Die RFM-Analyse ist ein Scoringverfahren, welches Kunden anhand von drei Kennzahlen in unterschiedliche Segmente und Zielgruppen einteilt. Ziel der Analyse ist es Kunden zu identifizieren, die eine hohe Wahrscheinlichkeit aufweisen, auf Marketingmaßnahmen zu reagieren. In diesem Artikel lernen Sie an einem konkreten Beispiel die RFM-Analyse kennen.
Häufig wird die RFM-Analyse im Direktmarketing und E-Mailmarketing im Handel und E-Commerce eingesetzt.
Auf Basis von drei Kennzahlen über das Kaufverhalten: Recency, Frequency und Monetary werden die Kunden in unterschiedliche Käufergruppen eingeteilt. Daraus ergeben sich Kundensegmente, die unterschiedliche Eigenschaften aufweisen z.B. „besonders profitabel“, „abwanderungsgefährdet“ oder „treuer Kunde“ und somit in Marketingkampagnen gezielt angesprochen werden können.
Die RFM-Analyse ist der Einstieg in die Kundenanalyse und Marketingoptimierung. Daher zeige ich Ihnen heute an einem Beispiel, wie Sie diese Analyse ganz einfach selbst erstellen und so erste Erfolge im Marketing erzielen können.
RFM-Analyse – was ist das?
Die RFM-Analyse ist ein Scoringverfahren, welches die Kunden in unterschiedliche Segmente und Zielgruppen einteilt. Die Buchstaben RFM stehen für Recency (Aktualität), Frequency (Häufigkeit) und Monetary Value (Geldwert oder Umsatz) – dies sind die drei Kriterien, anhand wir die Kunden segmentieren.
Unternehmen, denen der monetäre Aspekt fehlt, könnten statt monetärer Faktoren z.B. Parameter verwenden, die das Engagement ausdrücken (Verweildauer, Nutzungsverhalten etc.). Wenn dies der Fall ist, redet man von RFE (Recency, Frequency, Engagement) – einer Variante des RFM.
Während viele Marketingansätze rein auf demografischen Merkmalen basieren, basiert die RFM-Analyse auf verhaltensbasierten Merkmalen, die aus den Transaktionen gebildet werden. Das vergangene Kaufverhalten der Kunden ist eine hervorragende Basis für die Optimierung von Marketingkampagnen.
Recency, Frequency und Monetary
Im Folgenden schauen wir uns genauer an, was RFM bedeutet:
- R – Recency (deutsch: Aktualität): Die Aktualität des letzten Kaufs ist eine wichtige Kennzahl über das Kaufverhalten der Kunden. Je länger der Kauf zurückliegt, desto unwahrscheinlicher ist eine positive Reaktion in einer Marketingkampagne.
- F – Frequency (deutsch: Häufigkeit): Die Häufigkeit mit der ein Kunde in einer bestimmten Periode (letzte 6 Monate) eingekauft hat, ist die zweite wichtige Kennzahl der RFM-Analyse. Wenn Kunden häufig einkaufen, dann ist die Wahrscheinlichkeit für eine positive Reaktion auf eine Marketingmaßnahme deutlich höher, als bei einem Kunden, der sehr selten kauft.
- M – Monetary (deutsch: Geldwert oder Umsatz): Der Geldwert eines Kunden bezieht sich auf den Umsatz in einer bestimmten Periode. Kunden, die mehr Umsatz machen, sind wichtiger für das Unternehmen und reagieren besser auf Marketingmaßnahmen, als Kunden mit schlechten Umsätzen.
Die drei Kriterien werden in der Regel in fünf Stufen unterteilt, wobei die Einteilung anhand unterschiedlicher Methoden gesehen werden kann. Darauf gehen wir in dem Abschnitt: Wie funktioniert die RFM-Analyse? genauer ein.
Anhand der Stufen erfolgt nun die Kundensegmentierung – und im Anschluss lassen sich die Kunden mit unterschiedlichen, auf sie abgestimmten Maßnahmen ansprechen.
Wie funktioniert die RFM-Analyse?
Die RFM-Scores werden in der Praxis oft in Analyticsanwendugnen, E-Commerce Plattformen oder CRM Systemen automatisch bereitgestellt, aber auch in Excel und Skripten lässt sich der Score einfach berechnen.
In der Regel dienen die Transaktionsdaten als Datengrundlage für das Analyseverfahren. Im Folgenden zeige ich Ihnen wie so ein RFM-Scoring funktioniert:
- Anhand des letzten Kaufs wird ein Aktualitäts-Score pro Kunde bestimmt bspw. Tage seit Letztkauf.
- Die Anzahl der Käufe pro Kunde in einem bestimmten Zeitraum bilden die Kennzahl Häufigkeit ab.
- Als letztes muss der Geldwert pro Kunde bestimmt werden.
Grundsätzlich gibt es zwei verschiedene Ansätze die RFM-Klassen zu bilden:
- Die einfachste Methode teilt die Kunden in Klassen anhand von festen Wertebereichen auf
- die 2. Methode teilt die Kunden anhand von Quartilen in gleich große Gruppen.
Je nach Anwendungsfall kann die Anzahl der RFM Klassen angepasst werden, in der Regel nutzt man allerdings 5 Klassen. Bei 5 Klassen (5x5x5) pro RFM-Kennzahl ergeben sich insgesamt 125 Scores oder Kundensegmente mit dem größtmöglichen Score von 555.
Im Folgenden gehe ich auf beide Methoden kurz ein:
Methode 1: Feste Wertebereiche
Für die RFM-Analyse in festen Wertebereichen werden ganz einfach Grenzen für die drei RFM-Kennzahlen festgelegt. Ein Beispiel: Ein Kunde der in den letzten 10 Tagen eingekauft hat bekommt den Aktualitäts-Score 5, jemand der in den letzten 30 Tagen eingekauft hat den Score 3. Analog dazu muss das auch für die anderen zwei Kennzahlen definiert werden.
Dieser Ansatz hat Nachteile, denn oft werden dadurch sehr ungleich große Gruppen generiert und zudem ist davon auszugehen, dass Kundenverhalten nie statisch ist.
Diese Methode würde uns in der Praxis vor große Herausforderungen stellen. Lassen Sie uns daher auf die deutlich intelligentere Variante schauen.
Methode 2: Quantile – gleich große Gruppen nach den verfügbaren Werten
Wen wir uns zurück in die Schulzeit versetzen, da gab es den Begriff „Perzentile“ in Mathe. Also die Einteilung der Messergebnisse in 100 Klassen. Ein Quantil ist die Unterteilung in 5 gleich große Abschnitte (jeweils 20%).
Die Berechnung der Quantile ist etwas komplizierter umzusetzen, löst aber eine Menge von Problemen in der Praxis im Vergleich zu den festen Wertebereichen. Quantile funktionieren besonders gut, weil die Bereiche aus den Daten selbst gebildet werden, verteilen sich über die Kunden gleichmäßig und haben kleine Überschreitungen.
Wenn Sie eine RFM-Analyse durchführen, empfehlen wir diese Methode. Auch wir rechnen unsere RFM-Scores über die etwas kompliziertere Methode mit den Quantilen. Wie viele Unterteilungen Sie in Ihrem RFM Score nutzen wollen hängt ganz von Ihrem Use Case ab. Wir empfehlen in der Praxis nicht über 5 zu gehen, da man sonst kaum einen Überblick über die Segmente hat.
Künstliche Intelligenz optimiert Marketing und Vertrieb
In 6 Fallstudien erfahren Sie:
- Wie Sie 29% mehr Umsatz pro Kampagne machen.
- Wie Sie durch KI und Automatisierung mehr Zeit gewinnen.
- Wie Sie 300% mehr Conversions zur richtigen Zeit machen.
RFM-Analyse an einem Beispiel
Für das RFM Analyse Beispiel gucken wir uns für unsere Beispielkunden jede RFM-Kennzahl einzeln an und stufen diese Kunden entsprechend ein.
Nehmen wir an, dass wir die Kunden anhand der RFM-Analyse in die Klassen 1-5 einstufen wollen. In den folgenden 4 Schritten zeige ich wie man die Analyse durchführt:
Schritt 1: die Berechnung der Kaufaktualität
Beginnen wir mit der Einstufung der Kunden nach Ihrem letzten Kauf, also der Kennzahl: Aktualität. Folgende Tabelle zeigt das Ergebnis:
| Kundennummer | Recency (Aktualität) | Rang | R-Score |
| 100 | -1 | 1 | 5 |
| 102 | -2 | 2 | 5 |
| 300 | -3 | 3 | 5 |
| 234 | -5 | 4 | 4 |
| 657 | -8 | 5 | 4 |
| 987 | -8 | 6 | 4 |
| 133 | -10 | 7 | 3 |
| 123 | -12 | 8 | 3 |
| 876 | -15 | 9 | 3 |
| 111 | -18 | 10 | 2 |
| 899 | -23 | 11 | 2 |
| 976 | -30 | 12 | 2 |
| 566 | -34 | 13 | 1 |
| 764 | -45 | 14 | 1 |
| 456 | -56 | 15 | 1 |
Wie aus der obigen Tabelle hervorgeht, haben wir die Kunden nach Aktualität (Tage seit letztem Einkauf) sortiert. Die Kunden, die zuletzt gekauft haben stehen am Anfang der Tabelle. Da die Kunden in die Klassen von 1-5 eingeteilt werden, erhalten die besten 20% der Kunden (Kunde 100, 102, 300) die Klasse 5, die nächsten 20% (die nächsten 3 Kunden 234, 657, 987) die Klasse 4, und so weiter.
Wie oben schon beschrieben teilen wir die Kunden in Quantile ein, also in 5 gleich große 20% Klassen.
So wie wir die Kunden nach ihrer Aktualität eingeteilt haben, können wir dies jetzt für die zwei anderen RFM-Kennzahlen: Häufigkeit und Umsatz machen. So können wir die Kunden mit den meisten Einkäufen absteigend sortieren und den besten 20% einen Häufigkeitswert von 5 zuweisen. Für den monetären Faktor (Umsatz) werden die besten 20% der Kunden (Großverbraucher) mit 5 und die niedrigsten 20% mit 1 bewertet.
Schritt 2: die Berechnung der Kaufhäufigkeit
Als nächstes schauen wir uns die Einstufung nach der Kennzahl Häufigkeit an:
| Kundennummer | Frequency (Häufigkeit) | Rang | F-Score |
| 100 | 15 | 1 | 5 |
| 657 | 12 | 2 | 5 |
| 234 | 9 | 3 | 5 |
| 102 | 8 | 4 | 4 |
| 111 | 8 | 5 | 4 |
| 876 | 8 | 6 | 4 |
| 123 | 7 | 7 | 3 |
| 133 | 5 | 8 | 3 |
| 566 | 4 | 9 | 3 |
| 300 | 3 | 10 | 2 |
| 764 | 3 | 11 | 2 |
| 987 | 3 | 12 | 2 |
| 456 | 2 | 13 | 1 |
| 899 | 2 | 14 | 1 |
| 976 | 1 | 15 | 1 |
Schritt 2: die Berechnung des Umsatzes
Als letztes schauen wir uns die RFM-Kennzahl Umsatz an:
| Kundennummer | Monetary (Umsatz) | Rang | M-Score |
| 100 | 1245 | 1 | 5 |
| 657 | 999 | 2 | 5 |
| 876 | 876 | 3 | 5 |
| 234 | 789 | 4 | 4 |
| 764 | 712 | 5 | 4 |
| 102 | 678 | 6 | 4 |
| 456 | 600 | 7 | 3 |
| 123 | 456 | 8 | 3 |
| 976 | 456 | 9 | 3 |
| 987 | 410 | 10 | 2 |
| 133 | 340 | 11 | 2 |
| 899 | 290 | 12 | 2 |
| 566 | 200 | 13 | 1 |
| 111 | 150 | 14 | 1 |
| 300 | 123 | 15 | 1 |
Schritt 4: RFM-Score bilden
Da wir die Kunden nach allen 3 Kennzahlen bewertet haben, können wir diese durch die Kombination ihrer individuellen R-, F- und M-Ranglisten in eine RFM-Klasse einordnen.
| Kundennummer | R-Score | F-Score | M-Score | RFM-Klasse |
| 100 | 5 | 5 | 5 | 555 |
| 102 | 5 | 4 | 4 | 544 |
| 300 | 5 | 2 | 1 | 521 |
| 234 | 4 | 5 | 4 | 454 |
| 657 | 4 | 5 | 5 | 455 |
| 987 | 4 | 2 | 2 | 422 |
| 133 | 3 | 3 | 2 | 332 |
| 123 | 3 | 3 | 3 | 333 |
| 876 | 3 | 4 | 5 | 345 |
| 111 | 2 | 4 | 1 | 241 |
| 899 | 2 | 1 | 2 | 212 |
| 976 | 2 | 1 | 3 | 213 |
| 566 | 1 | 3 | 1 | 131 |
| 764 | 1 | 2 | 4 | 124 |
| 456 | 1 | 1 | 3 | 113 |
RFM Analyse in Excel erstellen
Um eine RFM-Analyse in Excel zu erstellen benötigen wir die Kundendaten aus dem vorherigen Beispiel.
Damit Sie nachvollziehen können, wie die Analyse in Excel funktioniert, können Sie sich die oben erstellen Tabellen kopieren oder Sie laden sich direkt das Excel herunter:
Schritt 1: Kaufaktualität (Recency) berechnen
Folgend müssen wir den Recency-Score berechnen. Dafür müssen wir für jeden einzelnen Datensatz ermitteln in welcher der fünf Klassen jeder steckt. Dafür tragen wir diese Formel in die Excel-Tabelle ein:
=ABRUNDEN(RANG.MITTELW(C27;C:C;1)/((ANZAHL(C:C)/5);0)+1Natürlich müssen Sie Ihre Spalten ggf. anpassen. In Excel sieht die RFM Formel dann so aus:
Als nächstes berechnen wir den F-Score anhand der Einkaufshäufigkeit.
Schritt 2: Kauffrequenz (Frequency) berechnen
Den Frequency-Score berechnen wir mit der gleichen Formel, allerdings auf Basis der Kennzahl „Anzahl Transaktionen“. Wir nutzen hier fiktive Zahlen, in der Praxis sind alle 3 Kennzahlen oft für einen bestimmten Zeitraum (bspw. letzte 12 Monate) berechnet.
Jetzt fehlt nur noch die monetäre Größe.
Schritt 3: Umsatz (Monetary) berechnen
Um den Umsatz in unsere 5 RFM Klassen einzuteilen nutzen wir erneut unsere Excelformel:
Schritt 4: RFM-Score in Excel zusammensetzen
Abschließend müssen wir den RFM-Score aus den drei berechneten Scores zusammensetzen. Dazu verketten wir in Excel die Score-Werte:
Um die Kunden in einer Reihenfolge zu bringen, können wir diese nach den RFM-Klassen sortieren.
Wie lassen sich Kundensegmente nach RFM Methode bilden?
Jetzt haben wir unsere 5x5x5 Segmente erstellt – insgesamt ergibt das 125 unterschiedliche Segmente. In der Praxis können wir damit kaum effektiv arbeiten. Um die gebildeten Kundensegmente in der Praxis mehr greifbar zu machen, haben wir hier ein paar Tipps.
Wir können unsere 125 Segmente in 11 Kundensegmente zusammenfassen:
| Kundensegment | Aktualitäts-Score-Range | Kombinierte Häufigkeits- und Umsatzscores Range | Marketing Tip |
| Champions | 4-5 | 4-5 | Ihre besten Kunden, belohnen Sie diese durch interessante Angebote. Nutzen Sie hochwertige Werbemittel und versenden Sie interessanten Content zu Ihrem Unternehmen. |
| Treue Bestandskunden | 2-5 | 3-5 | Versuchen Sie bereits etablierte Kunden über Up-Sell-Kampagnen zu entwicklen. |
| Potentielle treue Bestandskunden | 3-5 | 1-3 | Cross-Selling intensivieren und starke Kundenbeziehung aufbauen. Tipp: nicht zu schnell in die Up-Sell Kampagnen. |
| Neue Kunden | 4-5 | 1 | Gute Onboarding Strecke aufbauen und Kunden an Marke binden. |
| Offenes Potential | 3-4 | 1 | Markenbewusstsein schaffen, attraktive Discounts anbieten. |
| Kunden, die Aufmerksamkeit benötigen | 2-3 | 2-3 | Produktempfehlungen auf historischem Kaufverhalten in Kombination mit attraktiven Angeboten. |
| Gefahr zur Inaktivität | 2-3 | 1-2 | Nurturing Kampagnen mit wertvollen Contents teilen, empfehlen Sie beliebte Produkte mit Rabatt, nehmen Sie wieder Kontakt mit ihnen auf. |
| Gefährdet | 1-2 | 2-5 | Senden Sie personalisierte E-Mails, um den Kontakt wiederherzustellen. Vertragsverlängerungen mit attraktiven Rabatten. |
| Wichtig, aber inaktiv | 1 | 4-5 | Gewinnen Sie sie über Erneuerungen oder neuere Produkte zurück, verlieren Sie sie nicht an die Konkurrenz, sprechen Sie mit ihnen. |
| Schläfer | 1-2 | 1-2 | Nurturing und Brand Awareness Kampagnen. |
| Verloren (Churn) | 1-2 | 1-2 | Interesse über „reach out“-Kampagne wiederbeleben, ansonsten ignorieren. |
Vor- und Nachteile der RFM Analyse
Die RFM-Segmentierung ist eine etablierte Marketingmethode zur verbesserten Steuerung von Marketingmaßnahmen. Oft wird RFM im Handel und E-Commerce eingesetzt, um den ROI von Marketingkampagnen zu steigern.
Welche Vorteile hat das RFM Modell?
- Die RFM-Analyse ist extrem einfach durchzuführen
- Die Analyse lässt sich in unterschiedlichen Geschäftsmodellen nutzen (Handel, E-Commerce, Prepaid, Abo-Modellen etc.)
- Sie können unterschiedliche Zielgruppen bestimmen und besser verstehen
- RFM hilft dabei zielgerichtete Marketingkampagnen zu erstellen
- Reduktion von Direktmarketingkosten
- Unterstützt CRM und Kundenbindungsmaßnahmen
- Reduktion von nicht-relevanten Marketingkontakten
Welche Nachteile hat das RFM Modell?
- Keine Prognose des Kaufverhaltens, lediglich
historische Daten - Kennzahl Aktualität bezieht Kaufzyklus von Kunde
nicht mit ein - Für Erstkäufer oft nicht wirklich hilfreich
- Nicht nutzbar für Leads
- Überoptimierung: versenden von zu vielen Mails
an die Top-Segmente kann die Kunden stören, was sich ggf. negativ auswirkt
In der Praxis wird der RFM Ansatz häufig kritisch gesehen, da die Ergebnisse dazu verleiten die besonders guten Segmente im Marketing zu stark zu penetrieren.
CLV statt RFM
Kundenindividuelle Ansätze, wie ein Customer Lifetime Value, sind heute deutlich ausgereifter und können viel mehr Informationen über das Kundenverhalten einbeziehen als ein einfacher RFM-Score.
Ihr Ansprechpartner
Ob und wie künstliche Intelligenz Ihnen weiterhelfen kann, können Sie in einem ersten, unverbindlichen Gespräch mit uns herausfinden.
In diesem Gespräch erfahren Sie:
- Wie Ihr Use-Case technisch am besten umgesetzt werden kann
- Wie wir maximal sicher mit Ihren Kundendaten umgehen
- Wie lange wir für die Umsetzung benötigen und wie ein konkreter Projektplan aussehen könnte
