RFM-Analyse: Marketing optimieren durch intelligente Segmentierung

Die RFM-Segmentierung eignet sich für die gezielte Ansprache in Marketingkampagnen

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 erstellen.

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.

  1. RFM-Analyse – was ist das?
  2. Wie funktioniert die RFM-Analyse?
  3. RFM-Analyse an einem Beispiel
  4. RFM Analyse in Excel erstellen
  5. Wie lassen sich Kundensegmente nach RFM Methode bilden?
  6. Vor- und Nachteile der RFM Analyse

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.

RFM-Analyse einfach erklärt.

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 RFE (Recency, Frequency, Engagement) – einer Variante des RFM.

RFM-Analyse Recency, Frequency und Monetary
RFM-Kennzahlen: Recency (Aktualität), Frequency (Häufigkeit) und Monetary (Umsatz)

Während viele Marketingansätze rein auf demografischen Merkmalen basieren, basiert die RFM-Analyse auf verhaltensbasierten Merkmalen, die aus den Transaktionen gebildet werden hin. 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 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 ahand unterschiedlicher Methoden gesehen 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 dann 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:

  1. Anhand des letzten Kaufs wird ein Aktualitäts-Score pro Kunde bestimmt bspw. Tage seit Letztkauf.
  2. Die Anzahl der Käufe pro Kunde in einem bestimmten Zeitraum bilden die Kennzahl Häufigkeit ab.
  3. Als letztes muss der Geldwert pro Kunde bestimmt werden.

Grundsätzlich gibt es zwei verschiedene Ansätze die RFM-Klassen zu bilden:  

  1. Die einfachste Methode teilt die Kunden in Klassen anhand von festen Wertebereichen auf
  2. die 2. Methode teilt die Kunden nach in 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 und daher lassen Sie uns 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 Quantilen 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.

KI-im-CRM Kopie

Whitepaper:
Wie künstliche Intelligenz das CRM verändert!

Trage deine E-Mail-Adresse ein, um die KI-Fallstudien zu erhalten:

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 brauchen nehmen 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)+1

Natürlich müssen Sie Ihre Spalten ggf. anpassen. In Excel sieht die RFM Formel dann so aus:

RFM Recency-Score in Excel mit dieser Formel berechnen.
Recency-Score in Excel mit dieser Formel berechnen.

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.

Die RFM-Kennzahl Frequency wird mit der identischen Formel berechnet.
Die RFM-Kennzahl Frequency wird mit der identischen Formel 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:

M-Score Berechnung in Excel
M-Score Berechnung

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:

Mit der Formel "Verketten" in Excel können wir den RFM Score zusammensetzen.
Mit der Formel „Verketten“ in Excel können wir den RFM Score zusammensetzen.

Um die Kunden in einer Reihenfolge zu bringen, können wir diese nach den RFM-Klassen sortieren.

RFM-Score in Excel sortiert.
RFM-Score in Excel sortiert.

Wie lassen sich Kundensegmente nach RFM Methode bilden?

Die RFM-Segmentierung eignet sich für die gezielte Ansprache in Marketingkampagnen
Mögliche Segmentierung mit der RFM-Analyse

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 bestimmten 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. 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 Kontakt: Laurenz Wuttke

Unternehmen sitzen auf einem ungenutzten Berg von Kundendaten. Wir von datasolut entwickeln KI, die Ihr Marketing optimiert. Damit Sie dem richtigen Kunden zur richtigen Zeit das richtige Angebot machen können.

Laurenz Wuttke

Auch interessant für Sie

Laurenz Wuttke datasolut Gmbh
Ich freue mich, wenn Sie sich zu unserem Newsletter anmelden.

Jetzt zum Newsletter anmelden!

Ihr Mehrwert:

Mit der Anmeldung stimmen Sie unserer Datenschutzerklärung zu.

KI-im-CRM Kopie

Whitepaper:
Wie künstliche Intelligenz das CRM verändert!

Trage deine E-Mail-Adresse ein, um die KI-Fallstudien zu erhalten: