Teil unserer Data Analytics & BI-Serie
Den vollständigen Leitfaden lesenKunden-RFM-Analyse: Segmentierung, Lifetime-Wert und Targeting
Nicht 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
KI-Content-Generierung für E-Commerce: Produktbeschreibungen, SEO und mehr
Skalieren Sie E-Commerce-Inhalte mit KI: Produktbeschreibungen, SEO-Meta-Tags, E-Mail-Texte und soziale Medien. Qualitätskontrollrahmen und Leitfaden zur Konsistenz der Markenstimme.
KI-gestützte dynamische Preisgestaltung: Optimieren Sie den Umsatz in Echtzeit
Implementieren Sie die dynamische KI-Preisgestaltung, um den Umsatz durch Nachfrageelastizitätsmodellierung, Wettbewerbsüberwachung und ethische Preisstrategien zu optimieren. Leitfaden zu Architektur und ROI.
KI-Betrugserkennung für E-Commerce: Schützen Sie Ihren Umsatz, ohne den Verkauf zu blockieren
Implementieren Sie eine KI-Betrugserkennung, die mehr als 95 % der betrügerischen Transaktionen erkennt und gleichzeitig die Falsch-Positiv-Rate unter 2 % hält. ML-Bewertung, Verhaltensanalyse und ROI-Leitfaden.
Mehr aus Data Analytics & BI
Buchhaltungs-KPIs: 30 Finanzkennzahlen, die jedes Unternehmen verfolgen sollte
Verfolgen Sie 30 wichtige Buchhaltungs-KPIs, einschließlich Rentabilität, Liquidität, Effizienz und Wachstumskennzahlen wie Bruttomarge, EBITDA, DSO, DPO und Lagerumschlag.
Data Warehouse für Business Intelligence: Architektur und Implementierung
Bauen Sie ein modernes Data Warehouse für Business Intelligence auf. Vergleichen Sie Snowflake, BigQuery, Redshift, lernen Sie ETL/ELT, dimensionale Modellierung und Power BI-Integration.
Power BI-Kundenanalyse: RFM-Segmentierung und Lifetime-Wert
Implementieren Sie RFM-Segmentierung, Kohortenanalyse, Visualisierung der Abwanderungsvorhersage, CLV-Berechnung und Customer Journey Mapping in Power BI mit DAX-Formeln.
Power BI vs. Excel: Wann Sie Ihre Geschäftsanalysen aktualisieren sollten
Vergleich von Power BI und Excel für Geschäftsanalysen zu Datengrenzen, Visualisierung, Echtzeitaktualisierung, Zusammenarbeit, Governance, Kosten und Migration.
Predictive Analytics für Unternehmen: Ein praktischer Implementierungsleitfaden
Implementieren Sie prädiktive Analysen in den Bereichen Vertrieb, Marketing, Betrieb und Finanzen. Modellauswahl, Datenanforderungen, Power BI-Integration und Leitfaden zur Datenkultur.
Erstellen von Finanz-Dashboards mit Power BI
Schritt-für-Schritt-Anleitung zum Erstellen von Finanz-Dashboards in Power BI mit Datenverbindungen zu Buchhaltungssystemen, DAX-Kennzahlen für KPIs, GuV-Visualisierungen und Best Practices.