Customer Intelligence aus Loyalty- und Clienteling-Daten aufbauen

# Customer Intelligence aus Loyalty- und Clienteling-Daten aufbauen

Eine Kundin betritt eine Boutique. Noch bevor sie den Kassentisch erreicht, zeigt das Tablet der Verkäuferin ihren Namen, dass sie vor sechs Wochen online einen Wollmantel gekauft hat, dass sie Navy gegenüber Schwarz bevorzugt und dass ihre letzten drei KKDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →äufe alle zum Vollpreis erfolgten. Das Tablet schlägt außerdem das nächste Produkt vor, das man ihr zeigen sollte: einen passenden Kaschmirschal.

Das ist keine Magie. Es sind drei getrennte Datenströme, die zu einem Profil zusammengefügt wurden. Diese Lektion zeigt, wie Retailer dieses Profil aufbauen und daraus eine Empfehlung machen, mit der eine Verkäuferin in Sekunden arbeiten kann.

Die drei Rohstoffe

Customer Intelligence im Retail beginnt fast immer mit drei unsauberen Quellen.

1. Loyalty-Scans. Wenn eine Kundin eine Loyalty-App scannt oder an der Kasse eine Telefonnummer angibt, erfassen Sie eine Transaktion, die an eine bekannte ID gebunden ist. Das ist Ihr saubersten Signal: was gekauft wurde, wann und zu welchem Preis.

2. Online-Identifier. E-Mail-Adressen, Account-Logins und Website-Verhalten (Browsing, Cart Adds, Wishlist-Speicherungen). Das zeigt Intent, nicht nur KKDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →äufe.

3. Clienteling-Notizen. *Clienteling* ist die Praxis, dass Verkäufer eine Eins-zu-eins-Beziehung zu Kunden aufbauen und dabei häufig Notizen in einer App hinterlegen: „bevorzugt taillierte Schnitte“, „kauft für eine Hochzeit im Juni“, „Ehemann trägt Größe L“. Diese Notizen sind qualitatives Gold, das kein Algorithmus ableiten kann.

Das Problem: Jede Quelle nutzt einen anderen Schlüssel. Loyalty kennt eine Member-ID. Online kennt eine E-Mail. Die Verkäuferin im Store hat sich einen Vornamen und eine vage Erinnerung notiert. Getrennt betrachtet haben Sie drei dünne Sichten auf dieselbe Person.

Identity Resolution: die Teile zusammenfügen

*Identity Resolution* ist der Prozess, zu entscheiden, dass „Member 88213“, „sara.kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →@email.com“ und „Sara vom Dienstagsbesuch“ ein und derselbe Mensch sind.

Zwei gängige Ansätze:

• Deterministisches Matching. Datensätze werden nur zusammengeführt, wenn ein gemeinsames Feld exakt übereinstimmt, etwa dieselbe E-Mail oder Telefonnummer. Hohe Konfidenz, verpasst aber Personen, die über Kanäle hinweg unterschiedliche Angaben gemacht haben.
• Probabilistisches Matching. Es wird bewertet, wie wahrscheinlich zwei Datensätze dieselbe Person sind, basierend auf mehreren schwachen Signalen (ähnlicher Name, gleiche Postleitzahl, gleiches Gerät). Findet mehr Matches, riskiert aber Falschzusammenführungen.

Die meisten Retailer nutzen zuerst deterministisches Matching und danach probabilistisches, um den Rest zu erfassen. Eine nützliche Einführung in das zugrunde liegende Konzept ist der Wikipedia-Eintrag zu Record Linkage.

Ein Hinweis zur Vorsicht, bevor Sie irgendetwas zusammenführen: Loyalty- und Clienteling-Daten sind personenbezogene Daten. Unter Regelwerken wie der EU-DSGVO (Datenschutz-Grundverordnung) und dem kalifornischen CCPA (California Consumer Privacy Act) brauchen Sie eine Rechtsgrundlage, um Daten kanalübergreifend zu kombinieren, und Kunden kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →önnen Auskunft oder Löschung verlangen. Bauen Sie Consent-Tracking von Tag eins an in das Profil ein. Das ist eine Entscheidung im Datendesign, kein juristischer Nachgedanke.

Kunden mit RFM bewerten

Sobald Sie ein einheitliches Profil haben, brauchen Sie einen schnellen Weg, Kunden nach Wert zu sortieren. Das Arbeitspferd ist die RFM-Segmentierung, die jeden Kunden auf drei Dimensionen bewertet:

• Recency: Wie kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →ürzlich war der letzte Kauf? Wer kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →ürzlich gekauft hat, kauft eher wieder.
• Frequency: Wie oft wird gekauft?
• Monetary: Wie viel wird ausgegeben?

RFM ist beliebt, weil es einfach und interpretierbar ist und nur Transaktionsdaten braucht, die Sie ohnehin haben. Für den Start brauchen Sie kein Machine Learning.

Wie das Scoring funktioniert

Die Standardmethode: Kunden auf jeder Dimension in Quintile (fünf gleich große Gruppen) einteilen, mit Scores von 1 bis 5.

Eine Kundin, die gestern gekauft hat, monatlich kauft und viel ausgibt, hätte vielleicht R5 F5 M5: Ihr bestes Segment. Wer vor zwei Jahren einmal gekauft hat, erreicht R1 F1 M1: fast abgewandert.

Hier die Kernlogik in wenigen Zeilen Python, unter der Annahme einer Tabelle mit einer Zeile pro Kunde:

import pandas as pd

# df has columns: customer_id, recency_days, frequency, monetary
df["R"] = pd.qcut(df["recency_days"], 5, labels=[5,4,3,2,1])  # fewer days = better
df["F"] = pd.qcut(df["frequency"].rank(method="first"), 5, labels=[1,2,3,4,5])
df["M"] = pd.qcut(df["monetary"], 5, labels=[1,2,3,4,5])

df["rfm_segment"] = df["R"].astype(str) + df["F"].astype(str) + df["M"].astype(str)

Das ergibt einen dreistelligen Code pro Kunde. Anschließend gruppieren Sie die Codes zu benannten Segmenten, mit denen ein Businessmensch arbeiten kann.

Die Segmente benennen

Rohcodes wie „534“ bedeuten einer Verkäuferin nichts. Übersetzen Sie sie:

• Champions (R5, hohes F und M): kaufen oft, kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →ürzlich und groß. Belohnen und schützen.
• Loyal, aber geringe Ausgaben (hohes F, niedriges M): häufige Besucher mit kleinen KKDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →äufen. Upsell-Kandidaten.
• At risk (früher R5 F5, heute R2): hoher vergangener Wert, jetzt still. Zurückgewinnen, bevor sie abwandern.
• Neu (R5, F1): kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →ürzlich erster Kauf. Zum zweiten Kauf führen.

Jeder Name impliziert eine Handlung. Genau darum geht es.

Vom Segment zum Next-Best-Product

RFM sagt Ihnen, *wie wertvoll* ein Kunde ist und *wie dringend* die Ansprache. Es sagt Ihnen nicht, *was Sie zeigen sollen*. Dafür kombinieren Sie das Segment mit zwei weiteren Inputs:

1. Kategorienhistorie der Käufe. Wenn Sara Strickwaren und Outerwear kauft, aber nie Schuhe, empfehlen Sie zuerst innerhalb ihrer belegten Kategorien.

2. Clienteling-Notizen. Details wie „bevorzugt Navy“ oder „Hochzeit im Juni“ filtern und personalisieren die Empfehlung.

Eine einfache, erklärbare Regel, der eine Verkäuferin vertrauen kann:

> WENN Kunde ein Champion ist UND der letzte Kauf ein Mantel war UND weniger als 8 Wochen zurückliegt

> DANN komplementäre Accessoires in der bevorzugten Farbe empfehlen.

Genau das ist der Kaschmirschal aus unserer Eingangsszene. Keine Black Box. Die Verkäuferin sieht, warum.

Fortgeschrittenere Retailer legen eine *Recommendation Engine* darüber (Software, die auf Basis von Mustern über viele Kunden vorhersagt, was ein KKDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →äufer als Nächstes will). Aber fangen Sie mit Regeln an. Sie sind transparent, schnell ausgerollt und für Verkäufer leicht zu übersteuern, wenn der Mensch vor ihnen etwas anderes sagt.

🎬 [VIDEO: „RFM Analysis Explained“ - youtube.com - ein kurzer, praxisnaher Durchgang durch Recency-, Frequency- und Monetary-Scoring mit einem Rechenbeispiel]

Es in die Hände der Verkäufer bringen

Intelligence, die im Data WarehouseData WarehouseEin zentrales Repository, das Daten aus vielen Quellsystemen in einem strukturierten, abfrageoptimierten Speicher zusammenführt, ausgelegt für Analytics, Reporting und Business Intelligence.Vollständige Definition ansehen → liegt, verändert nichts. Die letzte Meile ist die Clienteling-App auf dem Gerät der Verkäuferin.

Designprinzipien, die im laufenden Store zählen:

• Ein Blick, drei Fakten. Name, Segment und eine Empfehlung. Verkäufer haben Sekunden, nicht Minuten.
• Das „Warum“ zeigen. „Empfohlen, weil sie den passenden Mantel gekauft hat“ schafft Vertrauen bei der Verkäuferin und erlaubt es, die Ansprache anzupassen.
• Rückmeldung ermöglichen. Die Notiz der Verkäuferin („hat ihr gefallen, kauft nächsten Monat für die Tochter“) muss zurück ins Profil fließen. Clienteling ist ein Kreislauf, kein Einwegkanal.

Die Retailer, die hier gewinnen, behandeln Verkäufer als Datenlieferanten, nicht nur als Datenkonsumenten.

Typische Fallstricke

Zusammenführen ohne Consent. Online- und Offline-Identitäten ohne Rechtsgrundlage zu verknüpfen, ist ein Compliance-Risiko. Tracken Sie Consent pro Kanal.

Veraltetes RFM. Recency ändert sich täglich. Ein wöchentlicher oder nächtlicher Refresh hält „at risk“-Flags aussagekräftig. Ein Quartalsbatch zeigt Champions, die längst abgewandert sind.

Dem Algorithmus zu sehr vertrauen. Die Verkäuferin sieht Dinge, die Daten nicht sehen: Stimmung, eine Begleitung, ein zurückgegebenes Geschenk. Lassen Sie den Menschen immer übersteuern.

Die Notizen ignorieren. Viele Retailer führen Loyalty und Online zusammen, lassen Clienteling-Notizen aber in einer separaten App gefangen. Diese Notizen sind oft die differenzierendsten Daten, die Sie besitzen, weil Wettbewerber sie nicht kaufen oder kopieren kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →önnen.

Alle Segmente über denselben Kanal ansprechen. Ein Champion möchte vielleicht eine persönliche SMS von ihrer Verkäuferin. Ein abgewanderter Neukunde reagiert vielleicht besser auf eine automatisierte Rabatt-E-Mail. Passen Sie die Ansprache dem Segment an.

Ein kurzes Praxisbeispiel

Stellen Sie sich eine Modekette im mittleren Marktsegment vor. Sie führt Loyalty-Scans (Member-ID), E-Commerce-Accounts (E-Mail) und Clienteling-Notizen aus dem Store per deterministischem Matching auf Telefonnummer und E-Mail zusammen.

RFM läuft nächtlich. Sara erreicht R5 F4 M5: ein Champion. Ihre Kategorienhistorie zeigt Outerwear und Strickwaren. Die Notiz ihrer Verkäuferin sagt „navy, tailliert“.

Die Regel greift: komplementäres Strick-Accessoire, navy, Vollpreis (sie läuft nie Rabatten nach). Das Tablet zeigt einen navyfarbenen Kaschmirschal, sobald sie den Store betritt.

Sara kauft. Die Verkäuferin notiert: „erwähnte einen Skiurlaub im Februar“. Nächste Saison treibt diese Notiz die nächste Empfehlung. Der Kreislauf schließt sich enger.

Wichtigste Erkenntnisse

• Erst vereinheitlichen, dann analysieren. Identity Resolution über Loyalty-, Online- und Clienteling-Daten ist das Fundament. Ohne sie ist jeder Insight unvollständig.
• RFM ist der schnellste Weg zum Wert. Recency-, Frequency- und Monetary-Scoring braucht nur Transaktionsdaten und liefert in Tagen statt Monaten handlungsfähige, benannte Segmente.
• Segmente setzen die Dringlichkeit, Historie und Notizen setzen das Produkt. Kombinieren Sie RFM mit Kategorienhistorie und Verkäufernotizen, um zu einer konkreten Next-Best-Product-Empfehlung zu kommen.
• Die Verkäuferin schließt den Kreislauf. Liefern Sie einen Blick und einen Grund, und erfassen Sie ihre Notizen zurück ins Profil.
• Consent ist eine Designanforderung. Tracken Sie die Rechtsgrundlage pro Kanal von Tag eins an, nicht nach dem Launch.