de
                    array(1) {
  ["de"]=>
  array(13) {
    ["code"]=>
    string(2) "de"
    ["id"]=>
    string(1) "3"
    ["native_name"]=>
    string(7) "Deutsch"
    ["major"]=>
    string(1) "1"
    ["active"]=>
    string(1) "1"
    ["default_locale"]=>
    string(5) "de_DE"
    ["encode_url"]=>
    string(1) "0"
    ["tag"]=>
    string(2) "de"
    ["missing"]=>
    int(0)
    ["translated_name"]=>
    string(7) "Deutsch"
    ["url"]=>
    string(69) "https://www.statworx.com/case-studies/kundensegmentierung-automotive/"
    ["country_flag_url"]=>
    string(87) "https://www.statworx.com/wp-content/plugins/sitepress-multilingual-cms/res/flags/de.png"
    ["language_code"]=>
    string(2) "de"
  }
}
                    
Kontakt
Case Studies
Case Studies

Kundensegmentierung Automotive

In diesem Projekt haben wir, basierend auf Panelbefragungs-Daten unseres Kunden, ein statistisches Modell zur Kundensegmentierung entwickelt, das gezielt Kund:innen mit ähnlichen Bedürfnissen gruppiert und analysiert.

  • Branche Automotive
  • Thema Customer Analytics
  • Tools R, SPSS
  • Projektdauer 1 Monat

Herausforderung

Die Analyse und Modellierung von Kundengruppen zur Identifikation neuer Kundenbedürfnisse ist eine zentrale Aufgabe in der Automotive-Marktforschung. Im Rahmen von jährlich stattfindenden Panelbefragungen werden tausende Personen zu Ihren Wünschen und Bedürfnissen in Bezug auf Automobilität befragt. Diese Daten werden von den Automobil-OEMs systematisch analysiert, um neue Kundenbedürfnisse rechtzeitig zu erkennen. Mittels Clusteranalysen wird versucht, Kundensegmente aufzudecken, die in sich homogene Eigenschaften aufweisen, sich von den anderen Gruppen jedoch möglichst stark unterscheiden. Unser Kunde, ein internationaler Automobilkonzern, stand vor der Herausforderung, dass die bisherigen Clusteranalysen sehr volatile Ergebnisse erzeugten, die sich von Jahr zu Jahr stark veränderten.

Ansatz

Basierend auf den zur Verfügung gestellten Panelbefragungs-Daten haben wir zunächst den Kundenansatz als Benchmark repliziert. Hierbei zeigte sich keine zufriedenstellende Cluster-Trennkraft. Der Grund hierfür war die extreme Heterogenität zwischen den verwendeten Konstrukten. Nach einer Datenbereinigung und einer Dimensionsreduktion der verschiedenen Konstrukte wurden innerhalb der einzelnen Konstrukte separate Clusteranalysen durchgeführt. Die Ergebnisse der Subcluster wurden dann wiederum in einer Meta-Clusteranalyse verarbeitet. Hierbei zeigten sich gute bis sehr gute Diskriminanzen der Cluster-Lösungen. Auch die inhaltliche Interpretation der Resultate lieferte plausible Ergebnisse.

Ergebnis

Mit der neu entwickelten zweistufigen Clustermethode kann unser Kunde nun stabilere Kundencluster identifizieren, die zusätzlich eine wesentlich stärkere Trennkraft aufweisen als die bis dato vorliegende Lösung. Die neu entstandenen Cluster helfen unserem Kunden dabei, neue Kundengruppen und deren Bedürfnisse zu identifizieren und im Rahmen neuer Produktstrategien zu erproben.

Experte

Kontakt anfragen

Erfahre mehr!

Als eines der führenden Unternehmen im Bereich Data Science, Machine Learning und KI begleiten wir Sie in die datengetriebene Zukunft. Erfahren Sie mehr über statworx und darüber, was uns antreibt.
ÜBER UNS