Käufertypen in der Konsumforschung - Dargestellt anhand der Käufe in einem SB-Warenhaus


Diplomarbeit, 2002

124 Seiten, Note: 1,3


Leseprobe


Inhaltsverzeichnis

Abbildungsverzeichnis

Tabellenverzeichnis

I. Einführung

II. Käufertypen in der Konsumforschung
1. Herkunft und Inhalt des Datensatzes
1.1 Herkunft des Datensatzes
1.2 Begriffsabgrenzung: Käufer – Kunde
1.3 Inhaltliche Beschreibung des Datensatzes
1.3.1 Verhaltensmerkmale
1.3.2 Strukturmerkmale
1.3.3 Die 13 Warengruppen
1.3.3.1 Allgemeines
1.3.3.2 Bedeutung der einzelnen Warengruppen
2. Ziel und Zweck der Analyse des Datensatzes
2.1 Ziel der Analyse
2.2 Sinn und Zweck der Bildung von Käufertypen
3. Vorgehensweise zur Bildung von Käufertypen: Data-Mining
3.1 Definition von Data-Mining
3.2 Methoden des Data-Mining
3.2.1 Allgemeine Systematik
3.2.2 Künstliche Neuronale Netze (KNN)
3.2.3 Assoziationsregeln
3.2.4 Clusteranalyse
3.2.4.1 Auswahl der Merkmale
3.2.4.2 Wahl des Proximitätsmaßes
3.2.4.3 Wahl der Clustermethode
3.2.4.4 Entscheidung für eine bestimmte Klassenzahl
3.2.4.5 Interpretation der gefundenen Cluster
3.2.5 Exkurs: Das Conjoint-Profit-Modell
4. Ergebnisse der Analyse des Datensatzes
4.1 Gang der Untersuchung
4.2 Klassifikation
4.2.1 Klassifikation der Kunden nach der Kaufhäufigkeit
4.2.1.1 Definition der Klassen
4.2.1.2 Kaufverhaltensprofil der Gruppen
4.2.1.3 Strukturprofil der Gruppen
4.2.1.4 Fazit
4.2.2 Klassifikation der Kunden nach dem Preisbewußtsein
4.2.2.1 Definition der Klassen
4.2.2.2 Kaufverhaltensprofil der Gruppen
4.2.2.3 Strukturprofil der Gruppen
4.2.2.4 Fazit
4.2.3 Klassifikation der Käufer nach der Umsatzhöhe
4.2.3.1 Definition der Klassen
4.2.3.2 Kaufverhaltensprofil der Gruppen
4.2.3.3 Strukturprofil der Gruppen
4.3 Segmentierung
4.3.1 Parameter der Clusteranalyse
4.3.1.1 Auswahl der Merkmale
4.3.1.2 Entscheidung für ein Proximitätsmaß
4.3.1.3 Entscheidung für ein Clusterverfahren
4.3.1.4 Entscheidung über Klassenzahl
4.3.2 Charakterisierung der Haushaltstypen
4.3.2.1 Strukturprofil
4.3.2.2 Warengruppenprofil
4.4 Abhängigkeitsanalyse
4.4.1 Nutzungsverhalten der Käufer
4.4.1.1 Grundidee
4.4.1.2 Käufe mit höchstens zwei Warengruppen
4.4.1.3 Ergebnisse
4.4.2 Segmentierung der Käufer
4.4.2.1 Grundidee
4.4.2.2 Parameter der Clusteranalyse
4.4.2.3 Ergebnisse
4.4.3 Fazit

III. Abschließende Beurteilung der Analyse des Datensatzes

Anhang Vollständige Tabelle der Anteile aller Warengruppenpaare

Literaturverzeichnis

Selbstständigkeitserklärung

Abbildungsverzeichnis

Abb. 1: Zusammenfassende Darstellung der im Datensatz enthaltenen Merkmale

Abb. 2: Käuferfrequenzen der einzelnen Warengruppen

Abb. 3: Umsatzanteile der einzelnen Warengruppen

Abb. 4: Anteile der Warengruppen am Umsatz mit Sonderangebotsartikeln

Abb. 5: Schritte im Prozeß der Wissensentdeckung in Daten

Abb. 6: Zuordnung von Data-Mining-Methoden zu Data-Mining-Aufgaben

Abb. 7: Überblick über ausgewählte Clusterverfahren

Abb. 8: Was ist mit „Abstand zweier Gruppen“ gemeint?

Abb. 9: Average Linkage innerhalb der Gruppen

Abb. 10: Ablaufschritte der hierarchisch-agglomerativen Clusterverfahren

Abb. 11: Zusammenfassende Darstellung der Schritte einer Clusteranalyse

Abb. 12: Warengruppenprofil der Käufertypen nach Einkaufshäufigkeit

Abb. 13: Strukturprofil der Käufertypen anhand der quantitativen Merkmale

Abb. 14: Strukturprofil anhand des qualitativen Merkmals „Familienstand“

Abb. 15: Strukturprofil anhand des qualitativen Merkmals „sozialer Status“

Abb. 16: Strukturprofil anhand des qualitativen Merkmals „Innovationsfreudigkeit“

Abb. 17: Strukturprofil anhand des qualitativen Merkmals „Markenbewußtsein“

Abb. 18: Warengruppenprofil der Käufertypen nach dem Preisbewußtsein

Abb. 19: Strukturprofil der Käufertypen anhand der quantitativen Merkmale

Abb. 20: Strukturprofil anhand des qualitativen Merkmals „sozialer Status“

Abb. 21: Strukturprofil anhand des qualitativen Merkmals „Innovationsfreudigkeit“

Abb. 22: Strukturprofil anhand des qualitativen Merkmals „Markenbewußtsein“

Abb. 23: Strukturprofil anhand des Merkmals „Kaufhäufigkeit“

Abb. 24: Lorenzkurve zur Darstellung der Umsatzkonzentration auf die Käufer

Abb. 25: Warengruppenprofil der Umsatz-Käufertypen

Abb. 26: Strukturprofil der Käufertypen anhand der quantitativen Merkmale

Abb. 27: Strukturprofil der Haushaltstypen

Abb. 28: Warengruppenprofil der Haushaltstypen

Abb. 29: Häufigkeitsverteilung der Anzahl gleichzeitig gekaufter Warengruppen

Abb. 30: Warengruppenprofil der Ein-Warengruppen-Käufer

Abb. 31: Nutzungsverhalten der WPR- bis MOL-Käufer

Abb. 32: Nutzungsverhalten der KON- bis AFG-Käufer

Abb. 33: Warengruppenprofil der Käufersegmente

Tabellenverzeichnis

Tabelle 1: Liste der 13 Warengruppen

Tabelle 2: Einteilung der Haushalte nach der Einkaufshäufigkeit

Tabelle 3: Kennzahlen der Käufertypen nach der Kaufhäufigkeit

Tabelle 4: Mittelwerte und Standardabweichungen der quantitativen Strukturmerkmale

Tabelle 5: Verteilung der Haushaltstypen auf die Käufertypen

Tabelle 6: F-Werte der Strukturmerkmale zur Beurteilung der Klassenhomogenität

Tabelle 7: Einteilung der Haushalte nach dem Preisbewußtsein

Tabelle 8: Kennzahlen der Käufertypen nach dem Preisbewußtsein

Tabelle 9: Mittelwerte und Standardabweichungen der quantitativen Strukturmerkmale

Tabelle 10: Verteilung der Haushaltstypen auf die Käufertypen

Tabelle 11: Haushaltstyp-/Käufertypkombinationen als Anteile aller Haushalte

Tabelle 12: Durchschnittsumsätze aller

Haushaltstyp-/Käufertypkombinationen

Tabelle 13: F-Werte der Strukturmerkmale zur Beurteilung der Klassenhomogenität

Tabelle 14: Kennzahlen der Umsatz-Käufertypen

Tabelle 15: Berechnung niveaubereinigter Käuferfrequenzen

Tabelle 16: Anteile der Haushaltstypen an den Umsatz-Käufertypen

Tabelle 17: Korrelationskoeffizienten von Pearson/Bravais

Tabelle 18: Mittelwerte und Standardabweichungen der quantitativen Strukturmerkmale

Tabelle 19: F-Werte der Haushaltstypen

Tabelle 20: Kennzahlen der Haushaltstypen

Tabelle 21: Anteile ausgewählter Warengruppenpaare

Tabelle 22: Verbundbeziehungen zwischen Warengruppen

I. Einführung

Es soll ihn ja noch geben, den Geschäftsleiter in großen Einzelhandelsgeschäften, der immer wieder Kunden per Handschlag willkommen heißt. Auf der emotionalen Ebene werden wir dies Verhalten begrüßen. Unsere Ratio sagt uns, daß eine kundenorientierte Einstellung notwendig ist, bei monatlichen Kundenfrequenzen im fünfstelligen Bereich so jedoch keine meßbare Kundenbindung erreicht werden kann. In den modernen Industriestaaten haben wir längst das Gegenüber von großen Anbietern und riesigen Verbrauchergruppen. Die Anbieter unterhalten aufwendige Marktabteilungen, die keine andere Aufgabe haben, als mit allen verfügbaren Mitteln der Informations- und Kommunikationstechnik das Angebot so auszurichten, daß hohe Umsätze bei geringen Streuverlusten entstehen. Je genauer der Anbieter weiß, welche Kunden er hat und mit welchem Kaufverhalten er rechnen kann, desto optimaler lassen sich Beschaffung, Lagerhaltung und Produktion anpassen. Das Wissen um den Kundenstamm und dessen Verhalten beeinflußt also unmittelbar die Betriebskosten. Die Betriebskosten sind andererseits im preissensitiven Massenmarkt ein entscheidender Wettbewerbsfaktor.

Unsere heutige Ökonomie zeichnet sich durch ein nie dagewesenes Maß an Komplexität, gegenseitiger Verflechtung und Abhängigkeit der Teilnehmer des Wirtschaftskreislaufs aus. Es ist charakteristisch, daß den einzelnen Wirtschaftssubjekten eine solche Vielzahl an Handlungsoptionen geboten ist, wie noch niemals zuvor. Der Kunde kann nicht nur zwischen einem immensen Produktangebot für jede Art von Bedürfnissen wählen, sondern auch zwischen einer Vielzahl an Anbietern. Fernsehen, Radio, Printmedien und Internet bemühen sich, durch die Aufbereitung von Informationen zu Waren, Dienstleistungen und Unternehmen den Konsumenten zu einem aufgeklärten Verbraucher zu entwickeln. Trends und Einstellungen werden geprägt. Wer etwas auf sich hält, kauft kritisch. Die Kenntnis günstiger Bezugsquellen gilt als Fähigkeit und positive Eigenschaft. Das neue Rabattgesetz gibt dem Käufer mit Marktüberblick die Möglichkeit, Preisdruck auszuüben.

Dem gegenüber stehen die Unternehmen. Technischer Fortschritt insbesondere im Bereich der Informationstechnologie liefert ihnen ein riesiges Arsenal an Verfahren und Methoden zur Optimierung von Produktion und Absatz. Doch den Chancen aus wachsenden Absatzmärkten in einer globalisierten Welt und steigenden Bedürfnissen von Kunden mit immer höheren frei verfügbaren Einkommen steht der immense Druck durch die wachsende Zahl an Konkurrenten und die Anpassung an die rasante Entwicklung von Technik und Methoden gegenüber. In diesen Rahmenbedingungen werden sich diejenigen Unternehmen durchsetzen, denen es am besten gelingt, hohe Effizienz und schlanke Kostenstrukturen in der Produktion mit optimalem Vertriebs- und Kundenmanagement zu verbinden. Das Wissen um den vorhandenen Kundenstamm zur Intensivierung des Absatzes und die Nutzung der Informationen aus Kundenverhalten und Kundenmerkmalen zur Gewinnung neuer Kunden sind letztlich die entscheidenden differenzierenden Fähigkeiten zur Behauptung am Markt. Gerhard Graf, ein Geschäftsführer von SAS Institute, drückt diese Zusammenhänge folgendermaßen aus: „Nur wer es schafft, die für sich bedeutsamen Kunden zu identifizieren, auf deren Wünsche und Individualität einzugehen und rentable Kunden langfristig an sich zu binden, hat auch morgen am Markt die Nase vorn“ (Scheidl, 1999).

Um eine solche Ausrichtung an den Kundenbedürfnissen erreichen zu können, müssen entsprechende Daten vorhanden sein. Und nicht nur das: Diese Daten müssen auch zu aussagekräftigen Informationen verarbeitet werden. Genau darum geht es in dieser Diplomarbeit: Aus einem Datensatz sollen aussagekräftige, vorher noch nicht bekannte Informationen über die Käufer eines Unternehmens extrahiert und im Hinblick auf die Bildung von Typen interpretiert werden. In diesem Fall handelt es sich um ein Unternehmen aus der Einzelhandelsbranche, genauer gesagt um ein SB-Warenhaus[1]. Das hier beschriebene Vorgehen könnte prinzipiell auch auf andere Branchen übertragen werden. Unterschiede dürften sich hauptsächlich in der Interpretation, weniger in der grundlegenden Methodik ergeben.

Die Arbeit ist inhaltlich so gegliedert, daß nacheinander die verschiedenen W-Fragen beantwortet werden: Zunächst geht es um das Woher, also um die Frage nach der Herkunft und dem Inhalt der Daten. Im zweiten Teil beschreibe ich das Ziel dieser Arbeit und den dahinterstehenden Zweck, also das Wohin und das Warum. Eine Erläuterung des Wie steht im dritten großen Abschnitt an. Es geht darin um die für die Behandlung solcher Fragen prinzipiell geeigneten Methoden sowie um die Darstellung der von mir verwendeten Technik. Der vierte und letzte Teil beinhaltet schließlich das Was, also die eigentliche Analyse und die Interpretation der Ergebnisse.

II. Käufertypen in der Konsumforschung

In der Einführung habe ich den übergeordneten Rahmen und die allgemeine Grundidee dieser Diplomarbeit beschrieben. Ganz allgemein gesagt geht es um die Extrahierung, also das Herausfiltern von neuem, bisher nicht vorhandenem Wissen aus einem Datensatz.

Dies bedingt, daß die Herkunft der Daten bekannt ist und über den Inhalt detaillierte Kenntnisse vorliegen. Darum geht es im ersten Teil.

1. Herkunft und Inhalt des Datensatzes

1.1 Herkunft des Datensatzes

Der Datensatz beinhaltet Informationen über Käufer in bayerischen Filialen einer bekannten, bundesweit tätigen SB-Warenhauskette. Ein SB-Warenhaus ist eine besondere Betriebsform des Einzelhandels und durch folgende Merkmale gekennzeichnet (vgl. Geßner, 1994, S. 1278):

- branchenübergreifend angelegtes Warenangebot (Vollsortiment, einschließlich Lebensmittel),
- tendenziell erhöhte Betriebsgröße,
- Betriebsstandorte mit meist vergleichsweise weitem Einzugsgebiet.

Neben dieser Betriebsform des Warenhauses gibt es im Einzelhandel eine große Zahl weiterer Typen, die untereinander oft in starkem Wettbewerb stehen. Dieser „Wettbewerbsdruck, ein hoher Grad an Betreibungskonzeptinnovationen und eine ständige Veränderung des (...) Kunden- und Käuferverhaltens“ (Fischer, 1993, S. 2) führen zu einem Informationsbedarf seitens der Einzelhandelsunternehmen. Von Interesse sind dabei vor allem Informationen über die eigenen Kunden und Käufer. Eine mögliche Quelle für solches Material stellen Marktforschungsinstitute dar. In zahlreichen Erhebungen haben sie differenzierte Daten über eine Vielzahl von Haushalten und Einzelpersonen gesammelt.

Die Daten, die dieser Diplomarbeit zu Grunde liegen, stammen von der Gesellschaft für Konsumforschung (GfK) aus Nürnberg. Sie wurden von Januar bis Oktober 2000 mit Hilfe des GfK-Haushaltspanels erhoben.

Allgemein ist ein Haushaltspanel eine „repräsentativ ausgewählte Stichprobe von Haushalten, die regelmäßig über ihre Einkäufe berichten“ (GfK-Gruppe, 2001c). Das Haushaltspanel der GfK trägt den Namen „ConsumerScan“ und umfaßt 12.000 Haushalte (vgl. GfK-Gruppe, 2001a). Zu jedem am Panel teilnehmenden Haushalt werden eine Reihe von Daten erfaßt: Informationen zum Einkaufsverhalten, Informationen über Besitzverhältnisse, soziodemographische Merkmale sowie Einstellungen und Meinungen zu verschiedenen Themen (ebd.).

Die Merkmale, die das Einkaufsverhalten näher beschreiben, beinhalten auch die Einkaufsstätte. Auf diese Weise war eine Selektion der Haushalte möglich, die in der Vergangenheit bei dem hier betrachteten Unternehmen eingekauft haben. Um den Umfang des Datensatzes nicht zu groß werden zu lassen, wurden nur bayerische Haushalte ausgewählt. Außerdem enthält der Datensatz nicht alle im Panel erfaßten Merkmale, sondern nur solche, die für eine grundlegende Analyse sinnvoll erscheinen.

Bevor der Inhalt des Datensatzes näher beschrieben wird, erfolgt eine kurze Abgrenzung der Begriffe „Käufer“ und „Kunde“.

1.2 Begriffsabgrenzung: Käufer – Kunde

Im täglichen Sprachgebrauch werden die Begriffe „Käufer“ und „Kunde“ oftmals synonym verwendet. Streng genommen besteht jedoch ein Unterschied zwischen ihnen. Da dieser Unterschied auch in meiner Arbeit eine Rolle spielt, ist eine genaue Definition sinnvoll.

Kunden sind „diejenigen Einzelpersonen (...) einer Einkaufsstätte, die einen Teil oder die Gesamtheit ihres branchenspezifischen Bedarfs in dieser Einkaufsstätte decken“ (Fischer, 1993, S. 20). Dagegen ist ein Käufer jemand, der „einen Einzelhandelsbetrieb aufsucht und dort einen oder mehrere Artikel aus einer oder mehreren Warengruppen erwirbt“ (ebd., S. 21). Ein Kunde einer Einkaufsstätte kann also innerhalb eines bestimmten Zeitraums mehrfach zum Käufer werden. Anders ausgedrückt: Hinter (zeitlich) verschiedenen Käufern kann ein und derselbe Kunde stehen.

In dieser Diplomarbeit ist ein Kunde identisch mit einem Haushalt. Er ist durch bestimmte sozioökonomische und soziodemographische Merkmale gekennzeichnet. Der Datensatz enthält für jeden Haushalt alle im Beobachtungszeitraum von 10 Monaten getätigten Käufe in bayerischen Märkten des Einzelhandelsunternehmens. Er beschreibt also das Verhalten und die Struktur von Käufern. Natürlich haben die Käufer, die zum selben Haushalt gehören, identische sozioökonomische und soziodemographische Merkmalsausprägungen. Doch das Einkaufsverhalten eines Kunden kann bei mehreren Einkaufsvorgängen unterschiedlich sein. Um diese Unterschiede in die Analyse einzubeziehen, ist es sinnvoll, die einzelnen Käufer und nicht lediglich die Kunden (bzw. Haushalte) zu betrachten.

Auf welche Weise die Käuferinformationen im Datensatz erfaßt sind, erläutere ich nun im dritten Abschnitt.

1.3 Inhaltliche Beschreibung des Datensatzes

Der Datensatz besteht insgesamt aus 6763 Fällen. Ein Fall entspricht dabei einem Einkaufsvorgang oder anders ausgedrückt: einem Warenkorb. Die hinter einem Warenkorb stehende Person wird, wie gerade dargestellt, als Käufer bezeichnet. Die 6763 Käufer verteilen sich auf insgesamt 699 Haushalte. Das heißt, jeder Haushalt hat im Beobachtungszeitraum von Januar bis Oktober 2000 durchschnittlich 9,7 Einkäufe getätigt. Die Standardabweichung beträgt dabei 14,2 Einkäufe. Die Einkaufshäufigkeit der 699 Haushalte scheint also ziemlich stark zu differieren. Im Kapitel 4.2.1 gehe ich auf dieses Thema noch detaillierter ein.

Jeder Warenkorb wird durch eine Reihe von Merkmalen (synonym: Variablen) charakterisiert. Diese lassen sich unterteilen in Verhaltensmerkmale und Strukturmerkmale.

1.3.1 Verhaltensmerkmale

Verhaltensmerkmale sind die Variablen, die das Kaufverhalten näher beschreiben. Das Verhalten eines Käufers bezieht sich auf verschiedene Dimensionen, z. B. den Zeitpunkt des Einkaufs, den getätigten Umsatz, die Menge gekaufter Artikel, das Preisbewußtsein usw. Um den Datensatz übersichtlicher und handhabbarer zu gestalten, wurde das für diese Betrachtung relevante[2] Artikelsortiment des SB-Warenhauses in 13 Warengruppen eingeteilt. Eine genauere Beschreibung dieser Warengruppen findet sich in Abschnitt 1.3.3.

Der hier verwendete Datensatz beschränkt sich bei den Verhaltensmerkmalen auf folgende käuferspezifische Dimensionen:

- Zeitpunkt des Einkaufs,
- gesamter Umsatzbetrag für jede der 13 Warengruppen,
- Umsatzbetrag für jede Warengruppe, der mit preislich herabgesetzten Artikeln, also mit Sonderangeboten, erzielt wurde.

Aus diesen Variablen können weitere Merkmale abgeleitet werden. So läßt sich aus dem Zeitpunkt des Einkaufs für jeden Haushalt die Einkaufshäufigkeit im Beobachtungszeitraum bestimmen. Das wiederum läßt eine Aussage über die Kundenbindung zu. Ein weiteres abgeleitetes Merkmal ist das Preisbewußtsein. Ist z. B. der Anteil des Umsatzes, der mit Sonderangeboten erwirtschaftet wurde, überdurchschnittlich hoch, deutet dies auf ein hohes Preisbewußtsein hin. Ebenso ist es für ein Einzelhandelsunternehmen interessant zu erfahren, ob bestimmte Artikel bzw. Warengruppen sehr oft gleichzeitig während eines Einkaufsvorgangs erworben werden. Ist dies der Fall, so macht es bspw. Sinn, die entsprechenden Artikel nahe beieinander zu plazieren.

Aus Sicht des SB-Warenhauses ist der Umsatz, der durch einen Einkaufsvorgang erzielt wurde, die entscheidende Größe. Das Unternehmen möchte vor allem solche Käufer gewinnen und binden, mit denen möglichst hohe Umsätze und damit tendenziell auch höhere Gewinne erwirtschaftet werden. Ein bedeutsames Ziel ist es also, umsatzstarke Käufer zu identifizieren und diese Gruppe auf Besonderheiten und Auffälligkeiten zu untersuchen. Doch auch die spezifischen Merkmale umsatzschwacher Käufer sind von Interesse. Es können sich hieraus Ansatzpunkte ergeben, wie auch dieser Käufertypus stärker gebunden und dadurch sein Umsatz erhöht werden kann.

Das Herausarbeiten entsprechender Handlungsempfehlungen ist allerdings nicht Gegenstand dieser Diplomarbeit. Hier geht es vielmehr um die Darstellung grundlegender Methoden, mit denen aus verschiedenen Gesichtspunkten Käufertypen identifiziert werden können. Ich habe mich zu dieser Vorgehensweise aus zwei Gründen entschlossen. Zum einen ist die Ableitung direkter Empfehlungen nur sinnvoll, wenn konkrete Fragestellungen und Informationen über finanzielle, personelle und sachliche Kapazitäten seitens des Einzelhandelsunternehmens vorliegen (was hier nicht der Fall ist). Der zweite Punkt ist die Breite des Datensatzes. Um wirklich praxisrelevante Schlußfolgerungen ziehen zu können, müßten mehr Merkmale darin enthalten sein (z. B. artikel- nicht lediglich warengruppenbezogene Variablen). Doch wie gesagt: Zur Demonstration einer grundlegenden Vorgehensweise sind die Daten absolut ausreichend.

1.3.2 Strukturmerkmale

Die Strukturmerkmale sind nicht käufer-, sondern kundenspezifisch. Sie beschreiben die demographische und ökonomische Zusammensetzung der Haushalte, also der Kunden. Wie bereits erwähnt, haben die Strukturmerkmale bei Käufern eines Haushalts identische Ausprägungen.

Durch die Strukturmerkmale werden einerseits quantitative Dimensionen erfaßt, wie z. B. das Alter der haushaltsführenden Person, die Zahl der Kinder, das monatliche Haushaltsnettoeinkommen usw. Doch auch qualitative Informationen spielen eine Rolle, z. B. Familienstand oder sozialer Status. Einen vollständigen Überblick über die im Datensatz enthaltenen Verhaltens- und Strukturmerkmale gibt Abbildung 1.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 1: Zusammenfassende Darstellung der im Datensatz enthaltenen Merkmale

Quelle: eigene Darstellung

Die qualitativen Merkmale nehmen eine gewisse Sonderrolle ein. Sie wurden nicht direkt durch Befragung der Haushalte erhoben, sondern sind das Ergebnis von Clusteranalysen und somit abgeleitete Größen (vgl. GfK-Gruppe, 2001a). Ihre Ausprägungen hängen also indirekt von den anderen Merkmalen ab. So bilden bspw. die Haushalte, die ein bestimmtes Einkommen haben, bei denen die haushaltsführende Person einen bestimmten Beruf ausübt und bei denen eine bestimmte Zahl von Personen im Haushalt lebt, die Gruppe der „oberen Arbeiterschicht“. Dadurch wird dann die Ausprägung des Merkmals „sozialer Status“ festgelegt. Diese und die anderen qualitativen Variablen erfassen also keine neuen, zusätzlichen Sachverhalte. Sie dienen lediglich zu einer verbesserten Beschreibung der Haushalte. Daher werden diese Merkmale bei der späteren Analyse auch lediglich zu Beschreibungszwecken eingesetzt und sind nicht selbst Grundlage der Analyse.

1.3.3 Die 13 Warengruppen
1.3.3.1 Allgemeines

Das Artikelsortiment des SB-Warenhauses ist in 13 Warengruppen gegliedert. Eine Warengruppe wird durch Zusammenfassung ähnlicher Artikel definiert. Die Ähnlichkeit ergibt sich meist aus dem Verwendungszweck oder aus der Grundsubstanz, aus der die Artikel bestehen (z. B. Milch). Die Einteilung von Produkten in Warengruppen ist aber nicht ganz unproblematisch, eine völlig eindeutige und überschneidungsfreie Lösung wird sich kaum finden lassen. So ist z. B. die Abgrenzung zwischen den Gruppen „Nahrungsmittel“ und „Feinkost“ nicht unmittelbar einleuchtend. Ab wann zählt ein eßbarer Artikel nicht mehr zu Nahrungsmitteln, sondern zur Feinkost? Für die hier durchgeführte Analyse spielt diese Problematik keine allzu große Rolle, sie wird deswegen nicht weiter vertieft. Die im Datensatz verwendeten Warengruppen werden als gegeben hingenommen. Sie sind in Tabelle 1 aufgelistet.

Abbildung in dieser Leseprobe nicht enthalten

Tabelle 1: Liste der 13 Warengruppen

Quelle: eigene Darstellung

1.3.3.2 Bedeutung der einzelnen Warengruppen

Aus Sicht des Einzelhandelsbetriebes haben nicht alle Warengruppen den gleichen Stellenwert. Für ihn sind vor allem die Warengruppen von Bedeutung, die einen Beitrag zur Steigerung des Unternehmenserfolgs leisten, die also einen positiven Deckungsbeitrag[3] erwirtschaften. Leider liegen hier entsprechende Informationen nicht vor. Um trotzdem eine Vorstellung von der Wichtigkeit der einzelnen Warengruppen zu bekommen, werden sie anhand der zwei folgenden Dimensionen untersucht: Käuferfrequenz und Umsatzanteil.

- Käuferfrequenz

Die Käuferfrequenz kann als Nutzungsgrad einer Warengruppe interpretiert werden. Sie berechnet sich als Anteil der Käufer, die Artikel einer Warengruppe beschafft haben, an der Gesamtzahl aller Käufer (vgl. Fischer, 1993, S. 76). Je mehr Käufer eine Warengruppe berücksichtigt haben, desto größer ist ihr Anteil an allen Warenkörben, desto stärker wurde diese Warengruppe also genutzt.

Die Verteilung der Warengruppen nach Käuferfrequenzen zeigt Abbildung 2.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 2: Käuferfrequenzen der einzelnen Warengruppen

Quelle: eigene Darstellung

Die drei wichtigsten Warengruppen gemessen an der Käuferfrequenz sind offensichtlich Milch- und Molkereiprodukte (MOL), Nahrungsmittel (NAH) und Tiefkühlkost/Fertigkost (TKK). Dies ist kein überraschendes Ergebnis, denn Artikel aus diesen drei Warengruppen haben alle mit Essen und Ernährung, einem der wichtigsten Grundbedürfnisse, zu tun. Der Bedarf und damit der Nutzungsgrad solcher Produkte scheint deshalb besonders stark ausgeprägt zu sein.

- Umsatzanteil: insgesamt und sonderangebotsbezogen

Die zweite Möglichkeit zur Beurteilung der Bedeutung der einzelnen Warengruppen ist der Umsatzanteil. Das ist der Gesamtumsatz innerhalb einer Warengruppe dividiert durch den Gesamtumsatz aller Warengruppen, jeweils bezogen auf den gesamten Erhebungszeitraum von 10 Monaten. Um aus dem Umsatzanteil Rückschlüsse auf den Beitrag zum Unternehmenserfolg ziehen zu können, müßten auch die Einstandspreise bekannt sein. Dies ist hier nicht der Fall, weswegen eine umsatzstarke Warengruppe nicht automatisch als besonders erfolgreich beurteilt werden darf. Die in Abbildung 3 dargestellte Umsatzverteilung zeigt also vielmehr die Bedeutung der Warengruppen hinsichtlich der eingenommenen Zahlungsmittel.

Abbildung 3: Umsatzanteile der einzelnen Warengruppen

Abbildung in dieser Leseprobe nicht enthalten

Quelle: eigene Darstellung

Gemessen am Anteil des Gesamtumsatzes gibt es Warengruppen, die besonders bedeutsam sind: Milch- und Molkereiprodukte (MOL), Tiefkühlkost (TKK), alkoholhaltige Getränke (ALK), Nahrungsmittel (NAH) und alkoholfreie Getränke (AFG). Wie vermutet sind die drei frequenzstärksten Warengruppen MOL, TKK und NAH darunter. Alkoholhaltige Getränke werden zwar relativ gesehen weniger genutzt (vgl. Abbildung 2), sind dafür offensichtlich hochpreisig, so daß der Umsatzanteil groß ist.

Dieser Betrachtung lag der Gesamtumsatz zu Grunde. Doch welche Rangfolge ergibt sich, wenn nur der Umsatz mit preislich herabgesetzten Artikeln herangezogen wird? Abbildung 4 zeigt die entsprechende Verteilung.

Abbildung 4: Anteile der Warengruppen am Umsatz mit Sonderangebotsartikeln

Abbildung in dieser Leseprobe nicht enthalten

Quelle: eigene Darstellung

Insgesamt wurden innerhalb der 10 Monate von den beobachteten Haushalten rund 207.000,- DM umgesetzt. Davon entfielen gut 57.000,- DM auf Sonderangebote. Diese haben am Gesamtumsatz also einen Anteil von ca. 27%. Abbildung 4 zeigt, wie sich diese 27% auf die einzelnen Warengruppen verteilen. Dabei fällt auf, daß die fünf Warengruppen mit den größten Anteilen mehr als 60% des Sonderangebotumsatzes auf sich vereinigen. Das heißt, ein Großteil dieses Umsatzes wird durch einige wenige Warengruppen erwirtschaftet. Dies sind vor allem Heißgetränke, alkoholfreie und alkoholhaltige Getränke, Milch- und Molkereiprodukte sowie Tiefkühlkost/Fertigkost. Die kurzzeitige Herabsetzung des Preises innerhalb dieser Warengruppen war also lohnenswert. Sonderangebote für Artikel der restlichen Gruppen spielen bei der Umsatzerzielung offensichtlich keine so große Rolle. Es wäre folglich zu überlegen, ob für solche Produkte gänzlich auf diese Marketing-Maßnahme verzichtet werden sollte. Die Entscheidung dazu fällt allerdings nicht leicht, denn die einzelnen Artikel und Warengruppen existieren nicht unabhängig voneinander. Es kann davon ausgegangen werden, daß es bestimmte Artikelkombinationen gibt, die sehr häufig gemeinsam besorgt werden. In der Fachsprache wird dies als „Sortimentsverbund“ (Schmalen et al., 1996, S. 32) bezeichnet. Das bedeutet, daß bestimmte Sortimentsteile miteinander zusammenhängen, daß zwischen ihnen ein Verbund besteht. Es wäre also bspw. möglich, daß Käufer aufgrund eines Sonderangebots eines Artikels der Warengruppe Feinkost die Einkaufsstätte aufsuchen und dieses Produkt kaufen, gleichzeitig jedoch auch weitere, nicht herabgesetzte und damit größere positive Deckungsbeiträge erwirtschaftende Waren berücksichtigen. Das genau ist das eigentliche Ziel der Idee eines Sonderangebots: Es erfüllt vor allem eine Art Lockfunktion (vgl. Recht et al., 1997, S. 97). Die geringere Gewinnspanne des preislich vergünstigten Artikels soll durch den gleichzeitigen Kauf von großzügiger kalkulierten Produkten ausgeglichen werden. Für einen möglichst effektiven und effizienten Einsatz von Sonderangeboten ist die Kenntnis typischer Artikelverbünde also eine wichtige Voraussetzung. Das Aufdecken von Verbundbeziehungen ist auf verschiedene Arten möglich und methodisch relativ anspruchsvoll. Eine geeignete Möglichkeit dazu stelle ich im Ergebnisteil genauer vor (Kapitel 4.4, Seite 102 ff.).

Ziel dieses Abschnitts war es herauszuarbeiten, welche Warengruppen für das SB-Warenhaus besonders bedeutsam sind. Es hat sich gezeigt, daß, gemessen an Käuferfrequenz und Umsatzanteilen, vor allem solche Warengruppen bedeutsam sind, die mit dem Grundbedürfnis Essen und Trinken zusammenhängen, also vor allem Lebensmittel.

In diesem ersten Teil der Diplomarbeit habe ich die Herkunft der Daten und den genauen Inhalt des Datensatzes beschrieben. Für das Verständnis der späteren Analysen ist die Kenntnis dieser Hintergründe von Bedeutung.

Doch was genau soll analysiert werden? Auf welche Fragen sollen die Ergebnisse möglicherweise eine Antwort geben? Darum geht es nun im zweiten Teil.

2. Ziel und Zweck der Analyse des Datensatzes

2.1 Ziel der Analyse

Der Titel dieser Diplomarbeit lautet: „Käufertypen in der Konsumforschung“. Es geht also darum, aus der Menge der 6763 Käufer bestimmte Typen, eben die Käufertypen, zu extrahieren. Solche Typen ergeben sich aus der Zusammenfassung von untereinander ähnlichen Käufern zu einer Gruppe. Die Ähnlichkeit kommt dadurch zum Ausdruck, daß die Ausprägungen bestimmter Merkmale (im Idealfall) nicht besonders stark voneinander abweichen. Käufer, die zu einer Klasse[4] gehören, sollten also möglichst viele Gemeinsamkeiten aufweisen, die Klasse sollte möglichst homogen sein. Um die einzelnen Gruppen besser unterscheiden zu können, sollten diese möglichst unterschiedlich, möglichst heterogen sein. Anders ausgedrückt: Die Streuung der Merkmalsausprägungen zwischen den Käufern eines Clusters sollte möglichst gering, zwischen denen verschiedener Cluster möglichst groß sein.

Ziel der Analyse ist es, solche Käuferklassen innerhalb des Datensatzes zu identifizieren. Doch eine reine Identifizierung ist nicht ausreichend. Auch die Charakterisierung der gefundenen Gruppen ist ein wichtiger Bestandteil. Dafür sind vor allem die Strukturmerkmale von Bedeutung. Durch sie können die Käufertypen näher beschrieben und interpretiert werden. Der Fachausdruck dafür lautet „Typisierung“ (Fickel, 2000, Folie 4).

Der Datensatz wird als repräsentativ für alle bayerischen Käufer in dem SB-Warenhaus angesehen (vgl. Definition des Haushaltspanel in Abschnitt 1.1 auf Seite 12). Die Ergebnisse der Klassenbildung ließen sich somit auf diese Gesamtheit übertragen. Im Optimalfall zeichnen sich die Käufertypen jeweils durch ein spezifisches Kaufverhalten aus und sind außerdem durch eindeutige Ausprägungen der Strukturmerkmale zu beschreiben. In diesem Fall könnte das Kaufverhalten für Haushalte, auf die diese Beschreibung zutrifft, vorhergesagt werden. Das gilt aufgrund von Zufallseinflüssen nicht für den einzelnen, wohl aber für eine entsprechend große Zahl dieser Haushalte. Eine solche Vorhersagemöglichkeit würde interessante Möglichkeiten für Werbung und Marketing bieten. Doch der Konjunktiv „würde“ drückt es schon aus: Dies ist nur der Idealfall. In der Realität wird eine solche eindeutige und trennscharfe Klassifikation nur annähernd gelingen und damit auch eine Kaufverhaltensvorhersage nur vage möglich sein.

An dieser Stelle lohnt es sich, auf einen sehr wichtigen Punkt einzugehen, der die Bedeutung der Ergebnisse von Clusteranalysen und anderer multivariater Verfahren relativiert. Fast in jedem Datensatz, sei er nur genügend umfangreich, lassen sich irgendwelche Strukturen und Zusammenhänge aufdecken, und zwar unabhängig davon, ob diese auch sachlich begründet sind, also in der Realität tatsächlich vorliegen. Wichtig ist die Einsicht, daß solche Methoden immer nur Bestandteil eines Modells sind, das niemals die gesamte Wirklichkeit, sondern immer nur einen Ausschnitt der Realität beschreiben kann. Die Verwendung anderer Methoden bedeutet die Zugrundelegung eines anderes Modells und damit einer anderen Sichtweise auf die Wirklichkeit. Diese andere Methode wird deshalb mit sehr hoher Wahrscheinlichkeit andere Ergebnisse liefern, obwohl eigentlich der gleiche Sachverhalt analysiert wurde. Bei der Interpretation der Ergebnisse sollte man sich also im Klaren darüber sein, daß die Schlußfolgerungen nur im Rahmen des entsprechenden Modells gelten und nicht verabsolutiert werden dürfen. So ist es z. B. eine Eigenschaft der meisten Klassenbildungsalgorithmen, auch dann Gruppen zu extrahieren, wenn diese in der Realität nicht unbedingt vorhanden sind. Das bedeutet natürlich nicht, daß Clusteranalysen prinzipiell wertlos sind. Vielmehr sind in Abhängigkeit von der Qualität der Daten die Ergebnisse eher als mögliche Tendenzen, als Hypothesen und eben nicht getreue Abbildung der Realität zu verstehen.

Auch auf die Ergebnisse dieser Diplomarbeit trifft das selbstverständlich zu. Von daher ist es wichtig, nochmals zu betonen, daß es hier weniger auf die praktische und realitätsnahe Anwendbarkeit der Resultate, sondern vielmehr auf das prinzipielle Vorgehen, auf die grundlegende Idee der Bildung von Käufertypen ankommt.

Das Ziel der Analyse ist damit klargestellt. Doch welchen Sinn macht es eigentlich, solche Käufertypen zu bilden? Was kann dadurch erreicht werden? Welcher Zweck steht dahinter?

2.2 Sinn und Zweck der Bildung von Käufertypen

In der Einleitung habe ich bereits erwähnt, daß für Unternehmen in einer globalisierten Welt mit hohem Wettbewerbsdruck der entscheidende Erfolgsfaktor im Wissen um vorhandene und potentielle Kunden liegt. Nur wer es versteht, Kunden zu gewinnen und zu binden, kann auf Dauer bestehen. Um diese Kundenbindung zu erreichen, ist eine „umfassende Kenntnis der Konsumentengruppen und ihres Einkaufsverhaltens“ nötig (GfK-Gruppe, 2001b). Genau diese „Kenntnis der Konsumentengruppen“ ist Ziel der Käufertypenbildung.

Die Bildung von Käufertypen erfüllt also den Zweck, zusätzliche, vorher nicht bekannte Informationen über die Käufer eines Unternehmens zu liefern. Durch Einbeziehung dieser Informationen in die absatzrelevanten Entscheidungsprozesse können Kunden zielgenauer angesprochen und damit Effizienz und Kundenbindung gesteigert werden. Solche Entscheidungen betreffen insbesondere den käufertypspezifischen Einsatz von Marketing-Instrumenten in den Bereichen Sortiments-, Kommunikations- und Preispolitik.

In der Fachliteratur wird weniger von „Bildung von Käufertypen“, sondern vielmehr von „Marktsegmentierung“ gesprochen. Gemeint ist aber das gleiche, nämlich „die (Auf-)Teilung heterogener Gesamtmärkte in homogene Teilmärkte (Segmente, Käufergruppen, Käuferklassen, Käufertypen) mittels bestimmter Merkmale“ (Freter, 1994, S. 733). Man sieht, diese Definition entspricht genau dem in Kapitel 2.1 erläuterten Analyseziel.

Der Sinn und Zweck einer Marktsegmentierung besteht also darin, durch Effizienzsteigerungen die Kundenbindung zu erhöhen. Eine solche Effizienzsteigerung ergibt sich aus den Wirkungen einer erfolgreich umgesetzten Käufergruppenbildung. Im Idealfall führt eine Marktsegmentierung zu folgenden Effekten (vgl. Freter, 1994, S. 733 und Scharer, 2000):

- Marktidentifizierung. Ein Unternehmen hat nach Durchführung einer Segmentierung eine bessere Vorstellung davon, wer überhaupt seine Kunden sind. Es kann die relevanten Käufergruppen festlegen und bisher vernachlässigte Gruppen auffinden.
- Kundennutzen. Eine aus der Marktidentifizierung resultierende Anpassung des Produktangebots und der Marketing-Maßnahmen an genau definierte Käuferschichten führt zu einer besseren Befriedigung der Konsumentenbedürfnisse.
- Wettbewerbsvorteile. Das Unternehmen kann dadurch Wettbewerbsvorteile gegenüber der Konkurrenz erzielen.
- Unternehmensstrategien. Die erfolgreiche Positionierung von Neuprodukten ist bei genauer Kenntnis der eigenen Käuferschaft sehr viel wahrscheinlicher.
- Prognoseerleichterungen. Durch differenzierte Kenntnis der eigenen Käuferschaft wird eine zutreffende Prognose von Marktentwicklungen wahrscheinlicher.
- Marktreaktionsfunktionen. Eine exaktere Ableitung von Marktreaktionsfunktionen wird ermöglicht. Denn bei Kenntnis von Käufertypen wird nicht bloß eine „Durchschnittsreaktion“ am Markt festgestellt, sondern es kann sehr differenziert beurteilt werden, wie sich einzelne Gruppen bei einer Änderung der Marketing-Parameter (z. B. Preis) verhalten.
- Ressourceneinsatz. Durch die Möglichkeit, relevante Käufergruppen gezielt anzusprechen, wird der Ressourceneinsatz optimiert. Die Kosten, die durch die Bearbeitung nicht relevanter Gruppen entstehen, werden minimiert.
- Markttransparenz. Alle diese genannten Punkte haben letztendlich zur Folge, daß der Informationsstand über Strukturen und Gesetzmäßigkeiten des Marktes, mit einem Wort: die Markttransparenz, erhöht wird.

Wie gesagt, diese Wirkungen treten wohl nur im Idealfall ein. In der Realität werden sie durch im Modell nicht berücksichtigte Einflüsse abgeschwächt. Doch prinzipiell birgt die „Bildung von Käufertypen“ das Potential zum Erreichen der genannten Effekte und damit insgesamt zur Effizienzsteigerung und schließlich zu einer verstärkten Kundenbindung.

Bis jetzt habe ich die Fragen beantwortet, woher der Datensatz kommt, wohin seine Analyse führen soll und warum eine solche Untersuchung sinnvoll sein kann. Nun bleibt noch die Frage nach dem Wie übrig: Wie kann das Ziel erreicht werden? Wie genau funktioniert die Analyse? Welche Methoden spielen dabei eine Rolle?

Um diese Punkte geht es im dritten Teil der Arbeit.

3. Vorgehensweise zur Bildung von Käufertypen: Data-Mining

3.1 Definition von Data-Mining

Das hier angestrebte Ziel der Marktsegmentierung ist nur der Spezialfall eines übergeordneteren Ziels. Ganz oben steht der Wunsch nach der Entdeckung neuen Wissens in großen Datenbeständen. Die zusätzlichen Informationen sollen für ein Unternehmen nützlich sein und im Endeffekt dazu beitragen, den Gewinn zu erhöhen. In dem in dieser Arbeit betrachteten Fall bezieht sich der Wissensdurst auf die Käufer und Kunden eines Einzelhandelsunternehmens. Die für die Extrahierung dieser Informationen geeigneten Methoden können darüber hinaus auch für völlig andere Zwecke der Wissensgenerierung[5] hilfreich sein.

Was sind das also für Methoden, mit denen dieses Ziel erreicht werden kann? Sie sind Teil eines Prozesses, der „Knowledge Discovery in Databases (KDD)“ genannt wird (auf deutsch: „Wissensentdeckung in Datenbanken“) und definiert ist als „der nichttriviale Prozeß der Identifizierung valider, neuer, potentiell nützlicher und schließlich verständlicher Muster in Daten“ (Alpar et al., 2000, S. 4). Statt „Wissensentdeckung in Datenbanken“ wird oft auch die Bezeichnung „Data-Mining“ verwendet. Streng genommen ist das Data-Mining eigentlich nur Teil des KDD-Prozesses (ebd.). In der vorliegenden Arbeit werden beide Begriffe dennoch synonym gebraucht.

Bildlich gesprochen entspricht das Data-Mining dem „Schürfen oder Graben in Daten, wobei das implizite Ziel, wonach ‚gegraben’ wird, Informationen beziehungsweise Wissen sind“ (Alpar et al., 2000, S. 3). Dieses Wissen wiederum wird aus Mustern innerhalb der Daten gewonnen. Entscheidend dabei ist die Nichttrivialität der gefundenen Muster, also über „alle Kinder sind jünger als ihre Eltern“ hinausgehende Erkenntnisse (Scheidl, 1999).

Wie geschieht nun dieses „Graben“? Es bedeutet den Einsatz bestimmter statistischer und mathematischer Methoden. Data-Mining ist also „die Anwendung spezifischer Algorithmen zur Extraktion von Mustern aus Daten“ (ebd.).

Wie bereits erwähnt, besteht der gesamte Vorgang der Wissensentdeckung aus weitergehenden Schritten als der bloßen Anwendung bestimmter Algorithmen. So muß vorher Klarheit über die verfolgten Ziele bestehen, die Daten müssen ausgewählt, vorverarbeitet und häufig transformiert werden. Bei der Vorverarbeitung geht es z. B. um die Entscheidung darüber, wie fehlende Werte behandelt werden. Eine Transformation ist bspw. nötig, wenn ein Merkmal sehr viele verschiedene Ausprägungen hat und diese zu Klassen zusammengefaßt werden sollen. Erst danach kommen die eigentlichen Data-Mining-Methoden zur Anwendung (Alpar et al., 2000, S. 6). In Abbildung 5 ist dieser gesamte Ablauf grafisch dargestellt.

Abbildung 5: Schritte im Prozeß der Wissensentdeckung in Daten

Abbildung in dieser Leseprobe nicht enthalten

Quelle: Alpar et al., 2000, S. 7

Die Schritte vor dem eigentlichen Data-Mining, also der Anwendung bestimmter Algorithmen, werden hier nicht direkt angesprochen. Sie sind lediglich indirekter Bestandteil der vorhergehenden und nachfolgenden Kapitel. In diesem dritten Teil geht es um eine reine Methodenbetrachtung.

Dazu stelle ich zunächst einige Verfahren vor, die prinzipiell zur Wissensgenerierung geeignet sind, in dieser Arbeit aber nicht angewendet werden. Dazu gehört das Finden von Assoziationsregeln, die Nutzung Neuronaler Netze und das Conjoint-Profit-Modell. Anschließend beschreibe ich die hier verwendete Methode, die in der Clusteranalyse liegen wird.

3.2 Methoden des Data-Mining

3.2.1 Allgemeine Systematik

In der Literatur werden die Data-Mining-Methoden auf sehr unterschiedliche Weise systematisiert. Ich folge der Darstellung von Alpar und Niedereichholz, die die Methoden bestimmten Aufgaben zuordnen, zu deren Erfüllung sich das Data-Mining in der unternehmerischen Praxis eignet (vgl. Alpar et al., 2000, S. 9). Solche Aufgaben sind insbesondere (ebd.):

- Klassifikation

Dabei geht es darum, vorhandene Objekte vorher bestimmten Klassen zuzuordnen. Im Unterschied zur Segmentierung existiert hier bereits eine Klasseneinteilung. Die Zuordnung eines Objekts zu einer Klasse erfolgt aufgrund bestimmter Merkmalsausprägungen des Objekts. Die Klassen erhalten häufig Namen, die die klassenbildende Eigenschaft aller Klassenmitglieder beschreiben (z. B. „Sonderangebotskäufer“ oder „Markenkäufer“).

- Segmentierung

Hierbei ist das Ziel die Gruppenbildung, also die Zusammenfassung von Objekten zu vorher nicht bekannten Klassen. Die Interpretation dieser neuen Klassen erfolgt aufgrund gemeinsamer Eigenschaften der Objekte innerhalb einer Gruppe. Auf die gleiche Weise sind z. B. die in der Marketingsprache häufig verwendeten Bezeichnungen „Yuppies“ (young urban professionals) oder „Dinks“ (double income, no kids) entstanden.

- Prognose

Sie dient der „Vorhersage unbekannter Merkmalswerte auf der Basis anderer Merkmale oder von Werten des gleichen Merkmals aus früheren Perioden“ (Alpar et al., 2000, S. 10). Vor allem geht es dabei um die Vorhersage von quantitativen Größen. Denn auch Klassifikationen sind in gewisser Weise Prognosen, allerdings mehr qualitativer Natur (z. B. die Einordnung eines Käufers als „Markenkäufer“).

- Abhängigkeitsanalyse

Das Entdecken von Beziehungen zwischen verschiedenen Merkmalen oder zwischen verschiedenen Objekten steht hier im Vordergrund. Es wird also bspw. untersucht, ob die Ausprägung eines Merkmals tendenziell die Ausprägung mehrerer anderer Merkmale beeinflußt. Bezogen auf eine in dieser Arbeit behandelte Fragestellung bedeutet das, ob der Kauf von Artikeln einer Warengruppe mit dem Kauf bestimmter Produkte anderer Warengruppen zusammenhängt.

- Abweichungsanalyse

Den bis jetzt genannten Data-Mining-Aufgaben ist die Suche nach Regelmäßigkeiten, nach Mustern innerhalb der Daten gemein. Die Abweichungsanalyse dagegen hat genau das umgekehrte Ziel, nämlich „die Objekte zu identifizieren, die den Regelmäßigkeiten der meisten anderen Objekte nicht folgen, und den Ursachen für diese Abweichung nachzuspüren“ (Alpar et al., 2000, S. 10).

Sicherlich ist diese Auflistung der Aufgaben des Data-Mining nicht vollständig. So fehlt z. B. der komplette Bereich einfacherer, deskriptiver Häufigkeitsauswertungen. Zudem sind im konkreten Anwendungsfall sehr häufig mehrere Aufgaben relevant. Segmentierung und Abhängigkeitsanalyse etwa, kommen oftmals parallel zur Lösung eines Problems in Betracht (vgl. Alpar et al., 2000, S. 11). Doch ein grundlegender Überblick über die konkreten Möglichkeiten des Data-Mining ist durch die obige Auflistung gegeben.

Die verschiedenen Methoden sind nun – in unterschiedlichem Maße – dazu geeignet, diese Aufgaben umzusetzen. Im folgenden werde ich einige der Techniken näher beschreiben. Ich beschränke ich mich dabei auf diejenigen, die für die hier behandelte Fragestellung der Käufertypenbildung relevant sind.

Die Bildung von Käufertypen kann auf unterschiedliche Weise geschehen, deshalb kommen mehrere Data-Mining-Aufgaben in Betracht. Zum einen können die Käufer klassifiziert, d. h. vorhandenen Gruppen zugeordnet werden. Solche Gruppen können z. B. die Sonderangebotskäufer oder die Kernkäufer (siehe Kapitel 4.2) sein. Eine andere Möglichkeit besteht darin, die Käufer zu segmentieren, sie also zu bisher nicht bekannten Gruppen zusammenzufassen (Kapitel 4.3). Da die Bildung von Käufertypen sehr stark das Verhalten der Käufer widergespiegelt, kommt prinzipiell auch eine Abhängigkeitsanalyse, die die Abhängigkeiten zwischen verschiedenen Verhaltensvariablen untersucht, in Frage.

Die für diese Arbeit relevanten Methoden sind also solche, die für eine Klassifikation, Segmentierung oder Abhängigkeitsanalyse geeignet sind. Sie sind in Abbildung 6 zusammengestellt.

[...]


[1] SB steht für „Selbstbedienung“

[2] Das Sortiment des Unternehmens umfaßt bspw. auch Elektronikartikel oder Kleidung. Solche Gebrauchsgüter wurden aber nicht berücksichtigt, lediglich Verbrauchsgüter werden hier als relevant angesehen.

[3] Einfachste Berechnungsweise: Deckungsbeitrag einer Warengruppe = Summe der Verkaufspreise der zur Warengruppe gehörenden Artikel minus um bestimmte Vergünstigungen bereinigter Einkaufspreis dieser Artikel (vgl. Recht/Zeisel, 1997, S. 96)

[4] Die Begriffe „Gruppen“, „Typen“, „Klassen“, „Cluster“ und „Segmente“ werden hier synonym verwendet.

[5] So werden z. B. Krisen- und Kriegsdatenbanken einer Data-Mining-Analyse unterzogen, um her­auszufinden, was möglicherweise den Erfolg oder Mißerfolg von Vermittlungen in Ausnahmezuständen ausmachen kann (Scheidl, 1999).

Ende der Leseprobe aus 124 Seiten

Details

Titel
Käufertypen in der Konsumforschung - Dargestellt anhand der Käufe in einem SB-Warenhaus
Hochschule
Friedrich-Alexander-Universität Erlangen-Nürnberg  (Volkswirtschaftliches Institut)
Note
1,3
Autor
Jahr
2002
Seiten
124
Katalognummer
V3583
ISBN (eBook)
9783638122115
Dateigröße
1548 KB
Sprache
Deutsch
Anmerkungen
In dieser Diplomarbeit wird im theorethischen Teil gezeigt, mit Hilfe welcher Methoden Handelsunternehmen ihre relevanten Kunden identifizieren und charakterisieren können. Dabei stehen vor allem Data-Mining-Techniken im Vordergrund. Die exemplarische Anwendung einiger dieser Methoden wird im empirischen Teil anhand der Daten eines Haushaltspanels vorgestellt. Die auf diese Weise identifizierten Typen lassen Rückschlüsse auf die Kunden- und Käuferstruktur eines SB-Warenhauses zu und ermöglichen die Ableitung marketingbezogener Handlungsempfehlungen.
Schlagworte
Warenkorbanalyse, Marktsegmentierung, Haushaltspanel, Käufertypen, Schlüsselkunden, Data-Mining, Cluster-Analyse, Kundenorientierung
Arbeit zitieren
Adrian Becker (Autor:in), 2002, Käufertypen in der Konsumforschung - Dargestellt anhand der Käufe in einem SB-Warenhaus, München, GRIN Verlag, https://www.grin.com/document/3583

Kommentare

  • Noch keine Kommentare.
Blick ins Buch
Titel: Käufertypen in der Konsumforschung - Dargestellt anhand der Käufe in einem SB-Warenhaus



Ihre Arbeit hochladen

Ihre Hausarbeit / Abschlussarbeit:

- Publikation als eBook und Buch
- Hohes Honorar auf die Verkäufe
- Für Sie komplett kostenlos – mit ISBN
- Es dauert nur 5 Minuten
- Jede Arbeit findet Leser

Kostenlos Autor werden