RFM-Analyse – Kundensegmentierung nach Loyalität
Die Kundendaten lassen sich in zwei Kategorien aufteilen: demografisch (Alter, Einkommen, Familienstand) und verhaltensbasiert. In der Regel wird im Marketing versucht das Verhalten vorherzusagen. Dabei spielt die verhaltensbasierte Information, z.B. dass der Kunde oder die Kundin vor kurzer zeit mehrere Artikel im Gesamtwert von 2000 Euro gekauft hat eine viel größere Rolle, als demografische Information.
Direktmarketingspezialisten verwenden in der Regel die RFM-Analyse, um den Kundenwert zu formalisieren. Zu diesem Zweck werden drei Indikatoren untersucht.
- Recency (Aktualität) - die zeitliche Dimension des Verkaufs (wie viel Zeit ist seit dem letzten Kauf des Kunden vergangen)
- Frequency (Häufigkeit) - die Periodizität der Käufe (die Anzahl der Käufe in dem Zeitraum)
- Monetary (Geldbetrag) - der Gesamtbetrag der Verkäufe (manchmal wird eine durchschnittliche Bestellung verwendet)
Auswahl des dritten Indikators
Der dritte Indikator (Geldbetrag) kann auch anders gewählt werden, wenn er zu den Hauptindikatoren Recency (Aktualität) und Frequency (Häufigkeit) passt. Für ein Informationsportal kann z.B. die Verweildauer auf der Seite als dritter Indikator verwendet werden.
Die Indikatoren Frequency (Häufigkeit) und Monetary (Geldbetrag) hängen oft zusammen: je mehr Einkäufe, desto höher das Gesamtbetrag. Aus diesem Grund gibt es in der Praxis eine vereinfachte Version der RFM-Analyse, die als RF-Segmentierung bezeichnet wird. In diesem Fall wird der Indikator Monetary (Geldbetrag) nicht verwendet. Anhand dieser Analyse lässt sich leicht feststellen, mit welchen Kunden Sie aktiv zusammenarbeiten und spezielle Angebote entwickeln müssen.
Der Anteil der Käufer, die auf allgemeine Werbeangebote reagieren, ist in der Regel gering. Die RFM-Analyse ist eine einfache und zugleich effiziente Methode mit der Sie die Reaktion eines Käufers vorhersagen. So kann die Interaktion mit den Kunden verbessert werden. In Abhängigkeit von dem RFM-Segment können unterschiedliche Methoden audgewählt werden die Kunden zu beinflussen. Der wichtigste Indikator ist die Recency (Aktualität), gefolgt von der Frequency (Häufigkeit) und schließlich der Höhe des Umsatzes.
Beispielanwendung von RFM auf eine Privatkunden-Datenbank
Ein kleines Unternehmen, das Schulbücher verkauft verschickte Briefe an alle seine Kunden, in denen ein Kauf von Produkten des Unternehmens vorschlagen wurde. Die Kosten für den Versand betrugen 85 Cent pro Brief, während der Gewinn aus jedem Verkauf 28 Euro betrug. Um die Kosten für den Versand der Briefe zu rechtfertigen, musste das Unternehmen also mehr als 3% der Antworten erhalten. Mehrere Jahre lang lag die Rücklaufquote jedoch unter 1,6%, was keinen Gewinn einbrachte. Mit Hilfe von RFM-Analyse wurde die gesamte bestehende Kundendatenbank in 125 Gruppen (5x5x5) unterteilt. Für jede dieser Gruppen wurde die Rücklaufquote ermittelt. Später begann das Unternehmen, die Mailings nur innerhalb der Gruppen durchzuführen, die eine Rücklaufquote von über 3% aufweisen, so dass es schließlich einen Gewinn erzielen konnte.
Es ist wichtig zu beachten, dass das Unternehmen nicht von der kontinuierlichen Anwendung der RFM-Analyse profitieren wird. Man könnte sie nutzen, um die Frage zu beantworten, welchen Kunden man anschreiben oder anrufen soll. In diesem Fall werden einige Kunden überhaupt nichts mehr von dem Unternehmen hören. Andere Kunden, die am aktivsten reagieren, werden von der ständigen Aufmerksamkeit ermüdet sein, weil sie zu oft kontaktiert werden. Es nuss eine Kontaktstrategie entwickelt werden, welche Art von Angebot den weniger empfänglichen Kunden gemacht werden kann. Diese Kunden müssen wissen, dass das Unternehmen sie nicht vergessen hat.
Beispielanwendung von RFM auf eine Unternehmenskunden-Datenbank
Betrachten wir die Anwendung der RFM-Analyse auf eine Datenbank von Unternehmenskunden. Diese Art von Datenbank ist in den meisten Fällen viel kleiner als eine Datenbank, die aus Privatkunden besteht. Sie können also die Anzahl der Gruppen reduzieren. Bei einer Datenbank mit 10000 Datensätzen enthalten 125 RFM-Analysegruppen beispielsweise nur 80 Datensätze pro Gruppe. Das ist nicht genug, um statistische Ergebnisse zu erhalten. Reduzieren wir die Anzahl der RFM-Zellen auf 20 mit einer verringerten Anzahl von Gruppen, die nach Häufigkeit und Höhe des Umsatzes sortiert sind. Zum Beispiel 5 nach dem Kaufdatum (recency), 2 nach der Häufigkeit (frequency) und 2 nach dem Umsatz (monetary).
Grenzen der RFM-Analyse
Die Theorie der RFM-Analyse geht von einem sehr einfachen Mechanismus zur Aufteilung der Recency (Aktualität), der Frequency (Häufigkeit) und der Höhe des Umsatzes nach Segmenten aus. Sie sortieren alle Kunden, und teilen sie in 5 gleiche Gruppen für jeden Indikator ein. Diese Methode ist produktiv und hilft, alle Kunden im Verhältnis zueinander in Segmente zu unterteilen.
In der Praxis gibt es jedoch ein Problem, da sich diese Indikatoren sich im Laufe der Zeit ändern.
Beispiel 1:
Das Geschäft läuft gut, aber plötzlich wird einen Monat lang kein einziger Kauf getätigt. Das ist schlecht. Doch wenn Sie die Datenbank in gleiche Teile aufteilen, wird sich nichts ändern. Zum Beispiel werden die Recency (Aktualität) Segmente im vergleich zum vorherigen Monat dieselben sein.
Beispiel 2:
Das neue Unternehmen verfügt noch nicht über Umsatzdaten für mehrere Jahre. In diesem Fall werden die Grenzen von Recency (Aktualität) jeden Tag sehr unterschiedlich sein, und es macht keinen Sinn, das Ergebnis einer solchen RFM-Analyse zu verwenden.
Saisonale Muster, Werbeaktionen und Feiertage wirken sich ebenfalls stark auf die Qualität der analysierten Daten aus. Daher sollten Sie einen geeigneten Zeitpunkt festlegen. Für die Bestimmung der Zeitintervalle lohnt es sich, eine Reihe von Fragen zu beantworten:
- Wie lang ist der Lebenszyklus eines Kunden?
- Was ist die natürliche Kaufperiode?
- Welches saisonalen Muster gibt es?
- Wie lange dauert es, bis die Kunden einen erneuten Kauf tätigen?
Die Effizienz der RFM-Analyse bedeutet nicht, dass sie den Sales Manager vollständig ersetzen kann. Die persönliche Kommunikation mit dem Kunden ermöglicht es dem Mitarbeiter, ihn gut zu verstehen und viel über ihn zu wissen. Richtig ist es, die Aufmerksamkeit des Managers auf die wichtigsten Kunden zu richten und mit dem Rest der Kunden über E-Mail, Nachrichten und soziale Netzwerke zu arbeiten. In diesem Fall wird die RFM-Analyse zu einem hervorragenden Instrument für die Kundensegmentierung.
