supersieben_logo_2022
coffee_black
coffee_black

KONTAKT

Social

Sprache

© 2024 Supersieben GmbH & Co. KG
Methoden & Tools: Zielgruppen­maschine

Zielgruppen Profiler

Relevante Gemeinsam­keiten statt irrelevanter Unterschiede.
Mehr lesen
Ein datenbasierter Ansatz zur realistischen Zielgruppensegmentierung

Mit wem kann, soll oder muss meine Marke sprechen?

Der klassische Weg Zielgruppen zu segmentieren funktioniert so: Man sucht sich ein oder mehrere Merkmale (Alter, Verbrauchsintensität, Geschlecht …) und sortiert die Menschen entsprechend. In anderen Worten: Man denkt sich Kästchen aus. Und in die teilt man dann die Menschen ein.
Der Vorteil: Auf den ersten Blick funktioniert das immer.
Der Nachteil: Woher weiß man, ob die Menschen, die man in ein Kästchen gesteckt hat, auch wirklich zusammengehören? Bilden z. B. „Heavy-User, männliche, 45+“ wirklich eine zusammengehörende Gruppe?

Relevante Gemeinsamkeiten statt irrelevanter Unterschiede.

Mit dem Zielgruppen Profiler ist es uns gelungen, einen Algorithmus zu schaffen, der das natürliche Gruppierungs-Verhalten von Menschen imitiert und deshalb zu realistischeren Ergebnissen kommt.
Der Zielgruppen Profiler sucht nicht danach, was die Menschen voneinander trennt, sondern danach, was sie untereinander verbindet. Dabei arbeitet der Algorithmus mit bis zu 400 Eigenschaften, aber statt a priori daraus Kästchen zu bilden, ermittelt er die Kombinationen, die sich von ganz alleine ergeben. Genau so, wie sich Menschen mit zueinander passenden Eigenschaften im echten Leben auch zu Gruppen organisieren.

So funktioniert’s

Denken
ohne Kästchen.

Bis zu 400 Eigenschaften

Welche Eigenschaften und Ausprägungen vom Algorithmus beobachtet werden sollen, hängt von Ihrem Case ab: Persönlichkeitstyp, Konsumverhalten, Lieblingsfarbe, … alles ist möglich. Je mehr desto besser.

1.000 Testpersonen
Wir arbeiten mit nationalen und internationalen Online-Panels. Auch hier gilt: je mehr desto besser. So lassen sich Untergruppen besser analysieren.
n = 1.000 ist das Minimum.
Algorithmus Magic

Der Algorithmus verwendet Big Data Methoden, um unter all den Eigenschaften und ihren Ausprägungen statistische Zwillinge (und Neffen, Cousins und Großtanten) zu suchen. Auf Basis dieser Gemeinsamkeiten entstehen Gruppen.

Gemeinsamkeiten benennen

Was genau diese Gruppen miteinander verbindet, ermitteln wir mit der Unterstützung von künstlicher Intelligenz.

Hochrechnen

Da wir mit großen (und normalerweise auch repräsentativ ausgewählten) Stichproben arbeiten, können wir die Ergebnisse auf die Grundgesamtheit hochrechnen.  

Das Ergebnis:
Lebensnahe, real existierende Zielgruppen

Stellen Sie sich vor, Sie könnten jemanden mit 10, 20, 100 oder mehr Eigenschaften beschreiben. Ergäbe das nicht ein extrem präzises Bild, auf dessen Basis Sie Angebote, Maßnahmen und Kommunikation entwickeln könnten, die so gut zur Zielgruppe passen, wie das bisher nicht möglich war?
All das liefert Ihnen der Zielgruppen Profiler.