Beziehungs- und Affinitätsanalyse verwandelt einen Kundenstamm in ein Netzwerk, das Sie analysieren und nutzen können.
Eine Unterkomponente der Abstraktionsschicht basiert auf einer einfachen Prämisse: Ein Kunde ist kein Atom, sondern ein Knoten in einem Beziehungsnetzwerk – und der Wert liegt in den Verbindungen. Auf der Mitgliederseite berechnet sie einen realen Beziehungsgraphen, dessen Knoten eindeutig identifizierte Mitglieder und dessen Verbindungen mehrstufige, verwaltete Verbindungen darstellen: konvertierte Empfehlungen, Beziehungen zwischen Markenbotschaftern und Kunden sowie potenzielle Haushalte. Sie liest die Struktur dieses Graphen – Communities, Hubs und isolierte Mitglieder –, sodass passende Strategien anhand ihrer strukturellen Rolle ausgewählt werden können. Auf der Produktseite leitet sie Affinitäten aus realen Warenkörben ab: Welche Produkte werden zusammen gekauft und zu welchen Kategorien tendiert ein Mitglied? Reichweite, Haushalte, Empfehlungen und Empfehlungsstrategien basieren dann auf diesen realen Verbindungen und nicht auf Vermutungen.
Wir behandeln Kunden als Knotenpunkte in einem Netzwerk, nicht als isolierte Einheiten – ein mehrstufiges Netzwerk aus echten Empfehlungen, Markenbotschaftern und potenziellen Haushalten sowie gemeinsamen Produktkäufen und Kategorieaffinität.
Kunden sind Knotenpunkte, keine Atome – und der Wert liegt in den Verbindungen.
Im Einzelhandel wird jeder Kunde meist als isoliertes Individuum betrachtet, wodurch das Wertvollste an einer Kundenbasis außer Acht gelassen wird: die Verbindungen zwischen den Menschen darin. Diese Schicht macht diese Verbindungen real – einen berechneten, gesteuerten Graphen aufgelöster Mitglieder und ihrer Beziehungen –, sodass die Kundenbindung das Netzwerk abbilden, seine Struktur lesen und rollenbasiert arbeiten kann.
- Hub (hoher Empfehlungsgrad)
- Mitglied
- Isoliert (Abwanderungsrisiko)
- Empfehlung umgewandelt
- Wahrscheinlicher Haushalt
- Co-Kaufaffinität
Der Knotenpunkt ist der Kunde; Die Beziehung ist der Kern der Verbindung.
Jeder Knotenpunkt repräsentiert ein identitätsgesichertes Mitglied des Loyalitätsnetzwerks – eine reale, einwilligende Person, kein Gerät oder Duplikat. Der Wert des Netzwerks liegt in den Verbindungen zwischen den Knotenpunkten, und jede Verbindung beschreibt eine spezifische, geregelte Beziehung und keine vage Ähnlichkeit.
- Konvertierte Empfehlung – der Backbone-Rand, der nur dann gezogen wird, wenn sich eine Empfehlung tatsächlich angemeldet hat. Es ist der einzige Link, der den Einfluss des Hubs steigert, so dass es eine saubere Aufzeichnung echter Mundpropaganda bleibt.
- Ambassador-to-Customer – jeder von einem Ambassador geworbene Kunde wird zu einer dauerhaften Verbindung und verwandelt eine Fangemeinde in ein durchsuchbares Netzwerk.
- Wahrscheinlicher Haushalt – Mitglieder, die vermutlich dieselbe Adresse haben, werden anhand eines datenschutzkonformen Fingerabdrucks identifiziert, der niemals die Rohdaten speichert, sondern diese nur für plausible kleine Gruppen verwendet.
- Produktaffinität – Kaufpaare (kaufte X, kaufte auch Y) und die Kategoriepräferenz pro Mitglied, abgeleitet aus realen Warenkörben, verbinden das Personennetzwerk mit den tatsächlichen Käufen. Die statistische Ähnlichkeit selbst – Produkt/Produkt- und Mitglied/Mitglied-Lookalikes – wird detailliert auf der zugehörigen Affinitäts- und Ähnlichkeitsebene modelliert.
Was die Edge-Funktionen berechnen können
Sobald Beziehungen real und konkret sind, entsteht daraus Struktur – und Struktur ist das, worauf Sie reagieren können. Ein Haufen isolierter Atome bietet all das nicht.
- Gemeinschaften – Gruppen von miteinander verbundenen Mitgliedern (Haushalte, Freundeskreise, lokale Gruppen), die mit einer einzigen Nachricht erreicht werden können, anstatt für die Kontaktaufnahme mit jedem einzelnen Mitglied bezahlen zu müssen.
- Hubs – Mitglieder mit hohem Empfehlungsgrad: natürliche Influencer, die sich ihre Position durch die Vermittlung von Mitgliedern, die zu Kunden wurden, und nicht durch die Anzahl ihrer Follower verdient haben.
- Isolierte Mitglieder – Knoten ohne konvertierte Empfehlungskette und ohne soziale Verankerung, die sich als überproportional hohes Abwanderungsrisiko erweisen.
- Nächstbestes Produkt – Empfehlungen basieren auf den tatsächlichen Kaufgewohnheiten und Produktkategorien eines Mitglieds anstatt auf allgemeiner Beliebtheit im gesamten Geschäft.
Warum dies für KI-Entscheidungen wichtig ist
Ein Agent, der über Atome argumentiert, kann immer nur die Ähnlichkeit zu einem durchschnittlichen Kunden berechnen, der nicht existiert. Anhand der Grafik kann das System die passende Rolle eines Mitglieds für dessen tatsächliche Struktur auswählen und deren Zweck erklären.
- Eine Empfehlung, eine Empfehlungsanfrage oder eine Rückgewinnung basiert auf einer Rolle – einem Hub, einem Haushalt, einem Mitkaufmuster – und nicht auf einer spontanen Ad-hoc-Vermutung.
- Isolierte Mitglieder werden vernetzt statt isoliert; Knotenpunkte werden rekrutiert; Gemeinschaften werden gegründet – drei verschiedene Vorgehensweisen, die die atomare Sichtweise nicht unterscheiden kann.
- Jede Verbindung ist mit einem Konfidenzintervall (hoch/mittel/niedrig) gekennzeichnet (deklariert/abgeleitet/importiert). So kann bei Entscheidungen die Sicherheit der zugrunde liegenden Beziehung berücksichtigt werden. Abgeleitete Verbindungen sind nur für den Bediener sichtbar und können mit einem Klick entfernt werden.
Warum Kunden als Netzwerk betrachtet werden sollten – Abbildung des Mitgliedernetzwerks, Analyse der Communities und Hubs sowie Stärkung der Kundenbindung durch gezielte Empfehlungen und Kundenbindung.
So verbessert der Layer KI-Entscheidungen.
Ohne Beziehungs- und Affinitätsmodellierung wird eine Basis wie ein Sack voller Atome bewertet: Empfehlungen und Mundpropaganda sind unsichtbar und werden nicht gesteuert, Hubs und einzelne Mitglieder werden gleich behandelt, und Empfehlungen basieren auf Popularität. Verbindungen zwischen Mitgliedern und Produkten werden ad hoc neu berechnet, sodass Reichweite, Haushalte, Einfluss und Empfehlungen auf Vermutungen statt auf realen Verbindungen beruhen.
Eine Empfehlung wird dem genauen Empfehlungsgeber zugeordnet, und die Fangemeinde eines Hubs ist ein durchsuchbares Netzwerk und nicht eine Schlagzeilennummer, die jeden Bericht zurücksetzt.
Strategien können anhand ihrer strukturellen Rolle ausgewählt werden – Rekrutierungszentren aufbauen, Communities säen, isolierte Mitglieder vernetzen – anstatt einen durchschnittlichen Kunden, der nicht existiert, mit Werbung zu überfluten.
Die Reichweite auf Haushaltsebene lässt sich berechnen, da die Haushaltszugehörigkeit im Modell enthalten ist, aus einem datenschutzfreundlichen Fingerabdruck abgeleitet und mit Konfidenzintervallen versehen wird.
Die Empfehlung des nächstbesten Produkts basiert auf einem tatsächlichen Kaufverhalten, nicht auf allgemeiner Beliebtheit.
Der Wert ist operativ und nicht nur technisch.
Der Agent kann darüber nachdenken, wer mit wem verbunden ist, wo ein Mitglied im Netzwerk sitzt und was womit gekauft wird – eine Empfehlung, eine Empfehlungsanfrage oder eine Rückgewinnung basiert also auf einer echten strukturellen Rolle (einem Hub, einem Haushalt, einem Co-Kaufmuster) und nicht auf einer Ad-hoc-Ähnlichkeit, die vor Ort für eine isolierte Person berechnet wird.
Modelliert die Mitgliederbasis als Diagramm – Knoten sind identitätsaufgelöste Mitglieder, Kanten sind reale, umgewandelte Beziehungen – anstatt jeden Kunden als isoliertes Atom zu bewerten.
Drei verwaltete Linktypen werden in einem Graphen dargestellt: Konvertierte Empfehlung (das Rückgrat), Botschafter-zu-Kunde und wahrscheinlicher Haushalt – jeweils mit Herkunftsnachweis und Konfidenzintervall.
Strukturanalyse statt Einzeldaten: Communities, Hubs mit hohem Grad (wichtige Influencer) und isolierte Mitglieder (ein Indikator für Abwanderungsgefahr) werden jeweils als Zielgruppenrolle definiert.
Leitet die Produktaffinität aus realen Warenkörben ab – aus gemeinsam gekauften Artikeln und aus der Kategorieaffinität pro Mitglied – für das nächstbeste Produkt aus realen Mustern, nicht aus allgemeiner Beliebtheit.
Die Beziehungen bleiben im Modell materialisiert, sodass Reichweite, Haushalts- und Hub-Logik ausgelesen und nicht bei jedem Aufruf ad hoc neu berechnet werden.
Wofür diese Ebene zuständig ist
Liest Bestellungen und konvertierte Empfehlungsdatensätze aus dem Rohgeschäft; Ein Vorteil wird nur dann gezogen, wenn eine Empfehlung tatsächlich konvertiert wird, niemals für eine lediglich gesendete oder abgelaufene Einladung.
Erstellt einen mehrstufigen Mitgliedergraphen – Empfehlungen, Botschafter-zu-Kunde-Verbindungen und Verbindungen zu wahrscheinlichen Haushalten – wobei jede Verbindung als deklariert/abgeleitet/importiert und mit einem Konfidenzintervall (hoch/mittel/niedrig) gekennzeichnet ist.
Die Plattform erkennt Communities mit Label Propagation (unter Beibehaltung der Hub-and-Spoke-Substruktur) und ordnet Hubs nach ihrem tatsächlichen Empfehlungsgrad. Isolierte Knoten werden als potenziell abwanderungsgefährdet eingestuft.
Es wird täglich ein deterministischer Snapshot pro Programm erstellt (bei Bedarf aktualisiert), sodass dieselben Daten immer dieselbe Struktur ergeben.
Berechnet Produkt-Kooperationen und die Kategorie-Affinität pro Mitglied anhand von Einzelbestellungen und stellt diese Daten den Ontologie- und Empfehlungsoberflächen als gesteuerte Modellausgaben zur Verfügung.