Loyalty- und Haushaltspaneldaten in Shopper Insights verwandeln

# Loyalty- und Haushaltspaneldaten in Shopper Insights verwandeln

Eine Kundin zieht an einem Dienstagabend ihre Loyalty-Karte an der Kasse eines britischen Supermarkts durch. Dieser eine Piepton verrät dem Händler, was sie gekauft hat, zu welchem Preis, in Kombination mit welchen anderen Produkten und wie dieser Warenkorb im Vergleich zu den 40 aussieht, die sie im vergangenen Jahr gefüllt hat. Multiplizieren Sie das mit Millionen Haushalten, und Sie haben den reichhaltigsten Verhaltensdatensatz der Konsumgüterbranche. Das Problem: Die meisten Brand-Teams schauen darauf und sehen nur steigende oder fallende Umsätze. Der Insight liegt eine Ebene tiefer.

Diese Lektion zeigt, wie man Loyalty- und Haushaltspaneldaten so liest, wie es ein Category Manager tut: sauber trennen, *warum* sich Umsätze bewegt haben, erkennen, wer von günstigeren Produkten nach oben wechselt, und den Unterschied benennen zwischen einem Launch, der die Kategorie wachsen lässt, und einem, der nur dem eigenen Regal Umsatz wegnimmt.

Zwei Datenquellen, zwei verschiedene Aufgaben

Loyalty-Card-Daten (First-Party-Daten des Händlers): jede Transaktion, die einer Karte zugeordnet ist, von einem Händler. Enorme Reichweite, aber nur die Filialen dieses Händlers. Was der Shopper beim Wettbewerber gekauft hat, sehen Sie nicht.

Haushaltspaneldaten: eine rekrutierte, repräsentative Stichprobe von Haushalten (in einem großen Markt oft 15.000 bis 30.000), die *alle* ihre Lebensmitteleinkäufe über sämtliche Händler hinweg erfassen, meist durch Scannen der Barcodes zu Hause. Anbieter wie Kantar Worldpanel und NielsenIQ betreiben solche Panels. Kleinere Stichprobe, dafür Gesamtmarktsicht.

Faustregel: Loyalty-Daten sind tief, aber schmal. Paneldaten sind vollständig, aber gesampelt. Ernsthafte FMCG-Teams nutzen beides.

Die Gleichung, die alles erklärt: Penetration mal Frequenz

Hier die nützlichste Zerlegung im FMCG-Bereich. Der Umsatz jeder Marke lässt sich aufteilen in:

Umsatz = Haushalte, die bei Ihnen kaufen (Penetration) × wie oft sie kaufen (Frequenz) × wie viel sie pro Einkauf ausgeben

• Penetration: der Anteil der Haushalte, die Ihre Marke in einem Zeitraum mindestens einmal gekauft haben.
• Frequenz: durchschnittliche Anzahl der Kaufanlässe pro kaufendem Haushalt.

Warum das zählt: Zwei Marken mit identischem Umsatz kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen sich in völlig unterschiedlichem Zustand befinden.

Nehmen Sie an, Marke A hat den Umsatz im letzten Jahr um 6 % gesteigert. Bevor Sie feiern, zerlegen Sie die Zahl.

• Ist die Penetration gestiegen (mehr Haushalte haben probiert), ist das dauerhaftes, wertvolles Wachstum. Sie haben neue KKThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →äufer gewonnen.
• Ist die Frequenz gestiegen, die Penetration aber flach geblieben, holen Sie mehr aus denselben Shoppern heraus. Schwerer zu halten.

Jahrzehnte an Forschung, zusammengefasst vom Ehrenberg-Bass Institute, zeigen: Marken wachsen fast immer über steigende Penetration, nicht über Loyalität. Große Marken sind vor allem deshalb groß, weil mehr Menschen sie kaufen, nicht weil ihre KKThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →äufer treuer sind. Wenn Sie die zugrunde liegende Wissenschaft wollen, ist der Forschungsüberblick des Instituts ein guter kostenloser Einstieg.

Die erste Frage an einen Loyalty-Datensatz lautet also nie „ist der Umsatz gestiegen?“. Sie lautet: „Haben *mehr Haushalte* bei uns gekauft, oder haben *dieselben Haushalte* mehr gekauft?“

Einen Loyalty-Datensatz in der Praxis lesen

Ein roher Loyalty-Extrakt sieht aus wie eine riesige Tabelle:

| card_id | date | store | product | price_paid | promo_flag |

|---------|------|-------|---------|-----------|------------|

Um von hier zu Penetration und Frequenz zu kommen, gruppieren Sie nach Haushalt. Eine einfache Illustration in SQLSQLSales Qualified Lead: a prospect the sales team has validated as ready for direct outreach and a proposal, having passed clear qualification criteria.Vollständige Definition ansehen →:

SELECT
  COUNT(DISTINCT CASE WHEN brand = 'OurBrand'
    THEN card_id END) * 1.0
    / COUNT(DISTINCT card_id) AS penetration,
  COUNT(*) FILTER (WHERE brand = 'OurBrand') * 1.0
    / COUNT(DISTINCT CASE WHEN brand = 'OurBrand'
        THEN card_id END) AS purchases_per_buyer
FROM transactions
WHERE category = 'Yogurt'
  AND date BETWEEN '2025-01-01' AND '2025-12-31';

Penetration ist die Zahl der KKThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →äufer geteilt durch alle Kategorie-Shopper. Frequenz ist die Gesamtzahl der KKThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →äufe geteilt durch die KKThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →äufer. Zwei Zeilen Logik, und Sie wissen bereits mehr, als eine Umsatzkurve Ihnen sagt.

Die Private-Label-Switcher finden

Private Label (die Eigenmarke eines Händlers, oft günstiger) ist in den meisten FMCG-Kategorien die größte Wettbewerbsbedrohung. Mit Loyalty-Daten finden Sie genau die Shopper, die zwischen Private Label und Ihrer Marke wechseln, weil Sie dieselbe Karte über die Zeit verfolgen kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen.

Bauen Sie eine Switching-Matrix. Nehmen Sie jeden Haushalt, der die Kategorie in zwei aufeinanderfolgenden Perioden gekauft hat, und kreuzen Sie ab, was gekauft wurde:

| | Ihre Marke gekauft (Periode 2) | Private Label gekauft (Periode 2) |

|---|---|---|

| Ihre Marke gekauft (Periode 1) | Loyal zu Ihnen | An Private Label verloren |

| Private Label gekauft (Periode 1) | Von Private Label gewonnen | Loyal zu Private Label |

Segmentieren Sie nun die Zelle „von Private Label gewonnen“. Sind diese Haushalte jünger, promo-sensitiver, kaufen sie größere Packungen? Dieses Profil sagt Ihnen, *was* sie herübergezogen hat: eine Preissenkung, ein neues Format, ein Health Claim.

Ein konkretes Beispiel: Ein Category Manager stellt fest, dass Shopper, die von Private Label zu einer Premiummarke wechseln, ganz überwiegend im Rahmen einer Multibuy-Promotion gekauft haben und eher aus kleineren Haushalten stammen. Lesen Sie das genau. Diese Switcher bleiben möglicherweise nicht, sobald die Promotion endet. Im Gegensatz dazu Switcher, die zum vollen Preis eingestiegen sind und wiedergekauft haben: Das sind echte, dauerhafte Gewinne.

Die dahinterliegende Verhaltensfrage: Haben Sie verändert, *wer* die Kategorie kauft, oder nur, *wo* bestehende KKThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →äufer diese Woche ihr Geld ausgeben?

Kannibalisierung versus inkrementeller Lift bei einer neuen Variante

Jetzt der schwierigste und wertvollste Anwendungsfall. Sie launchen eine neue Variante, sagen wir eine High-Protein-Version eines bestehenden Joghurts. Umsätze tauchen auf. Aber ein Teil davon stammt von Menschen, die ohnehin Ihren normalen Joghurt gekauft hätten. Das ist Kannibalisierung. Die Umsätze, die für Ihr Markenportfolio wirklich neu sind, sind der inkrementelle Lift.

Wer das falsch einschätzt, vernichtet Wert. Ein Launch, der erfolgreich aussieht (die neue Variante verkauft sich), kann den Gesamtmarkenumsatz flach lassen, weil ererThe ratio of interactions (likes, comments, shares) to reach for a given piece of content, used to gauge how well audiences respond relative to how many people saw it.Vollständige Definition ansehen → die bestehende Linie ausgehöhlt hat.

So messen Sie es mit Haushaltsdaten:

1. Identifizieren Sie Haushalte, die die neue Variante gekauft haben.

2. Schauen Sie sich deren KKThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →äufe Ihrer *anderen* Produkte vor und nach dem Launch an.

3. Wenn die Ausgaben eines KKThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →äufers für Ihren normalen Joghurt ungefähr um den Betrag gesunken sind, den ererThe ratio of interactions (likes, comments, shares) to reach for a given piece of content, used to gauge how well audiences respond relative to how many people saw it.Vollständige Definition ansehen → jetzt für die Variante ausgibt, ist das kannibalisiert.

4. Wenn seine gesamten Kategorieausgaben bei Ihrer Marke gestiegen sind, ist dieser Anteil inkrementell.

Sauberer ist ein Test-versus-Control-Design: Vergleichen Sie Filialen oder Regionen, in denen die Variante gelauncht wurde, mit vergleichbaren ohne Launch, und messen Sie die Differenz im *Gesamtmarkenumsatz*, nicht nur im Variantenumsatz. Paneldaten unterstützen das, weil Sie den vollständigen Warenkorb jedes Haushalts sehen.

Entscheidungsregel, die in der Praxis genutzt wird: Ein Launch lohnt sich, wenn die Inkrementalität (neue Umsätze für die Marke plus Kategorieausweitung) die durch Kannibalisierung verlorene Marge klar übersteigt. Eine Variante, die zu 80 % kannibalisiert, kann trotzdem gerechtfertigt sein, wenn sie gegen einen Wettbewerber verteidigt, der kurz vor einem ähnlichen Launch steht. Aber Sie sollten *wissen*, dass Sie diesen Handel eingehen, und es nicht ein Jahr später entdecken.

Typische Fallen beim Lesen dieser Daten

Survivorship in Loyalty-Programmen. Karteninhaber sind nicht die gesamte Bevölkerung. Sie sind tendenziell engagierter und kaufen häufiger. Behandeln Sie sie nicht ohne Anpassung als Durchschnitts-Shopper.

Fehlende Warenkörbe. Menschen vergessen ihre Karte oder kaufen beim Wettbewerber. Loyalty-Daten zählen zu niedrig. Paneldaten korrigieren das Gesamtmarktbild, aber mit kleineren Stichproben, sodass winzige Segmente schnell verrauschen.

Korrelation mit Kausalität verwechseln. Wenn Heavy Buyer auch Ihre neue Variante kaufen, heißt das nicht, dass die Variante Heavy Buyer geschaffen hat. Es kann schlicht sein, dass loyale Kunden alles probieren, was Sie herstellen.

Promotion-Maskierung. Ein Frequenzsprung während eines tiefen Rabatts ist keine neue Loyalität. Kennzeichnen Sie immer promotedes gegenüber Vollpreis-Volumen, bevor Sie Schlüsse ziehen.

Alles zusammen: eine durchgerechnete Lesart

Angenommen, der Jahresumsatz Ihrer Joghurtmarke liegt 4 % im Plus. Sie zerlegen:

• Penetration: gestiegen. Mehr Haushalte haben bei Ihnen gekauft. Gutes Zeichen.
• Die Switching-Matrix zeigt eine gesunde Zelle „von Private Label gewonnen“, und diese Switcher haben überwiegend zum vollen Preis gekauft. Dauerhaft.
• Die neue High-Protein-Variante: Die Haushaltsanalyse zeigt, dass etwa die Hälfte ihres Volumens inkrementell für die Marke ist, die Hälfte von der regulären Linie kannibalisiert. Die inkrementelle Hälfte hat zudem neue, jüngere Haushalte gebracht.

Ihre Empfehlung schreibt sich von selbst: Das Wachstum ist echt und penetrationsgetrieben, die Variante lohnt sich, weil sie trotz spürbarer Kannibalisierung neue KKThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →äufer gewinnt, und die Private-Label-Gewinne sind es wert, durch weiterhin verfügbare Vollpreisware statt tieferer Rabatte geschützt zu werden.

Key Takeaways

• Zerlegen Sie Umsätze immer zuerst in Penetration und Frequenz. Wachstum durch mehr kaufende Haushalte ist wertvoller und dauerhafter als Wachstum, das bestehenden KKThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →äufern abgerungen wird.
• Nutzen Sie eine Switching-Matrix auf Loyalty-Daten, um genau zu sehen, wer zwischen Ihrer Marke und Private Label wechselt, und profilieren Sie diese Switcher, um zu verstehen, was sie gezogen hat.
• Trennen Sie Kannibalisierung von inkrementellem Lift bei jedem Launch. Eine Variante, die sich verkauft, kann den Gesamtmarkenumsatz trotzdem flach lassen. Test-versus-Control-Designs und Paneldaten mit vollständigem Warenkorb sind die saubersten Messwege.
• Loyalty-Daten sind tief, aber schmal; Paneldaten sind vollständig, aber gesampelt. Kombinieren Sie beides, und kennzeichnen Sie promotedes Volumen immer, bevor Sie etwas über Loyalität schließen.