Datengetriebenes Marketing

Wie wir die Regelmäßigkeit von Bestellungen für das OCEAN-Scoring (Gewissenhaftigkeit) in einer EAS-Architektur erfassen können

Verfasst von

admin

in

Im Kontext datengetriebenen Marketings auf Basis des OCEAN-Modells stellt sich die Frage, wie bestimmte Verhaltensdaten aus einer Enterprise Application Software (EAS) operationalisiert werden können, um Persönlichkeitsmerkmale zuverlässig zu schätzen. Ein praxisnahes Beispiel hierfür ist die Regelmäßigkeit der Bestellungen – etwa in Form wiederkehrender Turnusse im Kundenverhalten.

Wie wir die Regelmäßigkeit von Bestellungen für das OCEAN-Scoring (Gewissenhaftigkeit) in einer EAS-Architektur erfassen können

Im Fünf-Faktoren-Modell der Persönlichkeit (OCEAN) steht Gewissenhaftigkeit für Merkmale wie Zuverlässigkeit, Planungsorientierung und strukturierte Verhaltensweisen. Menschen mit hoher Ausprägung in dieser Dimension zeigen typischerweise ein konsistentes, vorhersehbares und zielgerichtetes Handeln.

Wird in einem EAS-System – z. B. in einer Warenwirtschaft oder einem CRM – beobachtet, dass ein Kunde regelmäßig in festen Abständen bestellt, lässt sich daraus mit gewisser Wahrscheinlichkeit auf eine höhere Gewissenhaftigkeit schließen.

Technisches Szenario: Datenerfassung und Verarbeitung in der EAS-Architektur

1. Datenerfassungsebene (Quellsysteme)

  • Systeme: Warenwirtschaftssysteme wie beispielsweise Haufe X360
  • Felder: Auftragsdatum, Kundennummer, Artikelgruppe

Beispiel-Datenstruktur:

{ "kundennummer": "12345", "bestellungen": [ {"datum": "2025-01-15"}, {"datum": "2025-02-15"}, {"datum": "2025-03-15"} ] }

2. Feature Engineering (Data Layer)

  • Zielgröße: Intervallregelmäßigkeit
  • Metrik: Standardabweichung der Bestellintervalle (in Tagen)
  • Regel: Je kleiner die Standardabweichung, desto regelmäßiger ist das Verhalten.

Beispiel: 

import numpy as np 
daten = ["2025-01-15", "2025-02-15", "2025-03-15"] tage = np.diff([np.datetime64(d) for d in daten])
regelmässigkeit = np.std(tage).astype(float) # z. B. 0.0 Tage

3. Scoring-Logik (Business Layer)

  • Skalierung auf OCEAN-Gewissenhaftigkeitsskala (1–10):
    • Standardabweichung ≤ 2 Tage → Score = 9–10
    • 3–5 Tage → Score = 7–8
    • 6–10 Tage → Score = 5–6
    • 10 Tage oder unregelmäßig → Score = 1–4

4. Speicherung im Persönlichkeitsprofil (User Model Layer)

Der berechnete Score wird im Kundenprofil persistiert, z. B. als:

{ "kundennummer": "12345", "gewissenhaftigkeit": { "quelle": "regelmässigkeit_bestellungen", "score": 9 } }

Nutzen im datengetriebenen Marketing

Durch die Integration dieser Metrik in ein OCEAN-basiertes Kundenmodell wird es möglich, Inhalte, Angebotsformate und Kommunikationskanäle entsprechend anzupassen:

  • Hoch gewissenhafte Personen (8–10): profitieren von strukturierten Angeboten, Langzeit-Abos oder „Planbarkeit“-Versprechen.
  • Niedrig gewissenhafte Personen (1–3): reagieren besser auf Impulsangebote, flexible Konditionen oder stark vereinfachte Entscheidungsprozesse.

Fazit

Die Regelmäßigkeit der Bestellungen stellt in einer EAS-Architektur ein robustes, verhaltensbasiertes Merkmal dar, das mit relativ geringem technischem Aufwand extrahiert und auf die OCEAN-Dimension Gewissenhaftigkeit abgebildet werden kann. Damit wird ein direkter Brückenschlag von operativen Transaktionsdaten zur psychografischen Segmentierung möglich – ein zentraler Baustein datengetriebener Personalisierungsstrategien.

Weitere Beiträge