Sie wissen wahrscheinlich eine ganze Menge über Ihren Muster-Zielkunden. Sie wissen zum Beispiel, dass er männlich ist, dass er zur Generation der Babyboomer gehört, dass er ein Familienmensch ist, dass er eine Privatschule besucht hat, dass er Eigentum besitzt und dass er vergleichsweise wohlhabend ist. Und es liegt trügerisch nahe, den Schluss zu ziehen: Menschen, die diese Eigenschaften teilen, haben auch ähnliche Bedürfnisse.
Aber ist das wirklich so? Sind persönliche Merkmale wie Alter, Geschlecht, Einkommen oder Bildungsniveau wirklich jene Faktoren, die Kundenbedürfnisse bestimmen? Sind sie tatsächlich geeignet, um Unterschiede bzw. Ähnlichkeiten in der Bedürfnisstruktur eines Marktes erklären zu können?
Die obige Beschreibung einer Persona trifft sowohl auf Prinz Charles als auch auf Ozzy Osborne zu. Es ist schwer vorstellbar, dass ihre Erwartungen und Bedürfnisse hinsichtlich irgendeines Produktes oder einer Dienstleistung allzu ähnlich sind (mit der einzigen Ausnahme ihres Musikgeschmacks natürlich 😉).
Das Beispiel illustriert den grundlegenden Denkfehler des “a-priori“ oder präskriptiven Zugangs zur Marktsegmentierung. Die meisten der traditionellen Segmentierungsansätze wie Segmentierung nach psychographischen oder demografischen Merkmalen, Segmentierung nach Verhalten, Segmentierung nach Regionen etc., verfolgen diesen Zugang.
Bei einer a-priori-Segmentierung bestimmen Marktforscher die einzelnen Marktsegmente, indem sie ihre Kunden fragen: “Welche dieser [demografischen, psychografischen, einstellungsbezogenen, …] Merkmale beschreiben Sie am besten?“ Sobald die Daten vorliegen, unterteilen sie den Gesamtmarkt in einzelne Segmente. Das Ziel ist, Segmente zu identifizieren, die in sich so ähnlich (homogen) wie möglich sind, und sich gleichzeitig von den anderen Segmenten so weit wie möglich unterscheiden (heterogen). Sind die Segmente festgelegt, entwickelt das Unternehmen Produktangebote, die auf jedes dieser Segmente zugeschnitten sind.
Dieser Ansatz ist einfach, da die Daten leicht verfügbar und somit leicht zu identifizieren, zu sammeln, zu verfolgen und zu analysieren sind – aber das ist auch schon der einzige Vorteil. Denn die a-priori-Segmentierung birgt eine große Gefahr: sie verleitet dazu, “Scheinsegmente“ zu bilden. Scheinsegmente sind künstlich erzeugte Klassifizierungen von Kundengruppen, die in dieser Form gar nicht am Markt existieren. Anthony W. Ulwick beschreibt dieses Phänomen in seinem White Paper “Outcome-Based Segmentation“, und sieht darin einen der Hauptgründe, warum Innovation oft als etwas wahrgenommen wird, das schwer zu steuern und dem Zufall überlassen ist.
Die Segmentierung anhand von Bedürfnissen (in der ODI-Sprache “outcome-based“ oder ergebnisorientierte Segmentierung) geht den umgekehrten Weg: In einem ersten Schritt werden die Kundenbedürfnisse durch Tiefeninterviews mit Kunden anhand eines konzeptionellen Rahmens, der “Job Map“, ermittelt. In einem typischen Outcome-Driven Innovation® (ODI)-Projekt werden etwa 150 Kundenbedürfnisse oder “Outcomes“ aufgedeckt. Diese Outcomes werden anschließend von einer repräsentativen Stichprobe von Kunden hinsichtlich Wichtigkeit und Zufriedenheit bewertet. Die gewonnenen Daten bilden die Grundlage für das ODI-Datenmodell – eine umfassende Datenbank, die die Basis für nachfolgende strategische Innovationsentscheidungen bildet.
Mit Hilfe komplexer statistischer Verfahren wie der Faktorenanalyse und der Clusteranalyse werden aus den Wichtigkeits- und Zufriedenheitsinformationen des ODI-Datenmodells Segmente extrahiert, die in natürlicher Weise in den Markt eingebettet sind. Diese sogenannten “bedürfnisorientierten Segmente“ sind in sich homogen und zueinander heterogen in Bezug auf das einzige Kriterium, das für die Innovation von Bedeutung ist: das individuelle Muster der Kundenbedürfnisse.
Lassen Sie uns den Ansatz anhand eines Beispiels veranschaulichen:
Was sind zusammengefasst die Vorteile der outcome-based Marktsegmentierung?
1) Die Segmentierung anhand von Kundenbedürfnissen ist ein valider Segmentierungsansatz. Anstatt Scheinsegmente zu kreieren, die nicht am Markt nicht existieren, zeichnet die bedürfnisorientierte Segmentierung ein realistischeres Bild davon, wie Kundenbedürfnisse Ihren Markt strukturieren.
2) Die bedürfnisorientierte Segmentierung liefert automatisch strategische Optionen: Sie verdeutlicht, wie in einem Markt Wert geschaffen werden kann, indem sie aufgezeigt, wo untererfüllte, wo ausreichend bediente und wo “übererfüllte“ Bedürfnisse sind.
3) Durch umfangreiche quantitative Daten wird eine evidenzbasierte Entscheidungsfindung möglich. Dadurch vermeiden Sie das Rätselraten, das viele andere Ansätze am Front End der Innovation kennzeichnet.
4) Selbst in scheinbar gesättigten Märkten ermöglicht es die bedürfnisorientierte Segmentierung, Kundengruppen zu identifizieren, die in bestimmten Bereichen Probleme haben oder deren Bedürfnisse übererfüllt sind – beides bezeichnet Innovationspotenzial für Ihr Unternehmen.
5) Da im Datenmodell auch demografische, psychologische, verhaltensbezogene, kontextuelle und andere Komplexitätsfaktoren erfasst werden, wissen Sie, wer Ihre Kunden in den definierten Segmenten sind. Diese Informationen sind wichtig, um beispielsweise die richtigen Kanäle für die Kundenansprache zu ermitteln.
Kurz zusammengefasst: die Bildung von Marktsegmenten rund um spezifische Kundenbedürfnisse herum ist die beste Basis dafür, Produkte und Dienstleistungen zu entwickeln, die “den Nerv treffen“. Einmal implementiert, unterstützt das ODI-Datenmodell Sie dabei, effektivere Strategien zu definieren – und das nicht nur heute, sondern für viele Jahre.
Dieser Blog-Artikel wurde inspiriert von der Practitioner Talk Session auf dem 2nd JTBD SUMMIT EUROPE mit Dietfried Globocnik, einem der Experten unseres Edizon Teams. Wenn Sie mehr zu dem Thema erfahren möchten, schauen Sie sich das 5-Minuten-Video hier dazu an.
Ja, ich möchte mehr wissen...
Kontaktieren Sie unsMedical Device companies face the challenges of profitability and growth in today’s healthcare markets. Health insurance companies are …
For many years, producers of machinery like wheel loaders or excavators used in the building and construction industry …
Die Digitalisierung ist längst kein Zukunftstrend mehr, sondern ein Mainstream-Thema, das branchenübergreifend auf allen Managementebenen die Diskussion beherrscht. …