 Kuratiertes Wissen rund um Marketing, CRM und aus der digitalen WeltKundenbindung
SmarterCX listet 5 Möglichkeiten auf, wie Lebensmittelhändler ihre Kundenbindungsprogramme im Jahr 2021 weiter entwickeln können. Zusammengefasst geht es bei den aufgeführten Themen um Digitalisierung des Programms, schaffen von personalisierten Erlebnissen und vermitteln des Gefühls der Exklusivität und Wertschätzung. >> smartercx.com Rabatt ist nicht Loyalty – wie Levi’s seine Kunden digital an sich bindet. Christian Weiss, Marketing-Chef Nordeuropa der Jeans-Marke, erklärt, warum Exklusivität und Community-Gefühl für die Kundenbindung wichtiger sind als jeder Discount. >> omr.com Loyalty-Programm News Microsoft lanciert Bonusprogramm. Microsoft Rewards belohnt die Nutzung von verschiedenen Microsoft Produkten. Teilnehmende sammeln beispielsweise Punkte für die Suche mit Bing, das Spielen auf der Xbox oder für die Teilnahme an Quizzes und Umfragen. Die gesammelten Punkte können für verschiedene Abonnements von Microsoft oder für Geschenkkarten von Dritten eingelöst werden. Zudem können die Punkte auch gespendet werden. >> microsoft.com 20 Minuten lanciert mit „My 20 Minuten“ eine Member-Plattform. Mitglieder profitieren von täglich neuen Rabattangeboten, Gewinnspielen, exlusiven Inhalten und erweiterten Funktionen in der App und auf der Webseite. >> my.20minuten.ch Marriott Bonvoy und Uber ermöglichen es den Bonvoy-Mitgliedern, sowohl für Essenslieferungen als auch für Fahrten mit Uber Punkte zu sammeln. Bonvoy-Mitglieder können in der Uber App ihr Konto verknüpfen, um Marriott Bonvoy Punkte für kostenlose Übernachtungen in Hotels und Ferienwohnungen auf der ganzen Welt zu sammeln. >> prnewswire.com Customer Experience Shoepassion senkt mit digitalem Feature die Retourenrate. Die Online-Schuhmarke Shoepassion ist zufrieden mit den bisherigen Ergebnissen ihrer digitalen Fussvermessungs- und Schuhgrössenempfehlung Shoepassion ID: Unter anderem konnte die Retourenrate merklich gesenkt werden. >> shoez.biz Community Die zur H&M Gruppe gehörende Marke Monki hat eine neue App gelauncht, die den Fokus auf die Interaktion mit der Community legt. Sie soll zudem mit Inspiration und Services den Kunden helfen, die Lebensdauer ihre Kleidung zu verlängern. Die App versucht auch, die Grenze zwischen physischem und digitalem Einkaufen zu verwischen, indem sie ihren Nutzern ermöglicht, besondere Angebote beim Einkaufen im Geschäft durch die Scan-Funktion freizuschalten. >> fashionunited.de Marketingtechnologie Das Team von MartechTribe in den Niederlanden hat gerade seine europäische Martech-Supergrafik 2021 veröffentlicht. Diese enthält zwischenzeitlich 3'647 Produkte. Heute gibt es so viele MarTech-Lösungen mit Sitz in Europa, wie es 2016 weltweit gab. >> martechtribe.com Technologie Makake spielt Pong mit seinen Gedanken. Elon Musks Hirn-Interface Neuralink wird immer besser. In einem aktuellen Video zeigt das Unternehmen einen Affen, der über das Interface das einfache Computerspiel Pong steuert. >> t3n.de Künstliche Intelligenz Künstliche Intelligenz als Chance. Die Bedeutung der Künstlichen Intelligenz (KI) nimmt in deutschen Unternehmen eine wachsende Bedeutung ein und wird immer stärker als Chance eingestuft. 24 Prozent planen nach einer repräsentativen Umfrage des Digitalverbands Bitkom Investitionen in die KI. Für 69 Prozent gilt die KI als die wichtigste Zukunftstechnologie, 26 Prozent stufen die KI und ihre Bedeutung dagegen als überschätzt ein. Dabei ist der Prozentsatz der Unternehmen, die KI aktiv einsetzen, immer noch gering. Er liegt momentan bei acht Prozent, vor einem Jahr waren es sechs Prozent. Geplant wird der Einsatz in 30 Prozent der Unternehmen. >> bitkom.org Zu guter Letzt KI schreibt Lieder, die von Jimi Hendrix, Nirvana oder Amy Winehouse kommen könnten. Die „Lost Tapes of the 27 Club“ sollen Menschen, die in der Musikindustrie arbeiten, dazu animieren, sich bei psychischen Problemen Hilfe zu suchen. >> losttapesofthe27club.com
0 Kommentare
 Das Pareto-Prinzip besagt, dass 80 % des Erfolgs des Unternehmens durch 20 % der Kunden generiert wird. Da die Marketingmittel im Unternehmen nicht unbegrenzt sind, müssen diese möglichst effektiv eingesetzt werden. Selbst wenn hypothetisch unbegrenzte Marketingressourcen zur Verfügung stünden, ist eine undifferenzierte Bearbeitung der Kunden eines Unternehmens nicht ratsam. Die anfallenden Kosten würden den generierten Zusatzumsatz in den meisten Fällen deutlich übersteigen und so einen negativen ROI erzielen. Aus diesem Grund sollten sich Unternehmen von einer „one size fits all“-Strategie verabschieden und verschiedene Kundensegmente unterschiedlich bearbeiten. Insbesondere fokussiert werden sollte auf diejenigen Kunden mit hohem Kundenwert, hohem Wertpotential und Markenambassadoren. Es stellt sich nun die Frage, wie der Kundenwert berechnet und im Zeitverlauf gemessen werden kann. Als einfachste Methoden kann zur Berechnung des Kundenwerts der Umsatz oder die Marge herangezogen werden (ABC-Analyse). Es können aber auch aufwändigere Verfahren wie beispielsweise das RFM-Modell oder der Customer Lifetime Value (CLV) verwendet werden. Wie der Kundenwert am Ende berechnet wird, muss jedes Unternehmen für sich entscheiden. Eine der gängigsten Methoden zur Berechnung des Kundenwerts ist das RFM-Modell, ein Scoringverfahren, welches Kunden anhand von drei Kennzahlen in unterschiedliche Segmente und Zielgruppen einteilt. Drei Bestandteile: Recency, Frequency, Monetary Value Die Buchstaben RFM stehen für Recency, Frequency und Monetary Value.
 Einsatz des RFM-Modells Mit Hilfe des RFM-Modells können sich Unternehmen anhand objektiver Kriterien fortlaufend einen Überblick über die Struktur ihrer Kunden verschaffen und beurteilen, ob es sich im Einzelfall grundsätzlich um einen guten oder schlechten Kunden handelt. Das primäre Ziel von RFM-Analysen ist, den Return on Investment (ROI) zu erhöhen und die Rücklaufquoten von Marketing-Kampagnen bis zu einem gewissen Grad prognostizieren zu können. Auf Basis der RFM-Analyse können Unternehmen ihre Marketing-Massnahmen gezielter steuern und wegkommen von einer „one size fits all“-Kundenbearbeitung, indem beispielsweise nur die guten Kunden mit einem RFM-Score von mindestens 10 die Treue-Kampagne erhalten. Die Erfahrung zeigt, dass die Dauer seit dem letzten Einkauf, die Transaktionshäufigkeit sowie der monetäre Wert in einer bestimmten Zeitperiode gute Indikatoren für das zukünftige Kaufverhalten von Kunden darstellen. Mittels prädiktiver Analyse (predictive analytics) können Vorhersagen über die Kaufwahrscheinlichkeit oder den zu erwarteten Umsatz getroffen werden. Daher eignet sich die RFM-Analyse gut für die Kampagnenplanung und -steuerung. Darüber hinaus kann mittels des RFM-Modells nachverfolgt werden, wie sich der Score eines Kunden oder bestimmter Kundensegmente über die Zeit verändert. Dadurch wird eine Erfolgskontrolle des CRM-Programms möglich. Neben der Entwicklung auf Ebene Gesamtscore können auch die Veränderungen in den drei Kennzahlen Recency, Frequency, Monetary Value untersucht und die Kundenbearbeitung entsprechend angepasst und optimiert werden. Zusammengefasst lässt sich sagen, dass das RFM-Modell ein hilfreiches Werkzeug um Kunden zu bewerten und zu selektieren darstellt. Berechnung Die RFM-Analyse gehört zu den sogenannten Scoring-Modellen. Dabei wird für jede der drei Kennzahlen (Recency, Frequency, Monetary Value) auf Basis historischer Daten für jeden einzelnen Kunden ein Scoring-Wert vergeben. Die Summe der drei Werte ergibt den RFM-Score für den einzelnen Kunden. Die Scores für die drei Kennzahlen sowie der gesamthafte RFM-Score können auf vielfältige Art und Weise berechnet werden. Segmentierung mit dem RFM-Modell Zum Zwecke der Segmentierung werden in der Regel einfachere Modelle verwendet. Grundsätzlich gibt es zwei verschiedene Ansätze die RFM-Scores für die drei Kennzahlen zu bilden:
Die Anzahl der Klassen pro Kennzahl lässt sich frei gestalten auf Basis des konkreten Anwendungsfalls im Unternehmen. In der Praxis werden jedoch häufig 5 Klassen pro RFM-Kennzahl gebildet. Bei 5 Klassen pro RFM-Kennzahl erreicht jeder Kunde eine Punktezahl zwischen 3 und 15 und es ergeben sich insgesamt 125 (5x5x5) Scores oder Kundensegmente mit dem grösstmöglichen Score von 555. Aufgrund dieser Segmente wird dann für die jeweilige Marketingkampagne selektiert. In den meisten Fällen empfiehlt sich die Betrachtung der Kennzahlen Frequency und Monetary Value auf 12 bis maximal 24 Monate zu beschränken. Damit wird einerseits Dynamik eingebracht und andererseits verhindert, dass die Faktoren F und M nur wachsen, aber nicht kleiner werden können. Gerade letzteres kann zu ungewollten Konstellationen führen, wenn beispielsweise ein ehemals sehr guter Kunde mit F = 5 und M = 5 schon lange nicht mehr eingekauft hat (R = 1), aber trotzdem nach wie vor einen RFM-Score von 11 erhält. Berechnungsbeispiele 1. Einteilung der Kunden anhand fester Wertebereiche Die Grenzen der Wertebereiche werden bei dieser Variante anhand der Verteilungen der drei Kennzahlen festgelegt. Dabei hilft die Darstellung der Rohdaten pro Kennzahl in einem Graphen. So lassen sich Sprünge in den Häufungen besser erkennen. Dort wo die Verteilung einen relevanten Sprung macht ist es sinnvoll, die Grenzen zu ziehen. Für unser RFM-Modell wurden folgende Werte für Recency, Frequency und Monetary Value festgelegt:   
Nun werden die 3 Werte addiert, was zu einer maximalen Punktezahl von 15 und einem minimalen Score von 3 führt. Herr Müller landet im Kundensegment 434 und erhält einen RFM-Score von 11.  2. Einteilung der Kunden anhand von Quantilen in gleich grosse Gruppen Zur Berechnung des Recency-Scores werden alle Kunden nach dem Zeitpunkt ihres letzten Einkaufs absteigend rangiert. Wollen wir beispielsweise 5 Klassen zugrunde legen, bilden wir Quintile (5 gleich grosse Gruppen). Im ersten Quintil befinden sich die 20 % der Kunden, bei welchen der letzte Einkauf am kürzesten zurückliegt. Diese erhalten den Recency-Score 5. Im fünften Quintil hingegen befinden sich die 20 % der Kunden, bei welchen der letzte Einkauf am längsten zurückliegt. Diese Kunden erhalten den Recency-Score 1. Für die Frequency- und Monetary-Scores wird analog vorgegangen. Also wiederum die Kunden absteigend nach Kundenfrequenz und Umsatz rangiert und dann für die 20 % Kunden mit der höchsten Frequenz respektive dem höchsten Umsatz in der definierten Zeitperiode der Score 5 vergeben. Die 20 % Kunden mit der niedrigsten Frequenz respektive dem niedrigsten Umsatz in der definierten Zeitperiode erhalten entsprechend des Score 1. Am Ende werden auch bei dieser Methode die 3 Werte addiert, was wiederum zu einer maximalen Punktezahl von 15 und einem minimalen RFM-Score von 3 und 125 (5x5x5) Kundensegmenten führt. Alternative Sortierung der Kunden: Da die Kennzahlen häufig korrelieren, beispielsweise kaufen Kunden, die mehr ausgeben (hohes M) auch öfters (hohes F), kann sich die Anzahl der Kunden in den Segmenten unterscheiden. Sollen die 125 Kundensegmente gleich gross sein, kann eine alternative Variante eingesetzt werden. Bei dieser werden die Kunden wiederum zuerst anhand ihrer Recency absteigend rangiert und dann den 5 Quintilen zugewiesen. Im Gegensatz zur oben beschriebenen Variante, findet die Zuordnung der Kunden für die Kennzahlen F und M sequentiell, in Abhängig der vorherigen Kennzahl statt und nicht für jede Kennzahl unabhängig. Für jede Recency-Klasse werden Quintile auf Basis der Frequency (F) gebildet und im letzten Schritt für jede Recency-Frequency-Klasse Quintile auf Basis der Kennzahl Monetary Value (M). Auch bei dieser Alternative ergeben sich wiederum 125 Kundensegmente (5 Recency x 5 Frequency x 5 Monetary Value).  Die Reihenfolge der Kennzahlen muss nicht zwingend R-F-M sein. Abhängig von der Branche und vom Unternehmen kann sich die Wichtigkeit der einzelnen Kennzahlen unterscheiden. Als Erstes sollte die Kennzahl gewählt werden, welche den grössten Einfluss auf das zu erreichende Ziel hat. Ist das Ziel die Responserate auf ein postalisches Mailing, sollte die Kennzahl, bei welcher der Response am schnellsten abnimmt als erstes gesetzt werden, da diese der beste Prädiktor darstellt. An zweiter Stelle wird die Kennzahl gesetzt, welche von den verbleibenden zwei Kennzahlen den grösseren Einfluss hat. Wie lassen sich Kundensegmente zur Bearbeitung bilden? In der Praxis wird häufig nicht jedes der 125 unterschiedlichen Kundensegmente einzeln betrachtet und bearbeitet, stattdessen werden verschiedene RFM-Kundensegmente zusammengefasst zu übergeordneten Segmenten wie Top-, aktive Bestands-, Wachstums-, Schläfer- oder gefährdete Kunden. Eine Vereinfachung des RFM-Modells zur Kundensegmentierung besteht auch darin, die beiden Kennzahlen Frequency und Monetary Value zusammenzufassen und den Durchschnitt der beiden zu verwenden. Dadurch wird aus einer 3-dimensionalen Betrachtung eine 2-dimensionale. Insbesondere wenn diese beiden Kennzahlen stark positiv korrelieren, kann dies ein Weg zur Vereinfachung der Segmentierung sein. Berechnung des Kundenwerts mit dem RFM-Modell Soll das RFM-Modell dazu dienen, die Entwicklung des Kundenwerts des einzelnen Kunden sowie über alle Kunden hinweg im Zeitverlauf zu messen, ist eine Einteilung der Kunden anhand von Quantilen in gleich grosse Gruppen nicht sinnvoll. Die relative Betrachtung führt dazu, dass für jeden Kunden der aufsteigt, ein anderer Kunde absteigen muss. Aufgrund der relativen Betrachtungsweise ist auch keine Verbesserung im Zeitverlauf messbar. Auch die Einteilung der Kunden anhand weniger fester Wertebereiche stösst hier an seine Grenzen. Werden wie im obigen Beispiel nur 5 Scores pro Kennzahl vergeben, können kleinere Entwicklungen nicht sichtbar gemacht werden, da ein Kunde nur bei einer grösseren Veränderung die Klasse wechselt. Beispielweise muss ein Kunde 9 anstelle von 6 Einkäufen pro Jahr tätigen, um beim Frequency Score von 3 zu 4 aufzusteigen. Aus diesen Gründen werden zur Berechnung des Kundenwerts pro Kunde und der Beobachtung dessen Entwicklung im Zeitverlauf normalerweise entweder deutlich mehr als 5 Klassen pro Kennzahl (v.a. bei F und M) gebildet oder komplexere Scoringverfahren auf Basis einzelner Transaktionen eingesetzt. Häufig werden die Kennzahlen auch unterschiedlich gewichtet, um den kumulierten Score-Wert an die Eigenheiten des Unternehmens anzupassen. Dabei kommt die folgende Formel zum Einsatz: RFM-Score = (r x R) + (f x F) + (m x M) Die Gewichtung kann willkürlich erfolgen. Wenn aus Sicht des Unternehmens der Umsatz die grösste Relevanz spielen sollte, kann dieser gegenüber der Recency und Frequency höher gewichtet werden (bspw. r = 3 / f = 2 / m = 5). Komplexere Verfahren setzen Regressionstechniken ein um die relativen Gewichte (r, f und m) der Kennzahlen R, F und M festzulegen. Wichtig anzumerken ist, dass die Historie pro Kunde gespeichert wird und für Analysen zur Verfügung steht, um die Entwicklung des RFM-Scores zu analysieren und Learnings daraus ziehen zu können. Berechnungsbeispiel Ein Scoringverfahren auf Basis einzelner Transaktionen könnte beispielsweise wie folgt aussehen:  Unsere Kundin Frau Meier hat in den vergangenen 12 Monaten folgendes Einkaufsverhalten gezeigt:  Aufgrund der vorliegenden Einkaufsdaten erhält Frau Meier einen RFM-Score von 183 Punkten.  Bewertung des RFM-Modells
Das RFM-Modell ist einfach, schnell und kann praktisch von jedem Unternehmen angewendet werden, das in seiner CRM-Datenbank Informationen über das Kaufverhalten (Aktualität, Häufigkeit und Monetären Wert) den einzelnen Kunden zuordnen kann. Die Berechnungslogik ist klar nachvollziehbar und die Analyse liefert einen guten Überblick über die Kundenstruktur. Zudem kann mit nur einer Zahl beurteilt werden, ob es sich grundsätzlich um einen guten oder schlechten Kunden handelt. Während viele Marketingansätze rein auf demografischen Merkmalen basieren, basiert die RFM-Analyse auf verhaltensbasierten Merkmalen, die aus den Transaktionen gebildet werden. Das vergangene Kaufverhalten der Kunden ist eine hervorragende Basis für die Optimierung von Marketingkampagnen. Durch den Einsatz der RFM-Analyse kann ein Kundenwert ermittelt werden, der anhand unterschiedlicher Kriterien bemessen wird. Kunden können so in bestimmte Segmente eingeteilt werden, um genau bestimmen zu können, welche Kundengruppen besonders profitabel sind und bei welchen Gruppen sich bestimmte Marketing-Massnahmen weniger lohnen. Dadurch können nicht-relevante Marketingkontakte ausgeschlossen und Marketingkosten reduziert werden. Zudem können CRM- und Kundenbindungsmassnahmen auf die richtigen Kunden ausgerichtet werden. Der RFM-Score stellt einen abstrakten Wert dar und drückt keinen monetären Wert aus wie beispielweise eine Umsatzbetrachtung oder der Customer Lifetime Value. Zum Zweck der Segmentierung für Kampagnen ist der RFM-Score nur bedingt nutzbar, da zu unspezifisch. Oftmals ist es wichtig zu wissen, wie sich ein bestimmter Score ergeben hat. Aus diesem Grund empfiehlt sich eine Segmentierung auf Basis der Scores in den einzelnen Kennzahlen (R, F und M). Eine weitere Einschränkung ist, dass die RFM-Analyse auf historischen Kundendaten basiert und deshalb für Leads und Neukunden nicht oder nur beschränkt nutzbar ist. Auch für eine grundlegende Potenzialsbetrachtung der Kundenbasis ist das RFM-Modell nicht geeignet. Des Weiteren bezieht die Kennzahl Recency den individuellen Kaufzyklus der Kunden nicht mit ein. Zudem wird der Kundenlebenszyklus nicht berücksichtigt, vielmehr wird davon ausgegangen, dass sich aus dem historischen Kaufverhalten auf künftiges schliessen lässt. Auch die Dauer der Kundenbeziehung wird beim RFM-Modell ausser Acht gelassen. Ein letzter Kritikpunkt ist die Fokussierung auf transaktionale Daten und entsprechend die fehlende Berücksichtigung weiterer relevanter Verhaltensdaten der Kunden wie beispielsweise das Verhalten auf der Webseite, Bewertungen oder Empfehlungen. Diesem Punkt kann allerdings entgegnet werden, dass sich das Modell durchaus mit weiteren Variablen erweitern lässt, was allerdings auch eine erhöhte Komplexität mit sich bringt. Hier ist sicherlich abzuwägen, ob der Mehrwert den Mehraufwand und die erhöhte Komplexität rechtfertigt. 
Michael Bietenhader war in seiner Rolle als Dozent im CAS Marketing Automation zu Gast im HWZ Livestream. Su Franke sprach mich Michael zum Thema Automatisierung von Kundenbeziehungen und das Spannungsfeld zwischen Mensch & Maschine.
Der CAS Marketing Automation an der HWZ geht im Februar 2022 in die 4.Runde. Es hat noch freie Plätze >> Mehr Informationen zum CAS Marketing Automation
Weitere spannende Gespräche mit Dozenten der HWZ gibt's auf dem HWZ Live-Hub |
Kategorien
Alle
Archiv
Mai 2024
|
RSS-Feed