Segmentierung ist das Handwerkszeug der Customer-Insights-Arbeit. Jeder praktische Marketing-Use-Case braucht Segmente — von Kampagnen-Targeting über Content-Personalisierung bis zur Produkt-Entwicklung. Die Frage ist nie „ob", sondern „welche Methode".
Die vier Methoden-Kategorien
Kategorie 1 — Regelbasierte Segmentierung. Menschen definieren explizite Regeln: „alle Kunden, die in den letzten 30 Tagen gekauft haben und aus Deutschland sind". Einfach, nachvollziehbar, ausreichend für die meisten operativen Fälle.
Kategorie 2 — RFM-Analyse. Recency, Frequency, Monetary — drei Dimensionen, die zu einem Score kombiniert werden. RFM ist praktisch der Standard im E-Commerce, weil es pragmatisch und aussagekräftig ist.
Kategorie 3 — Cluster-Analyse (ML-basiert). Algorithmen wie K-Means, DBSCAN oder hierarchisches Clustering finden Muster in mehrdimensionalen Daten, ohne dass Menschen die Regeln vorgeben. Mächtig, aber Blackbox.
Kategorie 4 — LLM-gestützte Segmentierung. Aktueller Trend (2026): LLMs analysieren Kundentexte (Chat, E-Mail, Reviews) und gruppieren nach inhaltlichen Mustern. Früh, nicht für kritische Use Cases.
RFM-Analyse im Detail
RFM ist für den Mittelstand der beste Einstieg in datengetriebene Segmentierung. Die drei Dimensionen:
- Recency (R): Wann war der letzte Kauf? (Tage seit letzter Transaktion)
- Frequency (F): Wie oft wurde gekauft? (Anzahl Bestellungen in Zeitfenster X)
- Monetary (M): Wie viel wurde ausgegeben? (Summe in Zeitfenster X)
Scoring: Jede Dimension wird in 5 Quintile geteilt. Jeder Kunde bekommt drei Scores (z. B. 5-5-4 = top-top-hoch). Aus diesen 125 möglichen Kombinationen werden typisch 6–10 praktisch relevante Segmente benannt.
Typische Segmente aus RFM:
- Champions (5-5-5): hohe Loyalty, hohe Frequency, aktuell. Pflegen!
- Loyal Customers (3-5-5): nicht ganz aktuell, aber häufig und wertvoll. Retention-Priorität.
- New Customers (5-1-1–3): jung, muss aktiviert werden. Onboarding-Fokus.
- At Risk (1-4-4): früher aktiv, seit Wochen nicht mehr. Reaktivierung!
- Cannot Lose (1-5-5): hoher historischer Wert, kurz vor Abwanderung. Sofort-Intervention.
- Hibernating (1-1-1): lange nichts, wenig Wert. Low-Priority-Reaktivierung.
Cluster-Analyse mit K-Means
Wenn RFM zu flach ist und mehrdimensionale Muster wichtig sind, lohnt sich Cluster-Analyse.
Voraussetzungen:
- Mindestens 5.000 Profile (für robuste Cluster)
- Mindestens 5–10 aussagekräftige Dimensionen (Verhaltens-Features, demografische Daten, Produkt-Präferenzen)
- Data-Science-Kompetenz — oder ein Tool wie AutoML
Prozess:
- Features auswählen und normalisieren (damit keine Dimension dominiert durch Skala)
- K-Wert bestimmen (Elbow-Methode oder Silhouette-Score)
- K-Means ausführen
- Cluster interpretieren: Was macht jeden Cluster aus, ist er operativ nutzbar?
Häufige Schwächen:
- Nicht alle Cluster sind gleich gut interpretierbar
- K-Means mag keine Ausreißer — ggf. mit DBSCAN ergänzen
- Cluster ändern sich über Zeit — regelmäßige Neu-Berechnung nötig
LLM-gestützte Segmentierung
Ab 2025 relevant: LLMs analysieren unstrukturierte Kundentexte (Chat-Logs, Reviews, Support-Tickets) und gruppieren nach inhaltlichen Mustern. Das eröffnet eine Dimension, die klassische Segmentierung nicht erreicht.
Anwendungsbeispiel: Support-Tickets werden nach zugrundeliegender Frustration geclustert (Preis-Sensibilität, Usability-Probleme, unerfüllte Erwartungen). Das ergibt Segmente, die für Produkt-Entwicklung relevanter sind als RFM-Cluster.
Grenzen: Kosten (LLM-API-Aufrufe), Reproduzierbarkeit (Cluster variieren je nach LLM-Version), Interpretations-Abhängigkeit (der Mensch muss die Cluster benennen).
Segmente vs. Personas
Segmente sind datenbasierte Gruppen. Sie haben Größe, Definition, Abgrenzung.
Personas sind Kommunikationshilfsmittel. Eine Persona gibt einem Segment ein Gesicht, eine Geschichte, einen Namen.
Fehlverständnis: Personas als Forschungs-Output präsentieren. Eine Persona ohne datenbasiertes Segment im Hintergrund ist eine geratene Fiktion. Persona „Anna, 35, Marketing-Leiterin" ist nur nützlich, wenn „Marketing-Leiterinnen zwischen 30 und 40" ein datenbasiert identifiziertes Segment mit abgrenzbarer Größe und Verhaltensmuster ist.
Operative Segment-Umsetzung
Schritt 1 — Segment in der CDP definieren. Regel-basiert oder über berechnetes Feld (RFM-Score, Cluster-ID). Segment wird live gepflegt.
Schritt 2 — Segment-Sync an Aktivierungs-Tools. E-Mail-Tool, Paid-Audience, Personalisierungs-Engine erhalten das Segment in passender Latenz.
Schritt 3 — Kampagnen gegen Segmente. Jede Kampagne adressiert ein Segment (oder einen definierten Subset). Segment-Ownership klären.
Schritt 4 — Monitoring. Segment-Größen über Zeit, Segment-Verschiebungen, Performance pro Segment.
Häufige Fallen
Falle 1 — Zu viele Segmente. Wenn niemand mehr alle Segmente kennt, werden sie nicht genutzt. Disziplin: weniger Segmente, besser gepflegt.
Falle 2 — Statische Segmente. Einmal definiert, nie überprüft. Segmente driften — Re-Evaluation pro Quartal.
Falle 3 — Segment ohne Handlungsimplikation. Ein Segment, gegen das keine Kampagne läuft, ist Überkopf-Aufwand.
Falle 4 — Cluster-Analyse als Selbstzweck. „Wir haben tolle Cluster gefunden" ist kein Marketing-Erfolg. Interpretation und Operationalisierung sind der eigentliche Wert.
Verbindungen: ABC-Analyse als einfache Wert-Segmentierung. Customer Lifetime Value für CLV-Cluster. Descriptive/Predictive/Prescriptive Analytics für die Modell-Ebene.