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.

1. CuBe Matrix Evaluation des Kundenverhaltens am Point of Sale Alexander Gorbach Hamburg, 2009 Cu Be at PoS stomer haviour at PoS

3. Persönliches 1. Zur Person Analytiker Kosmopolit Visionär Cu Be at PoS CuBe Matrix STOMER HAVIOUR AT POS

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

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. 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. 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. 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. 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. 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

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. 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. 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

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

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. 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. 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