Segmentiertes Targeting

Segmentiertes Targeting ist ein systematischer Ansatz zur Auswahl von wem, was, wann und über welchen Kanal angezeigt werden soll, basierend auf Verhaltens-, Wert- und Risikodaten. Ziel: Maximierung des inkrementellen Effekts (Umsatz/Retention) durch Minimierung von Schaden und Kosten.

1) Ziele und Segmentierungsstufen

Ziele: Aktivierung, Monetarisierung, Retention, Re-Aktivierung, Cross-Sell, RG/Compliance-Interventionen.

Ebenen:

Demografie/Geo/Gerät (Basis).
Verhalten/RFM (recency, frequency, monetary).
Wert (LTV/Marge).
Neigungen (propensity zum Ereignis: Anzahlung, Kauf, Churn).
Uplift/Sensitivität (Steigerungswahrscheinlichkeit durch Kontakt).
Granularität: Marke × Land × Plattform × Kanal × Inhaltskategorie - richten Sie sich nach Traffic und Budget.

2) Daten und Merkmale

Veranstaltungen: Besuche, Klicks, Anmeldungen, Spiele/Wetten, Einzahlungen/Käufe, Kampagnenreaktionen.
Kontext: Kalender (Feiertage/Spiele/Gehälter), Anziehungskanal, App-Version, Preise/Limits.
Identitäten: Benutzer/Gerät/IDFA/Telefon/E-Mail; Brücken der Identität.
Fichy: RFM-Fenster (7/30/90), Inhaltsvielfalt, Wochenstunde/-tag, ARPPU/Frequenz, Pushback/E-Mail.
Qualität: Idempotenz der Ereignisse, Dedoop/Antibot, TZ = UTC Speicher + lokale Darstellungen.

3) Segmentierungsmethoden

3. 1 Regeln (regelbasiert)

Vorteile: Erklärbarkeit, Schnelligkeit, Fail-Safe.
Nachteile: Zerbrechlichkeit, lokale Optima.
Beispiel: „Anfänger, kein zweiter Besuch 48h, mobile iOS“.

3. 2 Kohortenverhalten (RFM/Muster)

Die Klassen „Frische × Häufigkeit × Einkommen“.
Fügen Sie Verhaltenscluster hinzu: Lieblingskategorien/Zeitfenster.

3. 3 Clustering/Embedding

k-means/DBSCAN/Gauss-Mixe nach normalisierten Verhaltensmetriken.
Content/User-Embeddings (Matrix-Factorization) → Cluster von „Interessen“.

3. 4 Neigungen (propensity/score-based)

Wahrscheinlichkeitsmodelle des Ereignisses: Anzahlung, wiederholter Besuch, Upsale; Schwellenwerte - von den Kosten der Fehler.

3. 5 Uplift/Empfindlichkeit

Modelle des Kontaktwachstums (T-Learner, Uplift Trees/GBM).
Зоны: Persuadables / Sure things / Do-not-disturb / Lost causes.
Uplift-Targeting bietet bei gleichen Budgets das größte Inkrement.

4) Gestaltung der Targeting-Politik

Entscheidungstabelle (Skizze)

Segment/Bedingung	Der Kontext	Die Handlung	Der Kanal	Kuldaun	Guardrails
RFM: R7=0, F1, M0; `uplift_dep ≥ 0. 06`	Die Neulinge	Willkommen-Angebot S	push+in-app	3д	ROMI≥0
`churn_risk ≥ 0. 8` & `value_q ≥ 0. 8`	VIP	Offer L/Anruf	CRM+call	7д	zhaloby≤Kh
`RG_risk ≥ τ`	Jeder	Pause + RG-Tipp	in-app	1д	FPR≤1%

Hysterese: Die Eingangs-/Ausgangsschwellen unterscheiden sich, um nicht zu „blinken“.
Kontingente/rate-limit: pro Benutzer/Kanal/Segment; Konfliktpolitik - Priorität „Sicherheit → Wirtschaft → UX“.

5) Experimente und kausale Bewertung

A/B/Mehrwegtests: für Segmente/Richtlinien/Kreative; Planen Sie MDE, Dauer, Schichtung.
Quasi-Experimente: DiD/Synthetische Kontrolle bei regionalen Ausfällen.
Schätzung: inkrementeller Umsatz/Retention, uplift @ k, Qini/AUUC, ROMI, guardrails (Reklamationen, RG).
Budget-Pacing: Aufteilung des Budgets nach Segmenten nach erwarteter Margenrendite.

6) Kanäle und Orchestrierung

Kanäle: In-App, Push, E-Mail, SMS, Anrufe, Onsite-Module, personalisierte Schaufenster.
Orchestrator: garantierte Lieferung, Retrays/Backoff, Idempotenz' action _ id', DLQ, Prioritäten, Fenster „stille Stunden“.
Inhalte/Creatives: Template-Bibliothek, A/B für Creatives, Frequenzkappen.

7) Metriken und Überwachung

Prozesse: Segmentabdeckung, Latenz (Decision→Action), Lieferbarkeit, Kontakthäufigkeit.
Wirkung: Umsatz/Retention-Inkrement, ROMI, uplift @ k, Qini/AUUC, NNT (wie viele Kontakte pro 1 Ergebnis).
Risiken: Beschwerden/Abmeldungen/Spam-Flags, RG-Indikatoren, Fairness (Differenz von Effekten/Fehlern nach Gruppen).
Drift: PSI/KL nach wichtigen Segmentierungsfehlern, Anteil „neuer“ Nutzer außerhalb bekannter Cluster.

8) Verknüpfung mit Wert und Risiken

LTV-Gewichtung: Priorisieren Sie Segmente nach dem erwarteten Wert und nicht nach der „nackten“ Conversion.

EV-Regel:

[
EV = p_{\text{uspekh	Aktion }\cdot\text {Wert} -\text {Kosten} - p_{\text{vred}}\cdot\text{Harm}
]

Kontaktieren Sie, wenn EV ≥ 0 und guardrails normal ist.
Verantwortung: RG/Compliance hat Vorrang; Die Erklärung der Entscheidung ist obligatorisch.

9) Segment- und Kampagnenpässe (Vorlagen)

Segmentpass

Code: „SEG _ RFM _ R0-7 _ F1-2 _ M0 _ Q3“

Definition und Fiche-Rezept (Fenster 7/30/90, Anti-Bot-/Betrugsfilter)

Größe/Aktualisierung/Frische; Schnittmenge mit anderen Segmenten

Risiken und Ausnahmen (RG/Compliance), Eigentümer, Version

Kampagnenpass

Ziel und KPIs (inkrementeller Umsatz/Retention, ROMI)

Segment/Kanäle/Creatives/Frequenzkappen

Bewertungsdesign (A/B oder Quasi-Experiment), Dauer, MDE

Guardrails: zhaloby≤Kh, RG- flagi≤U, latency≤Z

Rollback-Plan und Runybook der Vorfälle

10) Pseudo-SQL/Rezepte

RFM-Segmentierung (Sketch)

sql
WITH acts AS (
SELECT user_id,
MAX(ts)                  AS last_act,
COUNT() FILTER (WHERE ts > NOW()-INTERVAL '30 day') AS freq_30d,
SUM(amount) FILTER (WHERE ts > NOW()-INTERVAL '90 day') AS money_90d
FROM user_activity LEFT JOIN payments USING(user_id)
GROUP BY 1
),
rfm AS (
SELECT user_id,
DATE_PART('day', NOW() - last_act) AS recency_days,
freq_30d,
money_90d
FROM acts
)
SELECT,
CASE WHEN recency_days<=7 THEN 'R0-7'
WHEN recency_days<=30 THEN 'R8-30' ELSE 'R31+' END AS R_bucket,
CASE WHEN freq_30d>=10 THEN 'F10+'
WHEN freq_30d>=3 THEN 'F3-9' ELSE 'F0-2' END    AS F_bucket,
CASE WHEN money_90d>=200 THEN 'M200+'
WHEN money_90d>=50 THEN 'M50-199' ELSE 'M0-49' END AS M_bucket
FROM rfm;

Neigung zum Pfand (Zug slice, keine Lecks)

sql
-- label: deposit in next 7 days
WITH snap AS (SELECT DATE_TRUNC('day',:cut) AS cut),
feat AS (... your RFM/behavioral features with condition ts <= cut...),
label AS (
SELECT u. user_id,
CASE WHEN EXISTS (
SELECT 1 FROM payments p
WHERE p. user_id=u. user_id
AND p. ts > cut AND p. ts <= cut + INTERVAL '7 day'
) THEN 1 ELSE 0 END AS dep_next_7d
FROM users u CROSS JOIN snap
)
SELECT FROM feat JOIN label USING(user_id);

11) Fairness, Privatsphäre und Ethik

PII-Minimierung: Tokenisierung von IDs, RLS/CLS, Maskierung.
Fairness: Überprüfen Sie die Effekt-/Fehlerunterschiede nach empfindlichen Gruppen; Unzulässige Zeichen ausschließen.
Transparenz: Targeting Gründe (Top-Features/Regeln) - verfügbar für Sapport; Weg der Berufung.
Frequenzkappen und „stille Uhren“ - gegen Ermüdung und Schaden für den Nutzer.

12) Anti-Muster

Segmente „für die Schönheit“ ohne messbares Inkrement.
Bewertung nach Korrelation, nicht nach Inkrement (kein A/B/DiD).
Viele überlappende Segmente → widersprüchliche Aktionen und Spam.
Schwellwertlösungen ohne Hysterese → „blinkende“ Kontakte.
Fehlende Guardrails (RG/Reklamationen/Häufigkeit) und Erklärbarkeit.
Ohne Online-Orchestrator - Kontakte kommen zu spät, die Wirkung geht verloren.

13) Checkliste zum Start des segmentierten Targetings

Ziele, KPIs und Budget sind definiert; Granularitätsniveau vereinbart
PIT-Datenschemata und Fice-Rezepte; Anti-Bots/Betrugsfilter aktiviert
Segmente werden durch Pässe beschrieben; Konflikt-Matrix und Prioritäten gesetzt
Gewählte Methode (Regeln/Clustering/Propensity/Uplift) und Design der Bewertung
Entscheidungstabellen, Hysterese, Caps und Rate-Limit konfiguriert
Orchestrator und Kanäle mit Idempotenz und DLQ; „ruhige Stunden“
Monitoring: Wirkung (Uplift/ROMI), Risiken (Reklamationen/RG), Drift-Fich
Dokumentation: Segmentversionen/Richtlinien, Besitzer, Runbooks

Summe

Segmentiertes Targeting ist keine Sammlung von „Shortcuts“ im CRM, sondern ein verwaltetes System: qualitative Daten und Merkmale → sinnvolle Segmente (Wert/Verhalten/Sensitivität) → Richtlinien mit Hysterese und Guardrails → kausale Inkrementbewertung → stabiler Orchestrator und Überwachung. Ein solches System erhöht ROMI und LTV, reduziert Beschwerden und Risiken - und macht jede Berührung angemessen, zeitgerecht und ethisch.

Segmentiertes Targeting