RFM-Analyse


Eine RFM-Analyse ist ein Scoringverfahren, das Kunden anhand verschiedener KPIs in Zielgruppen oder Segmente einteilen kann. Es zielt darauf ab, Kunden zu identifizieren, die am wahrscheinlichsten auf ein Angebot im Rahmen unterschiedlicher Marketing-Methoden reagieren. Am häufigsten werden RFM-Analysen im Direct Marketing eingesetzt, möglich sind jedoch auch Anwendungen im E-Mail Marketing, der Kampagnenotpimierung oder dem Performance und Database Marketing. Ausgehend von den Scoringwerten Recency, Frequency und Monetary werden Kunden in Käufergruppen eingeteilt, um herauszufinden, welche Kundengruppen besonders profitabel sind und bei welchen Kunden sich bestimmte Kampagnen oder Marketingangebote eher weniger lohnen. Der Zweck von RFM-Analysen ist es, Rücklaufquoten von Kampagnen zu prognostizieren und den Return on Investment zu erhöhen.

Allgemeine Informationen zum Thema[Bearbeiten]

Die RFM-Analyse ist ein empirisches Verfahren, das stark von Daten aus der Webanalyse, dem Customer Relationship Management oder den Transaktionen abhängig ist. Während viele Marketingansätze auf demografischen Eigenschaften basieren, ergänzen RFM-Analysen die strategischen Ausrichtungen von Kampagnen um eine verhaltensbasierte Komponente. Dazu wird das Kaufverhalten in der Vergangenheit genauer betrachtet:[1]

  • R - Recency (deutsch: Neuheit): Die Aktualität eines Kaufs ist ein wichtiges Hilfsmittel, um Kunden zu identifizieren, die vor kurzer Zeit etwas gekauft haben. Kunden, deren Kauf nicht lange zurückliegt, reagieren mit größerer Wahrscheinlichkeit auf ein neues Angebot als Kunden, deren Kauf vor längerer Zeit stattgefunden hat. Dies ist der wichtigste Faktor einer RFM-Analyse.
  • F - Frequency (deutsch: Häufigkeit): Die Häufigkeit eines Kaufs ist der Recency nachgechaltet. Wenn Kunden häufiger eingekauft haben, ist die Wahrscheinlichkeit für eine positive Reaktion höher als bei Kunden, die nur selten etwas gekauft haben.
  • M - Monetary Value (deutsch: monetärer Wert): Der Umsatz eines Kaufs oder der Geldwert bezieht sich auf alle getätigten Käufe eines Kunden. Kunden, die insgesamt für Käufe mehr Geld ausgegeben haben, reagieren wahrscheinlicher auf ein Angebot als Kunden, die kleinere Beträge investiert haben.

Funktionsweise einer RFM-Analyse[Bearbeiten]

In der Praxis werden RFM-Analysen meist automatisiert durchgeführt. Bei umfangreichen CRM-Systemen, Business Intelligence Software oder Predictive Analysis Systemen sind derartige Funktionen häufig schon implementiert. Das Scoring, das im Folgenden kurz erläutert wird, ist natürlich von den Daten abhängig, die zur Verfügung stehen.[2]

  • Auf der Grundlage des letzten Kaufs wird Kunden ein Score zugewiesen, der die Aktualität bezeichnet. Es können Zeitintervalle oder das Datum des letzten Kaufs verwendet werden. Die Zuweisung des Aktualitätsscore kann anhand von willkürlich gebildeten Einstufungen erfolgen. Beispielsweise können fünf oder weniger Kategorien verwendet werden, um Gruppen zu unterscheiden, deren Käufe länger oder kürzer zurückliegen.
  • Mit den gleichen Daten erhalten Kunden einen Häufigkeitsscore, der angibt, wie oft Kunden in einem Zeitintervall oder seit einem bestimmten Datum eingekauft haben. Auch hier kann die Einteilung in Gruppen relativ frei erfolgen, sodass es den Unternehmenszielen dient.
  • Nun bekommen Kunden einen Geldwert zugewiesen, wobei die höchste Einstufung den größten Umsätzen einer Kundengruppe entspricht. Bei fünf Kategorien können Geldwerte von 1 bis 5 gewählt werden.

Der eigentliche RFM-Score wird erst jetzt gebildet: Aktualitäts-, Häufigkeits- und Geldwertscores werden addiert oder verkettet und ergeben die RFM-Scores für die jeweiligen Kundengruppen. Insgesamt gibt es bei fünf Einstufungen 125 mögliche RFM-Scores, der größtmögliche kombinierte Score ist 555. Die höchsten Scores entsprechen den Kunden, die am wahrscheinlichsten auf ein Angebot reagieren – sei es eine geplante Kampagne oder eine Aktion. Die Reaktionsfreude ist jedoch nur eine Annahme, die auf der Basis der Daten gemacht wird.

Zudem können unterschiedliche RFM-Scores gebildet werden: Je nachdem welche Datenbasis vorhanden ist, können die Scores sich aus Transaktionen oder zusammengefassten Kundendaten ergeben. Einige Programme bieten zudem die Visualisierung der RFM-Scores an, um zum Beispiel die Kundengruppen als Diagramme oder Streudiagramme darzustellen.[3]

Praxisbezug[Bearbeiten]

Die Verwendung dieser Erkenntnisse im Marketing wird häufig kritisch gesehen: Zwar können RFM-Scores dabei helfen, die kaufkräftigsten Kunden zu identifizieren. Aber Marketingaktionen sollten sich nicht nur auf diese Kundengruppe beziehen – selbst wenn die größten Umsätze erwartbar sind in diesem Fall. Denn einerseits werden die Kundengruppen willkürlich eingeteilt: Es wird eine Art Profiling benutzt, welche dem Kunden schlecht vermittelt werden kann. Bekommen nur zahlungskräftige Kunden spezielle Angebote zugesandt, besteht die Gefahr, dass sich andere Kunden diskriminiert fühlen, sobald sie davon erfahren. Andererseits raten viele Marketingexperten dazu, sich gerade auf die kaufschwachen Kundengruppen zu konzentrieren, um ihre Loyalität und Kaufkraft zu erhöhen.[4]

Bedeutung für die Online Marketing[Bearbeiten]

RFM-Analysen können maßgeblich dazu beitragen, die Profitabilität von Werbekampagnen zu erhöhen. Zudem können RFM-Analysen in unterschiedlichen Kanälen und zu verschiedenen Zwecken angewendet werden. So können die Responseraten von Email Kampagnen, die Transaktionen in einem Onlineshop oder die Conversions von Websites analysiert werden, die zum Beispiel ein Whitepaper zum Download anbieten. Auch Kampagenenoptimierungen, Segmentierungen und tiefergehende Zielgruppenanalysen können auf der Basis von RFM-Analysen durchgeführt werden.Beispiel: Nutzung der RFM-Analyse in der Segmentierung help.sap.com. Abgerufen am 02.12.2016</ref> Die meisten RFM-Modelle können an die jeweiligen Bedingungen angepasst werden. Sie erfordern allerdings oft auch ein umfangreiches CRM System, das solche Analysemethoden anbietet sowie eine recht anspruchsvolle Datenerhebung, die daran angegliedert und mittels Tracking-Verfahren implementiert werden muss. Grundsätzlich ist dies in Excel ebenfalls möglich – aber zumindest die Transaktionsdaten müssen zur Verfügung stehen.[5]

Einzelnachweise[Bearbeiten]

  1. Welche Faktoren sind wichtig für den Kundenwert im Rahmen der RFM-Analyse? syrcon.com. Abgerufen am 02.12.2016
  2. RFM-Analyse ibm.com. Abgerufen am 02.12.2016
  3. IBM SPSS Direct Marketing math.uni-leipzig.de. Abgerufen am 02.12.2016
  4. RFM analysis (recency, frequency, monetary) searchdatamanagement.techtarget.com. Abgerufen am 02.12.2016
  5. Recency, Frequency, Monetary: Mit RFM individuellere E-Mails versenden optivo.com. Abgerufen am 02.12.2016

Weblinks[Bearbeiten]