Genaue Kenntnisse über die Zielgruppe sind fundamental für ein erfolgreiches Geschäft – vor allem für Unternehmen aus dem Business-to-Consumer-Bereich (B2C). Location Intelligence und räumliche Analysen können dabei einen entscheidenden Beitrag leisten. Dank geografischer Analysemethoden schärfte das Schweizer Re- und Upcycling-Unternehmen Mr. Green einerseits das Verständnis über die Kundensegmente und ist nun andererseits in der Lage, räumliche Voraussagen zu treffen, wo sich mit hoher Wahrscheinlichkeit weitere Kundinnen und Kunden finden lassen.
Bei der Entwicklung einer Marketingstrategie stehen Fragen nach der Zielgruppe im Zentrum: Wer sind meine Kund*innen? Und wo finde ich sie? Für alle Firmen, insbesondere aber für kleinere Unternehmen und Startups, in denen Marketing-Budgets oft knapp sind, ist die stichhaltige und möglichst effiziente Beantwortung dieser Punkte wichtig. Unterstützung bieten aussagekräftige Karten, die mit Informationen aus Geoinformationssystemen erstellt wurden.
Bei der richtigen Marketingstrategie geht es in einem ersten Schritt darum, das Zielkundenprofil zu schärfen und Fragen zu beantworten:
- Wo wohnen die Menschen, die meine Produkte kaufen?
- Wie ist die Altersverteilung?
- Welcher sozialen Schicht gehören sie an?
- Welche Präferenzen haben sie?
Gibt es dann genauere Erkenntnisse über das Zielkundenprofil – oder die verschiedenen Profile bzw. Segmente – muss in einem zweiten Schritt analysiert werden, wo sich weitere Kund*innen gewinnen lassen.
Karten sagen mehr als eine Kundenkartei
Viele Unternehmen führen eine Kundenkartei, kennen also die Wohnadresse ihrer Kundschaft. Oder sie erheben vor Ort die Herkunft der Einkaufenden – beispielsweise in Form der Postleitzahl. Diese Daten liegen zumeist strukturiert vor und bieten schon einen beträchtlichen Informationswert. Was aber zumeist fehlt, ist das Verständnis über den geografischen Kontext. So ist es nicht verwunderlich, dass der einfache Schritt von der Tabelle zur digitalen Karte oft schon einen ersten «Wow-Effekt» auslöst. Im Gegensatz zu einer Tabelle realisiert eine Karte sofort einen räumlichen Überblick der Kundenverteilung und bringt – noch ohne eine Analyse – bereits zusätzliche Informationen ans Tageslicht: räumliche Muster. Deutlich werden damit beispielsweise Häufungen von Kunden an bestimmten Orten oder auch Lücken.
Mit Visualisierungen via Karte beginnen üblicherweise die ersten Überlegungen zu Hypothesen bezüglich der Ursachen der Kundenverteilung. Dazu Valentin Fisler, Mitgründer und Geschäftsführer bei Mr. Green: «Auf der Map war schön ersichtlich, wo unsere potentiellen Kund*innen wohnen. Eine ideale Ausgangslage, um diese zielgerichtet zu bewerben.»
In einem ersten Analyseschritt kann die Kundendichte dann mit statistischen Methoden hinsichtlich Hot- und Coldspots untersucht werden. Die Resultate dieser Analyse sind mehr als eine visuelle Interpretation der Verteilung: sie sind eine faktenbasierte Auswertung, die statistisch signifikante Aussagen zulässt.
Location Intelligence integriert alle Informationen
Viele Unternehmen erheben keine soziodemografischen Daten über ihre Kunden. Auch im Fall von Mr. Green sind neben der Adresse und weiteren Kontaktdaten nur Transaktionsdaten zu den gekauften Dienstleistungen und Produkten verfügbar. Es fehlen genauere Informationen zur Person, beispielsweise Alter, Geschlecht oder Familienstand. In diesen Fällen können mittels räumlicher Daten und Korrelationsanalysen trotzdem Rückschlüsse auf die bestehende Kundschaft gezogen werden. Denn soziodemografische Daten sind in verschiedenen räumlichen Auflösungen, darunter Hektar-, Block-, Quartier-, Gemeinde- oder PLZ-Ebene, verfügbar oder lassen sich entsprechend erstellen und aggregieren. Mit Location Intelligence können die Informationen dann zu den Kundenadressen und der dort herrschenden Soziodemografie über den räumlichen Zusammenhang verknüpft werden.
Das Unternehmen Mr. Green überlegte beispielsweise, welche Faktoren an einem Ort die Kundendichte beeinflussen. Typische Faktoren dabei sind die Kaufkraft, Altersverteilungen aber auch räumliche Faktoren wie die Distanz zum nächsten Bahnhof, Restaurant oder Entsorgungsstation.
Dieser Prozess erfordert weitere Datenrecherchen und -aufbereitungen und kann sehr aufwändig sein. Möglicherweise müssen Daten gekauft werden – oder aber es finden sich schlicht und einfach keine passenden Datensätze. Dann gibt es die Option, nach Daten zu suchen, die ein Phänomen zwar nicht direkt, aber indirekt erklären können. Beispielsweise kann die Parteienstärke als Näherungswert, oft auch als Proxy bezeichnet, für das soziale Milieu an einem Ort dienen.
ArcGIS bietet Zugriff auf viele Daten
Mit dem ArcGIS-System hat ein Unternehmen Zugriff auf verschiedenste Daten aus dem Living Atlas und kann diese auch mit Esri-Demographics-Daten anreichern. Zudem stehen auch offene Daten, beispielsweise von Behörden wie statistischen Ämtern, oder von OpenStreetMap zur Verfügung.
Um herauszufinden, welche Faktoren tatsächlich relevant sind und um ein Voraussagemodell zu trainieren, setzt Mr. Green ein Analysewerkzeug ein, welches eine Adaption des “Random Forest”-Algorithmus von Leo Breiman integriert. Dieser Machine-Learning-Algorithmus trainiert ein Modell anhand erklärender Variablen, welches anschließend eine Vorhersage der abhängigen Variable, hier also der potentiellen Neukunden, erlaubt.
Dank dieser Analyse wurde ein Modell generiert, das einerseits das Zielkundenprofil des Unternehmens aufgrund der erklärenden Variablen schärft und andererseits auf Gebiete angewendet werden kann, für die es dieselben Grundlagendaten aber noch keine Kunden gibt. Selbstverständlich ist auch ein solches Modell mit Unsicherheiten behaftet und die Aussagen müssen jeweils im entsprechenden Kontext betrachtet werden.
Mr. Green war bis dahin vorwiegend im Kanton Zürich tätig. Entsprechend interessierte eine Voraussage für die Nachbarkantone Aargau und Zug, auf die das Modell dann auch entsprechend angewendet wurde.
Fazit: Technologie ist Basis für mehr Nachhaltigkeit
Damit Mr. Green in neuen Städten und Regionen seine Dienstleistungen anbieten kann, sind zunächst Überzeugungskraft und Zeit nötig, um die notwendigen Grundlagen mit den lokalen Behörden auszuarbeiten. Machine Learning und Location Intelligence sind dann die Basis für nachhaltige Expansionsplanung und Marktoptimierung.
Über Mr. Green
Mr. Green ist ein Schweizer Re- und Upcycling-Unternehmen, mit dem gleichnamigen schwedischen Glücksspielunternehmen hat das Startup nichts zu tun. Die Gründer haben sich vor rund zehn Jahren zum Ziel gesetzt, Gesellschaft und Umwelt besser in Einklang zu bringen. Und während sich einst Flaschen und Büchsen auf dem Balkon nicht nur ihrer Studenten-WG gestapelt haben, sammelt heute Mr. Green alles ein und führt sie dem Re- und Up-Cycling-Kreislauf zu. Das Prinzip ist einfach: Alle Wertstoffe wie Elektroschrott, Batterien, Dosen, Getränkekartons, Kaffeekapseln, Pet-, PE- und Glasflaschen oder Plastik werden in einem Sack gesammelt und am Abholtag vor die Türe gestellt. Den Rest übernimmt Mr. Green: Sortierung und Schleppen zu den verschiedenen Sammelstellen wird Privat- und Geschäftskunden abgenommen. Zudem bietet Mr. Green Upcycling-Produkte und nachhaltige Gadgets für den Alltag in ihrem Onlineshop an.
