Wir haben für Sie die sechs deskriptiven Analysen zusammengestellt, die jedes Unternehmen mal mit ihren Kundendaten machen sollte. Wir haben diese Analysen mit vielen unserer Kunden als ersten Aufschlagspunkt gemacht und denken, dass sie oftmals als gute Grundlage dienen einen besseren Überblick über die eigene Kundenlandschaft und mögliche Vertriebsmaßnahmen zu bekommen. Außerdem ist ein gutes Datenverständnis die Vorrausetzung um noch spannendere Anwendungen z.B. aus dem Bereich des maschinellen Lernens anzuwenden. 

Pareto Kurve 

Die Pareto Kurve erlaubt es Ihnen zu verstehen, wie viel Prozent der größten Kunden für wie viel Prozent des Umsatzes verantwortlich sind. Auf der X-Achse steht die relative Anzahl der Kunden, sortiert nach größtem Umsatz. Die Y-Werte geben den Anteil des Umsatzes an, den diese hervorbringen. In unserem Beispiel sieht man, dass 20% der größten Kunden bereits ca. 80% des Umsatzes erbringen. Ein solches Kundenportfolio sollten Sie anders behandeln, als eines, wo der Umsatz gleichmäßig auf alle Kunden verteilt ist. 

Zeitreihenanalyse 

Den zeitlichen Verlauf der Kundenanzahl und des Umsatzes sollten Sie auf jeden Fall im Blick haben, um immer ein Gefühl für aktuelle Trends zu haben. Diese Analyse sollte filterbar nach Kriterien wie Produktgruppen, Vertriebsregionen oder Niederlassungen sein. Unser einfaches Beispiel zeigt die Entwicklung des Umsatzes einer Produktgruppe innerhalb eines Jahres. 

Profitabilitäts-Box-Plots

Box-Plots erlauben es Ihnen bestimmte Verteilungen sehr gut zu überblicken und zu vergleichen. Es kann spannend sein zu verstehen, wie zB. die Profitabilität innerhalb einer Produktgruppe abweicht, das heißt, wie groß die Streuungen der einzelnen Produkte im Hinblick auf die Profitabilität ist. Genauso kann die Profitabilität mehrer Produktgruppen untereinander verglichen werden. Eine solche Analyse ist besonders dann interessant, wenn die verkauften Produkte zwar grundsätzlich vergleichbar sind, aber einen gewissen Grad an Individualität aufweisen.

Unser Beispiel bezieht sich auf die Verteilung von Profitabilitätswerten von vier verschiedenen Produkten. Hier weist Produkt C die kleinste Streuung auf, während Verkäufe von Produkt B sehr weit gestreute Profitabilitätswerte ergeben. 

Diese Informationen stecken in den Box-Plots:

• Die orangene Linie gibt den Median an, das heißt, dass gleich viele Werte oberhalb und unterhalb der Linie liegen
• Die graue Box enthält genau die mittleren 50% der Werte
• Die T-förmige Antenne zeigt wo die Minima und Maxima liegen, allerdings nur, wenn es keine „Ausreißer“ gibt
• Ausreißer sind die Kreise, die bei Produkt B und C überhalb den Antennen liegen. Dies sind einzelne Werte, die eine bestimmte Distanz zum Rest der Werte überschreiten

Kundenwert-Matrix 

Bei wiederkehrenden Kunden kann es interessant sein, diese nach aktuellem und potentiellem zukünftigen Kundenwert einzuteilen. Ist der aktuelle Kundenwert niedrig und der zukünftige hoch, so kann das z.B. darauf hindeuten, dass sich eine spezifische Rabatt-Aktion für den Kunden lohnt. In unserem Beispiel gilt dies unter anderem für den blau markierten Punkt oben links. 

Der aktuelle Kundenwert kann z.B. den bisherigen monatlichen Umsatz mit dem Kunden repräsentieren, während die Größe des Kunden ein Maß für den potentiellen zukünftigen Kundenwert sein kann. 

Kundenbindungsdauer

Bei Abonnement-Strukturen oder bei regelmäßig wiederkehrenden Bestellungen lohnt es sich zu analysieren wie lange Kunden gehalten werden können. Daraufhin kann das Potential einer tiefergehenden Kundenabwanderungsanalyse evaluiert werden. In unserem Beispiel sieht man, dass die meisten Abwanderungen in den ersten drei Monaten stattfinden. Ist diese kritische Phase überstanden, bleiben Kunden wahrscheinlich länger.

Geographische Zielerreichungsanalyse 

Werden Produkte in verschiedenen Regionen von z.B. Händlern vertrieben, kann eine geographische Zielerreichungsanalyse Hinweise darauf geben, in welchen Regionen das Engagement in Zukunft gestärkt werden muss. Die Karte in unserem Beispiel zeigt auf einen Blick, welche Bundesländer besser und welche schlechter abschneiden.