Kundensegmentierung

Alle Kunden gleich zu behandeln verschwendet Budget; von Hand gebaute Segmente („Alter 30-45, städtisch“) sind grob und veralten. KI-Segmentierung findet Gruppen anhand des tatsächlichen Verhaltens (was Menschen kaufen, ansehen, kündigen, beim Support erfragen), bewertet sie nach Wert und Risiko und lässt ein LLM Cluster in lesbare Personas übersetzen. Das Ergebnis speist Kampagnen, Preistests, Produkt-Roadmaps und das Service-Routing. In der EU lautet die zentrale Gestaltungsfrage nicht Algorithmus, sondern Rechtsgrundlage, Datenminimierung und die Vermeidung sensibler oder diskriminierender Stellvertretermerkmale.

Problem & Nutzen

• Heute: Marketingteams nutzen RFM-Tabellen (Recency, Frequency, Monetary Value), statische demografische Regeln oder von Agenturen gebaute Personas, die einmal im Jahr aktualisiert werden. Analysten lassen ad hoc k-means in Notebooks laufen, die weder reproduzierbar noch an Aktivierungskanäle angebunden sind.
• KI-Nutzen: (1) reichere Merkmale aus Ereignisströmen und Texten, (2) Segmente, die sich laufend aktualisieren, (3) Erklärungen, die ein Fachanwender versteht, (4) direkte Aktivierung in CRM/E-Mail/Werbung, (5) Messung des Uplifts auf Segmentebene statt durchschnittlicher Kampagnenergebnisse.
• Belege: Anbieter und Beratungen veröffentlichen Behauptungen zu Personalisierungs-Uplifts, doch sie sind selbst ausgewählt und schwanken stark; messen Sie den eigenen Gewinn mit einer Holdout-Gruppe, statt sich auf genannte Prozentzahlen zu verlassen. Segmentierung allein schafft keinen Wert, solange nicht an jedes Segment eine andere Maßnahme geknüpft ist.

Varianten

• Verhaltens-/RFM+-Segmentierung: Kauf- und Nutzungsmuster, die klassische und robusteste Form.
• Wertbasiert: Segmente nach prognostiziertem Customer Lifetime Value und Abwanderungsrisiko (PRED-004, PRED-003).
• Bedarfs-/einstellungsbasiert: Clustering von Umfrageantworten, Bewertungen und Support-Texten mit Embeddings.
• B2B-Kontensegmentierung: Firmendaten, Produktnutzung und Signale des Einkaufsgremiums (REC-010).
• Lookalike- und Neigungs-Zielgruppen: Ausgangssegment zu bewerteten Interessenten, meist für Akquise-Werbung.
• Öffentliche Hand / Non-Profit: Bürger- oder Spendergruppen für Servicegestaltung und Fundraising; strengere Erwartungen an Verhältnismäßigkeit und Transparenz.
• Privatnutzung: nicht anwendbar, außer für die Kategorisierung privater Finanzen.

So funktioniert es

1. data sources (CRM, shop, app events, consented web analytics, tickets, surveys)
2. identity resolution & consent filter (drop non-consented / sensitive fields)
3. feature engineering (RFM, recency-weighted events, category affinities, text embeddings)
4. dimensionality reduction (PCA / UMAP / autoencoder)
5. clustering (k-means, Gaussian mixture, HDBSCAN) or supervised value/propensity models
6. validation (stability across runs, silhouette, business interpretability, fairness check)
7. LLM profiling: summarise top features + sample text into persona, name, suggested actions
8. human review by marketing/analytics (merge, rename, reject segments)
9. activation (CRM, ESP, ad audiences, service routing) + holdout measurement
10. scheduled refit and drift monitoring

• Clustering ist unüberwacht: Es gibt keine Grundwahrheit, daher beurteilt man die Qualität an der Stabilität und daran, ob Segmente unterschiedlich auf Maßnahmen reagieren. Bevorzugen Sie wenige (5-12) handlungsfähige Segmente.
• Rolle des LLM: Weisen Sie Kunden nie zu, indem Sie ein LLM pro Person befragen; nutzen Sie es, um Cluster anhand aggregierter Statistiken zu benennen und zu beschreiben, um Freitext über Embeddings zu clustern und um segmentspezifische Botschaften zu entwerfen.
• Mensch-in-der-Schleife (Human-in-the-Loop): Analysten genehmigen Segmentdefinitionen; das Marketing verantwortet die Maßnahme je Segment; Datenschutz/Datenschutzbeauftragte(r) prüfen die Merkmalsliste.

Datenaufbereitung

Benötigte Daten: Kundenstammdaten, Bestellungen und Transaktionen, Produktkategorien, Web- und E-Mail-Interaktion, Servicekontakte und optional Umfrage- oder Bewertungstexte. In einem KMU sind diese auf ERP, Shopsystem, CRM, Newsletter-Tool und Excel-Dateien verteilt.

Typische Lücken: doppelte Kunden, vermischte B2B- und B2C-Daten, keine gemeinsame Kunden-ID, uneinheitliche Produktkategorien, fehlende Einwilligungskennzeichen, Ausreißer (Retouren, Testbestellungen) und historische Daten, die nur in Tabellenkalkulationen vorliegen.

Aufbereitungsschritte: - Aus ERP, Shop und CRM exportieren und über eine Kunden-ID zusammenführen (PREP-005); Tabellenkalkulationen in saubere Tabellen umbauen (PREP-011). - Deduplizieren, Testbestellungen entfernen und RFM-Merkmale (Recency, Frequency, Monetary Value) definieren. - Kennzahlen- und Segmentdefinitionen mit dem Fachbereich abstimmen (PREP-012) und Zweck und Rechtsgrundlage prüfen (PREP-025). - Auszüge für die Modellierung pseudonymisieren (PREP-022).

Werkzeuge: SQL oder Python (pandas), dbt, OpenRefine zur Deduplizierung, CRM-Export, Metabase für die Prüfung.

Aufwandsanteil: etwa 30-40 Prozent des Projekts; eine erste RFM-Segmentierung ist binnen Tagen möglich, sobald die Daten zusammengeführt sind. Siehe auch GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• KMU: A. CRM- und E-Mail-Werkzeuge (HubSpot, Brevo, Klaviyo, Mapp) enthalten KI-Segmente und Smart Lists; die Daten sind bereits vorhanden und der Ablauf ist standardisiert.
• Großunternehmen: B. Segmente verbinden Finanz-, Produkt- und Servicedaten, daher passt eine Modellierung direkt im Data Warehouse mit eigener Logik besser als eine geschlossene CDP.
• Entwickler: C. scikit-learn, hdbscan und Metabase auf HW1 decken das Clustering von Millionen Kunden ab, ohne Daten nach außen zu geben.

Weg A — Kaufen (Standardsoftware) (für die meisten KMU empfohlen)

• Kundendatenplattformen und Marketing-Clouds mit KI-Zielgruppen: Adobe Real-Time CDP / Experience Platform, Salesforce Data Cloud, Braze, Klaviyo, HubSpot (prädiktive Listen/Smart Lists), Segment (Twilio), mParticle, Bloomreach (in der EU gegründet, Wurzeln in Tschechien/Slowakei), emarsys by SAP (EU), Optimove, Mapp (EU, Deutschland), Cleverreach (EU, Deutschland), Brevo (EU, Frankreich).
• Analytics-Seite: Piwik PRO (EU, Polen) und Matomo (EU, Ursprung Frankreich/Neuseeland, selbst betreibbar) für einwilligungsbewusste Verhaltenssegmente.
• A wählen, wenn: die Daten bereits in einem Shop- oder CRM-System liegen, das Team klein ist und Segmente hauptsächlich für E-Mail und Werbung genutzt werden. Prüfen: Datenspeicherung in der EU, Synchronisierung des Einwilligungsstatus, Export der Segmentlogik (Abhängigkeit vom Anbieter vermeiden), Erklärbarkeit der „KI-Segmente“.

Weg B — Auf Cloud-KI-Diensten aufbauen

• ML direkt im Data Warehouse: BigQuery ML (k-means, Matrixfaktorisierung, EU-Multiregion), Snowflake Cortex und Snowpark ML, Databricks (EU-Regionen), Azure Machine Learning, Amazon SageMaker (Frankfurt/Paris/Stockholm).
• Text- und Persona-Schicht: Embeddings und LLM-APIs aus in der EU oder in EU-Regionen gehosteten Angeboten (Mistral, Azure OpenAI EU-Datenzone, Google Vertex AI EU, Amazon Bedrock EU, Anthropic Claude über eine EU-Region) zum Clustern von Bewertungen und Ticket-Texten und zum Erzeugen von Persona-Karten.
• Reverse ETL zur Aktivierung: Synchronisierung im Stil von Hightouch oder Census oder dbt plus eigene Jobs.
• B wählen, wenn: Sie bereits ein Data Warehouse haben und Segmente mit eigener Logik berechnen wollen, verknüpft mit Finanz- und Produktdaten.

Weg C — Selbst betreiben (Open Source)

• Modellierung: scikit-learn (KMeans, GaussianMixture), hdbscan, UMAP, BERTopic für Textthemen, sentence-transformers oder offene Embedding-Modelle (BGE-M3, multilingual-e5, Qwen3-Embedding), XGBoost/LightGBM für Neigungsmodelle, Feast für Merkmale.
• Open-Source-CDP / Analytics: RudderStack, Matomo, Apache Superset oder Metabase für Dashboards, PostgreSQL mit pgvector oder Qdrant.
• LLM für Personas: Ein kleines Instruktionsmodell (Mistral, Llama, Qwen, Gemma-Klasse, ca. 7-8B), bereitgestellt mit Ollama oder vLLM, genügt, da die Eingaben aggregierte Statistiken sind.
• Hardware: HW1 reicht für tabellarisches Clustering und kleine Embeddings bei bis zu Millionen Kunden; HW2 nur, wenn Sie ein größeres lokales LLM wollen.

Weg D — Eigenes Training

Lohnt sich bei großen Kundenstämmen (Telko, Handel, Bank), wo gelernte Kunden-Embeddings (Sequenzmodelle über Transaktionen oder Ereignisse, Two-Tower- oder Transformer-Encoder) handgebaute Merkmale übertreffen und für Empfehlung, Abwanderung und CLV wiederverwendet werden. Erfordert lange Ereignishistorien und eine ML-Plattform; behalten Sie eine einfache RFM-Basislinie, um den Mehrwert zu belegen.

Stand der Technik (2026)

• Repräsentationslernen: Kunden-Embeddings aus Ereignissequenzen und Foundation-Modelle für tabellarische Daten (z. B. Modelle im Stil von TabPFN für kleine Datensätze) ersetzen zunehmend manuelle Merkmale; die Gewinne sind am größten, wenn die Historien lang und das Verhalten vielfältig sind.
• LLM-gestützte Analytik: LLMs benennen Cluster, erschließen Themen aus Freitext und lassen Marketer Segmente in natürlicher Sprache abfragen („Kunden, die zweimal gekauft haben und still wurden“). Prüfen Sie das erzeugte Segment-SQL; LLMs können Filter unbemerkt falsch definieren.
• Synthetische Personas: LLM-simulierte Personas sind für die Ideenfindung beliebt, ersetzen aber keine echten Kundendaten und spiegeln eher Stereotype; nutzen Sie sie nur als Hilfsmittel für Hypothesen.
• Kausale / Uplift-Segmentierung: Eine Segmentierung nach Reaktion auf die Maßnahme (Uplift-Modelle, Causal Forests) ist der Segmentierung nach reiner Neigung für die Budgetverteilung überlegen (siehe REC-005).
• Datenschutzfreundliche Ansätze: Kohorten- und Clean-Room-Analysen, Differential Privacy und Verarbeitung auf dem Gerät gewinnen an Bedeutung, da Cookies und Kennungen Dritter an Bedeutung verlieren.
• Grenzen / Fehlerbilder: instabile Cluster, „Segmente aus einer Person“, mit denen sich nichts anfangen lässt, Stellvertretermerkmale für geschützte Merkmale (Postleitzahl als Ethnie, Name als Geschlecht), Rückkopplungsschleifen (nur angesprochene Segmente erzeugen Daten) und das Überdehnen kausaler Bedeutung aus beschreibenden Clustern.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack (tabular-ml + embedding-text + llm-general): PRED-003 (Abwanderung), PRED-004 (CLV), REC-001 (Produktempfehlungen) und REC-009 (Personalisierung der Kundenbindung) nutzen denselben Feature Store, dieselben Embeddings und dasselbe Data Warehouse; eine Tabelle mit Kunden-Embeddings kann alle bedienen.
• Nachgelagert: REC-003 (Next Best Action), REC-006 (E-Mail-Personalisierung und Optimierung des Versandzeitpunkts), REC-007 (Zielgruppenaufbau für Werbung), REC-005 (Budgetverteilung über Segmente).
• Kundenstimmen-Texte aus dem Support (siehe Anwendungsfälle zu Konversation/Analyse in CONV) lassen sich mit derselben Embedding- und Vektordatenbank-Infrastruktur clustern.

Aufwand, Kosten & Kennzahlen

• Weg A: Tage bis wenige Wochen zur Konfiguration; typischerweise ein Abonnement, abgerechnet nach Profilen oder Ereignissen.
• Weg B: 1-3 Monate für Datenmodellierung, Modell-Pipeline und Aktivierung; die Kosten entstehen vor allem durch Data Engineering und Rechenleistung des Data Warehouse.
• Weg C: 2-4 Monate; geringe Rechenkosten, höherer Wartungsaufwand.
• Weg D: 4+ Monate und ein ML-Team.
• Kennzahlen: Uplift gegenüber dem Holdout (Konversion, Umsatz pro Kunde, Kundenbindung) je Segment; Stabilität der Segmente über die Zeit; Anteil der Kunden in handlungsfähigen Segmenten; Kampagnenkosten pro zusätzlicher Bestellung; Zeit von den Daten bis zur aktivierten Zielgruppe; Opt-out- und Beschwerdequoten.

Menschen & Veränderung

Einbinden: Geschäftsführung und Marketing- oder Vertriebsleitung (Prozessverantwortung), um festzulegen, wofür Segmente gedacht sind; IT und Datenverantwortliche für Exporte; die/den Datenschutzbeauftragte(n) für Profiling, Zweckbindung und Einwilligung (GUIDE-005); Endanwender in Marketing und Vertrieb, die auf Basis der Segmente handeln, früh im Entwurf, damit Segmente in Fachbegriffen benannt werden.

Betriebsrat: in der Regel nein, da Kunden analysiert werden, nicht Beschäftigte, sodass §87 Abs. 1 Nr. 6 BetrVG nicht ausgelöst wird. Informieren Sie den Betriebsrat, wenn Segmente in Werkzeuge einfließen, die die Leistung des Vertriebspersonals erfassen (§90 Abs. 1 Nr. 3 BetrVG, GUIDE-004).

Datenschutz: AVV mit jedem Werkzeuganbieter; eine DSFA (Art. 35 DSGVO) ist voraussichtlich nur bei Profiling in großem Umfang oder sensiblen Merkmalen nötig; vermeiden Sie Segmente auf Basis besonderer Datenkategorien.

KI-Kompetenz: Nach Art. 4 der KI-Verordnung (AI Act) sind Maßnahmen zur Förderung der KI-Kompetenz der Beschäftigten zu ergreifen; erklären Sie dem Marketing, wie Clustering funktioniert und dass Segmente statistisch sind und keine Wahrheit (GUIDE-006).

Pilot und Kommunikation: Beginnen Sie mit einer Kampagne und einer Kontrollgruppe und vergleichen Sie mit einer einfachen RFM-Basislinie. Typische Sorgen sind Stereotypisierung, Black-Box-Segmente und Diskriminierung; begegnen Sie ihnen mit lesbaren Segmentprofilen, regelmäßiger Prüfung und menschlicher Freigabe vor der Aktivierung. Siehe GUIDE-009 und GUIDE-008.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): minimales Risiko bei Marketing-Segmentierung. Auslöser für eine höhere Einstufung: Segmente, die für Kreditwürdigkeit, Versicherungspreise/-berechtigung, Beschäftigung oder den Zugang zu wesentlichen Diensten genutzt werden (Anhang III, möglicherweise Hochrisiko); und die Verbote nach Art. 5: das Ausnutzen von Schwächen aufgrund von Alter, Behinderung oder sozialer/wirtschaftlicher Lage, um das Verhalten wesentlich zu verzerren, manipulative oder täuschende Techniken sowie biometrische Kategorisierung, die auf sensible Merkmale schließt. Bauen Sie keine Segmente, die sensible Merkmale ableiten. Die KI-Kompetenz (Art. 4) gilt.
• DSGVO: Segmentierung ist Profiling (Art. 4 Nr. 4). Sie braucht eine Rechtsgrundlage (Einwilligung oder sorgfältig dokumentiertes berechtigtes Interesse; ePrivacy / nationale Cookie-Regeln verlangen eine Einwilligung für Tracking), Transparenz (Art. 13-14), das Widerspruchsrecht gegen Profiling zur Direktwerbung (Art. 21 Abs. 2-3), Datenminimierung und Zweckbindung (Art. 5) und meist eine DSFA (Art. 35) bei Profiling in großem Umfang. Art. 22 greift, wenn die Segmentierung Entscheidungen mit rechtlicher oder ähnlich erheblicher Wirkung steuert (Preisdiskriminierung, Kredit); das SCHUFA-Urteil des EuGH (C-634/21) hat „Entscheidung“ weit ausgelegt, sodass schon ein Score, auf den sich andere stützen, Art. 22 auslösen kann [2][3]. Daten besonderer Kategorien nach Art. 9 (Gesundheit, Religion, sexuelle Orientierung) dürfen ohne ausdrückliche Einwilligung weder abgeleitet noch verwendet werden.
• Sonstiges: Der Digital Services Act verbietet Werbung, die auf Profiling mit Daten besonderer Kategorien beruht, sowie Profiling von Minderjährigen auf Online-Plattformen (Art. 26); UWG und nationale Regeln zu unerbetener Werbung; Verbraucher-Preisrecht (die Omnibus-Richtlinie verlangt die Offenlegung personalisierter Preise).
• Gegenmaßnahmen: Positivliste zulässiger Merkmale nach Privacy by Design, sensible Stellvertretermerkmale ausschließen, Fairness-Prüfung der Segmentzusammensetzung, pseudonymisierte Segmenttabellen, Speicherfristen, einfacher Opt-out, Holdout-Tests, Dokumentation der Segmentlogik, menschliche Freigabe.

Erste Schritte

1. Zuerst die Entscheidung festlegen: Welche Maßnahme unterscheidet sich je Segment (Angebot, Kanal, Servicelevel)?
2. Eine RFM-Basislinie im Data Warehouse aus einem sauberen Jahr Bestelldaten bauen und mit dem Marketing abstimmen.
3. Ein reichhaltigeres Signal ergänzen (Kategorieaffinität oder Text-Embeddings) und Stabilität sowie Reaktion vergleichen.
4. Eine DSFA-light-Prüfung durchführen: Rechtsgrundlage, Einwilligungskennzeichen je Feld, Ausschlussliste sensibler Merkmale.
5. Zwei oder drei Segmente mit randomisiertem Holdout aktivieren und den Uplift messen, bevor Sie skalieren.

Quellen

1. Regulation (EU) 2024/1689 (AI Act), Art. 5 and Annex III — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
2. Regulation (EU) 2016/679 (GDPR), Arts. 4(4), 21, 22, 35 — https://eur-lex.europa.eu/eli/reg/2016/679/oj
3. CJEU, Case C-634/21 SCHUFA Holding (Scoring), judgment of 7 Dec 2023 — https://curia.europa.eu/juris/liste.jsf?num=C-634/21
4. Article 29 Working Party / EDPB — Guidelines on Automated individual decision-making and Profiling (WP251rev.01) — https://ec.europa.eu/newsroom/article29/items/612053
5. Regulation (EU) 2022/2065 (Digital Services Act), Art. 26 — https://eur-lex.europa.eu/eli/reg/2022/2065/oj
6. Google Cloud — BigQuery ML k-means clustering — https://cloud.google.com/bigquery/docs/kmeans-tutorial
7. scikit-learn — Clustering — https://scikit-learn.org/stable/modules/clustering.html
8. BERTopic documentation — https://maartengr.github.io/BERTopic/
9. Matomo — https://matomo.org/