An Analytical Multiple Criteria Framework for Temporal and Dynamic Business-to-Business Customer Segmentation in Manufacturing
Dieser Beitrag stellt ein dynamisches Mehrkriterien-Entscheidungsrahmenwerk vor und validiert dieses, das traditionelle RFM-Modelle um Stabilitäts- und Wachstumsdimensionen erweitert, mit adaptiven Analyseprozessen und graphbasierten Konsensmodellen integriert ist, um eine robuste, zeitkritische B2B-Kundensegmentierung im verarbeitenden Gewerbe zu ermöglichen.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie sind der Manager eines riesigen Lagerhauses, das Teile an Tausende verschiedener Fabriken liefert. Sie verfügen über ein gigantisches Hauptbuch, das jede einzelne Bestellung auflistet, die diese Fabriken je aufgegeben haben.
Das Problem: Der „Fotografie"-Fehler
Die meisten Unternehmen betrachten dieses Hauptbuch wie ein Fotograf, der ein einzelnes Foto macht. Sie fragen: „Wer hat am meisten gekauft? Wer hat zuletzt gekauft? Wer hat das meiste Geld ausgegeben?" Dies wird als RFM-Modell (Recency, Frequency, Monetary) bezeichnet.
In einem einfachen Laden, der an Privatpersonen verkauft (B2C), funktioniert dies gut. Doch in der Geschäftswelt (B2B) ist es wie die Bewertung eines Marathonläufers, indem man nur schaut, wo er sich gerade befindet. Es verpasst die ganze Geschichte. Eine Fabrik mag heute wenig kaufen, hat aber einen Vertrag, nach dem sie nächstes Jahr Millionen kaufen wird. Eine andere mag heute viel kaufen, steht aber kurz vor dem Bankrott. Das „Foto" verpasst das Stabilitäts- und das Wachstumspotenzial.
Die Lösung: Ein „Film" statt eines Fotos
Die Autoren dieses Papiers schlagen eine neue Methode vor, um diese Kunden zu sortieren. Anstatt eines Fotos wollen sie einen Film der Kundenbeziehung im Zeitverlauf betrachten.
Sie haben einen Rahmen entwickelt, der drei Hauptaufgaben erfüllt:
Erweiterung des Blickwinkels (Die Kriterien):
Sie schauten nicht nur auf Geld und Daten. Sie fügten zwei neue „Objektive" hinzu:- Wachstum: Kauft der Kunde im Laufe der Zeit mehr Produkte? Erweitert er sein Bestellvolumen?
- Stabilität: Ist der Kunde zuverlässig? Kauft er konsistent, oder verschwindet er für Monate und kehrt dann zurück?
- Vergleich: Denken Sie an eine Beziehung. Man schaut nicht nur darauf, wie viel jemand gestern Abend für das Dinner ausgegeben hat (Geld). Man schaut darauf, wie oft sie anrufen (Häufigkeit), wie lange man bereits zusammen ist (Aktualität) und ob sie im Laufe der Zeit engagierter werden (Wachstum/Stabilität).
Das „Expertengremium" (Die Gewichte):
Nicht alle Fabriken sind gleich. Für ein Unternehmen ist „Wachstum" vielleicht das Wichtigste. Für ein anderes ist „Stabilität" entscheidend.
Die Autoren verwendeten eine Methode namens AHP (Analytic Hierarchy Process). Stellen Sie sich ein Gremium aus erfahrenen Vertriebsmanagern vor, die um einen Tisch sitzen. Sie diskutieren und stimmen darüber ab, was am wichtigsten ist. „Okay, für diese Strategie sind uns 40 % Wachstum und nur 20 % Stabilität wichtig." Das System passt dann die Mathematik an, um ihre spezifischen Ziele widerzuspiegeln.Die „Doppelprüfung" (Der Konsens):
Das System führt zwei verschiedene Arten von Analysen durch:- Zeitreihen-Clustering: Es betrachtet den Film der Daten, um zu sehen, wie sich Kunden im Laufe der Zeit bewegen.
- Stabilitätsmodellierung: Es prüft, wie „wackelig" ein Kunde ist. Springt er zwischen Gruppen hin und her, oder bleibt er stehen?
Anschließend verwendet es ein Graph-basiertes Konsensmodell. Stellen Sie sich zwei verschiedene Detektive vor, die denselben Fall untersuchen. Der eine sagt: „Dieser Typ gehört zur Gruppe A." Der andere sagt: „Nein, er gehört zur Gruppe B." Das System betrachtet ihre Notizen, wägt ihre Meinungen ab und findet die „Wahrheit", die beide zufriedenstellt. Dies stellt sicher, dass die endgültigen Gruppen solide sind und nicht nur ein Zufall einer spezifischen mathematischen Formel.
Die Ergebnisse: Sortierung des Lagerhauses
Sie testeten dies an einem echten Produktionsunternehmen mit 3.458 Kunden.
- Der alte Weg (Standard-RFM): Sortierte Kunden basierend auf einfacher Mathematik.
- Der neue Weg (Ihr Rahmen): Sortierte Kunden basierend auf dem „Film" ihres Verhaltens und den Prioritäten des Expertengremiums.
Die neue Methode zeigte, dass der alte Weg die Nuancen verpasste. Sie sortierte die Kunden erfolgreich in vier verschiedene „Personas":
- Die hochfrequenten Strategen: Sie kaufen oft, aber in kleinen Mengen. Sie sind aktiv, aber nicht super loyal.
- Die High-Spend-Riesen: Sie kaufen seltener, aber wenn, dann riesige Mengen. Sie sind sehr loyal und profitabel.
- Die Tüftler: Sie kaufen ein wenig von allem, aber selten. Sie sind schwer zu fassen.
- Die Volumenarbeiter: Sie kaufen massive Mengen, bringen dem Unternehmen aber wenig Gewinn. Sie sind zuverlässig, aber mit niedriger Marge.
Warum es wichtig ist
Das Papier behauptet, diese Methode gebe Geschäftsführern eine „Superkraft". Anstatt zu raten, welche Kunden wie VIPs behandelt werden sollen, können sie diese dynamische, zeitbasierte Karte nutzen, um zu sehen, wer tatsächlich wächst und wer stabil ist. Es hilft ihnen zu entscheiden, wer einen dedizierten Account Manager erhält, wer einen Rabatt bekommt und wer einen Anstoß braucht, um mehr zu kaufen.
Kurz gesagt: Sie sind von einem stehenden Foto eines Kunden zu einem ganzen Film seiner Beziehung übergegangen, was dem Unternehmen ermöglicht, intelligentere und stabilere Entscheidungen zu treffen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.