Wie viele Kunden brauche ich für eine RFM-Analyse?

Ein festes Minimum gibt es nicht, doch bei nur einigen Dutzend Kunden sind die Gruppen zu klein, um aussagekräftig zu sein. Ab einigen Hundert identifizierten Kunden werden die Segmente nützlich.

Quintile oder eigene Schwellenwerte?

Quintile sind der übliche Ausgangspunkt, weil sie sich an Ihre Daten anpassen. Kennen Sie Ihren Kaufzyklus, lassen sich feste Schwellen wie 30, 60 und 90 Tage dem Personal oft leichter erklären. Was Sie auch wählen, halten Sie es stabil.

Wie oft sollte ich die Segmente aktualisieren?

Monatlich bei Geschäften mit häufigen Käufen, quartalsweise bei längeren Kaufzyklen. Der Nutzen liegt darin zu sehen, wer von treu zu gefährdet wechselt; Regelmäßigkeit ist daher wichtiger als Präzision.

Ist RFM dasselbe wie die ABC-Analyse?

Nein. Die ABC-Analyse ordnet Artikel nach ihrem Wertanteil, RFM ordnet Kunden nach ihrem Verhalten. Beide beantworten unterschiedliche Fragen und ergänzen sich gut.

Kann ich eine RFM-Analyse in einer Tabellenkalkulation durchführen?

Ja. Mit einem Export von Kunden, Datum des letzten Kaufs, Zahl der Besuche und Umsätzen berechnet eine Tabellenkalkulation die Werte und Segmente.

RFM-Analyse im Einzelhandel: Treue Kunden und abwandernde Kunden erkennen

Was RFM misst

Recency (Aktualität): wie viele Tage seit dem letzten Kauf vergangen sind. Weniger ist besser.
Frequency (Häufigkeit): wie viele Käufe der Kunde im Zeitraum getätigt hat, zum Beispiel in den letzten 12 Monaten.
Monetary (Umsatz): wie viel der Kunde im selben Zeitraum ausgegeben hat, nach Retouren.

Die Aktualität ist meist das stärkste Signal. Wer letzte Woche gekauft hat, kauft mit deutlich höherer Wahrscheinlichkeit wieder als jemand, der vor sechs Monaten zuletzt da war, selbst wenn Letzterer insgesamt mehr ausgegeben hat. Die Häufigkeit zeigt Gewohnheit, der Umsatz die Bedeutung eines Kunden für die Erlöse.

Was Sie vorab brauchen

RFM funktioniert nur mit Käufen, die sich einer Person zuordnen lassen: Kundenkarte, an der Kasse angegebene Telefonnummer oder Kundenkonto im Onlineshop. Anonyme Bons lassen sich nicht bewerten; prüfen Sie daher zuerst, welcher Anteil Ihrer Umsätze identifiziert ist. Ist er klein, beschreibt die Analyse Ihre Kundenkartenmitglieder und nicht alle Kunden und sollte auch so gelesen werden. Die Nutzung von Kundendaten für Marketing kann nach Datenschutzrecht eine Einwilligung erfordern; prüfen Sie die für Sie geltenden Regeln.

So führen Sie eine RFM-Analyse durch, Schritt für Schritt

Festlegen, welche Käufe zählen: identifizierte Bons aus allen Filialen und dem Onlineshop, ohne Test- und Personalkäufe.
Den Zeitraum wählen, meist die letzten 12 Monate, und einen Stichtag, meist heute.
Für jeden Kunden das Datum des letzten Kaufs, die Zahl der Käufe und den Gesamtumsatz im Zeitraum exportieren.
Mehrere Bons desselben Kunden am selben Tag als einen Besuch zählen, damit geteilte Zahlungen die Häufigkeit nicht aufblähen.
Die Aktualität als Zahl der Tage zwischen letztem Kauf und Stichtag berechnen.
Jede Kennzahl von 1 bis 5 bewerten, indem Sie die Kunden in fünf gleich große Gruppen teilen; bei der Aktualität erhält die jüngste Gruppe die 5.
Die Werte zu wenigen Segmenten zusammenfassen, mit denen Sie arbeiten können.
Jedem Segment eine klare Maßnahme und eine verantwortliche Person zuordnen.
Die Analyse monatlich oder quartalsweise wiederholen und beobachten, wie Kunden zwischen Segmenten wechseln.

Segmente, mit denen sich arbeiten lässt

Champions (Aktualität 5, Häufigkeit 4–5): Ihre besten Kunden. Bedanken Sie sich, bieten Sie frühen Zugang zu Neuheiten, überhäufen Sie sie nicht mit Rabatten.
Treue Kunden (Aktualität 3–4, Häufigkeit 4–5): Stammkunden. Halten Sie sie mit relevanten Neuigkeiten und Vorteilen des Kundenprogramms bei der Stange.
Neukunden (Aktualität 5, Häufigkeit 1): haben kürzlich zum ersten Mal gekauft. Ziel ist der zweite Besuch.
Gefährdet (Aktualität 1–2, Häufigkeit 3–5): kauften früher oft, waren aber länger nicht da. Das wertvollste Segment für die Rückgewinnung.
Verloren (Aktualität 1, Häufigkeit 1–2): kauften vor langer Zeit ein- oder zweimal. Niedrige Priorität; nur in günstige, allgemeine Kampagnen aufnehmen.

Fünf Segmente reichen für die meisten Geschäfte. Ein Raster aus 125 Wertkombinationen wirkt präzise, lässt sich aber nicht umsetzen.

Rechenbeispiel (Beispielzahlen)

Ein Geschäft mit drei Filialen hat 2.000 Kunden mit identifizierten Käufen in den letzten 12 Monaten. Bei fünf gleich großen Gruppen umfasst jeder Wert 400 Kunden. Drei davon:

Kunde A: letzter Kauf vor 6 Tagen, 14 Besuche, 820 EUR. Werte R5 F5 M5, ein Champion.
Kunde B: letzter Kauf vor 95 Tagen, 9 Besuche, 610 EUR. Werte R2 F4 M4, gefährdet. Bis zum Frühjahr kam B fast jeden Monat.
Kunde C: letzter Kauf vor 12 Tagen, 1 Besuch, 35 EUR. Werte R5 F1 M1, Neukunde.

Angenommen, 140 Kunden landen im Segment „gefährdet“. Zusammen haben sie im Zeitraum deutlich mehr ausgegeben als die 300 verlorenen Kunden, daher lohnt sich eine persönliche Nachricht oder ein Angebot für sie mehr als eine allgemeine Kampagne an alle. Nach dem nächsten monatlichen Lauf prüft das Geschäft, wie viele der 140 wieder zu den treuen Kunden zurückgekehrt sind und wie viele Neukunden ein zweites Mal kamen.

Aktualität an den Kaufzyklus anpassen

Dreißig Tage ohne Kauf bedeuten in einem Möbelhaus wenig und in einer Bäckerei viel. Gleich große Gruppen passen sich automatisch an Ihre Daten an, doch schauen Sie sich die tatsächlichen Tagesbereiche hinter jedem Wert an. Beginnt R1 bei 40 Tagen in einem Geschäft, in das die Kunden normalerweise wöchentlich kommen, wandern diese Kunden wirklich ab; bei einem jährlichen Kaufzyklus kann ein längerer Zeitraum nötig sein, bevor die Analyse etwas aussagt.

So funktioniert es in OrgLines

In OrgLines beruhen die Handelsauswertungen auf einer Kopie der Vorgänge Ihres Kundenprogramms: Bons, Mitglieder, eingelöste Punkte und der Anteil der Bons mit Einlösung, je Filiale und je Verkäufer. Die Kundenanalyse ordnet Mitglieder in einem Raster aus Aktualität und Häufigkeit ein. Klicken Sie auf ein Segment, um nur diese Kunden zu sehen, speichern Sie es und exportieren Sie es als Datei für das Mailing-Tool, das Sie bereits nutzen. Einen eingebauten Versand gibt es nicht.

Das Raster ist ehrlich zu seinen Grenzen. Gibt es zu wenige Kunden für eine Rangfolge, wird es gar nicht gezeichnet, weil es ein Artefakt der Stichprobe und kein Bild Ihres Kundenstamms wäre, und Kunden, die sich nicht vergleichen ließen, werden als eigene Zahl ausgewiesen statt verborgen. Das Raster nutzt Aktualität und Häufigkeit; wenn Sie auch den Umsatz einbeziehen möchten, ergänzen Sie ihn in Ihrer eigenen Berechnung auf Basis des exportierten Segments oder Ihrer Verkaufsdaten.

Typische Fehler

Anonyme und identifizierte Umsätze vermischen, sodass der Kundenstamm kleiner oder größer wirkt, als er ist.
Geteilte Zahlungen als getrennte Besuche zählen.
Einen zu kurzen Zeitraum wählen, sodass Saisonkunden als verloren erscheinen.
Dutzende Segmente bilden und mit keinem arbeiten.
Allen Segmenten denselben Rabatt schicken, auch Champions, die ohnehin gekauft hätten.
Die Analyse einmal durchführen, statt Wechsel zwischen Segmenten zu verfolgen.
Einwilligungsregeln beim Export von Kunden für Kampagnen übersehen.

Checkliste

Der Anteil identifizierter Umsätze ist bekannt.
Zeitraum und Stichtag sind festgehalten.
Bons desselben Tages sind zu einem Besuch zusammengefasst.
Die Werte werden jedes Mal gleich berechnet.
Höchstens fünf Segmente, jedes mit einer Maßnahme und einer verantwortlichen Person.
Exporte für Kampagnen berücksichtigen die Einwilligung der Kunden.
Der nächste Lauf steht im Kalender, und Segmentwechsel werden verglichen.

Kostenlos in OrgLines testen