Nicht alle Kund:innen kaufen gleich häufig oder geben dieselben Beträge in deinem Onlineshop aus. Während einige regelmäßig bestellen, sind andere nach einem einzigen Einkauf nicht mehr aktiv. Doch wie findest du heraus, welche Kundengruppen besonders wertvoll sind und bei welchen sich gezielte Marketingmaßnahmen lohnen?
Die RFM-Analyse hilft dir dabei, deine Kundschaft anhand ihres bisherigen Kaufverhaltens zu segmentieren. So kannst du beispielsweise treue Bestandskund:innen identifizieren, abwanderungsgefährdete Kundengruppen erkennen und deine Marketingstrategie gezielter ausrichten.
In diesem Beitrag erfährst du, wie die RFM-Analyse funktioniert, wie du die einzelnen Kennzahlen berechnest und wie du die Ergebnisse im E-Commerce einsetzen kannst.
Was ist eine RFM-Analyse?
Die RFM-Analyse ist eine Methode zur Kundensegmentierung, die das Kaufverhalten anhand von drei Faktoren bewertet: Recency (Zeit seit dem letzten Kauf), Frequency (Kaufhäufigkeit) und Monetary (Umsatz). Unternehmen nutzen sie, um wertvolle Kundengruppen zu identifizieren und gezielte Marketingmaßnahmen zu entwickeln.
Was bedeuten Recency, Frequency und Monetary?
Anders als bei einer demografischen Segmentierung wie Alter oder Wohnort stehen bei der RFM-Methode tatsächliche Transaktionen im Mittelpunkt. Dadurch lässt sich erkennen, wie aktiv einzelne Kund:innen sind und welchen Umsatz sie bislang erzielt haben.
Die Abkürzung RFM steht für drei Kriterien:
Recency: Wann hat die Kundschaft zuletzt gekauft?
Recency beschreibt, wie viel Zeit seit dem letzten Kauf vergangen ist. Meist wird diese Kennzahl in Tagen gemessen.
Hat eine Person erst vor wenigen Tagen bestellt, fällt ihr Recency-Wert niedriger aus als bei einer Person, deren letzter Einkauf bereits mehrere Monate zurückliegt.
Die Aktualität des letzten Kaufs kann darauf hinweisen, wie aktiv eine Kundenbeziehung derzeit ist. Allerdings hängt die Bedeutung der Kennzahl auch vom Produkt und vom üblichen Kaufzyklus ab.
Frequency: Wie häufig kauft die Kundschaft?
Frequency bezeichnet die Anzahl der Bestellungen innerhalb eines festgelegten Zeitraums, beispielsweise innerhalb der vergangenen zwölf Monate.
Eine hohe Kaufhäufigkeit deutet darauf hin, dass eine Person regelmäßig bei deinem Unternehmen einkauft. Das kann ein Hinweis auf eine bestehende Kundenbindung sein.
Für die Bewertung solltest du berücksichtigen, wie häufig deine Produkte üblicherweise benötigt werden. Verbrauchsprodukte werden beispielsweise oft in kürzeren Abständen gekauft als Möbel oder hochwertige Elektrogeräte.
Monetary: Wie viel Umsatz erzielt die Kundschaft?
Monetary beschreibt den Umsatz, den eine Person innerhalb eines bestimmten Zeitraums generiert hat.
Dieser Wert zeigt, welche Kund:innen besonders viel Geld in deinem Onlineshop ausgegeben haben. Dabei spielt es zunächst keine Rolle, ob sich der Umsatz auf viele kleinere oder wenige größere Bestellungen verteilt.
Wichtig ist allerdings, Umsatz nicht mit Gewinn gleichzusetzen. Hohe Bestellwerte bedeuten nicht automatisch, dass eine Kundenbeziehung besonders profitabel ist. Dafür müssten zusätzlich beispielsweise Retouren, Rabatte und Produktmargen berücksichtigt werden.
Wie funktioniert die RFM-Analyse?
Bei einer RFM-Analyse werden die drei Kennzahlen für jede Person ermittelt und anschließend bewertet. Dazu erhalten die Kund:innen für Recency, Frequency und Monetary jeweils einen sogenannten RFM-Score.
Häufig kommt eine Skala von 1 bis 5 zum Einsatz. Dabei steht 5 für eine besonders hohe Bewertung und 1 für eine niedrige Bewertung.
Für die drei Kennzahlen bedeutet das:
- Recency: Je kürzer der letzte Kauf zurückliegt, desto höher ist der Score.
- Frequency: Je häufiger eine Person kauft, desto höher ist der Score.
- Monetary: Je höher der erzielte Umsatz, desto höher ist der Score.
Anschließend werden die drei Einzelbewertungen zu einem dreistelligen RFM-Score kombiniert.
Eine Person mit dem Score 555 hat beispielsweise erst kürzlich eingekauft, bestellt häufig und erzielt einen hohen Umsatz. Dagegen weist der Score 111 auf einen länger zurückliegenden letzten Kauf, eine geringe Kaufhäufigkeit und einen niedrigen Umsatz hin.
Wichtig ist, dass die drei Ziffern nicht addiert werden müssen. Die Kombination gibt Aufschluss darüber, wie die jeweilige Person bei den einzelnen Kriterien abschneidet. Der Score 515 beschreibt somit ein anderes Kaufverhalten als der Score 551.
Feste Wertebereiche oder Quantile?
Um RFM-Scores zu vergeben, gibt es unterschiedliche Vorgehensweisen.
Bei festen Wertebereichen legst du vorab bestimmte Grenzen fest. Beispielsweise könnten alle Kund:innen, die innerhalb der vergangenen 30 Tage bestellt haben, einen Recency-Score von 5 erhalten. Je länger der letzte Kauf zurückliegt, desto niedriger fällt die Bewertung aus.
Alternativ kannst du Quantile verwenden. Bei einer Einteilung in fünf gleich große Gruppen erhalten jeweils ungefähr 20 Prozent der Kund:innen denselben Score. Für jede Kennzahl erfolgt diese Einteilung separat.
Feste Wertebereiche sind besonders leicht verständlich. Quantile passen sich dagegen an die Verteilung deiner Kundendaten an. Welche Methode sinnvoller ist, hängt von der Größe deines Kundenstamms und den Kaufgewohnheiten ab.
Bei fünf möglichen Bewertungen pro Kennzahl ergeben sich insgesamt 125 mögliche RFM-Kombinationen. Für die praktische Nutzung werden diese häufig zu einer kleineren Anzahl aussagekräftiger Kundensegmente zusammengefasst.
RFM-Analyse durchführen: Schritt-für-Schritt-Anleitung
Für eine RFM-Analyse benötigst du zunächst die Bestelldaten deiner Kundschaft. Anschließend berechnest du die drei Kennzahlen, vergibst Bewertungen und bildest daraus Kundensegmente.
Wie das funktioniert, zeigt das folgende vereinfachte Beispiel eines fiktiven Onlineshops für Kosmetikprodukte.
Schritt 1: Kundendaten sammeln und aufbereiten
Zunächst benötigst du Informationen darüber, wann und wie häufig einzelne Kund:innen bestellt haben und welchen Umsatz sie erzielt haben.
Die erforderlichen Angaben findest du beispielsweise in der Bestellhistorie deines Shopsystems oder in einem Customer-Relationship-Management-System (CRM).
Für die RFM-Analyse sind insbesondere folgende Informationen relevant:
- Eine eindeutige Kunden-ID
- Das Datum der letzten Bestellung
- Die Anzahl der Bestellungen
- Der gesamte Bestellumsatz im Analysezeitraum
In unserem Beispiel betrachten wir die vergangenen zwölf Monate und nutzen einen einheitlichen Stichtag für die Auswertung.
| Kunden-ID | Letzter Kauf vor | Bestellungen | Umsatz |
|---|---|---|---|
| A | 5 Tagen | 8 | 800 € |
| B | 20 Tagen | 5 | 500 € |
| C | 90 Tagen | 2 | 150 € |
| D | 200 Tagen | 1 | 50 € |
| E | 15 Tagen | 1 | 300 € |
Alle Angaben sind fiktiv und dienen der Veranschaulichung.
Achte darauf, dass du nur gültige Bestellungen berücksichtigst und beispielsweise stornierte Bestellungen aus deiner Auswertung ausschließt. Auch Rückerstattungen sollten einheitlich behandelt werden, damit die Umsatzwerte vergleichbar bleiben.
Schritt 2: RFM-Werte berechnen
Nachdem du die Bestelldaten zusammengestellt hast, berechnest du die drei RFM-Kennzahlen.
Recency ergibt sich aus der Anzahl der Tage zwischen dem Analyse-Stichtag und der letzten Bestellung.
Frequency entspricht der Anzahl der gültigen Bestellungen innerhalb des festgelegten Zeitraums.
Monetary ergibt sich aus der Summe der berücksichtigten Bestellumsätze.
Beispielsweise hat Kund:in A vor fünf Tagen zuletzt bestellt, innerhalb des betrachteten Jahres acht Bestellungen aufgegeben und dabei insgesamt 800 € Umsatz generiert.
Daraus ergeben sich folgende Werte:
- Recency: 5 Tage
- Frequency: 8 Bestellungen
- Monetary: 800 €
Diese Berechnung führst du für alle Kund:innen durch. In einem Onlineshop mit vielen Bestellungen lässt sich die Auswertung mithilfe einer Tabellenkalkulation oder geeigneter Analysesoftware vereinfachen.
Schritt 3: RFM-Scores vergeben
Im nächsten Schritt wandelst du die ermittelten Werte in Bewertungen um.
Für unser vereinfachtes Beispiel verwenden wir eine Skala von 1 bis 5 und ordnen die fünf Kund:innen bei jeder Kennzahl nach ihrem jeweiligen Wert.
Die Person mit dem besten Wert erhält 5 Punkte, die Person mit dem niedrigsten Wert 1 Punkt.
Daraus ergibt sich folgende Tabelle:
| Kunden-ID | R-Score | F-Score | M-Score | RFM-Score |
|---|---|---|---|---|
| A | 5 | 5 | 5 | 555 |
| B | 3 | 4 | 4 | 344 |
| C | 2 | 3 | 2 | 232 |
| D | 1 | 2 | 1 | 121 |
| E | 4 | 1 | 3 | 413 |
Die Bewertung basiert hier auf der Rangfolge innerhalb dieser kleinen Beispielgruppe. Bei einem größeren Datenbestand kannst du stattdessen feste Schwellenwerte oder Quantile nutzen.
Bei identischen Werten solltest du zudem einheitliche Regeln für die Punktevergabe festlegen. Im Beispiel haben die Kund:innen unterschiedliche Werte je Kriterium, sodass sich die Rangfolge eindeutig bestimmen lässt.
Anhand der Scores wird sichtbar, dass Kund:in A bei allen drei Kriterien besonders gut abschneidet. Kund:in E hat zwar erst kürzlich bestellt und einen vergleichsweise hohen Umsatz erzielt, allerdings bislang nur eine Bestellung aufgegeben.
Schritt 4: Kundensegmente bilden
Zum Abschluss ordnest du die einzelnen RFM-Scores übergeordneten Kundengruppen zu.
Die 125 möglichen Kombinationen bei einer Fünfer-Skala sind für individuelle Marketingmaßnahmen häufig zu detailliert. Deshalb ist es sinnvoll, ähnliche Kaufmuster zusammenzufassen.
In unserem Beispiel lässt sich Kund:in A aufgrund des Scores 555 als besonders aktive und umsatzstarke Stammkundschaft einordnen. Kund:in D hat dagegen länger nicht eingekauft und weist eine geringe Kaufhäufigkeit sowie einen niedrigen Umsatz auf.
Kund:in E könnte für die Neukundenbindung interessant sein, da die bisherige Bestellung noch nicht lange zurückliegt, aber noch kein Wiederholungskauf stattgefunden hat.
Die konkreten Grenzen der Segmente kannst du an deinen Onlineshop anpassen.
RFM-Analyse mit Excel erstellen
Eine einfache RFM-Analyse lässt sich auch ohne spezialisierte Software durchführen. Besonders für kleinere Datenbestände eignet sich beispielsweise Excel.
Dafür kannst du die Kundendaten in einer Tabelle erfassen und die Kennzahlen in separaten Spalten berechnen.
Mit einer Formel zur Datumsdifferenz lässt sich ermitteln, wie viele Tage seit der letzten Bestellung vergangen sind. Die Anzahl der Bestellungen und die jeweiligen Umsätze können anschließend mithilfe entsprechender Zähl- und Summenfunktionen pro Kunden-ID aggregiert werden.
Danach sortierst du die Ergebnisse nach den drei Kennzahlen und vergibst die Scores anhand deiner festgelegten Methode.
Bei größeren Datenmengen oder regelmäßigen Analysen sind automatisierte Auswertungen sinnvoll, da sie den manuellen Aufwand und mögliche Übertragungsfehler reduzieren.
Welche Kundensegmente gibt es bei der RFM-Analyse?
Mithilfe der RFM-Analyse lassen sich Kund:innen in Gruppen einteilen, die sich hinsichtlich ihrer Kaufaktualität, Kaufhäufigkeit und ihres Umsatzes unterscheiden.
Die genaue Anzahl und Bezeichnung dieser Kundensegmente ist nicht einheitlich festgelegt. Häufig werden jedoch ähnliche Gruppen verwendet.
| Kundensegment | Typisches Kaufverhalten |
|---|---|
| Besonders wertvolle Kund:innen | Kaufen häufig, haben kürzlich bestellt und erzielen hohe Umsätze |
| Treue Bestandskund:innen | Kaufen regelmäßig, auch wenn einzelne Bestellwerte niedriger ausfallen |
| Neue Kund:innen | Haben vor Kurzem erstmals bestellt |
| Potenzielle Stammkundschaft | Kaufen bereits wiederholt ein und zeigen Entwicklungspotenzial |
| Abwanderungsgefährdete Kund:innen | Waren früher aktiv, haben aber längere Zeit nicht mehr bestellt |
| Inaktive Kund:innen | Haben seit längerer Zeit nicht gekauft und weisen eine geringe Kaufhäufigkeit auf |
Diese Einteilung hilft dir, unterschiedliche Kundenbeziehungen besser zu verstehen. Statt den gesamten Kundenstamm einheitlich anzusprechen, kannst du deine Marketingmaßnahmen an den jeweiligen Bedürfnissen und bisherigen Kaufmustern ausrichten.
Allerdings solltest du die Segmente nicht als starre Kategorien betrachten. Das Kaufverhalten kann sich im Laufe der Zeit verändern. Deshalb ist es sinnvoll, die RFM-Analyse regelmäßig zu aktualisieren.
Wie lässt sich die RFM-Analyse im E-Commerce einsetzen?
Im E-Commerce kann die RFM-Analyse dabei helfen, Marketingmaßnahmen stärker auf das tatsächliche Kaufverhalten auszurichten. Besonders relevant ist sie für die Kundenbindung, die Personalisierung von Kampagnen und die Rückgewinnung inaktiver Kund:innen.
Kundenbindung gezielt verbessern
Kund:innen mit hohen RFM-Scores gehören häufig zu den besonders aktiven Käufergruppen eines Onlineshops.
Für diese Gruppe können sich beispielsweise exklusive Produktinformationen, Treueprogramme oder frühzeitige Zugänge zu neuen Kollektionen eignen.
Das Ziel besteht darin, bestehende Kundenbeziehungen weiterzuentwickeln, ohne die Kundschaft mit zu vielen Werbebotschaften zu überlasten.
E-Mail-Marketing personalisieren
Die RFM-Segmentierung kann als Grundlage für personalisierte E-Mail-Kampagnen dienen.
Personen, die regelmäßig einkaufen, interessieren sich möglicherweise für andere Inhalte als Kund:innen, die erst einmal bestellt haben.
Während sich bei Stammkundschaft Produktempfehlungen auf Basis bisheriger Einkäufe anbieten, können bei Neukund:innen Informationen zur Marke, zur Produktnutzung oder zu passenden Ergänzungsprodukten sinnvoll sein.
Die RFM-Werte allein verraten allerdings nicht, welche Produkte eine Person bevorzugt. Für eine genauere Personalisierung lassen sie sich deshalb mit weiteren Informationen aus der Bestellhistorie kombinieren.
Abwanderungsgefährdete Kund:innen zurückgewinnen
Eine besonders wichtige Anwendung besteht darin, Kund:innen zu identifizieren, die früher regelmäßig bestellt haben, deren letzter Kauf aber bereits länger zurückliegt.
Solche Veränderungen werden durch einen niedrigen Recency-Score in Kombination mit früher hohen Frequency- oder Monetary-Werten sichtbar.
Für diese Kundengruppe können beispielsweise personalisierte Reaktivierungskampagnen, relevante Produktempfehlungen oder gezielte Angebote infrage kommen.
Dabei solltest du berücksichtigen, ob die Dauer seit dem letzten Kauf tatsächlich ungewöhnlich ist. Bei Produkten, die nur selten ersetzt werden, ist eine längere Kaufpause nicht automatisch ein Zeichen für Abwanderung.
Marketingbudget effizienter einsetzen
Nicht jede Kundengruppe reagiert auf dieselben Marketingmaßnahmen. Durch die RFM-Analyse kannst du besser einschätzen, welche Zielgruppen sich für bestimmte Kampagnen eignen.
Beispielsweise könnte ein Onlineshop für Kosmetikprodukte Wiederholungskäufe bei Personen fördern, die bereits mehrfach ähnliche Produkte bestellt haben. Bei weniger aktiven Kund:innen könnte dagegen zunächst die erneute Kontaktaufnahme im Mittelpunkt stehen.
Ob eine Maßnahme tatsächlich erfolgreich ist, solltest du anhand geeigneter Kennzahlen wie der Wiederkaufrate, der Conversion-Rate oder des Kampagnenumsatzes überprüfen.
Außerdem müssen bei personenbezogenen Marketingmaßnahmen die geltenden Datenschutzregeln und erforderlichen Einwilligungen berücksichtigt werden.
Welche Vorteile und Nachteile hat die RFM-Analyse?
Die RFM-Analyse bietet eine vergleichsweise einfache Möglichkeit, aus vorhandenen Bestelldaten Erkenntnisse über das Kaufverhalten zu gewinnen. Allerdings hat die Methode auch Grenzen, die bei der Interpretation berücksichtigt werden sollten.
Vorteile der RFM-Analyse
Ein wesentlicher Vorteil ist, dass die Methode auf Daten basiert, die in vielen Onlineshops bereits vorhanden sind.
Weitere Vorteile sind:
- Einfache Umsetzung: Die Analyse lässt sich mit grundlegenden Bestelldaten und einer Tabellenkalkulation durchführen.
- Bessere Kundensegmentierung: Unterschiedliche Kaufmuster und Kundengruppen werden sichtbar.
- Gezieltere Marketingmaßnahmen: Kampagnen können anhand des bisherigen Kaufverhaltens ausgerichtet werden.
- Unterstützung der Kundenbindung: Besonders aktive und potenziell abwanderungsgefährdete Kund:innen lassen sich identifizieren.
- Effizienterer Ressourceneinsatz: Marketingbudgets können gezielter auf unterschiedliche Kundengruppen verteilt werden.
Die RFM-Methode eignet sich damit besonders für Unternehmen, die ihre Kundendaten strukturierter auswerten und ihre Marketingstrategie stärker datenbasiert gestalten möchten.
Nachteile und Grenzen der RFM-Analyse
Trotz dieser Vorteile liefert die RFM-Analyse kein vollständiges Bild einer Kundenbeziehung.
Ein zentraler Nachteil ist, dass ausschließlich vergangene Transaktionen bewertet werden. Die Methode kann daher nicht zuverlässig vorhersagen, ob eine Person künftig erneut bestellen wird.
Zudem berücksichtigt das klassische RFM-Modell weder die Zufriedenheit der Kundschaft noch Produktpräferenzen, Retourengründe oder die tatsächliche Profitabilität einzelner Bestellungen.
Auch unterschiedliche Kaufzyklen können die Ergebnisse beeinflussen. Eine Person, die einmal jährlich ein hochwertiges Produkt erwirbt, kann einen niedrigeren Frequency-Score erhalten als jemand, der monatlich günstige Verbrauchsprodukte bestellt.
Hinzu kommt, dass neue Kund:innen aufgrund ihrer kurzen Bestellhistorie häufig niedrige Frequency-Werte aufweisen, obwohl sie langfristig wertvoll werden könnten.
Deshalb eignet sich die RFM-Analyse vor allem als Ergänzung zu weiteren Kennzahlen. Eine wichtige Größe ist beispielsweise der Customer Lifetime Value (CLV), mit dem sich der langfristige wirtschaftliche Wert einer Kundenbeziehung betrachten beziehungsweise prognostizieren lässt.
Fazit: Kundenverhalten mit der RFM-Analyse besser verstehen
Die RFM-Analyse bietet eine einfache Möglichkeit, deine Kundschaft anhand ihres tatsächlichen Kaufverhaltens zu segmentieren. Durch die Bewertung von Kaufaktualität, Kaufhäufigkeit und Umsatz kannst du wertvolle Kundengruppen identifizieren und erkennen, bei welchen Kund:innen Potenzial für weitere Käufe besteht.
Besonders im E-Commerce hilft dir die Methode dabei, Marketingmaßnahmen gezielter auszurichten, die Kundenbindung zu stärken und inaktive Kund:innen erneut anzusprechen. Da die RFM-Analyse ausschließlich vergangene Transaktionen berücksichtigt, solltest du ihre Ergebnisse jedoch immer im Zusammenhang mit weiteren Kennzahlen und den individuellen Kaufzyklen deiner Produkte betrachten.
