CuBe Matrix Evaluation des Kundenverhaltens  am Point of Sale Alexander Gorbach Hamburg, 2009 Cu Be at PoS stomer   haviou...
Inhaltverzeichnis <ul><li>Zur Person </li></ul><ul><li>Das Produkt </li></ul><ul><li>Unser Know how </li></ul><ul><li>Ihr ...
Persönliches 1. Zur Person Analytiker Kosmopolit Visionär Cu Be at PoS CuBe Matrix STOMER   HAVIOUR  AT  POS
<ul><li>analytischer Denker </li></ul><ul><ul><li>Schach-DWZ 2097 (2003): gehört zu 22% der besten Vereinsspieler Deutschl...
<ul><li>Multivariate Statistik </li></ul><ul><ul><li>Mathematisches Gymnasium (1985); Studium der höhen Mathematik, Statis...
<ul><li>Verfahren </li></ul><ul><ul><li>Sequenzanalyse im Marketing  Schrittweise Sequenzierung von N-dimensionalen Events...
<ul><li>Multikulturelles Business Networking </li></ul><ul><ul><li>Geschäftspartner in verschiedenen Ländern </li></ul></u...
2. Produkt Modelling Einflussfaktoren und Muster DB Mining Bon- und Kundenkartendaten Point of View Befragungsdaten Sequen...
<ul><li>1. AUSWAHL DER MÄRKTE </li></ul><ul><li>Repräsentativität durch  </li></ul><ul><li>den Handelspartner </li></ul><u...
3. Das Know how: Überblick <ul><li>1. Datenerhebung und –speicherung </li></ul><ul><li>2. Datencodierung (u. a. Lauf- und ...
3. Das Know how: Überblick 6. (Grafische) Ergebnispräsentation 7. Aufbau von mathematischen Modellen 8. Berücksichtigung v...
Mit Hilfe von sequenzanalytischen Methoden gelingt es bestimmte Muster im Verhalten der Konsumenten aufzudecken. Darüber h...
3. Das Know how Kaufen wird als ein Prozess betrachtet, der sich in einzelne, zeitliche Sequenzen zerlegen lässt. Kaufen a...
3. Das Know how Durch sequenzanalytische Verfahren der Datenanalyse identifizieren wir signifikante Muster, Zusammenhänge ...
4. Nutzen 1. Modellierung und Steuerung von Kaufprozessen  2. Erkennen von Verhaltensmustern der Kunden  3. Konsumententyp...
4. Nutzen 7. Optimierung der Kundenfrequenz über die gesamte Verkaufsfläche 8. Erhöhung der Verweildauer je Kunde im Laden...
5. Implikationen <ul><li>1. Wie bewegen sich die Kunden im Geschäft </li></ul><ul><li>2. Identifikation von „Kunden-Typen“...
5. Implikationen Mit Hilfe der Ergebnisse mathematisch-statistischer Analysen konnten folgende Ziele der Ladenlayoutpoliti...
Grafische Darstellung typischer Kundenströme  5. Implikationen Lauftyp-1:  29,4 Min.; 42,93 € Kunden 5% / Umsatz 18% Lauft...
UG OG EG Laufflächenkontakte und Konversionsraten 5. Implikationen Feststellung von Problem- bereichen im Laden Kundenfreq...
Erst mit Hilfe von mathematischen Modellen und deren Berechnung und Interpretation werden sinnvolle Ergebnisse für die Wir...
5. Implikationen Interpretation von mathematischen Modellen <ul><li>Aus dieser Gleichung folgt:  </li></ul><ul><li>Wenn di...
5. Implikationen <ul><li>Der Umsatz sank im Durchschnitt  um 8,60 Euro, wenn der Kunde angab, dass er „Produkte teilweise ...
5. Implikationen <ul><li>Die Variable „EINTRITTSZEIT“ ist eine Zeitfunktion:  (60*(t-14):100) 2 , in welcher t die Eintrit...
Regressionsgleichung mit standardisierten Koeffizienten: 5. Implikationen UMSATZ = 0,4*GRUND: Bevorz. Marke + 0,4*LAUFLÄNG...
<ul><li>Mathematische Modellierung </li></ul>Optimierungspotenzial  durch Deskriptionen und  Heat Maps 5. Implikationen Ni...
<ul><li>Mathematische Modellierung </li></ul>Optimierungshinweise: …  wenige Käufe?! Intensive Beschäftigung mit den Produ...
<ul><li>Mathematische Modellierung </li></ul>ZEIT 0.5 TEMPO 0.4 WOCHENTAG 0.1 HERANTRETEN 0.1 CLUSTER-1 -0.1 CLUSTER-7 -0....
<ul><li>Empfohlene Maßnahmen für Check von Cluster-1 und Cluster7: </li></ul><ul><li>Clusterbeschreibung durch Aktiv- und ...
5. Implikationen Ausgewählte Implikationen 1. Kundenorientierte Warenplatzierung  2. Verbesserte Sucheffizienz 3. Identifi...
Alexander Gorbach CuBe Matrix Hornungweg 16 22179 Hamburg fon:   040 67 95 87 16 e mail: gorbach@cubematrix.com web: www.c...
Heatmap: Konversionsraten Anlage Die Konversionsrate ( KR ) sagt aus, wie viele der Besucher eine gewünschte Aktion, bspw....
Nächste SlideShare
Wird geladen in …5
×

Alexander Gorbach. CuBe Matrix. Evaluation des Kundenverhaltens am Point of Sale

1.425 Aufrufe

Veröffentlicht am

Während meiner Forschungs- und Beratungstätigkeit der letzten Jahre entwickelte ich ein Auswertungstool, das Verhaltens- und Kundendaten aus unterschiedlichen Quellen zusammenführt und diese aggregierten Daten mittels sequenzanalytischen wie Data Mining Methoden auswerten kann. So ergibt sich ein komplexes Bild jedes einzelnen Konsumenten bzw. homogener Konsumentengruppen, deren Verhalten auf dieser Basis prognostiziert, erklärt und beeinflusst werden kann.

Veröffentlicht in: Technologie, Business
0 Kommentare
0 Gefällt mir
Statistik
Notizen
  • Als Erste(r) kommentieren

  • Gehören Sie zu den Ersten, denen das gefällt!

Keine Downloads
Aufrufe
Aufrufe insgesamt
1.425
Auf SlideShare
0
Aus Einbettungen
0
Anzahl an Einbettungen
11
Aktionen
Geteilt
0
Downloads
16
Kommentare
0
Gefällt mir
0
Einbettungen 0
Keine Einbettungen

Keine Notizen für die Folie

Alexander Gorbach. CuBe Matrix. Evaluation des Kundenverhaltens am Point of Sale

  1. 1. CuBe Matrix Evaluation des Kundenverhaltens am Point of Sale Alexander Gorbach Hamburg, 2009 Cu Be at PoS stomer haviour at PoS
  2. 2. Inhaltverzeichnis <ul><li>Zur Person </li></ul><ul><li>Das Produkt </li></ul><ul><li>Unser Know how </li></ul><ul><li>Ihr Nutzen </li></ul><ul><li>Implikationen </li></ul><ul><li>Kontakt </li></ul>Cu Be at PoS CuBe Matrix STOMER HAVIOUR AT POS
  3. 3. Persönliches 1. Zur Person Analytiker Kosmopolit Visionär Cu Be at PoS CuBe Matrix STOMER HAVIOUR AT POS
  4. 4. <ul><li>analytischer Denker </li></ul><ul><ul><li>Schach-DWZ 2097 (2003): gehört zu 22% der besten Vereinsspieler Deutschlands </li></ul></ul><ul><li>zielstrebig / leistungsstark </li></ul><ul><ul><li>Peak Lenin 7.134 m (2007): In Todeszone, nur ca. 25% Höhenbergsteigern erreichen den Berg </li></ul></ul><ul><li>innovativ </li></ul><ul><ul><li>Gründungswettbewerbssieger des BMWi (2008): ca. 50 Geförderte deutschlandweit p.a. </li></ul></ul>Persönliches Cu Be at PoS CuBe Matrix STOMER HAVIOUR AT POS
  5. 5. <ul><li>Multivariate Statistik </li></ul><ul><ul><li>Mathematisches Gymnasium (1985); Studium der höhen Mathematik, Statistik und Soziologie: Dipl.-Soz. (1995) </li></ul></ul><ul><li>Data Mining </li></ul><ul><ul><li>Datenanalyse und Softwareentwicklung am Max-Planck-Institut (2002-2003) und am IMH (2003-2007) </li></ul></ul><ul><li>Innovatives Verfahren </li></ul><ul><ul><li>Sequenzanalyse in der Marketingforschung: 2 Bücher und mehrere Artikel in 3 Sprachen (2005-2008) </li></ul></ul>Analytiker Cu Be at PoS CuBe Matrix STOMER HAVIOUR AT POS
  6. 6. <ul><li>Verfahren </li></ul><ul><ul><li>Sequenzanalyse im Marketing Schrittweise Sequenzierung von N-dimensionalen Events </li></ul></ul><ul><li>Algorithmen </li></ul><ul><ul><li>Distanzberechnung unter Berücksichtigung verschiedener Optimierungskriterien Suche nach Mustern in mehrdimensionalen Verhaltenssequenzen </li></ul></ul><ul><li>Know how </li></ul><ul><ul><li>Aufbau von mathematischen Modellen unter Berücksichtigung der sequenziellen Daten </li></ul></ul>Visionär Cu Be at PoS CuBe Matrix STOMER HAVIOUR AT POS
  7. 7. <ul><li>Multikulturelles Business Networking </li></ul><ul><ul><li>Geschäftspartner in verschiedenen Ländern </li></ul></ul><ul><li>Geschäftsideen, Unternehmensgründung </li></ul><ul><ul><li>ShopperMetrix Ukraine Ltd., CuBe Matrix </li></ul></ul><ul><li>Projektmanagement </li></ul><ul><ul><li>Internationale Forschungsprojekte </li></ul></ul><ul><li>Franchising </li></ul><ul><ul><li>Franchising Days für die GUS-Staaten </li></ul></ul>Kosmopolit Cu Be at PoS CuBe Matrix STOMER HAVIOUR AT POS
  8. 8. 2. Produkt Modelling Einflussfaktoren und Muster DB Mining Bon- und Kundenkartendaten Point of View Befragungsdaten Sequence Analysis Verhaltens- und Laufdaten Cu Be at PoS CuBe Matrix STOMER HAVIOUR AT POS
  9. 9. <ul><li>1. AUSWAHL DER MÄRKTE </li></ul><ul><li>Repräsentativität durch </li></ul><ul><li>den Handelspartner </li></ul><ul><li>2. PRETEST </li></ul><ul><li>Test des Fragebogens </li></ul><ul><li>Pilotstudie in einem Markt </li></ul>3. MONITORING - Verdeckte Beobachtung durch Interviewer 4. BEFRAGUNG - Exit-Interviews in ausgewählten Märkten <ul><li>5. SHOPPER MINING </li></ul><ul><li>- Analyse der Kaufprozesse </li></ul><ul><li>Bildung von Käuferzielgruppen </li></ul><ul><li>Data (Bank) Mining </li></ul><ul><li>Aufbau von interpretierbaren Modellen </li></ul><ul><li>Präsentation der Ergebnisse </li></ul>Durchführung einer PoS-Studie KW1 KW2 KW3 KW4 KW5 KW6 KW7 KW8 Zeitschiene 2. Produkt Cu Be at PoS CuBe Matrix STOMER HAVIOUR AT POS
  10. 10. 3. Das Know how: Überblick <ul><li>1. Datenerhebung und –speicherung </li></ul><ul><li>2. Datencodierung (u. a. Lauf- und Zuwendungssequenzen) </li></ul><ul><li>3. Abbildung von mehrdimensionalen Sequenzen </li></ul><ul><li>4. Distanzberechnung zwischen Sequenzen unter Berücksichtigung verschiedener Optimierungskriterien </li></ul><ul><li>5. Clustering sequenzieller Daten </li></ul>Cu Be at PoS CuBe Matrix STOMER HAVIOUR AT POS
  11. 11. 3. Das Know how: Überblick 6. (Grafische) Ergebnispräsentation 7. Aufbau von mathematischen Modellen 8. Berücksichtigung von Verweildauer bei unterschiedlichen Produktgruppen im Geschäft in der Sequenzen 9. Berechnung von gewichteten Distanzmaßen 10. Auswahl der Zentroide 11. Grafische Darstellung der Sequenzen Cu Be at PoS CuBe Matrix STOMER HAVIOUR AT POS
  12. 12. Mit Hilfe von sequenzanalytischen Methoden gelingt es bestimmte Muster im Verhalten der Konsumenten aufzudecken. Darüber hinaus können diese sequenziellen Events in mathematische Modelle eingebunden werden, um sie besser interpretieren, vorhersagen und steuern zu können. 3. Das Know how Cu Be at PoS CuBe Matrix STOMER HAVIOUR AT POS
  13. 13. 3. Das Know how Kaufen wird als ein Prozess betrachtet, der sich in einzelne, zeitliche Sequenzen zerlegen lässt. Kaufen als ganzheitlichen Prozess Laufweg Werbekontakt Augenscheinlicher Kontakt mit Artikel Artikel gekauft Kontakt zu Personal Cu Be at PoS CuBe Matrix STOMER HAVIOUR AT POS
  14. 14. 3. Das Know how Durch sequenzanalytische Verfahren der Datenanalyse identifizieren wir signifikante Muster, Zusammenhänge und Schlüsselstellen im Kaufprozess als Anknüpfungspunkte für ein erfolgreiches Marketing T -Z -T -B -A -K -A -T-T -K -Z -T -B -A -K -T -B -T T -Z - T -B -A -K -A -T-T -K -Z - T -B -A -K -T -B -T Cu Be at PoS CuBe Matrix STOMER HAVIOUR AT POS
  15. 15. 4. Nutzen 1. Modellierung und Steuerung von Kaufprozessen 2. Erkennen von Verhaltensmustern der Kunden 3. Konsumententypologisierung 4. Richtige Produktplatzierungen in Geschäften 5. Optimierung von Kaufprozessen, Sortimenten, Impulskäufen 6. Platzierung von Sonderangeboten Cu Be at PoS CuBe Matrix STOMER HAVIOUR AT POS
  16. 16. 4. Nutzen 7. Optimierung der Kundenfrequenz über die gesamte Verkaufsfläche 8. Erhöhung der Verweildauer je Kunde im Ladengeschäft 9. Berücksichtigung der Wirkungen von Umweltanreizen (Ladenatmosphäre und Verkaufsraumgestaltung) Cu Be at PoS CuBe Matrix STOMER HAVIOUR AT POS
  17. 17. 5. Implikationen <ul><li>1. Wie bewegen sich die Kunden im Geschäft </li></ul><ul><li>2. Identifikation von „Kunden-Typen“ und deren Beschreibung </li></ul><ul><li>3. Modellierung und Interpretation von Kaufprozessen </li></ul><ul><li>4. Berücksichtigung der Wirkungen von Umweltanreizen </li></ul>Zielsetzung einer Studie: Cu Be at PoS CuBe Matrix STOMER HAVIOUR AT POS
  18. 18. 5. Implikationen Mit Hilfe der Ergebnisse mathematisch-statistischer Analysen konnten folgende Ziele der Ladenlayoutpolitik erreicht werden: 1. Die gezielte Optimierung von Impulskäufen 2. Die gezielte Optimierung von Verkäufen mit hohem Deckungsbeitrag 3. Die gezielte Optimierung von der Kundenfrequenz über die gesamte Verkaufsfläche 4. Die Erhöhung der Verweildauer je Kunde im Ladengeschäft Cu Be at PoS CuBe Matrix STOMER HAVIOUR AT POS
  19. 19. Grafische Darstellung typischer Kundenströme 5. Implikationen Lauftyp-1: 29,4 Min.; 42,93 € Kunden 5% / Umsatz 18% Lauftyp-2: 21,7 Min.; 10,34 € Kunden 8% / Umsatz 6% Lauftyp-3: 18,3 Min.; 41,09 € Kunden 8% / Umsatz 25% Lauftyp- 4: 8,8 Min.; 10,46 € Kunden 16% / Umsatz 13% Lauftyp-5 : 12 Min.; 13,36 € Kunden 16% / Umsatz 17% Lauftyp-6 : 2,2 Min.; 1,34 € Kunden 30% / Umsatz 3% Lauftyp-7 : 7,6 Min.; 12,18 € Kunden 18% / Umsatz 17% Cu Be at PoS CuBe Matrix STOMER HAVIOUR AT POS
  20. 20. UG OG EG Laufflächenkontakte und Konversionsraten 5. Implikationen Feststellung von Problem- bereichen im Laden Kundenfrequenz Kauffrequenz Cu Be at PoS CuBe Matrix STOMER HAVIOUR AT POS Niedrig Hoch Kunden- und Kauffrequenz
  21. 21. Erst mit Hilfe von mathematischen Modellen und deren Berechnung und Interpretation werden sinnvolle Ergebnisse für die Wirtschaftspraxis gewonnen. 5. Implikationen Aufbau von mathematischen Modellen <ul><li>Weitere Aufgaben der mathematischen Modellierung: </li></ul><ul><li>Überprüfung von Hypothesen zum Kundenverhalten und Aufdeckung von typischen Mustern </li></ul><ul><li>Werbewirkungsanalysen </li></ul><ul><li>Verkaufsraumgestaltung </li></ul>Cu Be at PoS CuBe Matrix STOMER HAVIOUR AT POS
  22. 22. 5. Implikationen Interpretation von mathematischen Modellen <ul><li>Aus dieser Gleichung folgt: </li></ul><ul><li>Wenn die Kunden als Grund für den Kauf bestimmten Biersorten: „weil das meine bevorzugte Marke ist“ angeben, dann geben sie durchschnittlich 10,30 Euro mehr als andere Kunden aus. </li></ul><ul><li>Wenn der Laufweg im Geschäft um einen Meter steigt, dann steigt der Umsatz um 20 Cent. Je länger der Weg ist , desto mehr geben die Kunden aus. </li></ul>UMSATZ = 10,6 + 10,3*GRUND: Bevorz. Marke + 0,2*LAUFLÄNGE – – 8,6*PRODUKTE GEFUNDEN + 1,6*EINTRITTSZEIT – – 20,2*ZUM ERSTEN MAL BEI „XY“ Cu Be at PoS CuBe Matrix STOMER HAVIOUR AT POS
  23. 23. 5. Implikationen <ul><li>Der Umsatz sank im Durchschnitt um 8,60 Euro, wenn der Kunde angab, dass er „Produkte teilweise fand“, oder sogar um 17,20 Euro, wenn der Kunde angab, dass er „alle Produkte fand“ im Vergleich zu einem Kunden, der mit „nein“ auf die Frage antwortete. Kurz: Wenn der Kunde seine „Wunsch-Produkte“ nicht findet, dann gibt er mehr Geld aus. </li></ul>UMSATZ = 10,6 + 10,3*GRUND: Bevorz. Marke + 0,2*LAUFLÄNGE – – 8,6*PRODUKTE GEFUNDEN + 1,6*EINTRITTSZEIT – – 20,2*ZUM ERSTEN MAL BEI „XY“ Interpretation von mathematischen Modellen Cu Be at PoS CuBe Matrix STOMER HAVIOUR AT POS
  24. 24. 5. Implikationen <ul><li>Die Variable „EINTRITTSZEIT“ ist eine Zeitfunktion: (60*(t-14):100) 2 , in welcher t die Eintrittszeit in Stunden ist . Der Koeffizient 1,6 bedeutet, dass die Ausgaben morgens und abends durchschnittlich höher als mittags sind . </li></ul><ul><li>Wenn der Kunde bei „XY“ zum ersten Mal kauft , gibt er im Durchschnitt um 20,20 Euro weniger aus als die anderen Kunden. </li></ul>UMSATZ = 10,6 + 10,3*GRUND: Bevorz. Marke + 0,2*LAUFLÄNGE – – 8,6*PRODUKTE GEFUNDEN + 1,6*EINTRITTSZEIT – – 20,2*ZUM ERSTEN MAL BEI „XY“ Interpretation von mathematischen Modellen Cu Be at PoS CuBe Matrix STOMER HAVIOUR AT POS
  25. 25. Regressionsgleichung mit standardisierten Koeffizienten: 5. Implikationen UMSATZ = 0,4*GRUND: Bevorz. Marke + 0,4*LAUFLÄNGE – – 0,2*PRODUKTE GEFUNDEN + 0,2*EINTRITZEIT – – 0,2*ZUM ERSTEN MAL BEI „XY“ Aus dieser Gleichung folgt, dass die Faktoren mit den Koeffizienten von 0,4 einen stärkeren Einfluss auf den Umsatz haben als die Faktoren mit den Koeffizienten von 0,2. Determinanten der Vorhersagegenauigkeit: R 2 = 86% , S OY = 0,10. R 2 bedeutet, dass die Faktoren unsere abhängige Variable (Umsatz) zu 86% beschreiben . Interpretation von mathematischen Modellen Cu Be at PoS CuBe Matrix STOMER HAVIOUR AT POS
  26. 26. <ul><li>Mathematische Modellierung </li></ul>Optimierungspotenzial durch Deskriptionen und Heat Maps 5. Implikationen Nicht-Käufer Anfasser, Berührer, Packungsleser Käufer 0,90% 0,90% 12,00% 5,60% 2,80% 1,90% 0,00% 10,20% 8,30% 8,30% 0,90% 1,90% 9,30% 3,70% 2,80% 0,90% 4,60% 0,00% 0,90% 0,00% 0,90% 4,60% 5,60% 13,00% Cu Be at PoS CuBe Matrix STOMER HAVIOUR AT POS 1,78% 3,15% 10,68% 3,30% 1,28% 2,78% 4,63% 10,43% 7,03% 7,50% 0,75% 2,58% 8,48% 3,95% 1,53% 2,43% 2,03% 0,00% 2,05% 0,53% 3,50% 3,83% 5,55% 10,05% 2,90% 6,30% 2,00% 5,40% 3,40% 3,40% 2,40% 4,40% 14,10% 8,30% 3,40% 5,40% 5,40% 8,30% 2,40% 4,90% 0,50% 0,00% 2,00% 1,50% 1,00% 2,40% 3,40% 6,80%
  27. 27. <ul><li>Mathematische Modellierung </li></ul>Optimierungshinweise: … wenige Käufe?! Intensive Beschäftigung mit den Produkten, aber … 5. Implikationen Nicht-Käufer Anfasser, Berührer, Packungsleser Käufer Optimierungspotenzial durch Deskriptionen und Heat Maps Cu Be at PoS CuBe Matrix STOMER HAVIOUR AT POS Niedrig Zuwendungs- und Kauffrequenz Hoch
  28. 28. <ul><li>Mathematische Modellierung </li></ul>ZEIT 0.5 TEMPO 0.4 WOCHENTAG 0.1 HERANTRETEN 0.1 CLUSTER-1 -0.1 CLUSTER-7 -0.1 LAUFLÄNGE 0.1 ALTER -0.08 Optimierungspotenzial durch Modellierung 5. Implikationen Cu Be at PoS CuBe Matrix STOMER HAVIOUR AT POS AHZAHL GEKAUFT. PRODUKTE
  29. 29. <ul><li>Empfohlene Maßnahmen für Check von Cluster-1 und Cluster7: </li></ul><ul><li>Clusterbeschreibung durch Aktiv- und Passivvariablen </li></ul><ul><li>Sequenz analyse für Lauf- & Zuwendungsverhalten </li></ul><ul><li>Prüfung von Zentroiden und weiteren Merkmalen </li></ul><ul><li>Vergleich mit anderen Cluster </li></ul><ul><li>Mathematische Modellierung </li></ul>CLUSTER-1 CLUSTER-7 Warum kaufen Kunden in den Gruppen 1 und 7 weniger, als in den anderen Kundengruppen? Optimierungspotenzial durch Modellierung 5. Implikationen Cu Be at PoS CuBe Matrix STOMER HAVIOUR AT POS
  30. 30. 5. Implikationen Ausgewählte Implikationen 1. Kundenorientierte Warenplatzierung 2. Verbesserte Sucheffizienz 3. Identifizierung der signifikanten Handelsflächen 4. Wirkungskontrolle von Werbung und Promotion 5. Optimierung von Promotionsplänen 6. Korrektur und Umsetzung von CM-Strategien
  31. 31. Alexander Gorbach CuBe Matrix Hornungweg 16 22179 Hamburg fon: 040 67 95 87 16 e mail: gorbach@cubematrix.com web: www.cubematrix.com Kontakt Für Rückfragen stehe ich Ihnen gern zur Verfügung Cu Be at PoS CuBe Matrix STOMER HAVIOUR AT POS
  32. 32. Heatmap: Konversionsraten Anlage Die Konversionsrate ( KR ) sagt aus, wie viele der Besucher eine gewünschte Aktion, bspw. „kaufen“( Z 1 ), „nehmen und zurücklegen“ ( Z 2 ) oder „anschauen“ ( Z 3 ), ausführen. Cu Be at PoS CuBe Matrix STOMER HAVIOUR AT POS Hoch Niedrig Konversionsraten KR 1 = Z 1 Anz. Besucher KR 3 = Z 3 Anz. Besucher KR 2 = Z 2 Anz. Besucher

×