alexander gorbach. cube matrix. evaluation des kundenverhaltens am point of sale

CuBe MatrixCu Be at PoS

Evaluation des Kundenverhaltens am Point of Sale

Alexander GorbachHamburg, 2009

stomer haviour at PoS

Inhaltverzeichnis

1.Zur Person2.Das Produkt3.Unser Know how4. Ihr Nutzen5. Implikationen6.Kontakt

2

Cu Be at PoSCuBe Matrix

STOMER HAVIOUR AT POS

Persönliches

1. Zur Person

Analytiker

KosmopolitVisionär

3



analytischer DenkerSchach-DWZ 2097 (2003): gehört zu 22% der besten Vereinsspieler Deutschlands

zielstrebig / leistungsstarkPeak Lenin 7.134 m (2007): In Todeszone, nur ca. 25% Höhenbergsteigern erreichen den Berg

innovativGründungswettbewerbssiegerdes BMWi (2008): ca. 50 Geförderte deutschlandweit p.a.

Persönliches

4



Multivariate StatistikMathematisches Gymnasium (1985);Studium der höhen Mathematik, Statistik und Soziologie: Dipl.-Soz. (1995)

Data MiningDatenanalyse und Softwareentwicklung am Max-Planck-Institut (2002-2003) und am IMH (2003-2007)

Innovatives VerfahrenSequenzanalyse in der Marketingforschung: 2 Bücher und mehrere Artikel in 3 Sprachen (2005-2008)

Analytiker

5



VerfahrenSequenzanalyse im Marketing Schrittweise Sequenzierung von N-dimensionalen Events

AlgorithmenDistanzberechnung unter Berücksichtigung verschiedener Optimierungskriterien Suche nach Mustern in mehrdimensionalen Verhaltenssequenzen

Know howAufbau von mathematischen Modellen unter Berücksichtigung der sequenziellen Daten

Visionär

6



Multikulturelles Business NetworkingGeschäftspartner in verschiedenen Ländern

Geschäftsideen, UnternehmensgründungShopperMetrix Ukraine Ltd., CuBe Matrix

ProjektmanagementInternationale Forschungsprojekte

FranchisingFranchising Days für die GUS-Staaten

Kosmopolit

7



2. Produkt

ModellingEinflussfaktoren und Muster

DB MiningBon- und Kundenkartendaten

Point of ViewBefragungsdaten

SequenceAnalysis

Verhaltens- und Laufdaten

8



9

1. AUSWAHL DER MÄRKTE- Repräsentativität durch den Handelspartner2. PRETEST-Test des Fragebogens - Pilotstudie in einem Markt

3. MONITORING- Verdeckte Beobachtung durch Interviewer4. BEFRAGUNG- Exit-Interviews in ausgewählten Märkten

5. SHOPPER MINING- Analyse der Kaufprozesse- Bildung von Käuferzielgruppen - Data (Bank) Mining- Aufbau von interpretierbaren Modellen- Präsentation der Ergebnisse

Durchführung einer PoS-Studie

KW1 KW2 KW3 KW4 KW5 KW6 KW7 KW8

Zeitschiene



2. Produkt

3. Das Know how: Überblick

1. Datenerhebung und –speicherung

2. Datencodierung (u. a. Lauf- und

Zuwendungssequenzen)

3. Abbildung von mehrdimensionalen Sequenzen

4. Distanzberechnung zwischen Sequenzen unter

Berücksichtigung verschiedener Optimierungskriterien

5. Clustering sequenzieller Daten

10



3. Das Know how: Überblick

6. (Grafische) Ergebnispräsentation

7. Aufbau von mathematischen Modellen

8. Berücksichtigung von Verweildauer bei

unterschiedlichen Produktgruppen im Geschäft in der

Sequenzen

9. Berechnung von gewichteten Distanzmaßen

10. Auswahl der Zentroide

11. Grafische Darstellung der Sequenzen

11



Mit Hilfe von sequenzanalytischen Methoden gelingt

es bestimmte Muster im Verhalten der Konsumenten

aufzudecken. Darüber hinaus können diese

sequenziellen Events in mathematische Modelle

eingebunden werden, um sie besser interpretieren,

vorhersagen und steuern zu können.

3. Das Know how

12



3. Das Know how

Kaufen wird als ein Prozess betrachtet, der sich in einzelne, zeitliche Sequenzen zerlegen lässt.

Kaufen als ganzheitlichen Prozess

13



Laufweg

Werbekontakt

Augenscheinlicher Kontakt mit Artikel

Artikel gekauft

Kontakt zu Personal

3. Das Know how

Durch sequenzanalytische Verfahren der Datenanalyse identifizieren wir signifikante Muster, Zusammenhänge und Schlüsselstellen im Kaufprozess als Anknüpfungspunkte für ein erfolgreiches Marketing

T-Z-T-B-A-K-A-T-T-K-Z-T-B-A-K-T-B-TT-Z-T-B-A-K-A-T-T-K-Z-T-B-A-K-T-B-T14



4. Nutzen

1. Modellierung und Steuerung von Kaufprozessen

2. Erkennen von Verhaltensmustern der Kunden

3. Konsumententypologisierung

4. Richtige Produktplatzierungen in Geschäften

5. Optimierung von Kaufprozessen, Sortimenten, Impulskäufen

6. Platzierung von Sonderangeboten

15



4. Nutzen

16



7. Optimierung der Kundenfrequenz über die gesamte Verkaufsfläche

8. Erhöhung der Verweildauer je Kunde im Ladengeschäft

9. Berücksichtigung der Wirkungen von Umweltanreizen (Ladenatmosphäre und Verkaufsraumgestaltung)

5. Implikationen

1. Wie bewegen sich die Kunden im Geschäft

2. Identifikation von „Kunden-Typen“ und deren Beschreibung

3. Modellierung und Interpretation von Kaufprozessen

4. Berücksichtigung der Wirkungen von Umweltanreizen

17



Zielsetzung einer Studie:

5. Implikationen

18



Mit Hilfe der Ergebnisse mathematisch-statistischer Analysen konnten folgende Ziele der Ladenlayoutpolitik erreicht werden:

1. Die gezielte Optimierung von Impulskäufen

2. Die gezielte Optimierung von Verkäufen mit hohem Deckungsbeitrag

3. Die gezielte Optimierung von der Kundenfrequenz über die gesamte Verkaufsfläche

4. Die Erhöhung der Verweildauer je Kunde im Ladengeschäft

Grafische Darstellung typischer Kundenströme

Lauftyp-1: 29,4 Min.; 42,93 €Kunden 5% / Umsatz 18%




Lauftyp-5: 12 Min.; 13,36 €Kunden 16% / Umsatz 17%



5. Implikationen

19



UG Nach oben

TOMMY HILFIGER

Nach unten

Nach oben

Nach obenNach oben

Nach oben

Nach oben

Nach obenNach oben

Nach oben

Nach oben

Nach obenNach oben

Nach oben

Nach oben

TOMMY HILFIGER

Nach unten

Nach oben

Nach obenNach oben

Nach oben OG

EG

Laufflächenkontakte und Konversionsraten

5. ImplikationenCu Be at PoS

CuBe MatrixSTOMER HAVIOUR AT POS

20Niedrig

Hoch

Kund

en- u

nd K

auffr

eque

nz

FeststellungvonProblem-bereichenim Laden

Kundenfrequenz Kauffrequenz

Erst mit Hilfe von mathematischen Modellen und deren Berechnung und Interpretation werden sinnvolle Ergebnisse für die Wirtschaftspraxis gewonnen.

21



5. ImplikationenAufbau von mathematischen Modellen

Weitere Aufgaben der mathematischen Modellierung:

Überprüfung von Hypothesen zum Kundenverhalten und Aufdeckung von typischen Mustern

Werbewirkungsanalysen

Verkaufsraumgestaltung

22



5. ImplikationenInterpretation von mathematischen Modellen

Aus dieser Gleichung folgt:

Wenn die Kunden als Grund für den Kauf bestimmten

Biersorten: „weil das meine bevorzugte Marke ist“ angeben,

dann geben sie durchschnittlich 10,30 Euro mehr als andere

Kunden aus.

Wenn der Laufweg im Geschäft um einen Meter steigt, dann

steigt der Umsatz um 20 Cent. Je länger der Weg ist, desto

mehr geben die Kunden aus.

UMSATZ = 10,6 + 10,3*GRUND: Bevorz. Marke + 0,2*LAUFLÄNGE – – 8,6*PRODUKTE GEFUNDEN + 1,6*EINTRITTSZEIT – – 20,2*ZUM ERSTEN MAL BEI „XY“

23



5. Implikationen

Der Umsatz sank im Durchschnitt um 8,60 Euro, wenn der

Kunde angab, dass er „Produkte teilweise fand“, oder sogar

um 17,20 Euro, wenn der Kunde angab, dass er „alle Produkte

fand“ im Vergleich zu einem Kunden, der mit „nein“ auf die

Frage antwortete.

Kurz: Wenn der Kunde seine „Wunsch-Produkte“ nicht findet,

dann gibt er mehr Geld aus.


Interpretation von mathematischen Modellen

24



5. Implikationen

Die Variable „EINTRITTSZEIT“ ist eine Zeitfunktion:

(60*(t-14):100)2, in welcher t die Eintrittszeit in Stunden ist.

Der Koeffizient 1,6 bedeutet, dass die Ausgaben morgens und

abends durchschnittlich höher als mittags sind.

Wenn der Kunde bei „XY“ zum ersten Mal kauft, gibt er im

Durchschnitt um 20,20 Euro weniger aus als die anderen

Kunden.



Regressionsgleichung mit standardisierten Koeffizienten:

25



5. Implikationen

UMSATZ = 0,4*GRUND: Bevorz. Marke + 0,4*LAUFLÄNGE –

– 0,2*PRODUKTE GEFUNDEN + 0,2*EINTRITZEIT –

– 0,2*ZUM ERSTEN MAL BEI „XY“

Aus dieser Gleichung folgt, dass die Faktoren mit den Koeffizienten

von 0,4 einen stärkeren Einfluss auf den Umsatz haben als die

Faktoren mit den Koeffizienten von 0,2.

Determinanten der Vorhersagegenauigkeit: R2 = 86% , SOY = 0,10.

R2 bedeutet, dass die Faktoren unsere abhängige Variable

(Umsatz) zu 86% beschreiben.


0,90% 0,90% 12,00% 5,60%2,80% 1,90% 0,00% 10,20%8,30% 8,30% 0,90% 1,90%9,30% 3,70% 2,80% 0,90%4,60% 0,00% 0,90% 0,00%0,90% 4,60% 5,60% 13,00%

Mathematische Modellierung

26



Optimierungspotenzial durch Deskriptionen und

Heat Maps

5. Implikationen

Nicht-Käufer

Anfasser, Berührer, Packungsleser

Käufer

1,78% 3,15% 10,68% 3,30%1,28% 2,78% 4,63% 10,43%7,03% 7,50% 0,75% 2,58%8,48% 3,95% 1,53% 2,43%2,03% 0,00% 2,05% 0,53%3,50% 3,83% 5,55% 10,05%

2,90% 6,30% 2,00% 5,40%3,40% 3,40% 2,40% 4,40%

14,10% 8,30% 3,40% 5,40%5,40% 8,30% 2,40% 4,90%0,50% 0,00% 2,00% 1,50%1,00% 2,40% 3,40% 6,80%


27



Optimierungshinweise:

… wenige Käufe?!

Intensive Beschäftigung mit den Produkten, aber …

Niedrig Zuw

endu

ngs-

und

Kau

ffreq

uenz

Hoch

5. Implikationen

Nicht-Käufer

Anfasser, Berührer, Packungsleser

Käufer

Optimierungspotenzial durch Deskriptionen und

Heat Maps


28



ZEIT

0.5

TEMPO0.4

WOCHENTAG 0.1

HERANTRETEN 0.1

CLUSTER-1 -0.1

CLUSTER-7 -0.1

LAUFLÄNGE0.1

ALTER

-0.08

AHZAHLAHZAHLGEKAUFT.GEKAUFT.PRODUKTEPRODUKTE

Optimierungspotenzial durch Modellierung

5. Implikationen

Empfohlene Maßnahmen für Check von Cluster-1 und Cluster7:

• Clusterbeschreibung durch Aktiv- und Passivvariablen• Sequenzanalyse für Lauf- & Zuwendungsverhalten• Prüfung von Zentroiden und weiteren Merkmalen• Vergleich mit anderen Cluster


29



CLUSTER-1

CLUSTER-7

Warum kaufen Kunden in den Gruppen 1 und 7 weniger, als in den anderen Kundengruppen?

Optimierungspotenzial durch Modellierung

5. Implikationen

30

5. ImplikationenAusgewählte Implikationen

1. Kundenorientierte Warenplatzierung

2. Verbesserte Sucheffizienz

3. Identifizierung der signifikanten Handelsflächen

4. Wirkungskontrolle von Werbung und Promotion

5. Optimierung von Promotionsplänen

6. Korrektur und Umsetzung von CM-Strategien

Alexander GorbachCuBe MatrixHornungweg 1622179 Hamburgfon: 040 67 95 87 16email: [email protected]: www.cubematrix.com

Kontakt

Für Rückfragen stehe ich Ihnen gern zur Verfügung

31



Heatmap: Konversionsraten

32

AnlageCu Be at PoS

CuBe MatrixSTOMER HAVIOUR AT POS

Hoch

Niedrig

Konversionsraten

Die Konversionsrate (KR) sagt aus, wie viele der Besucher eine gewünschte Aktion, bspw. „kaufen“(Z1), „nehmen und zurücklegen“ (Z2) oder „anschauen“ (Z3), ausführen.

KR1=Z1

Anz. BesucherKR3=

Z3

Anz. BesucherKR2=

Z2

Anz. Besucher

alexander gorbach. cube matrix. evaluation des kundenverhaltens am point of sale

Technology