RFM-Analyse: So segmentieren Sie Ihren Kundenstamm und steigern Ihre Wiederholungskäufe

Was ist die RFM-Analyse?

Es handelt sich um eine Methode zur Kundensegmentierung anhand von drei Verhaltensindikatoren: wann eine Person zuletzt gekauft hat, wie oft sie dies tut und wie viel Geld sie ausgibt. Die Abkürzung steht für „Recency“, „Frequency“ und „Monetary“ – drei Indikatoren, die zusammen ein weitaus genaueres Bild liefern als jeder einzelne für sich.

Recency – Zeit seit dem letzten Kauf

Wie viel Zeit ist seit dem letzten Kauf des Kunden vergangen? Im Marketing gilt Recency oft als der sensibelste Indikator: Ein Kunde, der kürzlich gekauft hat, reagiert mit größerer Wahrscheinlichkeit auf ein neues Angebot als jemand, der schon lange nicht mehr zurückgekehrt ist. Die Zeitspanne wird in Tagen angegeben und dient in der Regel als Grundlage für die schnellsten Trigger. Zum Beispiel eine Erinnerungs-E-Mail nach einem Monat ohne Kauf.

Frequency – Kaufhäufigkeit

Die Anzahl der Käufe eines Kunden innerhalb eines bestimmten Zeitraums. Ein Kunde, der jeden Monat kauft, ist mehr Beachtung wert als einer, der einmalig eine große Bestellung aufgegeben hat und dann verschwunden ist. Die Häufigkeit zeigt, inwieweit sich die Gewohnheit, gerade bei Ihnen zu kaufen, bereits gefestigt hat.

Monetary – Ausgabenbetrag

Der Gesamtbetrag, den ein Kunde im ausgewählten Zeitraum ausgegeben hat. Dies ist der verständlichste Indikator, aber auch der gefährlichste, wenn man ihn isoliert von den beiden vorherigen betrachtet. Genau deshalb können eine große Rechnung vor zwei Jahren und zehn kleine Rechnungen pro Monat formal denselben Betrag ergeben, während der tatsächliche Wert dieser beiden Kunden völlig unterschiedlich ist.

Warum ist die RFM-Segmentierung für Unternehmen wichtig?

Welche Probleme löst sie?

Die meisten Unternehmen speichern Kundendaten, aber sie behandeln sie auf die gleiche Weise: ein Mailing für die gesamte Datenbank, ein Rabatt für alle, ein Szenario zur Kundenrückgewinnung.

Für Unternehmen, die gerade erst ihre Analyseinfrastruktur aufbauen, ist die RFM-Analyse oft der erste Bericht innerhalb eines umfassenderen Systems. Wenn ein Unternehmen bereits über eine BI-Lösung verfügt, wird die RFM-Segmentierung in der Regel als eines der ersten Dashboards hinzugefügt: Sie macht sich schnell bezahlt und liefert dem Marketingteam sofort eine konkrete Liste von Maßnahmen.

Für wen eignet sich das RFM-Modell?

Die RFM-Analyse funktioniert gut, wenn es eine Historie wiederholter Käufe gibt und genügend Daten vorliegen, um Muster zu erkennen:

RFM ist für Unternehmen mit Einmalkäufen, bei denen es keine regelmäßige Historie von Wiederholungskäufen gibt, weniger nützlich.

Schritt-für-Schritt-Anleitung zur RFM-Analyse

Schritt 1: Datenerfassung und -aufbereitung

Für die Berechnung werden ausschließlich Transaktionsdaten benötigt: Kunden-ID, Kaufdatum, Kaufbetrag. Als Quelle kommen ein CRM-System, eine E-Commerce-Plattform oder ein Datenbank-Export in Frage. Das Wichtigste in dieser Phase ist, Kundenduplete (eine Person unter zwei E-Mail-Adressen) zu entfernen und Test- sowie stornierte Bestellungen auszuschließen, da diese sonst die Kennzahlen verfälschen.

Schritt 2: Berechnung der R-, F- und M-Kennzahlen

Der Zeitraum sollte entsprechend dem Einkaufszyklus des jeweiligen Unternehmens gewählt werden: Für ein Lebensmittelgeschäft beispielsweise drei Monate, für Möbelhäuser ein Jahr oder länger.

Schritt 3: Bewertungsskala

Rohdaten sind für einen direkten Vergleich ungeeignet und werden daher in Punkte umgerechnet. Üblicherweise wird die Basis für jeden Indikator in fünf gleich große Gruppen (Quintile) unterteilt und mit 1 bis 5 Punkten bewertet.

Im Ergebnis erhält jeder Kunde einen dreistelligen Code, zum Beispiel 555 (idealer Kunde) oder 115 (war schon lange nicht mehr da, hat selten gekauft, aber einmal einen hohen Betrag ausgegeben).

Schritt 4: Bildung von Segmenten

Auf der Grundlage der Kombinationen aus R-, F- und M-Punkten werden die Kunden in Segmente gruppiert. In der Regel sind das 6 bis 10 Gruppen, je nachdem, wie detailliert das Unternehmen seinen Kundenstamm verwalten möchte. Genau in diesem Schritt verwandelt sich die Kundensegmentierung von einer Tabelle mit Zahlen in eine konkrete Liste von Namen, mit denen unterschiedlich gearbeitet werden kann.

Schritt 5: Strategie für jedes Segment

Jedes Segment erhält ein eigenes Szenario: Kundenbindung, Rückgewinnung, Cross-Selling oder minimale Kommunikation. Genau hier wird RFM vom Bericht zur Aktion und beeinflusst die Wiederholungskäufe.

Kundensegmente im RFM-Modell

Im RFM-Modell kann die Anzahl der Segmente je nach Unternehmen variieren, doch einige grundlegende Gruppen kommen fast immer vor.

Champions – die besten Kunden

Sie haben kürzlich gekauft, kaufen häufig und geben am meisten Geld aus. Dies ist der wertvollste Teil des Kundenstamms, für den Status, frühzeitiger Zugang und personalisierte Angebote am besten funktionieren.

Loyal Customers – treue Kunden

Sie kehren regelmäßig zurück und kaufen regelmäßig, auch wenn der durchschnittliche Kaufbetrag geringer sein kann als bei den Champions. Sie bilden die Grundlage für die Wiederholungskäufe des Unternehmens: Sie benötigen keine aggressiven Anreize, reagieren aber gut auf Treueprogramme und Cross-Selling in verwandten Kategorien.

At Risk – vom Abwandern bedroht

Früher haben sie häufig und viel gekauft, sind aber schon lange nicht mehr aufgetaucht. Dies ist das teuerste Segment, das man verlieren kann; das Unternehmen hat bereits in die Gewinnung dieses Kunden investiert, und sein Weggang bedeutet einen direkten Verlust. Hier helfen personalisierte Angebote zur Rückgewinnung und Umfragen, um herauszufinden, warum der Kunde abgewandert ist.

Lost – verloren

Sie haben schon sehr lange nichts mehr gekauft, und auch in der Vergangenheit waren Kaufhäufigkeit und -summe gering. In der Regel lohnt es sich nicht, aktives Budget für sie aufzuwenden, da die Reaktivierung teurer ist, als sie einbringen können.

Eine solche Einteilung manuell für eine große Datenbank zu erstellen, ist praktisch unmöglich. Genau aus diesem Grund wird die RFM-Analyse des Kundenstamms in den meisten Unternehmen mithilfe von BI-Analysen für den E-Commerce automatisiert, wobei sich die Segmente automatisch aktualisieren, sobald neue Bestelldaten eingehen.

RFM in Power BI: So automatisieren Sie die Analyse

Bei einer kleinen Datenbank lassen sich R, F und M noch in Excel berechnen. Ab einer bestimmten Größe beginnen die Formeln jedoch zu stocken, die Pivot-Tabellen stürzen bei jeder Datenaktualisierung ab, und jemand im Team muss die Segmente jeden Monat manuell neu berechnen.

Der Hauptvorteil dieses Ansatzes besteht darin, dass die Segmente stets aktuell sind. Die Marketingabteilung wartet nicht auf den monatlichen Bericht des Analysten, sondern erkennt sofort, wer in die Risikozone geraten ist.

Fallstudie IWIS: Wie BI-Analytik die Grundlage für die RFM-Segmentierung schafft

Planeta Kino ist eine moderne ukrainische Kinokette mit gut ausgebauten digitalen Diensten: Online-Ticketverkauf, elektronischer Einlass und mobile Apps.

Im Fallbeispiel Planeta Kino hat das IWIS-Team ein Analysesystem aufgebaut, bei dem jeder Indikator einem bestimmten Bericht und einer bestimmten Datenquelle zugeordnet war. Die Arbeit wurde in zwei Bereiche unterteilt: die Hauptberichterstattung gemäß der genehmigten Struktur und einen F&E-Bereich zur Überprüfung von Hypothesen und zur Erstellung von ML-Modellen. Außerdem wurden ein zentraler Datenspeicher, Parser für offene Quellen, eine Integration mit Google Analytics sowie eine Pipeline zur Datenverarbeitung eingerichtet.

Der Kunde erhielt die Möglichkeit, die Effektivität von Marketingkampagnen zu erkennen, die wichtigsten Segmente des Kundenstamms und die Kommunikationskanäle zu analysieren sowie den LTV zu berechnen. Darüber hinaus zeigte die Berichterstattung den Zusammenhang zwischen dem Ticketverkauf und den Cross-Selling-Umsätzen in der Bar auf. Dadurch erhielt das Unternehmen eine 360°-Analyse des Kundenverhaltens und nicht nur eines einzelnen Tickets oder einer Transaktion.

Dieser Ansatz schafft die technische Grundlage für eine ausgereifte Kundenanalyse: Wenn die Daten in einem einheitlichen System gesammelt werden, kann das Unternehmen präzisere Segmente bilden, insbesondere nach der Logik der RFM-Segmentierung.