KI-Kundensegmentierung: Von statischen Listen zu Verhaltenssegmenten

Von Camellia · Aktualisiert am 10. Oktober 2026

KI-Kundensegmentierung bedeutet, mit maschinellem Lernen Kunden danach zu gruppieren, was sie tun und was sie wahrscheinlich als Nächstes tun, statt sie nach einem festen Merkmal wie Alter, Jobtitel oder Region zu sortieren. Die Gruppen entstehen aus Verhalten (Besuche, Käufe, Produktansichten, E-Mail-Interaktion), werden automatisch aktualisiert, sobald neue Daten eintreffen, und oft nach der Wahrscheinlichkeit einer künftigen Handlung wie Kauf oder Abwanderung bewertet.

Eine demografische Liste sagt Ihnen, wer jemand ist. Ein Verhaltenssegment sagt Ihnen, was jemand gerade tut. Dieser Unterschied zählt, weil sich zwei 35-jährige Marketing-Manager auf Ihrer Liste völlig unterschiedlich verhalten können: Der eine liest in einer Woche drei Preisseiten, der andere hat vor einem Jahr einen einzigen Newsletter geöffnet. Eine statische Liste behandelt beide gleich. Ein Verhaltenssegment tut das nicht.

Dieser Leitfaden richtet sich an Marketing-Manager und Heads of Growth, die die Grundlagen kennen und wissen wollen, was die KI-Schicht zusätzlich leistet. Er behandelt die drei Arten von KI-Segmenten (Verhalten, Prognose und Lookalike), was die Plattformen tatsächlich bieten, wie Sie Schritt für Schritt vorgehen und wo es schiefgeht. Wenn Sie zuerst die Grundlagen brauchen, beginnen Sie mit Kundensegmentierung im E-Commerce. Zur zugrunde liegenden statistischen Methode siehe Business-Clustering.

Statische Listen versus KI-Segmente

Klassische Segmentierung ist eine einmalige Einteilung. Jemand baut eine Regel („Region = EMEA und Unternehmensgröße > 200“), exportiert die Liste und nutzt sie, bis sich jemand ans Aktualisieren erinnert. Sie hat echte Stärken: Sie ist transparent, dem Vertrieb leicht zu erklären und günstig. Sie hat aber auch drei Schwächen.

1. Sie veraltet. Die Zugehörigkeit ändert sich nur, wenn jemand die Regel erneut ausführt.
2. Sie sieht Merkmale, nicht Absicht. Demografie beschreibt ein Profil, keinen Kaufmoment.
3. Sie stößt an Grenzen. Von Hand gebaute Regeln lassen sich ab einer Handvoll Segmente kaum noch pflegen.

KI-Segmentierung verändert die Mechanik. Segmente werden durch Muster in Verhaltensdaten definiert, die Zugehörigkeit wird fortlaufend neu berechnet, und die Zahl nützlicher Segmente wird nicht davon begrenzt, wie viele Regeln ein Team verwalten kann. Das Personalization-Engine-Muster beschreibt das äußerste Ende dieser Skala: ein Profil pro Person, bei jeder Interaktion aktualisiert. Die meisten Marketing-Teams liegen irgendwo dazwischen, und das ist in Ordnung.

Die drei Arten von KI-Segmenten

Die meisten Tools bieten eine Mischung daraus. Wenn Sie wissen, welche Art Sie nutzen, wissen Sie auch, welche Daten sie braucht und wie Sie sie beurteilen.

Verhaltenssegmente

Verhaltenssegmente gruppieren Menschen nach dem, was sie getan haben: angesehene Seiten, in den Warenkorb gelegte Produkte, genutzte Funktionen, geklickte E-Mails, Kaufhäufigkeit. Manche sind Regeln, die Sie selbst schreiben („hat Preisseite zweimal in sieben Tagen angesehen“). Andere entstehen durch Clustering, bei dem ein Algorithmus ähnliche Kunden gruppiert, ohne dass man ihm sagt, wonach er suchen soll. Die Stärke des Clusterings liegt darin, dass es Muster sichtbar macht, die Sie nicht definiert hätten, etwa eine Gruppe, die nur bei Aktionen kauft. Die Schwäche: Der Algorithmus liefert Gruppen, keine Namen und keine Bedeutung. Ein Mensch muss jedes Cluster lesen und entscheiden, wofür es steht. Der Beitrag zum Clustering zeigt, wie diese Gruppen gebildet werden.

Prognosesegmente

Prognosesegmente ordnen Menschen nach der Wahrscheinlichkeit einer künftigen Handlung. Das ist die Variante, die die meisten Plattformen als Produkt anbieten, daher ist die Dokumentation konkret. Google Analytics 4 bietet drei Prognosemetriken. Die Kaufwahrscheinlichkeit ist die Chance, dass ein Nutzer, der in den letzten 28 Tagen aktiv war, innerhalb der nächsten 7 Tage ein bestimmtes Schlüsselereignis auslöst. Die Abwanderungswahrscheinlichkeit betrifft Nutzer, die in den letzten 7 Tagen aktiv waren, und schätzt die Chance, dass sie in den nächsten 7 Tagen nicht aktiv sein werden. Der prognostizierte Umsatz schätzt, was ein Nutzer in den nächsten 28 Tagen ausgeben wird. GA4 baut aus diesen Werten vorgeschlagene Zielgruppen, und die Definitionen der vorgeschlagenen Zielgruppen arbeiten mit Perzentil-Grenzen: Abwanderungswahrscheinlichkeit über dem 80. Perzentil, Kaufwahrscheinlichkeit über dem 90. und prognostizierter Umsatz über dem 95. für die Zielgruppe der Top-Käufer.

Klaviyo macht dasselbe für den E-Commerce. Die Predictive Analytics zeigen zu jedem Profil einen prognostizierten Customer Lifetime Value (erwartete Ausgaben im nächsten Jahr), ein Abwanderungsrisiko, den durchschnittlichen Abstand zwischen Bestellungen und ein erwartetes Datum der nächsten Bestellung. Klaviyo weist darauf hin, dass Prognosen über Kundengruppen hinweg am zuverlässigsten sind, nicht für Einzelpersonen, und das ist eine gute Regel für jedes Prognosesegment. Behandeln Sie einen Score als Mittel, um eine Gruppe zu priorisieren, nicht als Urteil über eine einzelne Person. Wie diese Wert-Scores entstehen, lesen Sie in Customer Lifetime Value mit KI vorhersagen.

Lookalike-Segmente

Ein Lookalike-Segment (auch „ähnliches“ Segment) beginnt mit einer Gruppe, die Sie bereits schätzen, etwa Ihre besten Kunden, und findet neue Menschen, die ihnen ähneln. Die Plattform übernimmt den Abgleich anhand von Signalen, die Sie nie zu sehen bekommen. Googles Customer Match ist das am deutlichsten dokumentierte Beispiel: Sie laden eine Kundenliste hoch, und Anzeigen können diese Kunden und andere, ihnen ähnliche Personen erreichen. Auf YouTube, so die Seite, können Werbetreibende Segmente ansprechen, die ihren wertvollsten Kunden ähneln. Dieselbe Seite nennt außerdem, dass Smart Bidding und optimiertes Targeting Customer-Match-Listen automatisch einbeziehen, sofern Sie sich nicht dagegen entscheiden. Das ist wissenswert, denn Ihre Liste kann die Auslieferung auch dann beeinflussen, wenn Sie das nicht geplant hatten. KI in der bezahlten Werbung zeigt, wie diese automatisierten Zielgruppen mit dem Bieten zusammenspielen und wo Ihre Kontrolle endet.

Die Qualität eines Lookalikes hängt vollständig von der Ausgangsliste ab. Nehmen Sie alle, die sich je angemeldet haben, erhalten Sie eine breite, durchschnittliche Zielgruppe. Nehmen Sie Kunden, die zweimal verlängert haben, erhalten Sie etwas, das Ihrem Wunsch viel näher kommt.

Was die Plattformen voraussetzen

Die dokumentierten Voraussetzungen zeigen, warum KI-Segmentierung bei kleinen oder unsauberen Daten scheitert. Prüfen Sie sie, bevor Sie ein Programm planen.

Quellen: GA4-Prognosemetriken, Klaviyo und Google Ads Customer Match. Die GA4-Seite ergänzt, dass Prognosen täglich erzeugt werden und dass Aktualisierungen stoppen und Prognosen möglicherweise nicht mehr verfügbar sind, wenn die Modellqualität unter den Mindestwert fällt. Eine Prognosezielgruppe kann also unbemerkt verschwinden. Richten Sie dafür eine Kontrolle ein.

Diese Schwellenwerte beantworten ganz praktisch die Frage „Ist mein Unternehmen bereit?“. Ein B2B-Unternehmen mit 300 Kunden kann keine Kaufprognosemodelle nutzen, die auf Tausenden von Ereignissen beruhen. Es kann aber Verhaltensregeln nutzen und ein CRM-basiertes Lookalike, sollte jedoch nicht so tun, als würde ein Modell Muster finden, die in den Daten nicht stecken.

Beispiele nach Marketingfunktion

Segmente sind nur dann wichtig, wenn jemand danach handelt. So sieht das in verschiedenen Teams aus.

E-Mail- und Lifecycle-Marketing. Behalten Sie regelbasierte Lifecycle-Segmente (neu, aktiv, abspringend) als Rückgrat und legen Sie darüber einen Prognose-Score, der die Intensität der Ansprache steuert. Ein Kunde mit hoher Wahrscheinlichkeit, abzuspringen, erhält eine persönliche Erinnerung. Bei einem mit geringer Wahrscheinlichkeit genügt ein leichterer Kontakt. Die Mechanik steht in KI im E-Mail-Marketing.

Paid Media. Laden Sie Ihre besten Kunden (nicht Ihre gesamte Datenbank) als Ausgangsliste hoch und nutzen Sie sie sowohl zum Ausschließen als auch zum Erweitern. Wer bestehende Kunden aus Akquisitionskampagnen ausschließt, zahlt nicht dafür, Menschen zu erreichen, die schon gekauft haben.

E-Commerce-Merchandising. Ein Cluster von Kunden, die nur an Rabatttagen kaufen, bekommt eine andere Startseite und ein anderes Angebot als ein Cluster, das Nachkaufartikel zum vollen Preis erwirbt. Das Segment bestimmt die Botschaft, nicht umgekehrt.

B2B-Demand-Generation. Verhaltenssignale wie wiederholte Besuche der Preisseite, Webinar-Teilnahme und das Lesen von Produktdokumentation können ein „In-Market“-Segment definieren, das der Vertrieb innerhalb eines Tages nachfasst. Das ist eng mit Lead-Scoring verwandt und ergänzt KI für Account-Based Marketing.

Customer Success. Die Abwanderungswahrscheinlichkeit wird zur Beobachtungsliste. Ein steigender Score löst eine Rückfrage aus, bevor der Kunde kündigt, nicht danach.

Schritt für Schritt: die Einführung

1. Wählen Sie eine Entscheidung, die das Segment verändern soll. „Wer bekommt das Rückgewinnungsangebot?“ ist eine Entscheidung. „Unsere Kunden besser verstehen“ ist keine. Ohne Entscheidung ist das Segment nur ein Bericht.
2. Prüfen Sie die Daten. Listen Sie die erfassten Ereignisse auf, wie Identitäten über Web, App, E-Mail und CRM verbunden sind und wie sauber die Kaufdaten sind. Die Grundlagen behandelt First-Party-Daten für KI-Marketing.
3. Beginnen Sie mit Regeln. Bauen Sie drei oder vier Verhaltenssegmente von Hand. Sie zeigen Ihnen, worauf es in Ihren Daten ankommt, und liefern eine Baseline, die es zu schlagen gilt.
4. Fügen Sie eine Prognoseschicht hinzu, wo die Schwellenwerte erfüllt sind. Nutzen Sie zuerst die eigenen Modelle der Plattform. Prüfen Sie die Mindestwerte in der Tabelle oben, bevor Sie sie aktivieren.
5. Benennen Sie jedes Segment in klarer Sprache. „Cluster 4“ nützt einem Texter nichts. „Rabattgetriebene Wiederkäufer“ ist etwas, wofür ein Team schreiben kann.
6. Ziehen Sie Stichproben, bevor Sie live gehen. Holen Sie aus jedem Segment 20 Personen und fragen Sie, ob die Gruppierung betriebswirtschaftlich Sinn ergibt. Wenn Sie nicht beschreiben können, was sie gemeinsam haben, schicken Sie ihnen keine maßgeschneiderte Botschaft.
7. Testen Sie gegen eine Kontrollgruppe. Halten Sie bei jeder Kampagne einen zufälligen Anteil zurück und vergleichen Sie. Ein Segment, das eine ungezielte Kontrollgruppe nicht schlägt, hat seinen Platz nicht verdient.
8. Legen Sie einen Rhythmus für Aktualisierung und Review fest. Segmente driften, wenn sich Produkte, Preise und Kunden ändern. Prüfen Sie sie nach Kalender, nicht erst, wenn sich jemand beschwert.
9. Streichen Sie, was nicht funktioniert. Wenige Segmente, die unterschiedliche Handlungen auslösen, sind besser als viele, die dieselbe auslösen.

Datenschutz und Einwilligung

Segmentierung ist Profiling, und Profiling hat vielerorts rechtliches Gewicht. Nach der DSGVO gibt Artikel 21 Menschen das Recht, der Verarbeitung für Direktwerbung jederzeit zu widersprechen, einschließlich des damit verbundenen Profilings, und nach einem Widerspruch dürfen ihre Daten nicht mehr zu diesem Zweck verwendet werden. Artikel 22 regelt das Recht, nicht einer ausschließlich auf automatisierter Verarbeitung beruhenden Entscheidung unterworfen zu werden, einschließlich Profiling, wenn sie rechtliche oder ähnlich erhebliche Wirkung hat. Gewöhnliche Marketingsegmente erreichen diese zweite Schwelle selten, Entscheidungen zu Preisen, Kredit oder Berechtigung dagegen schon.

Praktisch heißt das: Lassen Sie Opt-outs in jedes Segment und jede hochgeladene Liste einfließen, halten Sie fest, woher jeder Datenpunkt stammt, und vermeiden Sie Rückschlüsse auf sensible Merkmale. Die Plattformregeln für hochgeladene Kundenlisten stellen eigene Bedingungen, lesen Sie sie vor dem Upload. Lassen Sie Ihre Rechts- oder Datenschutzverantwortlichen jedes Segment prüfen, das über die gewöhnliche Marketingnutzung hinausgeht.

Wichtige Fakten: KI-Kundensegmentierung

• Die GA4-Kaufwahrscheinlichkeit schätzt, ob ein aktiver Nutzer in den nächsten 7 Tagen ein Schlüsselereignis auslöst; Abwanderungswahrscheinlichkeit und prognostizierter Umsatz decken Zeiträume von 7 und 28 Tagen ab (Google Analytics Help).
• GA4-Prognosezielgruppen erfordern mindestens 1.000 wiederkehrende Nutzer, die die Prognosebedingung ausgelöst haben, und 1.000, die sie nicht ausgelöst haben (Google Analytics Help).
• Die vorgeschlagenen Zielgruppen von GA4 nutzen Perzentil-Grenzen: Abwanderung über dem 80., Kauf über dem 90. und prognostizierter Umsatz über dem 95. Perzentil (Google Analytics Help).
• Klaviyos Predictive Analytics braucht mindestens 500 Kunden mit Bestellungen und 180 Tage Bestellhistorie und weist darauf hin, dass Prognosen über Gruppen hinweg am zuverlässigsten sind, nicht für Einzelpersonen (Klaviyo Help Center).
• Google Customer Match lässt Anzeigen Ihre hochgeladenen Kunden und ähnliche Personen erreichen; Listen brauchen mindestens 100 Mitglieder, die innerhalb von 540 Tagen hinzugefügt oder aktualisiert werden, um zulässig zu bleiben (Google Ads Help).
• Nach Artikel 21 DSGVO kann eine Person dem Profiling im Zusammenhang mit Direktwerbung jederzeit widersprechen, und die Daten dürfen danach nicht mehr dafür verwendet werden (DSGVO-Text).

Häufige Fallstricke

• Segmentieren ohne Entscheidung. Eine schöne Landkarte der Kundengruppen ändert nichts, wenn sich keine Kampagne, kein Angebot und keine Vertriebsaktion je nach Gruppe unterscheidet.
• Lookalikes mit der falschen Liste füttern. Eine undifferenzierte Ausgangsliste erzeugt eine undifferenzierte Zielgruppe. Nutzen Sie Ihre wertvollsten Kunden.
• Einem Score bei dünner Datenlage trauen. Unterhalb der Plattform-Mindestwerte sind Prognosen Rauschen mit selbstsicherem Etikett.
• Eine Wahrscheinlichkeit als Tatsache behandeln. Ein Score im 90. Perzentil heißt „wahrscheinlicher als die meisten“, nicht „wird kaufen“.
• Die menschliche Prüfung auslassen. Cluster sind mathematisch, nicht sinnvoll. Jemand muss sie lesen.
• Zu viele Segmente. Wenn Sie nicht für jedes eine eigene Botschaft schreiben können, fassen Sie sie zusammen.
• Segmente verrotten lassen. Modelle werden neu trainiert, und das Kundenverhalten verschiebt sich. Ein Segment von vor einem Jahr beschreibt womöglich niemanden mehr.
• Einwilligungssignale ignorieren. Ein abgemeldeter oder widersprechender Kontakt, der in einer hochgeladenen Liste bleibt, ist ein Compliance-Problem und ein Markenproblem.
• Nur nach Engagement urteilen. Höhere Klickraten in einem Segment beweisen keinen Umsatz. Vergleichen Sie nachgelagerte Ergebnisse mit einer Kontrollgruppe.