Das Verständnis von Nutzerverhalten und -präferenzen ist entscheidend für erfolgreiche Produktentwicklung und Marketing. In diesem Beitrag beschäftigen wir uns mit Datensegmentierung und Kohortenanalyse und zeigen, wie diese Methoden konkrete, umsetzbare Insights liefern.
Außerdem schauen wir uns spezielle Segmentierungsansätze an, darunter RFM-Segmentierung, Power-User-Analyse, Reaktivierungs-/„Resurrected User“-Analysen sowie Kohortenanalysen. Damit bekommst du eine solide Grundlage, um Daten gezielt für bessere Entscheidungen zu nutzen.
Zusätzlich gehen wir auf Churn- und Retention-Analysen ein – zentrale Methoden, um Nutzerbindung und Abwanderung zu messen. Begleite uns auf einer Reise durch die wichtigsten Bausteine datengetriebener Produktentscheidungen.
Dieser Beitrag ist Teil unserer Serie Analytics jenseits von Dashboards. Schau dir gerne auch die anderen Artikel an:
- Wie man KPIs für aussagekräftige Erkenntnisse definiert
- App Analytics vs. Web Analytics: Worin unterscheiden sie sich?
- Marketing Analytics: Improving the success of marketing campaigns
Segmentierung und Kohortenanalyse
Datensegmentierung bedeutet, Daten in Gruppen einzuteilen, die anhand bestimmter Kriterien zusammengehören. So lassen sich effizientere und vor allem handlungsorientierte Erkenntnisse für Produktentwicklung und Marketing gewinnen. Segmentierung kann mit vielen Analyseformen kombiniert werden, um Nutzer oder Kundengruppen besser zu verstehen. Es gibt einfache Ansätze wie demografische oder geografische Segmentierung und komplexere, verhaltensbasierte Methoden wie RFM-Segmentierung, Power Users, reaktivierte Nutzer oder featurebasierte Segmente.
Warum Segmente?
Segmente helfen dabei, die Motivation hinter Nutzerverhalten besser zu verstehen. Bei manchen Produkten spielen kulturelle Unterschiede eine große Rolle für Nutzung oder Abonnement. In solchen Fällen liefert die Betrachtung nach Ländern wertvolle Erkenntnisse für Entscheidungen. Auch die „Stickiness“ bzw. das Engagement kann stark variieren, etwa zwischen Nutzern, die das Produkt organisch entdeckt haben, und solchen, die über Marketingkampagnen gekommen sind. Je nachdem, welche Gruppe dominiert, kann sich die Strategie für neue Features oder Produktänderungen deutlich unterscheiden.
Beispiele für Segmentierungsmethoden
1. RFM-Segmentierung
Die RFM-Segmentierung wird besonders häufig im E-Commerce eingesetzt. Sie teilt Kunden anhand ihres Kaufverhaltens ein.
RFM steht für:
- Recency (Aktualität)
Wie lange ist der letzte Kauf her? Kunden mit kürzlichem Kauf sind meist wertvoller und werden anders angesprochen als inaktive Kunden.
- Frequency (Häufigkeit)
Wie oft kauft ein Kunde? Häufige Käufer gelten in der Regel als wertvoller.
- Monetary Value (Geldwert)
Wie viel Geld hat ein Kunde insgesamt ausgegeben? Kunden mit höheren Ausgaben sind meist besonders relevant.
Die drei Werte werden bewertet und kombiniert, um Kundengruppen zu bilden. Beispiel: „Champion“-Kunden mit hohen Scores erhalten spezielle Angebote, während inaktive Kunden gezielt reaktiviert werden.
Wo wird RFM-Segmentierung eingesetzt?
Die RFM-Segmentierung wird häufig im E-Commerce und Einzelhandel eingesetzt, kann aber auch in anderen Branchen angewendet werden. Sie ist eine relativ einfache und effektive Methode, um Kunden basierend auf ihrem Kaufverhalten zu segmentieren und Unternehmen zu ermöglichen, ihr Marketing gezielt anzupassen.
2. Power User
Während die RFM-Segmentierung im E-Commerce weit verbreitet ist, ist die Power-User-Analyse ein starkes Werkzeug, um Einblicke in die Nutzer von SaaS- oder ähnlichen Produkten und Dienstleistungen zu gewinnen. Die Power-User-Analyse umfasst die Identifikation der engagiertesten und aktivsten Nutzer eines Produkts sowie die Analyse ihres Verhaltens und ihrer Nutzungsmuster. Daraus lassen sich Erkenntnisse ableiten, die genutzt werden können, um das Produkt zu verbessern und das Nutzerengagement zu steigern.
Metriken wie Nutzungshäufigkeit, Zeit, die mit dem Produkt verbracht wird, Anzahl genutzter Features und Engagement mit der Community werden verwendet, um Power Users zu identifizieren. Sobald diese Power Users identifiziert wurden, kann ihr Verhalten analysiert werden, um Muster und Erkenntnisse zu erkennen, die Produktentwicklung und Marketingstrategien beeinflussen können.
Beispiele für Erkenntnisse, die aus der Power-User-Analyse gewonnen werden können
- Identifikation der Produktfeatures, die bei Power Users am beliebtesten sind, und Nutzung dieser Informationen, um die Entwicklung von Features und Marketingmaßnahmen zu priorisieren.
- Analyse des Engagements der Power Users mit der Produkt-Community, wie z. B. Teilnahme an Foren oder das Teilen von User-generated Content, um Möglichkeiten zur Verbesserung des Community-Engagements und zur Förderung von Markenbefürwortung zu erkennen.
- Untersuchung der Nutzungsmuster von Power Users über die Zeit, um Trends und Chancen zur Verbesserung der Nutzerbindung und zur Reduzierung von Churn zu identifizieren.
3. Reaktivierte Nutzer
Wie die Power-User-Analyse ist auch die Segmentierung reaktivierter Nutzer ein wertvolles Werkzeug in der Produktanalyse. Die Analyse reaktivierter Nutzer ist eine Form der Produktanalyse, die sich darauf konzentriert, Nutzer zu verstehen und zu analysieren, die nach einer Phase der Inaktivität oder des Churns zu einem Produkt oder einer Dienstleistung zurückgekehrt sind. Ziel der Analyse reaktivierter Nutzer ist es, zu verstehen, warum diese Nutzer ursprünglich gegangen sind, warum sie zurückgekehrt sind und welche Faktoren ihre Entscheidung zur Rückkehr beeinflusst haben.
Offene Fragen
Um eine erfolgreiche Analyse reaktivierter Nutzer durchzuführen, müssen einige Fragen mithilfe messbarer Metriken beantwortet werden. Zum Beispiel: Wie lange waren Nutzer inaktiv, bevor sie zum Produkt oder zur Dienstleistung zurückgekehrt sind? Wie oft nutzen reaktivierte Nutzer das Produkt oder die Dienstleistung? Welche Funktionen des Produkts oder der Dienstleistung werden von reaktivierten Nutzern am häufigsten genutzt?
Durch die Analyse dieser Metriken können Produktteams Erkenntnisse darüber gewinnen, welche Faktoren die Rückkehr dieser Nutzer beeinflusst haben. Diese Informationen können anschließend genutzt werden, um Strategien zur Reduzierung von Churn und zur Steigerung der Nutzerbindung zu entwickeln.
4. Kohortenanalyse
Die Kohortenanalyse ist eine Art der Nutzersegmentierung, die zeitperiodenspezifisch ist. Sie ist erneut ein weit verbreitetes Werkzeug im Product Analytics, insbesondere in SaaS-Unternehmen. Das Ziel der Kohortenanalyse ist es, zu verstehen, wie sich Änderungen am Produkt oder der Dienstleistung im Laufe der Zeit auf Nutzerengagement und Retention auswirken. Produktmanager können mithilfe der Kohortenanalyse leicht Monate und saisonale Trends erkennen, insbesondere wenn es darum geht, wann ein Produkt in Bezug auf Umsatz, neue Abonnements oder Kundenabwanderung besonders gut oder schlecht performt.
Als eine Form der Segmentierung unterscheidet sich die Kohortenanalyse von der klassischen Nutzersegmentierung dadurch, dass sie eine zeitlich begrenzte Analyse ist. Die Kohortenanalyse konzentriert sich darauf, zu verstehen, wie Änderungen am Produkt oder der Dienstleistung das Nutzerverhalten über Zeit beeinflussen, während Segmentierungsanalysen sich auf die Eigenschaften und das Verhalten verschiedener Nutzergruppen konzentrieren. Dies ist der zentrale Unterschied zwischen den beiden Methoden.
5. Analyse von Churn und Retention
Die Churn- oder Retention-Analyse ist eine weitere bedeutende Analyseform, die im Product Analytics weit verbreitet ist. Retention- und Churn-Rate sind mathematisch komplementär.
Beginnen wir mit der Definition der Retention-Rate und der Berechnungsmethode. Die Retention-Rate ist der Prozentsatz der Nutzer, die ein Produkt oder eine Dienstleistung über einen bestimmten Zeitraum weiterhin nutzen. Sie wird berechnet als die Anzahl der aktiven Nutzer am Ende eines Zeitraums geteilt durch die Anzahl der aktiven Nutzer zu Beginn dieses Zeitraums.
Berechnung der Retention-Rate
Hier ist die Formel zur Berechnung der Retention-Rate:
Retention-Rate = (Anzahl der Nutzer am Ende eines Zeitraums/Anzahl der Nutzer zu Beginn des Zeitraums) x 100
Zum Beispiel: Wenn ein Produkt zu Beginn eines Monats 10.000 aktive Nutzer hat und am Ende des Monats 8.000 aktive Nutzer, beträgt die Retention-Rate für diesen Monat:
Retention-Rate = (8,000 / 10,000) x 100 = 80%
Die Churn-Rate ist der Prozentsatz der Nutzer, die die Nutzung eines Produkts oder einer Dienstleistung einstellen. Sie wird berechnet als die Anzahl der Nutzer, die während des Zeitraums abgesprungen sind, geteilt durch die Gesamtzahl der Nutzer zu Beginn des Zeitraums.
Berechnung der Churn-Rate
Hier ist die Formel zur Berechnung der Churn-Rate:
Churn-Rate = (Anzahl der Nutzer, die während des Zeitraums abgesprungen sind / Anzahl der Nutzer zu Beginn des Zeitraums) x 100
Im gleichen Beispiel wie oben:
Churn-Rate = (2,000 / 10,000) x 100 = 20%.
Retention vs. Churn
Während Retention- und Churn-Analyse miteinander verbunden sind, sind sie nicht dasselbe. Das Ziel der Retention-Analyse ist es, zu verstehen, wie gut ein Produkt seine Nutzer hält, und Faktoren zu identifizieren, die zur Nutzerbindung beitragen. Das Ziel der Churn-Analyse hingegen ist es, die Faktoren zu identifizieren, die zur Abwanderung von Nutzern führen, und Strategien zu entwickeln, um Churn zu reduzieren.
Retention- und Churn-Analysen nutzen im Grunde Kohorten, da sie auf Basis eines bestimmten Zeitraums segmentiert werden. Wenn diese mit anderen Segmentierungsmethoden kombiniert werden, wie z. B. mit verhaltensbezogener, geografischer oder demografischer Segmentierung, können starke Erkenntnisse darüber gewonnen werden, wie sich die Retention zwischen unterschiedlichen Nutzergruppen unterscheidet.
Ein Beispiel
Zum Beispiel kann die Segmentierung von Nutzern basierend auf ihrem Onboarding-Erlebnis Teams dabei helfen, Bereiche zu identifizieren, in denen der Prozess verbessert werden kann. Wenn Nutzer, die ein bestimmtes Tutorial oder eine bestimmte Funktion abschließen, mit höherer Wahrscheinlichkeit aktiv bleiben, kann sich das Team darauf konzentrieren, diesen Teil des Onboardings zu verbessern.