Eine Kundensegmentierung für Jedermann - RFM-Analyse im Marketing
Der ein oder andere Marketing-Verantwortliche beschwert sich gerne einmal über seinen Datenbestand. Sie auch? Um eine sinnvolle Segmentierung der Kunden vorzunehmen, braucht man ja schließlich eine ganze Menge an Kundendaten! Oder nicht?
Haben Sie Zugriff auf die Einkaufsdaten (Transaktionsdaten) Ihrer Kunden? Na also, denn Kundenumsatz und Einkaufsdatum sind die Basis für eine der effektivsten Kundensegmentierungsformen: die RFM-Analyse (Recency, Frequency, Monetary).
Keine Ausreden mehr, los geht’s.
Wir starten mit dem Bilden von aussagekräftigen Kundengruppen und stellen uns dabei die folgenden Fragen:
• Wann haben unsere Kunden das letzte Mal bei uns eingekauft? (Recency)
• Wie oft haben unsere Kunden insgesamt schon bei uns eingekauft? (Frequency)
• Für wie viel Umsatz haben unsere Kunden bei uns eingekauft? (Monetary)
Ich nutze unsere Marketing Software FastStats für diesen Zweck, selbstverständlich können Sie aber auch mit Ihrem eigenen Analyse-Tool starten.
Schauen wir uns doch einmal die Umsätze unserer Kunden an. Dazu habe ich vier Kategorien basierend auf dem Gesamtumsatz pro Kunde definiert. In diesem Fall bedeutet 1 - sehr hoch, einen Umsatz von mehr als 2.500 € und 4 – niedrig, einen Kundenumsatz von 0 – 250 €.
Gleichermaßen erstellen wir Kategorien für die Anzahl der Einkäufe unserer Kunden und für das letzte Transaktionsdatum: Ich generiere vier Frequency-Gruppen, wobei 1 – sehr hoch, beispielsweise mehr als sechs Einkäufe darstellt. Für das letzte Transaktionsdatum ergeben sich drei Gruppen von 1-3. Hoch bedeutet, dass der letzte Einkauf in 2016 stattgefunden hat. Niedrig impliziert, dass die letzte Transaktion vor 2014 war.
Mithilfe des RFM-Assistenten in FastStats hat mich das Erstellen der Variablen und Kategorien gerade einmal wenige Minuten gekostet.
Als nächstes bringen wir die zuvor erstellten Frequency und Monetary Werte in einem Cube zusammen. In jeder Zelle erkennen wir die Anzahl der Personen für die beiden kombinierten Werte. Werfen wir doch einmal einen Blick auf mögliche Zusammenhänge zwischen der Anzahl der Käufe und dem Umsatz.
Um die Daten auf den ersten Blick verständlich und visualisierbar zu machen, erstellen wir eine Treemap. Nicht verwunderlich: Eine sehr hohe Anzahl an Einkäufen, geht mit einem sehr hohen Umsatz einher.
Nun fügen wir unseren dritten Wert ebenfalls in die Analyse hinzu und schauen wie die Aktualität des letzten Einkaufs mit Umsatz und der Transaktionsanzahl korreliert.
Jetzt ist es an der Zeit kreativ zu werden. Lassen Sie uns sieben Segmente definieren. Sicher sind wir dann auch in der Lage, typische Kundencharaktere für jedes unserer Segmente zu finden.
Scarlett Red Carpet
Das ist Scarlett Red Carpet, sie repräsentiert unsere Star-Kunden. Scarlett liebt es zu shoppen und schaut nicht aufs Geld. Ihr letzter Einkauf war gerade erst gestern, da können wir schon mal den roten Teppich ausrollen.
John Jogger
John Jogger steht für unsere aktiven Kunden. Wichtige Kunden für uns, schließlich sorgen auch sie, neben unseren Stars, für unseren kontinuierlichen Umsatz.
Rita Rising
Unsere Zielgruppe mit dem größten Cross- und Upsell-Potenzial. Ritas letzter Einkauf liegt schon eine Weile zurück, aber wenn sie zuschlägt, dann fällt die Rechnung meist etwas höher aus.
Dean Double-Minded
Will möchte sich nicht gerne festlegen, er kauft da, wo er die besten Angebote bekommt, mal bei uns, mal bei unserer Konkurrenz. Dennoch sehen wir in dieser Zielgruppe, mit den richtigen Angeboten, durchaus Cross- und Upsell-Potenzial.
Rosanna Risky
Rosanna hat schon lange nicht mehr bei uns eingekauft, damals gehörte sie aber zu den Scarletts und Johns unserer Kunden. Bestimmt lohnt es sich, etwas für diese gefährdeten Kunden zu tun.
Lars Lazy
Lars Lazy repräsentiert unsere inaktiven Kunden, die wir reaktivieren sollten. Der letzte Einkauf ist lange her, sie haben noch nie wirklich regelmäßig geshoppt, aber ihre Ausgaben waren immer recht hoch.
Olivia One-Time
Olivia kam, kaufte und verschwand wieder. Einmal und bisher nie wieder.
Unsere RFM-Matrix sieht mit den sieben Segmenten wie folgt aus:
Und jetzt? Mit einfachem Herausziehen eines der relevanten Zellen, beispielsweise für Dean Double-Minded, kann ich in FastStats Regeln für dieses Segment festlegen. Bei Interesse können Sie sich die Vorgehensweise in diesem Kurzvideo ansehen.
Zum Video
Nun können wir die einzelnen Segmente für unsere Kampagnen verwenden und unseren Kunden so relevante, individuelle Angebote unterbreiten. Beispielsweise könnten wir unserer Scarlett Red Carpet einen Treue-Rabatt-Coupon zusenden, während Rosanna Risky einen einmaliges, zeitbegrenztes Angebot erhält.
Nach einiger Zeit können wir dann beobachten, wie sich unsere Segmente verändern, eine Rosanna Risky wird zum John Jogger oder Rita Rising wird zu Scarlett Red Carpet.
Einmal solch eine Segmentierung im Einsatz, können wir uns Gedanken um eine Erweiterung machen. Wie wäre es, wenn wir soziodemographische, psychographische, geografische oder Verhaltensdaten zusätzlich in Betracht ziehen? Auch das Bilden von sogenannten „Personas“ kann die Personalisierung unserer Kundenkommunikation weiter verbessern, indem wir Alter, Ausbildung, Beruf oder Hobbies in unsere Segmentierung mit einbeziehen.
Einer unserer Kunden aus dem Charity-Bereich hat es geschafft, RFM erfolgreich mit Clustern und Personas zu verbinden und so die Mailing-Responserate um 53,5% im Vergleich zum Vorjahr zu steigern: 300.000 € mehr an Spenden und eine Responserate von 10%.
Die obenstehende Grafik zeigt die Kundensegmentierung mit Clustering aus dem Use Case von RLNI.
Interesse an dem kompletten Use Case? Die Case Study finden Sie HIER
Sie wollen noch mehr über Kundensegmentierung erfahren und weitere Tipps & Tricks erhalten?
Dann ist unser kostenloses Whitepaper genau das richtige für Sie. Analysieren Sie jetzt die Customer Journey Ihrer Kunden: ZUM WHITEPAPER
Haben Sie Zugriff auf die Einkaufsdaten (Transaktionsdaten) Ihrer Kunden? Na also, denn Kundenumsatz und Einkaufsdatum sind die Basis für eine der effektivsten Kundensegmentierungsformen: die RFM-Analyse (Recency, Frequency, Monetary).
Keine Ausreden mehr, los geht’s.
Wir starten mit dem Bilden von aussagekräftigen Kundengruppen und stellen uns dabei die folgenden Fragen:
• Wann haben unsere Kunden das letzte Mal bei uns eingekauft? (Recency)
• Wie oft haben unsere Kunden insgesamt schon bei uns eingekauft? (Frequency)
• Für wie viel Umsatz haben unsere Kunden bei uns eingekauft? (Monetary)
Ich nutze unsere Marketing Software FastStats für diesen Zweck, selbstverständlich können Sie aber auch mit Ihrem eigenen Analyse-Tool starten.
Schauen wir uns doch einmal die Umsätze unserer Kunden an. Dazu habe ich vier Kategorien basierend auf dem Gesamtumsatz pro Kunde definiert. In diesem Fall bedeutet 1 - sehr hoch, einen Umsatz von mehr als 2.500 € und 4 – niedrig, einen Kundenumsatz von 0 – 250 €.
Gleichermaßen erstellen wir Kategorien für die Anzahl der Einkäufe unserer Kunden und für das letzte Transaktionsdatum: Ich generiere vier Frequency-Gruppen, wobei 1 – sehr hoch, beispielsweise mehr als sechs Einkäufe darstellt. Für das letzte Transaktionsdatum ergeben sich drei Gruppen von 1-3. Hoch bedeutet, dass der letzte Einkauf in 2016 stattgefunden hat. Niedrig impliziert, dass die letzte Transaktion vor 2014 war.
Mithilfe des RFM-Assistenten in FastStats hat mich das Erstellen der Variablen und Kategorien gerade einmal wenige Minuten gekostet.
Als nächstes bringen wir die zuvor erstellten Frequency und Monetary Werte in einem Cube zusammen. In jeder Zelle erkennen wir die Anzahl der Personen für die beiden kombinierten Werte. Werfen wir doch einmal einen Blick auf mögliche Zusammenhänge zwischen der Anzahl der Käufe und dem Umsatz.
Um die Daten auf den ersten Blick verständlich und visualisierbar zu machen, erstellen wir eine Treemap. Nicht verwunderlich: Eine sehr hohe Anzahl an Einkäufen, geht mit einem sehr hohen Umsatz einher.
Nun fügen wir unseren dritten Wert ebenfalls in die Analyse hinzu und schauen wie die Aktualität des letzten Einkaufs mit Umsatz und der Transaktionsanzahl korreliert.
Jetzt ist es an der Zeit kreativ zu werden. Lassen Sie uns sieben Segmente definieren. Sicher sind wir dann auch in der Lage, typische Kundencharaktere für jedes unserer Segmente zu finden.
Scarlett Red Carpet
Das ist Scarlett Red Carpet, sie repräsentiert unsere Star-Kunden. Scarlett liebt es zu shoppen und schaut nicht aufs Geld. Ihr letzter Einkauf war gerade erst gestern, da können wir schon mal den roten Teppich ausrollen.
John Jogger
John Jogger steht für unsere aktiven Kunden. Wichtige Kunden für uns, schließlich sorgen auch sie, neben unseren Stars, für unseren kontinuierlichen Umsatz.
Rita Rising
Unsere Zielgruppe mit dem größten Cross- und Upsell-Potenzial. Ritas letzter Einkauf liegt schon eine Weile zurück, aber wenn sie zuschlägt, dann fällt die Rechnung meist etwas höher aus.
Dean Double-Minded
Will möchte sich nicht gerne festlegen, er kauft da, wo er die besten Angebote bekommt, mal bei uns, mal bei unserer Konkurrenz. Dennoch sehen wir in dieser Zielgruppe, mit den richtigen Angeboten, durchaus Cross- und Upsell-Potenzial.
Rosanna Risky
Rosanna hat schon lange nicht mehr bei uns eingekauft, damals gehörte sie aber zu den Scarletts und Johns unserer Kunden. Bestimmt lohnt es sich, etwas für diese gefährdeten Kunden zu tun.
Lars Lazy
Lars Lazy repräsentiert unsere inaktiven Kunden, die wir reaktivieren sollten. Der letzte Einkauf ist lange her, sie haben noch nie wirklich regelmäßig geshoppt, aber ihre Ausgaben waren immer recht hoch.
Olivia One-Time
Olivia kam, kaufte und verschwand wieder. Einmal und bisher nie wieder.
Unsere RFM-Matrix sieht mit den sieben Segmenten wie folgt aus:
Und jetzt? Mit einfachem Herausziehen eines der relevanten Zellen, beispielsweise für Dean Double-Minded, kann ich in FastStats Regeln für dieses Segment festlegen. Bei Interesse können Sie sich die Vorgehensweise in diesem Kurzvideo ansehen.
Zum Video
Nun können wir die einzelnen Segmente für unsere Kampagnen verwenden und unseren Kunden so relevante, individuelle Angebote unterbreiten. Beispielsweise könnten wir unserer Scarlett Red Carpet einen Treue-Rabatt-Coupon zusenden, während Rosanna Risky einen einmaliges, zeitbegrenztes Angebot erhält.
Nach einiger Zeit können wir dann beobachten, wie sich unsere Segmente verändern, eine Rosanna Risky wird zum John Jogger oder Rita Rising wird zu Scarlett Red Carpet.
Einmal solch eine Segmentierung im Einsatz, können wir uns Gedanken um eine Erweiterung machen. Wie wäre es, wenn wir soziodemographische, psychographische, geografische oder Verhaltensdaten zusätzlich in Betracht ziehen? Auch das Bilden von sogenannten „Personas“ kann die Personalisierung unserer Kundenkommunikation weiter verbessern, indem wir Alter, Ausbildung, Beruf oder Hobbies in unsere Segmentierung mit einbeziehen.
Einer unserer Kunden aus dem Charity-Bereich hat es geschafft, RFM erfolgreich mit Clustern und Personas zu verbinden und so die Mailing-Responserate um 53,5% im Vergleich zum Vorjahr zu steigern: 300.000 € mehr an Spenden und eine Responserate von 10%.
Die obenstehende Grafik zeigt die Kundensegmentierung mit Clustering aus dem Use Case von RLNI.
Interesse an dem kompletten Use Case? Die Case Study finden Sie HIER
Sie wollen noch mehr über Kundensegmentierung erfahren und weitere Tipps & Tricks erhalten?
Dann ist unser kostenloses Whitepaper genau das richtige für Sie. Analysieren Sie jetzt die Customer Journey Ihrer Kunden: ZUM WHITEPAPER