Teil unserer Data Analytics & BI-Serie
Den vollständigen Leitfaden lesenNicht alle Kunden sind gleich. Die oberen 20 Prozent Ihrer Kunden erwirtschaften wahrscheinlich 60 bis 80 Prozent Ihres Umsatzes. Die unteren 20 Prozent kosten mehr, als sie bezahlen. Dennoch behandeln die meisten mittelständischen Unternehmen alle Kunden gleich: gleiche E-Mail-Kampagnen, gleiche Supportpriorität, gleiche Kundenbindungsbemühungen.
Die RFM-Analyse ist das einfachste und praktischste Framework zur verhaltensbasierten Segmentierung von Kunden. Es verwendet drei Datenpunkte, die Sie bereits haben – wann ein Kunde zuletzt gekauft hat (Aktualität), wie oft er kauft (Häufigkeit) und wie viel er ausgibt (Monetär) –, um umsetzbare Segmente zu erstellen, die gezieltes Marketing, personalisierten Service und optimierte Kundenbindung fördern.
Wichtige Erkenntnisse
- RFM-Scoring verwendet drei Verhaltensmetriken (Aktualität, Häufigkeit, Geldwert), um Kunden in 8 bis 12 umsetzbare Gruppen zu unterteilen
- Jedes RFM-Segment erfordert eine andere Strategie --- Champions brauchen Treueprogramme, gefährdete Kunden brauchen eine erneute Bindung, verlorene Kunden sind möglicherweise nicht lohnenswert
- Die Berechnung des Customer Lifetime Value (CLV) verwandelt die Segmentierung von einer Momentaufnahme in ein zukunftsorientiertes Planungstool – RFM-Segmente fließen direkt in Vorhersagemodelle für Abwanderungsvorhersage und Marketing-Attribution ein
RFM-Bewertungsmethodik
Die RFM-Analyse bewertet jeden Kunden in drei Dimensionen und kombiniert die Bewertungen dann, um Segmente zu erstellen.
Aktualität: Wann haben sie zuletzt gekauft?
Die Aktualität misst die Anzahl der Tage seit dem letzten Kauf eines Kunden. Kunden, die kürzlich gekauft haben, kaufen mit größerer Wahrscheinlichkeit erneut als diejenigen, die vor Monaten gekauft haben.
Scoring-Ansatz: Teilen Sie alle Kunden nach ihrem letzten Kaufdatum in fünf gleiche Gruppen (Quintile) ein. Das jüngste Quintil erhält eine Punktzahl von 5, das jüngste Quintil erhält eine Punktzahl von 1.
| Aktualitätsbewertung | Tage seit dem letzten Kauf | Interpretation |
|---|---|---|
| 5 | 0-30 Tage | Sehr neuer Käufer |
| 4 | 31-60 Tage | Letzter Käufer |
| 3 | 61-120 Tage | Mäßige Aktualität |
| 2 | 121-240 Tage | Wegtreiben |
| 1 | 241+ Tage | Ruhend oder verloren |
Die genauen Grenzwerte hängen von Ihrem Geschäftszyklus ab. Ein Lebensmittellieferdienst benötigt möglicherweise Wochen statt Monate. Ein B2B-Ausrüstungslieferant könnte Quartale verwenden.
Häufigkeit: Wie oft kaufen sie?
Die Häufigkeit zählt die Gesamtzahl der Transaktionen innerhalb eines definierten Zeitraums (normalerweise 12 bis 24 Monate).
| Häufigkeitsbewertung | Kaufanzahl | Interpretation |
|---|---|---|
| 5 | 12+ Käufe | Stromkäufer |
| 4 | 8-11 Einkäufe | Regelmäßiger Käufer |
| 3 | 5-7 Einkäufe | Moderater Käufer |
| 2 | 2-4 Einkäufe | Gelegenheitskäufer |
| 1 | 1 Kauf | Einmalkäufer |
Geld: Wie viel geben sie aus?
Monetär misst den Gesamtumsatz des Kunden im gleichen Zeitraum. Einige Implementierungen verwenden den durchschnittlichen Bestellwert anstelle der Gesamtausgaben – wählen Sie basierend darauf, was für Ihr Unternehmen wichtiger ist.
| Monetärer Score | Gesamtausgaben | Interpretation |
|---|---|---|
| 5 | 5.000 $+ | Hoher Geldgeber |
| 4 | 2.000-4.999 $ | Überdurchschnittlicher Geldgeber |
| 3 | 750-1.999 $ | Durchschnittlicher Geldgeber |
| 2 | 200-749 $ | Unterdurchschnittlicher Geldgeber |
| 1 | Unter 200 $ | Niedriger Geldgeber |
Punkte kombinieren
Jeder Kunde erhält einen dreistelligen RFM-Score (z. B. 5-4-5 bedeutet hohe Aktualität, hohe Häufigkeit, hoher monetärer Wert). Bei fünf Ebenen pro Dimension gibt es 125 mögliche Kombinationen. Diese sind in 8 bis 12 sinnvolle Segmente gruppiert.
Segmentdefinitionen und Strategien
Die RFM-Segmentmatrix
| Segment | RFM-Score-Bereich | Größe (typisch) | Beschreibung | Strategie |
|---|---|---|---|---|
| Meister | 5-5-5, 5-5-4, 5-4-5 | 8-12 % | Beste Kunden. Oft kaufen, viel ausgeben, kürzlich gekauft | Belohnen Sie, verkaufen Sie, bitten Sie um Empfehlungen |
| Loyal | 4-4-4, 4-5-4, 5-4-4 | 10-15 % | Konsistente Käufer mit starkem Engagement | Treueprogramme, Early Access, Cross-Selling |
| Potenzielle Loyalisten | 5-3-3, 4-3-3, 5-2-3 | 12-18 % | Aktuelle Käufer mit mäßiger Häufigkeit. Könnte treu werden | Onboarding-Sequenzen, Mitgliedschaftsangebote |
| Aktuelle Kunden | 5-1-1, 5-1-2, 4-1-1 | 8-12 % | Habe gerade den ersten Kauf getätigt. Unbekannte Flugbahn | Willkommensserie, Produktschulung, reibungsloser Zweitkauf |
| Vielversprechend | 3-3-3, 3-4-3, 3-3-4 | 10-15 % | Mittelklasse in allen Dimensionen. Stabil, aber nicht wachsend | Engagement-Kampagnen, Mengenrabatte |
| Benötige Aufmerksamkeit | 3-2-2, 2-3-3, 3-2-3 | 10-15 % | Waren anständige Kunden, aber das Engagement lässt nach | Personalisierte Re-Engagement- und Feedback-Umfrage |
| Kurz vor dem Einschlafen | 2-2-2, 2-2-3, 2-3-2 | 8-12 % | Geringe aktuelle Aktivität. Auf dem Weg zur Abwanderung | Rückgewinnungsangebote, „Wir vermissen Dich“-Aktionen |
| Gefährdet | 1-4-4, 1-3-4, 2-4-4 | 5-10 % | Waren tolle Kunden, haben aber schon lange nichts mehr gekauft | Dringende Wiedereingliederung, persönliche Kontaktaufnahme, exklusive Angebote |
| Kann nicht verlieren | 1-5-5, 1-5-4, 1-4-5 | 3-5% | Historisch beste Kunden, die verschwunden sind | Rückgewinnung mit höchster Priorität, Kontaktaufnahme mit Führungskräften, bedeutende Angebote |
| Winterschlaf | 1-2-2, 1-1-2, 2-1-2 | 8-12 % | Niedrig in allen Dimensionen, aber etwas darüber verloren | Wiederakquisekampagnen, wenn CAC dies rechtfertigt |
| Verloren | 1-1-1, 1-1-2, 1-2-1 | 10-15 % | Keine aktuelle Aktivität, geringer historischer Wert | Investieren Sie nicht; aus aktiven Kampagnen entfernen |
Segmentspezifische Playbooks
Champions (5-5-5): Diese Kunden sind Ihre Fürsprecher. Melden Sie sie für ein VIP-Treueprogramm an. Bieten Sie frühzeitigen Zugang zu neuen Produkten. Bitten Sie um Bewertungen, Erfahrungsberichte und Empfehlungen. Keine Rabatte gewähren – sie kaufen zum vollen Preis. Beobachten Sie sie in Abwanderungsvorhersagemodellen genau, da der Verlust eines Champions übergroße Auswirkungen auf den Umsatz hat.
Gefährdet (1-4-4 / 1-3-4): Dies waren starke Kunden, die still geworden sind. Das Zeitfenster für eine Wiedereingliederung schließt sich. Kontaktieren Sie uns persönlich (keine automatisierte E-Mail). Bieten Sie einen erheblichen Anreiz zur Rückkehr. Fragen Sie, was sich geändert hat. Wenn sie eine schlechte Erfahrung gemacht haben, korrigieren Sie sie. Die Kosten für die Rückgewinnung sind viel geringer als für die Anschaffung eines Ersatzes.
Aktuelle Kunden (5-1-1): Der erste Eindruck zählt. Senden Sie eine Willkommenssequenz, die sie über Ihr Produktsortiment informiert. Empfehlen Sie den zweiten Kauf basierend auf dem, was sie zuerst gekauft haben. Machen Sie die Rückgabebedingungen klar. Ziel ist es, innerhalb von 60 Tagen von 5-1-1 auf 5-2-2 zu wechseln.
Verloren (1-1-1): Hören Sie auf, Marketinggelder für diese Kunden auszugeben. Entfernen Sie sie aus regulären Kampagnen, um die Zustellbarkeit Ihrer E-Mails zu verbessern und Ihre Ressourcen auf Segmente mit positivem ROI zu konzentrieren. Führen Sie alle 12 Monate einen letzten Rückgewinnungsversuch durch und archivieren Sie ihn anschließend.
Berechnung des Customer Lifetime Value
RFM sagt Ihnen, wo sich die Kunden heute befinden. Der Customer Lifetime Value (CLV) sagt Ihnen, welchen Wert sie über die gesamte Beziehung hinweg haben. Durch die Kombination von RFM mit CLV wird die Segmentierung von einer Momentaufnahme zu einem zukunftsweisenden Planungstool.
Einfache CLV-Formel
CLV = Average Order Value x Purchase Frequency x Customer Lifespan
Beispiel:
- Durchschnittlicher Bestellwert: 150 $
- Kaufhäufigkeit: 4 Mal pro Jahr
- Durchschnittliche Kundenlebensdauer: 3 Jahre
- CLV = 150 $ x 4 x 3 = 1.800 $
Bereinigter CLV mit Retentionsrate
Eine genauere Formel berücksichtigt die Wahrscheinlichkeit, dass ein Kunde bleibt:
CLV = (AOV x Frequency x Gross Margin) / Churn Rate
Beispiel:
- AOV: 150 $
- Häufigkeit: 4 pro Jahr (Jahresumsatz pro Kunde: 600 $)
- Bruttomarge: 40 %
- Jährliche Abwanderungsrate: 25 %
- CLV = (600 $ x 0,40) / 0,25 = 960 $
CLV nach RFM-Segment
| Segment | Durchschn. CLV | % des Umsatzes | % der Kunden | CLV/CAC-Verhältnis |
|---|---|---|---|---|
| Champions | 4.200 $ | 35 % | 10 % | 12:1 |
| Loyal | 2.800 $ | 25 % | 12 % | 8:1 |
| Potenzielle Loyalisten | 1.200 $ | 15 % | 15 % | 4:1 |
| Vielversprechend | 600 $ | 10 % | 13 % | 2:1 |
| In Gefahr | 1.800 $ | 8% | 7 % | N/A (Aufbewahrung) |
| Neu | 400 $ | 4% | 10 % | 1,5:1 |
| Brauche Aufmerksamkeit | 350 $ | 2% | 12 % | 1:1 |
| Verloren/Winterschlaf | 100 $ | 1% | 21 % | 0,3:1 |
Diese Tabelle macht Entscheidungen zur Budgetzuweisung offensichtlich: Investieren Sie stark in die Bindung von Champions und treuen Kunden, verwandeln Sie potenzielle Loyalisten durch Engagement in treue Kunden und stoppen Sie die Ausgaben für verlorene Kunden. Führen Sie diese CLV-Berechnungen in Marketing-Attributionsmodelle ein, um die Ausgaben über alle Kanäle hinweg zu optimieren.
Implementierung der RFM-Analyse
Datenextraktion
Die RFM-Analyse erfordert drei Felder pro Kunde: Kunden-ID, Transaktionsdatum und Transaktionsbetrag. Extrahieren Sie dies aus Ihrem Data Warehouse oder direkt aus Odoo und Shopify.
Für Odoo sind die relevanten Tabellen sale_order und sale_order_line, verbunden mit res_partner für Kundendetails.
Für Shopify stellt die Orders-API customer.id, created_at und total_price bereit.
Scoring-Automatisierung
Automatisieren Sie die RFM-Bewertung nach einem wöchentlichen oder monatlichen Zeitplan:
- Extrahieren Sie alle Transaktionen innerhalb des Analysefensters (normalerweise 12 bis 24 Monate).
- Berechnen Sie Aktualität, Häufigkeit und Geldwerte für jeden Kunden.
- Weisen Sie jeder Dimension Quintilwerte (1 bis 5) zu.
- Ordnen Sie die kombinierte Bewertung einem Segmentnamen zu.
- Speichern Sie das Segment in der Kundendimensionstabelle im Data Warehouse.
- Übertragen Sie Segmentdaten zurück an das CRM, damit sie von Vertriebs- und Marketingteams verwendet werden können.
Visualisierung
Zeigen Sie RFM-Segmente in Ihren Self-Service-BI-Dashboards an:
- Kreisdiagramm zur Segmentverteilung: Wie viele Kunden gibt es in jedem Segment? Ist die Verteilung gesund?
- Heatmap zur Segmentmigration: Wie wechseln Kunden Monat für Monat zwischen den Segmenten? Werden Champions behalten? Werden neue Kunden loyal?
- Balkendiagramm „Umsatz nach Segmenten“: Welche Segmente tragen am meisten zum Umsatz bei?
- CLV-Streudiagramm: Stellen Sie Kunden nach Häufigkeit (x-Achse) und monetär (y-Achse) dar, wobei die Farbe die Aktualität anzeigt.
Erweiterte RFM-Anwendungen
Prädiktives RFM
Traditionelles RFM ist beschreibend – es sagt Ihnen, was Kunden getan haben. Predictive RFM nutzt das BG/NBD-Modell (Beta Geometrische/Negative Binomialverteilung), um vorherzusagen, wie viele Einkäufe ein Kunde in der Zukunft tätigen wird, und das Gamma-Gamma-Modell, um seinen Geldwert vorherzusagen.
Die Python-Bibliothek lifetimes implementiert beide Modelle und erzeugt:
- Erwartete Anzahl zukünftiger Käufe pro Kunde
- Vorhergesagter CLV für einen bestimmten Zeithorizont
- Wahrscheinlichkeit, noch am Leben zu sein (immer noch ein aktiver Kunde)
RFM-basierte Personalisierung
Geben Sie RFM-Segmente in Ihre Marketing-Automatisierungsplattform (GoHighLevel, Mailchimp, Klaviyo) ein, um Folgendes zu personalisieren:
- E-Mail-Inhalt: Champions sehen Upsell-Empfehlungen. Gefährdete Kunden sehen Rückgewinnungsangebote. Aktuelle Kunden sehen Produktschulungen.
- Anzeigen-Targeting: Laden Sie Champion- und Treuekundenlisten auf Facebook/Google hoch, um Lookalike-Zielgruppen zu erstellen. Schließen Sie verlorene Kunden von bezahlten Kampagnen aus.
- Supportpriorität: Leiten Sie Champion- und At-Risk-Tickets an leitende Agenten weiter. Dabei geht es nicht darum, Kunden aus eigenem Antrieb unterschiedlich zu behandeln, sondern darum, begrenzte Ressourcen dort einzusetzen, wo sie die höchste Rendite erwirtschaften.
Häufig gestellte Fragen
Wie oft sollten wir RFM-Scores aktualisieren?
Monatlich ist für die meisten Unternehmen der Standardrhythmus. Wöchentliche Updates eignen sich für Hochgeschwindigkeits-E-Commerce (tägliche Einkäufe) oder Abonnementunternehmen, bei denen es auf die Geschwindigkeit der Abwanderungserkennung ankommt. Vermeiden Sie tägliche Updates, es sei denn, Ihr Geschäftsmodell erfordert dies wirklich – zu häufige Updates erzeugen Lärm und erschweren die Nachverfolgung der Segmentmigration.
Was ist, wenn unser Unternehmen nur sehr wenige Stammkunden hat?
Wenn die meisten Kunden nur einmal kaufen (üblich in Branchen mit einmaligen Käufen wie Möbeln oder Immobilien), weist die Häufigkeitsdimension nur geringe Abweichungen auf. Ziehen Sie in diesem Fall ein modifiziertes RFM in Betracht, das Häufigkeit durch Engagement (E-Mail-Öffnungen, Website-Besuche, App-Nutzung) oder Fokus (Anzahl der untersuchten Produktkategorien) ersetzt. Das Prinzip des Verhaltensscorings gilt auch bei geringer Kaufhäufigkeit.
Sollten wir RFM-Quintile oder benutzerdefinierte Schwellenwerte verwenden?
Quintile (gleich große Gruppen) sind der Standardausgangspunkt. Benutzerdefinierte Schwellenwerte funktionieren jedoch oft besser, wenn Ihr Kundenstamm uneinheitlich ist. Wenn 40 Prozent der Kunden genau einen Kauf getätigt haben, entstehen durch Quintile ungleiche Aufteilungen. Definieren Sie Schwellenwerte basierend auf der Geschäftsbedeutung: „aktuell“ bedeutet innerhalb Ihres typischen Wiederkaufzyklus, „hohe Häufigkeit“ bedeutet über dem Median Ihrer Branche.
In welcher Beziehung steht RFM zu Abwanderungsvorhersagemodellen?
RFM-Scores sind hervorragende Funktionen für Abwanderungsvorhersagemodelle. Aktualität ist in der Regel der stärkste Indikator für die Abwanderung. Das RFM-Segment (insbesondere Bewegungen zwischen Segmenten im Laufe der Zeit) fügt über die einzelnen Bewertungen hinaus Vorhersagekraft hinzu. Stellen Sie sich RFM als Grundlage und ML-Abwanderungsmodelle als die nächste Stufe der Weiterentwicklung vor.
Was kommt als nächstes?
Die RFM-Analyse ist die Grundlage der Kundenanalyse. Es fließt in vorhersagende Abwanderungsmodelle ein, informiert über Marketingattribution, verbessert die Kohortenanalyse und leitet die KPI-Auswahl in Ihrer BI-Strategie.
ECOSIRE implementiert RFM-Analyse und Kundensegmentierung integriert in Ihr Odoo CRM und Ihren Shopify-Shop. Unsere OpenClaw AI-Plattform automatisiert die Bewertung, erstellt prädiktive CLV-Modelle und synchronisiert Segmente wieder mit Ihren Marketing-Tools. Unser Odoo-Beratungsunternehmen-Team konfiguriert die CRM-Ansichten und Automatisierungsregeln, um Ihre Segmente zu operationalisieren.
Kontaktieren Sie uns, um mit der Segmentierung Ihrer Kunden nach Wert und Verhalten zu beginnen.
Veröffentlicht von ECOSIRE --- unterstützt Unternehmen bei der Skalierung mit KI-gestützten Lösungen in Odoo ERP, Shopify eCommerce und OpenClaw AI.
Geschrieben von
ECOSIRE TeamTechnical Writing
The ECOSIRE technical writing team covers Odoo ERP, Shopify eCommerce, AI agents, Power BI analytics, GoHighLevel automation, and enterprise software best practices. Our guides help businesses make informed technology decisions.
ECOSIRE
Skalieren Sie Ihren Shopify-Shop
Maßgeschneiderte Entwicklungs-, Optimierungs- und Migrationsdienste für wachstumsstarken E-Commerce.
Verwandte Artikel
Wie viel kostet ein CRM-System im Jahr 2026? Echte Preise ab über 40 Implementierungen
Echte CRM-Preise ab 40 Implementierungen: Lizenzkosten pro Benutzer, Implementierungsgebühren, versteckte Kosten und 3-Jahres-TCO für Odoo, HubSpot, Salesforce und mehr.
GoHighLevel-Preise im Jahr 2026: Pläne, versteckte Kosten und lohnt es sich tatsächlich?
Vollständige GoHighLevel-Preisaufschlüsselung für 2026: Starter- vs. Unlimited- vs. Pro-Pläne, echte SMS-, E-Mail- und KI-Nutzungskosten sowie die Berechnung der Agentur, die über den ROI entscheidet.
GoHighLevel vs. Zoho (2026): Welches CRM passt zu Agenturen vs. internen Teams?
GoHighLevel vs. Zoho im ehrlichen Vergleich für 2026: Preismodelle, Automatisierungstiefe, White-Label-Optionen und welche Plattform für Agenturen vs. interne Teams geeignet ist.
Mehr aus Data Analytics & BI
Microsoft Fabric vs. Power BI: Was ist der Unterschied und was brauchen Sie im Jahr 2026 tatsächlich?
Microsoft Fabric vs. Power BI erklärt für Entscheidungsträger: wie sie zusammenhängen, was sich mit F-SKUs geändert hat, wann eine Pro-Lizenzierung ausreicht und Kostenszenarien für 2026.
Power BI-Berater vs. Inhouse-Team: Kosten, Geschwindigkeit und wann man Hilfe anstellt (2026)
Sollten Sie einen Power BI-Berater engagieren oder intern entwickeln? Kostenvergleich 2026, Kompromisse bei Geschwindigkeit und Qualität, Hybridmodelle und Warnsignale bei der Einstellung eines Unternehmens.
Power BI Embedded: Kosten, Kapazitätsdimensionierung und wann es besser ist, eigene Dashboards zu erstellen
Aufschlüsselung der Power BI Embedded-Kosten für ISVs und SaaS-Teams im Jahr 2026: A-SKU- und F-SKU-Preise, Kapazitätsdimensionierung nach Benutzerlast und Build-vs-Buy-Berechnung mit Szenarien.
Wie viel kostet die Power BI-Implementierung im Jahr 2026? Echte Projektbudgets erklärt
Kosten für die Power BI-Implementierung im Jahr 2026: Die tatsächlichen Budgetspannen hängen von der Unternehmensgröße, den Beratertarifen, den Lizenzpositionen, den versteckten Kostentreibern und den Amortisationszeitplänen ab.
Power BI vs. Tableau vs. Looker (2026): Der ehrliche Vergleich eines Implementierungsteams
Power BI vs. Tableau vs. Looker im Vergleich von einem Team, das alle drei implementiert: Preisgestaltung, Modellierungsebenen, Governance, Einbettung und Gesamtkostenszenarien für 2026.
Power BI für Odoo: 12 produktionsbereite DAX-Muster
12 kampferprobte DAX-Muster für Odoo-Daten in Power BI: Zeitintelligenz, Kundenkohorten, Bestandsalterung, unternehmensübergreifende Gewinn- und Verlustrechnung und zusammengesetzte Schlüsselverknüpfungen.