Clustering ist eine unüberwachte Machine-Learning-Methode, die Datenpunkte ohne vorgegebene Beschriftungen in natürliche Gruppen (Cluster) einteilt – so dass Datenpunkte innerhalb eines Clusters einander ähnlicher sind als Datenpunkte in verschiedenen Clustern. Im Gegensatz zur Klassifikation (die Datenpunkte vordefinierten Kategorien zuordnet) entdeckt Clustering selbst, welche Gruppen in den Daten existieren – ohne dass diese vorher bekannt sein müssen.
Clustering ist eines der wichtigsten Explorations-Werkzeuge in der Datenanalyse: Es beantwortet die Frage „Welche natürlichen Strukturen existieren in meinen Daten?“ – und liefert damit die Grundlage für gezieltere, differenziertere Automatisierungsstrategien: Wenn Kunden in natürliche Segmente zerfallen, können Automatisierungsprozesse für jedes Segment gezielt konfiguriert werden.
Wichtige Clustering-Algorithmen
K-Means
Teilt Daten in k vorab definierte Cluster. Schnell und einfach. Setzt gleich große, kugelförmige Cluster voraus. Gut für Kundensegmentierung.
DBSCAN
Findet Cluster beliebiger Form, erkennt Ausreißer automatisch. Braucht keine Clusteranzahl vorab. Gut für Anomalieerkennung.
Hierarchisches Clustering
Baut Cluster-Hierarchie auf (Dendrogramm). Flexible Clusteranzahl wählbar. Gut für explorative Analysen kleiner Datensätze.
Gaussian Mixture Models
Jeder Datenpunkt gehört mit einer Wahrscheinlichkeit zu mehreren Clustern. Flexibler als K-Means, höherer Rechenaufwand.
Clustering-Anwendungen in der Unternehmensautomation
- Kundensegmentierung: Kunden werden nach Kaufverhalten, Wert und Präferenzen in natürliche Gruppen eingeteilt – jedes Segment erhält eine angepasste Automatisierungsstrategie (Kommunikation, Angebote, Service-Level)
- Lieferanten-Clustering: Lieferanten nach Performance, Risiko und strategischer Bedeutung gruppieren – Einkaufsprozesse segmentspezifisch automatisieren
- Transaktions-Clustering: Ähnliche Transaktionen gruppieren – Ausreißer, die keinem Cluster angehören, sind potenzielle Anomalien oder Betrugsfälle
- Dokumenten-Clustering: Unstrukturierte Dokumente nach Themen oder Typen gruppieren – Voraussetzung für automatisierte Klassifikation und Routing
Praxisbeispiel
Ein B2B-Softwareanbieter nutzt K-Means-Clustering auf seiner Kundenbasis (2.400 Kunden, 12 Features: Nutzungsfrequenz, Funktionsbreite, Support-Tickets, Vertragslaufzeit, NPS, Unternehmensgröße etc.). Ergebnis: 5 natürliche Cluster. Cluster A (18 %): Power Users – hohe Nutzung, breite Funktionsnutzung, wenig Support. Cluster B (31 %): Standardnutzer. Cluster C (24 %): Risikokunden – sinkende Nutzung, hohe Ticket-Rate. Cluster D (16 %): Schlafende Accounts. Cluster E (11 %): Expansionspotenzial. Direkte Automatisierungskonsequenz: Für Cluster C wird automatisch ein Churn-Präventions-Workflow ausgelöst. Für Cluster E ein Upselling-Workflow. Cluster A erhält Beta-Einladungen automatisch. Ohne Clustering wären alle Kunden gleich behandelt worden.
