RFM-Analyse im Fundraising – Segmentierung leicht gemacht

Marketing Verantwortliche im Fundraising wünschen sich mehr Spenden und bessere und individuellere Kommunikation. Sie gehören auch dazu? Dann nutzen Sie Ihre vorhandenen Daten! Denn die braucht es, um eine sinnvolle Segmentierung Ihrer Spender:innen vornehmen zu können.  

Segmente einfach aus Transaktionsdaten identifizieren

Haben Sie in Ihrem CRM-System Zugriff auf Ihre Spender:innen und deren Transaktionsdaten? Prima, denn diese sind die Basis für eine der effektivsten Formen der Segmentierung: die RFM-Analyse. 

Was versteht man unter RFM-Analyse?

Bei der RFM-Analyse handelt es sich um ein Scoring-Verfahren, das der Einteilung von Personen in verschiedene Kategorien dient. Hierbei werden die drei Aspekte Recency, Frequency und Monetary betrachtet.

Für eine aussagekräftige RFM-Analyse stellen wir uns bezüglich unserer Spender:innen die folgenden Fragen: 

1. Wann hat die Person das letzte Mal bei uns gespendet? Also, wie treu ist sie uns gegenüber? (Recency)
2. Wie oft hat die Person insgesamt schon bei uns gespendet? (Frequency)
3. Wie viel hat die Person bei uns gespendet? (Monetary)

Den Aspekt Recency haben wir als abgeleitete Variable aus den vorhandenen Daten erstellt. Dabei werden folgende Stati unterschieden: Neu, ungebunden, treu und langzeittreu. Wer aktiv ist und seit weniger als 366 Tagen spendet, bekommt den Status „Neu“. Wer länger als 1000 Tage dabei ist, bekommt den Status „Langzeittreu“.    

Für die Spenderkategorien (Monetary) haben wir folgende Ausprägungen definiert:

1. Normal = Bis 20 € Spende pro Jahr
2. Middle Donor = 20 € bis 300 € Spende pro Jahr 
3. Großspender = Mehr als 300 € Spende pro Jahr

Der Frequency-Aspekt ist einfach die Anzahl der Spenden insgesamt oder in einem vordefinierten Zeitraum und kann ebenfalls leicht aus den Transaktionsdaten ermittelt und in Blöcke eingeteilt werden.

In der Folge wird für jeden der Parameter ein individueller Score vergeben. Aus der Kombination der drei Werte wird dann ein Gesamtscore pro Spender errechnet. Anhand der ermittelten RFM-Scores lässt sich schnell bestimmen, welche Spendendenkategorien besonders profitabel sind und am wahrscheinlichsten in der gewünschten Weise auf eine Marketing Kommunikation reagieren, z. B. in Form einer zusätzlichen Spende oder mit einer Erhöhung des Spendenbetrags. Gleichzeitig lässt sich einfach feststellen, bei welchen Spender:innen Investitionen in Marketing Aktivitäten höchstwahrscheinlich keinen Effekt erzielen werden. Durch Ausschluss dieser Personen können Streuverluste vermieden und Kosten reduziert werden.

Darüber hinaus können Sie mit dem RFM-Modell auch Segmentbewegungen verfolgen, d.h. ob sich die Scores von einzelnen Spender:innen über die Zeit verändern und welcher der Aspekte Recency, Frequency und Monetary hierfür ausschlaggebend war. So können Sie Rückschlüsse aus dem Erfolg Ihrer Marketing Maßnahmen ziehen und diese entsprechend anpassen. 

Anwendung des RFM-Modells für Fundraising

Wir nutzen unsere Marketing Software FastStats für diesen Zweck, selbstverständlich können Sie aber auch mit einem eigenen Analyse-Tool starten.

Schauen wir uns zunächst die Spendensummen unserer Spender:innen an. Dazu wurden vier Kategorien basierend auf dem Gesamtumsatz pro Spender:in definiert. In diesem Fall gibt es die Großspender:innen, mit einer Spendensumme von mehr als 300 € pro Jahr. Außerdem gibt es den Middle Donor, mit einer Spendensumme zwischen 20 und 300 € pro Jahr und den/die Normalspender:in, der/die bis zu 20 € pro Jahr spendet.

Gleichermaßen erstellen wir Kategorien für die Anzahl der Spenden unserer Förderer und generieren gemäß der oben erwähnten Formel anhand des letzten Transaktionsdatums vier Monetary-Gruppen: neue, ungebundene, treue und langzeittreue Spender:innen.

Mithilfe des RFM-Assistenten in Apteco FastStats hat das Erstellen der Variablen und Kategorien nur wenige Minuten gedauert.

Kombination der Recency- und Monetary-Scores

Als nächstes bringen wir die zuvor erstellten Recency- und Monetary-Variablen in einem Cube zusammen. In jeder Zelle erkennen wir die Anzahl der Personen für die beiden kombinierten Dimensionen. Werfen wir doch einmal einen Blick auf mögliche Zusammenhänge zwischen der Treue der Spender:innen und der Spendendenkategorie. 

Je intensiver die Farbgebung desto mehr Personen sind in der entsprechenden Cube-Zelle vertreten. Um diesen Zusammenhang noch leichter verständlich darzustellen, visualisieren wir den Cube mit einer Treemap.

Hier lassen sich bereits Segmentbewegungen erkennen. Der Anteil der Großspender:innen ist in der Recency-Kategorie „Langzeittreu“ am stärksten vertreten. Gleichzeitig sinkt der Anteil der Normalspender:innen. Das heißt, je länger jemand als Spender:in unterstützt, desto höher wird die Spende ausfallen.

Hinzufügen des Frequency-Scores

Nun fügen wir unseren dritten Wert ebenfalls in die Analyse hinzu und schauen, wie die Frequenz der Spenden mit der Spendenkategorie und der Treue korreliert. 

Individuelle Zielgruppen-Kommunikation

Nun können wir die einzelnen Segmente für unsere Kampagnen verwenden und unseren Spender:innen so relevante, individuelle Angebote unterbreiten.

Beispielsweise können wir einem/r Normalspender:in eine E-Mail zu einer aktuellen Spendenaktion senden, während ein/e Großspender:in eine Dankesmail erhält, für das treue Verhalten über die vielen Jahre, um die Loyalität weiterhin zu sichern.

Nach einiger Zeit können wir hoffentlich danach beobachten, wie Bewegungen zwischen den gebildeten Segmenten stattfinden. Zum Beispiel wird im Idealfall ein/e Normalspender:in zu einem Middle Donor oder ein Middle Donor zu einem/r Großspender:in weiterentwickelt.

Erweiterung mittels Clusteranalyse

Ist einmal eine solche Segmentierung unserer Spender:innen im Einsatz, können wir uns Gedanken um eine Erweiterung machen. Wie wäre es, wenn wir soziodemographische, psychographische, geografische oder Verhaltensdaten zusätzlich in Betracht ziehen? Auch das Bilden von sogenannten „Personas“ kann die Personalisierung unserer Kundenkommunikation weiter verbessern, indem wir Alter, Ausbildung, Beruf, Hobbys oder bestimmte Affinitäten in unsere Analyse mit einbeziehen.

Einer unserer Fundraising-Kunden hat mithilfe des RFM-Modells mittels anschließender Clusteranalyse seine Spender:innen mit fünf Personas verbunden. Dieses Verfahren war so erfolgreich, dass die Mailing-Responserate um 53,5% im Vergleich zum Vorjahr gesteigert werden konnte. Bei einer Responserate von 10% bedeutete dies ein Plus von 300.000 € an Spenden.

Die obenstehende Grafik zeigt das Ergebnis der Clusteranalyse aus dem Use Case von RLNI.

Whitepaper rund um Donor Journey Analytics

Sie wollen mehr über Ihre Spender:innen und deren Donor Journey erfahren? Dann laden Sie unser kostenloses Whitepaper herunter und analysieren Sie erfolgreich die Donor Journey Ihrer Spendenden.