung nationaler Gesetzgebung

Aus nationalen Datenschutzgesetzen, wie dem Bundesdatenschutzgesetz (BDSG), können sich zusätzliche Anforderungen ergeben.