digital intelligence

Kundenanalyse – Teil 1: RFM Analyse

29. März 2018/0/0
Home / Blog / analytics / Kundenanalyse – Teil 1: RFM Analyse

Jedes Unternehmen steht über kurz oder lang vor der Frage, welche Kunden sprechen wir mit einem begrenzten Marketing Budget an, um den maximalen Return of Investment zu erzielen. Ansätze diese Frage zu beantworten gibt es viele:

  • Kunden, die teuere Produkte gekauft haben
  • Kunden, die eine hohe Customer Lifetime Value besitzen
  • Kunden, die in den letzten 90 Tagen eingekauft haben
  • Kunden, die den höchsten Warenkorbwert zeigen

Jedes Unternehmen kann schnell eine lange Liste mit möglichen Kundensegmenten aufstellen, die je nach Businessmodell mehr oder weniger erfolgversprechend sind.

RFM Analysen sind ein Werkzeug Kunden anhand ihres Kaufverhaltens in Segmente einzuteilen. RFM Analysen sind seit Jahrzehnten ein etabliertes Werkzeug im direct marketing oder zur Spender-Analyse im NGO Kontext.

Durch die Vielzahl an Datenpunkten, die online getriebenen Assets zur Verfügung stehen, bieten modifizierte RFM Analysen eCommerce Unternehmen ein mächtiges Steuerungsinstrument die richtigen Kunden mit der passenden Botschaft zu erreichen.

Die Buchstaben R,F und M stehen für die drei Dimensionen, die berücksichtigt werden um den Wert eines Kunden zu definieren:

R – Recency: Neuheit bzw. Aktualität. Wie lange liegt der letzte Kauf eines Kunden zurück. Kunden, die vor kurzem einen Kauf getätigt, verknüpfen mit dem Einkauf ein positives Service-Erlebnis, befinden sich aktuell in einer oder mehrerer Retargeting Kampagnen und besitzen eine höhere Wahrscheinlichkeit, in nächster Zeit einen weiteren Einkauf zu tätigen. Im Gegenzug ist es eher unwahrscheinlich, dass Nutzer, die zum letzten Mal vor zwei Jahren mit einem Unternehmen durch einen Kauf interagiert haben, in nächster Zeit eine neue Transaktion tätigen werden.

F – Frequency: Häufigkeit oder Frequenz mit der ein Kunde einen Einkauf getätigt hat. Je höher die Kauf-Frequenz eines Kunden ist, desto wahrscheinlicher ist es, dass der Kunde in nächster Zeit einen weiteren Kauf tätigen wird. Kunden, deren letzter Einkauf länger zurück liegt sind schwieriger zu aktivieren.

M – Monetary Value: Monetärer Wert oder Geldwert. Die Summe aller Ausgaben, die ein Kunde bei seinen Einkäufen getätigt hat. Ein Kunde, der durchschnittlich mehr Geld ausgibt, wird schneller auf ein Angebot reagieren, als ein Nutzer der nur sehr wenig Geld in seiner Kundenhistorie ausgegeben hat.

RFM Analyse

Jede der drei Dimensionen R-F-M wird in gleich große Sektoren unterteilt, z.B. erhält ein Kunde der jüngst eine Bestellung ausgeführt hat in der Recency Dimension einen Score von 5, ein Kunde mit einer weiter zurückliegenden Bestellung ein 4, usw. Die Anzahl der gewählten Stufen kann frei gewählt oder im Vorfeld der RFM Analyse durch andere Analysemethoden bestimmt werden.

Ähnlich verhält es sich mit den Scorings für Frequency und Monetary Value. Ein Kunde der nur wenige Bestellungen getätigt hat bekommt ein F Scoring von 1, ein Kunde mit einem durchschnittlichen Wert an Bestellungen eine 2 oder 3.
Am Ende besitzt jeder Kunde eine Matrix mit drei Scoringwerten, die mit den Dimensionen Recency, Frequency und Monetary Value korrespondieren. Das bestmögliche Scoring, und damit Kunden, die am ehesten auf ein Angebot reagieren, wäre 5-5-5.

Kampagnenoptimierung mittels RFM Analysen

Pay per Click Werbung, Banner Ads, Newsletter, Social Media – Unterschiedliche Werbekanäle stehen Unternehmen mehr als ausreichend zur Verfügung. Der Versuch jeden Kunden mit identischer Ansprache zu erreichen führt unweigerlich zu verschwendetem Marketing Budget. Nicht jeder Kunde ist zu jedem Zeitpunkt kaufbereit.
Mittels Segmentierungen, wie z.B. RFM Analysen kann die Profitabilität von Kampagnen erhöht werden. Jedes durch die RFM Analyse ermitteltes Kundensegment kann individuell durch gezielte Kampagnen adressiert werden.

Die Analyse der Kunden nach jeder einzelnen Dimension oder Kombinationen gibt Aufschluss darüber, welche Informationen für welches Kundensegment aktuell wertvoll sind.

Recency Scores geben dabei wertvolle Informationen über Nutzer, die seit längerem Zeitraum keine Transaktion ausgeführt haben und einer Erinnerung bedürfen.

Eine genauere Betrachtung der Frequency Scores ermöglicht die Justierung der Frequenz in der verschiedene Nutzer angesprochen werden sollten. Ein Nutzersegment, das alle zwölf Monate eine Jahresbestellung aufgibt, muss nicht wöchentlich getargeted werden. Auch kann ein absinken der Frequenz von Bestellungen ein frühes Zeichen für Unzufriedenheit der Nutzer mit den angebotenen Produkten und Services sein.

Die Monetary Value ist in der Grundaussage einfach: Kunden mit einem hohen M Score sind die Kunden, die hohe Umsätze generieren.

Die Kombination der R-F-M Scores eröffnet gezielte Ansätze zur Aktivierung von Umsatzpotential. Kunden, die einen hohen M Score aber selten und länger zurückliegend kaufen, können gezielt angesprochen werden, um die Transaktionshäufigkeit und Frequenz zu erhöhen.

Grenzen der RFM Analyse

Die RFM Analyse basiert auf drei grundlegenden Dimensionen und bewertet nur historische Daten. Andere Faktoren, die direkten oder indirekten Einfluss auf eine Kaufentscheidung nehmen, werden bei dieser Art der Kundensegmentierung nicht berücksichtigt.
Gleichzeitig können die Ergebnisse einer RFM Analyse schnell missinterpretiert werden. Dauerpenetration von Nutzern mit hohem RFM Score wird wahrscheinlich genauso wenig Erfolge zeigen, wie Nutzer mit niedrigem RFM Score zu ignorieren. Vielmehr kann eine RFM Analyse genutzt werden, um für jedes Kundensegment eine passende Werbebotschaft in der richtigen Frequenz mit für das Segment attraktiven Inhalten zu finden.

Aufgrund der Vielzahl an vorhandenen (Kunden)Daten profitieren gerade eCommerce Unternehmen von einer ausgefeilten Kundensegmentierung. Dies kann durch fortschrittliche Modellierungen geschehen oder durch das Anreichern einer RFM Analyse mit demographischen Daten, Web Tracking oder Kampagnendaten.

Phil Wennker on Linkedin
Phil Wennker
Phil ist der Gründer von dataheads. Unstrukturierte Daten, machine learning und data mining sind genau sein Ding. Er beschäftigt sich hauptsächlich mit der Analyse von streaming Daten aus Online Assets.
Er leidet regelmäßig mit dem VfL Bochum und den New Orleans Saints.
Navigation

Add comment