Die abstrakte Grafik zum Thema Zielgruppen erkennen aus orangefarbenen und grauen Tönen zeigt 3 stilisierte Figuren, die auf einem halb fertigen Puzzlespiel laufen.

Praxisbeispiel: Clusteranalyse

Aufgabenstellung

Ein Autohersteller möchte die Effizienz seiner Marketingmaßnahmen erhöhen, indem er seine potenziellen Käufergruppen gezielter anspricht.

Eine Segmentierung soll zeigen, ob es nachvollziehbare Fahrertypen gibt und wie diese gegebenenfalls beschreibbar sind.

Analyse

Als Charakterisierungskriterien für die Typologisierung entschied man sich für Fahrmotive. Folgende Beweggründe wurden definiert und im Rahmen einer Zielgruppenbefragung vorgelegt:

  • Bevorzuge gemütliches Fahren
  • Fahre gern mit offenem Verdeck
  • Mein Auto muss umweltfreundlich sein
  • Fahre gern ein Auto, das auffällt
  • Fahre gern schnell
  • Auto muss Persönlichkeit widerspiegeln
  • Moderne Technologie vereinfacht fahren
  • Mein Auto muss komfortabel sein
  • Mein Auto muss sicher sein
  • Verlasse mich auf meine Fähigkeiten
  • Elektronik macht das Fahren sicherer

Eine Clusteranalyse sollte zeigen, ob es Gruppen gibt, deren Beweggründe untereinander ähnlich sind, die sich jedoch von anderen Gruppen deutlich unterscheiden.

Es wurde eine zweistufige Vorgehensweise gewählt. Dabei wird in einem ersten Schritt eine hierarchische Clusteranalyse durchgeführt. Die Gruppenbildung auf verschiedenen Verschmelzungsstufen wird dann als Ausgangspartition für eine darauf aufsetzende partitionierende Clusteranalyse verwendet.

Dieser zweistufige Ansatz hat den Vorteil, dass die Stärken der einzelnen Verfahren genutzt und die Schwächen weitgehend umgangen werden. Die Durchführung einer hierarchischen Clusteranalyse liefert Anfangspartitionen für die darauf aufbauende partitionierende Analyse. Dies garantiert eindeutige Lösungen auf Basis inhaltlich sinnvoller Startpunkte. Die partitionierende Analyse wiederum garantiert eine Optimierung der Zuordnung, da solange umsortiert wird, bis keine Verbesserung mehr möglich ist.

Um Segmente zu finden, die operativ am besten umsetzbar sind, wurden die 2- bis 8-Cluster-Lösungen gerechnet und inhaltlich analysiert.

Man entschied sich für die 3er-Lösung, die sehr klar definierte Fahrertypen voneinander abgrenzt. Die folgende Abbildung zeigt die Profile dieser 3 Cluster hinsichtlich der 11 abgefragten Motive.

Die Abbildung zeigt 3 Profile von Autofahrer-Typen in dieser Clusteranalyse (Abweichung vom Durchschnitt) anhand von 11 Items.

Abb. 1: Profile von Autofahrer-Typen (Abweichung vom Durchschnitt)

Wichtig zu beachten ist, dass die vorliegenden Grafiken keine absoluten, sondern relative Angaben enthalten. Es werden Abweichungen vom Gesamtmittelwert gezeigt. Ein Ausschlag eines Balkens nach links bedeutet zwar, dass diese Gruppe diesem Statement weniger zustimmt als die Gesamtheit. Dennoch kann auch diese Gruppe eine hohe Zustimmung zu diesem Statement aufweisen.

Die 3 Cluster lassen sich wie folgt beschreiben:

Der Kreativität sind bei der Bezeichnung der gefundenen Gruppen keine Grenzen gesetzt. Je nach Thema und Zielsetzung können die Titel eher sachlich oder plakativ sein.

Im vorliegenden Fall könnte man die Typen als Geschwindigkeits-, Komfort- und Sicherheitsorientierte bezeichnen.

Die Zielvorgabe für den Optimierungsprozess ist, Gruppen zu finden, deren Mitglieder sich möglichst ähnlich sind. Die Gruppen dagegen sollen sich möglichst stark unterscheiden. Inwieweit das gelingt, kann mit Hilfe von Signifikanztests überprüft werden. Solche Tests verwenden genau die beiden genannten Kriterien: Je geringer die Varianz innerhalb der Gruppe und je größer der Unterschied zwischen den Gruppen ist, umso eher erweisen sich Unterschiede zwischen Gruppen als signifikant.

Im vorliegenden Fall zeigten Varianzanalysen für alle Items außer „Fahre gern mit offenem Verdeck“, dass die Mittelwertunterschiede zwischen den Gruppen mit einer Irrtumswahrscheinlichkeit von weniger als 5% signifikant sind.

Wertet man die Cluster nach weiteren deskriptiven Merkmalen aus, vervollständigt sich das Bild der damit verbundenen Typen. Exemplarisch sind im Folgenden das Durchschnittsalter und die Verteilung hinsichtlich des Geschlechts aufgeführt.

Die Abbildung zeigt eine Tabelle in dieser Clusteranalyse für die drei ermittelten Autofahrer-Typen nach Alter und Geschlecht.

Abb. 2: Demographische Darstellung der Cluster

Offenbar enthält das Segment der Geschwindigkeitsorientierten eher Jüngere und eher Männer, während die Sicherheitsorientierten eher weiblich und die Komfortorientierten im Durchschnitt etwas älter sind als die Gesamtgruppe.