IoT technology for e-commerce customer information segmentation

In der geschäftigen Welt des Online-Shoppings steht ein Händler vor einer Herausforderung, die so alt ist wie der Handel selbst: wie man jeden Kunden als Individuum behandelt, ohne dabei den Verstand zu verlieren. In der Vergangenheit kannte ein Ladenbesitzer seine Stammkunden mit Namen und Gesicht. Heute bedient ein digitaler Laden vielleicht Millionen von Menschen, von denen die meisten nur einen Benutzernamen und eine Lieferadresse entfernt sind. Um zu überleben, müssen diese Unternehmen ihre Kunden in Gruppen einteilen und verstehen, wer den meisten Gewinn bringt und wer ein wenig zusätzliche Aufmerksamkeit benötigt. Dies ist die Kunst der Kundensegmentierung. Traditionell haben Unternehmen drei einfache Dinge betrachtet, um den Wert eines Käufers zu beurteilen: wie kürzlich er etwas gekauft hat, wie oft er kauft und wie viel Geld er ausgibt. Dieses Trio an Fakten bildet eine grundlegende Landkarte der Gewohnheiten eines Kunden. Die bloße Addition dieser Zahlen verfehlt jedoch oft die Nuancen des tatsächlichen Verhaltens. Ein Kunde, der viel ausgibt, aber selten kommt, unterscheidet sich möglicherweise von einem, der täglich kommt, aber wenig ausgibt. Die Frage bleibt: Wie gewichten wir diese Faktoren fair, um den wahren Wert eines Käufers zu erkennen?

Ein Forscher an der Henan Polytechnic Institute setzte sich zum Ziel, dies zu beantworten, indem er die Art und Weise verfeinerte, wie Online-Händler ihre Daten analysieren. Anstatt zu raten, welcher der drei Faktoren – Aktualität, Häufigkeit oder Umsatz – am wichtigsten ist, nutzte der Forscher einen mathematischen Ansatz namens Entropie-Gewichtungsmethode, um die Daten für sich selbst sprechen zu lassen. Diese Technik berechnet die Bedeutung jedes Faktors basierend darauf, wie stark die Daten variieren, wodurch sichergestellt wird, dass die endgültige Bewertung die tatsächlichen Muster in den Verkaufsaufzeichnungen widerspiegelt und nicht eine voreingestellte Meinung. Die Studie konzentrierte sich auf einen speziellen Händler, der Kekse und Kuchen auf der Pinduoduo-Plattform verkauft, und untersuchte über 32.000 Kaufdatensätze von August 2019 bis Januar 2020. Nach der Bereinigung der Daten, um ungültige Bestellungen zu entfernen, und der Identifizierung der Kunden anhand ihrer Lieferadressen, wandte der Forscher dieses neue Bewertungssystem an, um jeden einzelnen Käufer zu bewerten.

Sobald die Kunden bewertet worden waren, nutzte der Forscher ein Clustering-Werkzeug, um sie zu gruppieren. Stellen Sie sich vor, man sortiert einen Haufen gemischter Steine nicht nur nach Farbe oder Größe, sondern indem man die natürlichen Cluster findet, in denen sich Steine ähnlichen Gewichts und gleicher Textur natürlich zusammenfinden. Der Computer testete verschiedene Anzahlen von Gruppen, von zwei bis acht, und wählte die Anordnung aus, die die deutlichsten und klarsten Kategorien schuf. Das Ergebnis war eine Karte von vier unterschiedlichen Typen von Käufern. Die erste Gruppe, die etwa 27 Prozent der Kunden ausmachte, bestand aus den Kunden mit geringem Wert: Sie hatten vor kurzem nichts gekauft, kauften selten ein und gaben sehr wenig aus. Die zweite Gruppe, die fast 23 Prozent repräsentierte, bestand aus Kunden, die in der Vergangenheit einen guten Betrag ausgegeben und oft eingekauft hatten, aber vor kurzem verstummt waren; dies waren die Käufer, die der Händler zurückgewinnen musste. Die dritte Gruppe, weitere 27 Prozent, waren aktuelle Käufer, die den Laden noch erkundeten, sich aber noch nicht zu hohen Ausgaben oder häufigen Besuchen verpflichtet hatten. Schließlich war die vierte Gruppe, die etwa 22,5 Prozent der Gesamtzahl ausmachte, die wertvollen Kunden: Sie kauften kürzlich ein, kauften oft ein und gaben das meiste Geld aus.

Als der Forscher diese neue Methode mit der traditionellen Art der Kundenbewertung verglich, war der Unterschied deutlich. Der traditionelle Ansatz, der sich oft auf feste Gewichte stützt, die von Experten festgelegt wurden, neigte dazu, die wertvollsten Käufer in einen winzigen Bruchteil der Gesamtheit einzustufen und identifizierte lediglich 0,8 Prozent als wertvolle Kunden. Im Gegensatz dazu identifizierte die neue Methode, die die Daten die Gewichte bestimmen ließ, eine viel größere und realistischere Gruppe von wertvollen Kunden, was eng mit der bekannten Geschäftsentdeckung übereinstimmt, dass ein kleiner Teil der Kunden den Großteil der Gewinne generiert. Das neue Modell zeigte, dass die Gruppen deutlicher voneinander abgegrenzt waren, was bedeutet, dass der Händler nun die Unterschiede zwischen den Kundentypen mit größerer Klarheit sehen konnte. Dies deutet darauf hin, dass Online-Unternehmen durch das Überlassen der Entscheidung an die Daten, wie viel Gewicht Aktualität, Häufigkeit und Umsatz erhalten sollen, präzisere Profile ihrer Käufer erstellen können. Die Studie kommt zu dem Schluss, dass dieser Ansatz eine bessere Möglichkeit zur Kundensegmentierung bietet, die es Händern ermöglicht, ihre Strategien anzupassen, um ihre besten Käufer zufrieden zu stellen und andere sanft zur Rückkehr zu bewegen, alles basierend auf einem klareren Bild dessen, wer sie wirklich sind.