Unser Segmentierungsmotor wird von einem hauseigenen bayesianischen Mixed-Modeling-Algorithmus angetrieben, der darauf ausgelegt ist, in jeder Studie Tausende potenzieller Lösungen zu erkunden.
Anders als Standard-Clustering-Techniken kann unser Ansatz:
- Identifiziert sowohl Ähnlichkeit innerhalb der Segmente als auch Differenzierung zwischen Segmenten
- Verarbeitet gemischte Eingabetypen und Skalen
- Behandelt fehlende Daten
- Integriert Gewichtungen
- Berücksichtigt Korrelationen zwischen Variablen
- Vergleicht Segmentstrukturen anhand statistischer Evidenz und strategischer Relevanz, um eine sinnvolle Segmentanzahl auszuwählen
- Produziert robuste Ergebnisse, die für hochpräzise Klassifikatormodelle geeignet sind
Lösungsbewertung
Tausende von Kandidatenlösungen werden mit verschiedenen Zufalls-Seeds und Distanzmetriken generiert.
Jede Lösung wird mit einem zusammengesetzten Bewertungssystem bewertet, das kombiniert:
- F-Ratio-Differenzierung
- Abstand zum globalen Mittelwert
- Posteriori-Wahrscheinlichkeiten
- Stichprobengrößen-Gewichtung
Nur statistisch robuste, gut ausbalancierte und nicht-redundante Lösungen werden beibehalten.
Aus dieser automatisierten Vorauswahl überprüfen wir manuell Dutzende starker Kandidaten - wählen und verfeinern die Lösungen, die statistische Strenge und strategische Relevanz am besten ausbalancieren.
Denn Segmentierung ist sowohl Wissenschaft als auch Urteilsvermögen.
Von Rohdaten zur strategischen Aktivierung
Unser Prozess ist umfassend und praxisnah.
Input-Design
Wir wählen sorgfältig Variablen aus, die echte Differenzierung vorantreiben:
- Verhaltensvariablen
- Psychografische Variablen
- Demografische & geografische Indikatoren
Wir priorisieren starke Messansätze wie:
- MaxDiff: die Prioritäten erkennen, die Kundengruppen unterscheiden
- Semantische Differentiale
- Strukturierte kategoriale Auswahlen
Wir wählen Messverfahren passend zu Ihren Zielen und Ihrer Zielgruppe und reduzieren Antwortverzerrungen durch sorgfältige Fragebogengestaltung.