alexander gorbach. cube matrix. evaluation des kundenverhaltens am point of sale
DESCRIPTION
Während meiner Forschungs- und Beratungstätigkeit der letzten Jahre entwickelte ich ein Auswertungstool, das Verhaltens- und Kundendaten aus unterschiedlichen Quellen zusammenführt und diese aggregierten Daten mittels sequenzanalytischen wie Data Mining Methoden auswerten kann. So ergibt sich ein komplexes Bild jedes einzelnen Konsumenten bzw. homogener Konsumentengruppen, deren Verhalten auf dieser Basis prognostiziert, erklärt und beeinflusst werden kann.TRANSCRIPT
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
Cu Be at PoSCuBe Matrix
STOMER HAVIOUR AT POS
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
Cu Be at PoSCuBe Matrix
STOMER HAVIOUR AT POS
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
Cu Be at PoSCuBe Matrix
STOMER HAVIOUR AT POS
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
Cu Be at PoSCuBe Matrix
STOMER HAVIOUR AT POS
Multikulturelles Business NetworkingGeschäftspartner in verschiedenen Ländern
Geschäftsideen, UnternehmensgründungShopperMetrix Ukraine Ltd., CuBe Matrix
ProjektmanagementInternationale Forschungsprojekte
FranchisingFranchising Days für die GUS-Staaten
Kosmopolit
7
Cu Be at PoSCuBe Matrix
STOMER HAVIOUR AT POS
2. Produkt
ModellingEinflussfaktoren und Muster
DB MiningBon- und Kundenkartendaten
Point of ViewBefragungsdaten
SequenceAnalysis
Verhaltens- und Laufdaten
8
Cu Be at PoSCuBe Matrix
STOMER HAVIOUR AT POS
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
Cu Be at PoSCuBe Matrix
STOMER HAVIOUR AT POS
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
Cu Be at PoSCuBe Matrix
STOMER HAVIOUR AT POS
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
Cu Be at PoSCuBe Matrix
STOMER HAVIOUR AT POS
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
Cu Be at PoSCuBe Matrix
STOMER HAVIOUR AT POS
3. Das Know how
Kaufen wird als ein Prozess betrachtet, der sich in einzelne, zeitliche Sequenzen zerlegen lässt.
Kaufen als ganzheitlichen Prozess
13
Cu Be at PoSCuBe Matrix
STOMER HAVIOUR AT POS
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
Cu Be at PoSCuBe Matrix
STOMER HAVIOUR AT POS
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
Cu Be at PoSCuBe Matrix
STOMER HAVIOUR AT POS
4. Nutzen
16
Cu Be at PoSCuBe Matrix
STOMER HAVIOUR AT POS
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
Cu Be at PoSCuBe Matrix
STOMER HAVIOUR AT POS
Zielsetzung einer Studie:
5. Implikationen
18
Cu Be at PoSCuBe Matrix
STOMER HAVIOUR AT POS
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-2: 21,7 Min.; 10,34 €Kunden 8% / Umsatz 6%
Lauftyp-3: 18,3 Min.; 41,09 €Kunden 8% / Umsatz 25%
Lauftyp-4: 8,8 Min.; 10,46 €Kunden 16% / Umsatz 13%
Lauftyp-5: 12 Min.; 13,36 €Kunden 16% / Umsatz 17%
Lauftyp-6: 2,2 Min.; 1,34 €Kunden 30% / Umsatz 3%
Lauftyp-7: 7,6 Min.; 12,18 €Kunden 18% / Umsatz 17%
5. Implikationen
19
Cu Be at PoSCuBe Matrix
STOMER HAVIOUR AT POS
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
Cu Be at PoSCuBe Matrix
STOMER HAVIOUR AT POS
5. ImplikationenAufbau von mathematischen Modellen
Weitere Aufgaben der mathematischen Modellierung:
Überprüfung von Hypothesen zum Kundenverhalten und Aufdeckung von typischen Mustern
Werbewirkungsanalysen
Verkaufsraumgestaltung
22
Cu Be at PoSCuBe Matrix
STOMER HAVIOUR AT POS
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
Cu Be at PoSCuBe Matrix
STOMER HAVIOUR AT POS
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.
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“
Interpretation von mathematischen Modellen
24
Cu Be at PoSCuBe Matrix
STOMER HAVIOUR AT POS
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.
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“
Interpretation von mathematischen Modellen
Regressionsgleichung mit standardisierten Koeffizienten:
25
Cu Be at PoSCuBe Matrix
STOMER HAVIOUR AT POS
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.
Interpretation von mathematischen Modellen
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
Cu Be at PoSCuBe Matrix
STOMER HAVIOUR AT POS
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%
Mathematische Modellierung
27
Cu Be at PoSCuBe Matrix
STOMER HAVIOUR AT POS
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
Mathematische Modellierung
28
Cu Be at PoSCuBe Matrix
STOMER HAVIOUR AT POS
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
Mathematische Modellierung
29
Cu Be at PoSCuBe Matrix
STOMER HAVIOUR AT POS
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
Cu Be at PoSCuBe Matrix
STOMER HAVIOUR AT POS
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