RFM-Analyse im Marketing - Kundensegmentierung für Jedermann

Der ein oder andere Marketing-Verantwortliche beschwert sich gerne einmal über seinen Datenbestand. Sie auch? Um eine sinnvolle Kundensegmentierung vorzunehmen, braucht man ja schließlich eine ganze Menge an Kundendaten! Oder nicht?

Kundensegmente identifizieren - So einfach kann's gehen

Haben Sie in Ihrem CRM-System Zugriff auf die Einkaufsdaten (Transaktionsdaten) Ihrer Kunden? Na also, denn Kundenumsatz und Kaufdatum sind die Basis für eine der effektivsten Kundensegmentierungsformen: die RFM-Analyse. 

Was versteht man unter RFM-Analyse?

Bei der RFM-Analyse handelt es sich um ein Scoring-Verfahren, das der Einteilung von Kunden in Segmente dient. Hierbei werden die drei Aspekte Recency (Aktualität), Frequency (Häufigkeit) und Monetary (Umsatz) betrachtet. Für die Bildung von aussagekräftigen Kundengruppen stellen wir uns dabei die folgenden Fragen: 

• Wann hat unser Kunde das letzte Mal bei uns eingekauft? (Recency)

• Wie oft hat unser Kunde insgesamt schon bei uns eingekauft? (Frequency)

• Für wie viel Umsatz hat unser Kunde bei uns eingekauft? (Monetary)

Für jeden der Parameter wird ein individueller Score vergeben. Aus der Kombination der drei Werte wird dann ein Gesamtscore pro Kunde errechnet. Anhand der ermittelten RFM-Scores lässt sich schnell bestimmen, welche Kundengruppen besonders profitabel sind und am wahrscheinlichsten in der gewünschten Weise auf eine Marketing Kommunikation reagieren, z.B. in Form eines Kaufs. Gleichzeitig lässt sich einfach feststellen, bei welchen Kunden Investitionen in Marketing Aktivitäten höchstwahrscheinlich keinen Effekt erzielen werden, um so Streuverluste zu vermeiden. Darüber hinaus können Sie mit dem RFM-Modell auch Segmentbewegungen verfolgen, d.h. ob sich die Scores von einzelnen Kunden über die Zeit ändern und welcher der Aspekte Recency, Frequency und Monetary hierfür ausschlaggebend war. So können Sie Rückschlüsse über den Erfolg Ihrer Marketing Maßnahmen ziehen und diese entsprechend anpassen. 

Anwendung des RFM-Modells in der Praxis

Ich nutze unsere Marketing Software FastStats für diesen Zweck, selbstverständlich können Sie aber auch mit Ihrem eigenen Analyse-Tool starten.

Schauen wir uns doch einmal die Umsätze unserer Kunden an. Dazu habe ich vier Kategorien basierend auf dem Gesamtumsatz pro Kunde definiert. In diesem Fall bedeutet 1 - sehr hoch, einen Umsatz von mehr als 2.500 € und 4 – niedrig, einen Kundenumsatz von 0 – 250 €.

Gleichermaßen erstellen wir Kategorien für die Anzahl der Einkäufe unserer Kunden und für das letzte Transaktionsdatum: Ich generiere vier Frequency-Gruppen, wobei 1 – sehr hoch, beispielsweise mehr als sechs Einkäufe darstellt. Für das letzte Transaktionsdatum ergeben sich drei Gruppen von 1-3. Hoch bedeutet, dass der letzte Kauf in 2020 stattgefunden hat. Niedrig impliziert, dass die letzte Transaktion vor 2018 war.

Mithilfe des RFM-Assistenten in FastStats hat mich das Erstellen der Variablen und Kategorien gerade einmal wenige Minuten gekostet.

Kombination der Frequency und Monetary Scores

Als nächstes bringen wir die zuvor erstellten Frequency und Monetary Werte in einem Cube zusammen. In jeder Zelle erkennen wir die Anzahl der Personen für die beiden kombinierten Werte. Werfen wir doch einmal einen Blick auf mögliche Zusammenhänge zwischen der Anzahl der Käufe und dem Umsatz. 

Um die Daten auf den ersten Blick verständlich und visualisierbar zu machen, erstellen wir eine Treemap. Nicht verwunderlich: Eine sehr hohe Anzahl an Einkäufen, geht mit einem sehr hohen Umsatz einher.

Hinzufügen des Recency Scores

Nun fügen wir unseren dritten Wert ebenfalls in die Analyse hinzu und schauen wie die Aktualität des letzten Einkaufs mit Umsatz und der Transaktionsanzahl korreliert. 

Definition von Kundengruppen

Jetzt ist es an der Zeit kreativ zu werden. Lassen Sie uns sieben Segmente definieren. Sicher sind wir dann auch in der Lage, typische Kundencharaktere für jedes unserer Segmente zu finden.

Scarlett Red Carpet

Scarlett Red Carpet repräsentiert unsere Star-Kunden. Scarlett liebt es zu shoppen und schaut nicht aufs Geld. Ihr letzter Kauf war gerade erst gestern, da können wir schon mal den roten Teppich ausrollen.

John Jogger

John Jogger steht für unsere aktiven Kunden. Wichtige Kunden für uns, schließlich sorgen auch sie, neben unseren Stars, für unseren kontinuierlichen Umsatz. 

Rita Rising

Unsere Zielgruppe mit dem größten Cross- und Upsell-Potenzial. Ritas letzter Kauf liegt schon eine Weile zurück, aber wenn sie zuschlägt, dann fällt die Rechnung meist etwas höher aus.

Dean Double-Minded

Dean möchte sich nicht gerne festlegen, er kauft da, wo er die besten Angebote bekommt, mal bei uns, mal bei unserer Konkurrenz. Dennoch sehen wir in dieser Zielgruppe, mit den richtigen Angeboten, durchaus Cross- und Upsell-Potenzial.

Rosanna Risky

Rosanna hat schon lange nicht mehr bei uns eingekauft, damals gehörte sie aber zu den Scarletts und Johns unserer Kunden. Bestimmt lohnt es sich, etwas für diese gefährdeten Kunden zu tun.

Lars Lazy

Lars Lazy repräsentiert unsere inaktiven Kunden, die wir reaktivieren sollten. Der letzte Kauf ist lange her, sie haben noch nie wirklich regelmäßig geshoppt, aber ihre Ausgaben waren immer recht hoch.

Olivia One-Time

Olivia kam, kaufte und verschwand wieder. Einmal und bisher nie wieder.

Unsere RFM-Matrix sieht mit den sieben Segmenten wie folgt aus:

Und jetzt? Mit einfachem Herausziehen eine der relevanten Zellen, beispielsweise für Dean Double-Minded, kann ich in FastStats Regeln für dieses Segment festlegen. Bei Interesse können Sie sich die Vorgehensweise in diesem Kurzvideo ansehen. 

Individuell mit Kundengruppen kommunizieren

Nun können wir die einzelnen Segmente für unsere Kampagnen verwenden und unseren Kunden so relevante, individuelle Angebote unterbreiten. Beispielsweise könnten wir unserer Scarlett Red Carpet einen Treue-Rabatt-Coupon zusenden, während Rosanna Risky ein einmaliges, zeitbegrenztes Angebot erhält. 

Nach einiger Zeit können wir dann beobachten, wie sich unsere Segmente verändern, eine Rosanna Risky wird zum John Jogger oder Rita Rising wird zu Scarlett Red Carpet. 

Erweiterung der Kundensegmentierung

Einmal solch eine Kundensegmentierung 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 oder Hobbies in unsere Segmentierung mit einbeziehen.

Einer unserer Kunden aus dem Charity-Bereich hat es geschafft, das RFM-Modell erfolgreich mit Clustern und Personas zu verbinden und so die Mailing-Responserate um 53,5% im Vergleich zum Vorjahr zu steigern: 300.000 € mehr an Spenden und eine Responserate von 10%.

Die obenstehende Grafik zeigt die Kundensegmentierung mit Clustering aus dem Use Case von RLNI.

Whitepaper rund um Kundensegmentierung 

Sie wollen noch mehr über Kundensegmentierung erfahren und weitere Tipps & Tricks erhalten? 

Dann ist unser kostenloses Whitepaper genau das richtige für Sie. Analysieren Sie jetzt die Customer Journey Ihrer Kunden:

   >> Zum kostenlosen Whitepaper