Was kann man machen, wenn Kunden nur ein einziges Mal kaufen?

Wir werden häufig gefragt, ob man mit den Daten denn überhaupt etwas anfangen kann, wenn die Kunden ohnehin alle nur einmal kaufen und nicht wiederkehren. Ohne Frage, das ist wichtig!

Unsere Kunden wollen mit unserer Software diejenigen Kunden entdecken, die auf die nächste Marketingaktion (z.B. einen Newsletter) mit einem Kauf reagieren. Wenn nun tatsächlich alle Kunden immer nur einziges Mal kaufen, hat man natürlich ein Problem. Dann kann so ein Newsletter an einen Kunden, der bereits einmal gekauft hat, ja nichts bringen.

Werfen wir einen Blick auf eine interessante Statistik:

Was wir hier sehen, ist eine Momentaufnahme. Man kann hier sehen, wie viele Kunden jeweils 1x, 2x, 3x oder aber auch 10x gekauft haben. Diese Daten stammen aus dem wahren Leben und tatsächlich ist es so, dass die allermeisten Kunden genau einmal gekauft haben. Die Anzahl der Kunden, die ein einziges Mal gekauft haben, ist 3–4 mal größer als die Anzahl der Kunden mit 2 Käufen. Wiederum sind Kunden mit 3 Käufen noch einmal viel weniger in der Datenbank enthalten.

Ist das jetzt ein Problem?

Ja und nein. Durch diesen Fokus auf den einmaligen Kauf übersieht man leicht, dass die Gesamtsumme derer, die mehr als einmal gekauft haben, auch groß ist. Es gibt also sehr wohl Kunden, die häufiger kaufen und — und das ist ja das Ziel — damit höchstwahrscheinlich einen attraktiven Kundenlebenswert aufweisen.

Was man aus so einer Gegenwartsbetrachtung nicht herauslesen kann, ist die Frage, wie viele von den (bisherigen) Einmalkäufern denn zukünftig wieder kaufen werden. Um diese Antwort zu bekommen, muss man eine Kohortenanalyse machen und untersuchen, wie hoch die Wahrscheinlichkeit ist, dass ein Kunde ein zweites, ein drittes, ein viertes Mal usw. kauft.

So eine Kohortenanalyse gibt viel Aufschluss darüber, wie sich der Kundenlebenswert über die Zeit entwickelt. Sich damit zu beschäftigen ist wertvoll. Aber wenn man das weiß, dann hat man das eigentliche Problem trotzdem noch nicht gelöst:

Wie gelingt es, dafür zu sorgen, dass die Kunden tatsächlich wiederkehren?

Hier wird es interessant! Was macht denn den Kunden aus, der wiederkehrt? Und — kann ich etwas dafür machen, dass das geschieht? Um sich dieser Frage zu nähern, muss man in die Daten schauen. Gibt es herausragende Merkmale bei den Kunden, die wieder kaufen werden?

Schauen wir einfach einmal auf das Alter in unserem Beispiel. Das hier ist die Altersverteilung der Kunden, die eine hohe Wahrscheinlichkeit haben, demnächst wieder zu kaufen.

Man kann sehen, dass die meisten Kunden mit einer hohen Wahrscheinlichkeit zwischen 35 und 50 Jahren alt sind. Jüngere oder ältere Kunden mit einer hohen Wahrscheinlichkeit gibt es deutlich weniger.

Bei den Kunden mit niedriger Wahrscheinlichkeit sieht es anders aus.

Diese Kunden finden sich vorwiegend in den jüngeren Altersklassen. Die Kunden, die nicht wieder kaufen werden, sind vorwiegend zwischen 20 und 35 Jahren alt.

So eine Erkenntnis ist wertvoll. Aber mit dieser einzelnen Information allein lässt sich noch nicht allzu viel anfangen? Daraus den Schluss zu ziehen, dass man nur Kunden zwischen 35 und 50 sucht, wäre etwas zu kurz gesprungen, auch wenn das natürlich Teil der Geschichte ist.

Um wirklich zu verstehen, was man machen sollte, muss man versuchen, ein vollständiges Bild zu bekommen. Schauen wir uns noch das Retourenverhalten an. Das ist gleich doppelt interessant: Zum einen kosten Retourensünder richtig viel Geld und können das gesamte Geschäftsmodell ins Wanken bringen und zum anderen kann das bisherige Retourenverhalten vielleicht auch etwas über das zukünftige Bestellverhalten aussagen.

Machen wir den gleichen Vergleich wie eben. Wir schauen uns jeweils die Retourenstatistik der Kunden mit hoher und mit niedriger Wahrscheinlichkeit, erneut zu kaufen, an.

Hier die Retouren der Kunden mit hoher Wahrscheinlichkeit, wieder zu kaufen:

Und im Vergleich dazu die Kunden mit niedriger Wahrscheinlichkeit, wieder zu kaufen:

Was ist jetzt passiert? Die Kunden mit den häufigen Retouren sind auch die mit der besseren Wahrscheinlichkeit wieder zu kaufen? Das wäre ein Dilemma. Die Kunden, die wieder kaufen werden, machen das Geschäft kaputt, weil sie so viel retournieren, und die Kunden, die wenig zurückschicken, bestellen nicht. Dann kann es nicht funktionieren.

Was dieses Beispiel zeigt, ist, dass man genau schauen muss, wie die Zusammenhänge wirklich sind. Die Kunden mit den niedrigen Retouren haben auch in der Vergangenheit viel weniger bestellt. Sie hatten dadurch “gar keine Chance” hohe Retourenwerte aufzubauen. Die Kunden mit hoher Affinität wiederum bestellen viel und häufig und es liegt in der Natur der Sache, dass sie nicht immer alles behalten und eben auch einmal eine Retoure veranlassen.

Was hätte man stattdessen machen müssen? Bei den Retouren wäre eine erster Ansatz , nicht auf die absoluten Retouren, sondern auf die Retourenquoten zu schauen. Unterscheiden die sich bei den hochaffinen und den wenig interessierten Kunden? Dann könnte es ein weiteres Indiz liefern, wie man die Kunden erkennt, die wieder kaufen werden. Und ganz wichtig ist natürlich, dass man nicht die Retourensünder immer wieder zum Bestellen animiert. Da kann man nur schwerlich gegenan verdienen.

Mit jeder weiteren Informationen zum Wiederkaufverhalten, die man so untersucht, versteht man die Kunden, die erneut kaufen werden, besser. Man erkennt so die Muster in den Daten, die einem aufzeigen, wer wieder kaufen wird. Wie man schön sehen konnte, kann man die Unterschiede sehr wohl finden. Und dieses Wissen hat eine Menge Implikationen. Tatsächlich beginnt es schon beim Targeting. Wenn man Kundengruppen identifiziert, bei denen man einfach keine Chance hat, sie über einen längeren Zeitraum zu begeistern, macht es natürlich Sinn, diese nicht gezielt zu akquirieren und auch noch Geld dafür auszugeben.

Besonders interessant wird es, wenn man die Wiederkäufe mit den eigenen Aktionen abgleicht. Was hat der Kunde vor seinem Kauf von uns für eine Nachricht bekommen? Einen Newsletter? Vielleicht einen Gutschein? Oder hat er vielleicht gekauft, obwohl wir gar keine Marketingaktion gemacht haben?

Wenn man diese Muster erkennt, kann man sein Marketing noch einmal treffsicherer steuern. Wer es schafft, einen Kunden im richtigen Moment mit der richtigen Botschaft anzusprechen und dazu zu einem Kauf führt, den es sonst nicht oder gar bei einem Wettbewerber gegeben hätte, hat einen echten Wert geschaffen. Ok, dieser Zusammenhang ist soweit trivial. Aber die Muster tatsächlich zu erkennen, ist keineswegs trivial. Das kann sehr anspruchsvoll und sehr harte Arbeit sein. Aber: es lohnt sich!