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.

• Recency (Aktualität): Wann hat der Kunde zuletzt gekauft (Zeitspanne seit der letzten Aktivität)? Die Recency gibt Auskunft darüber, wie aktiv ein Kunde ist, und trifft damit eine Aussage über seine Wiederkaufwahrscheinlichkeit.

 

• Frequency (Häufigkeit): Wie oft hat der Kunde gekauft? Drückt aus, wie häufig ein Kunde bereits eingekauft hat (insgesamt oder in einer bestimmten Zeitperiode).

​

• Monetary Value (Geldwert): Welchen monetären Wert hat der Kunde generiert?​ Monetärer Wert, den der Kunde für das Unternehmen geleistet hat (insgesamt oder in einer bestimmten Zeitperiode). Der monetäre Wert kann sich dabei auf den Umsatz oder die Marge beziehen. 

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: 

1. Einteilung der Kunden anhand fester Wertebereiche
   
2. Einteilung der Kunden anhand von Quantilen in gleich grosse Gruppen 

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:

• Unser Kunde Herr Müller hat vor 12 Tagen das letzte Mal bei uns eingekauft und erhält demnach einen Recency-Wert von 4 Punkten.
• Herr Müller war in den letzten 12 Monaten 7 Mal bei uns zum Einkauf und hat somit einen Frequency-Wert von 3 Punkten.
• Bei diesen 7 Einkäufen im letzten Jahr hat Herr Müller insgesamt CHF 752.- bei uns ausgegeben. Sein Monetary Value liegt damit bei 4 Punkten.

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.

Fazit der Studie zur Werbewirkung

Bei den meisten Fragestellungen der Studie schneiden Direktmarketingkanäle, insbesondere postalische Mailings am besten ab: Sie werden am häufigsten, am längsten und am liebsten beachtet. Adressierte Werbesendungen und E-Mail Newsletter werden von einer Mehrheit der Befragten als diejenigen Werbekanäle erachtet, die sie am besten informieren. Direktmarketing bringt am meisten Konsumenten auf die Website und persönlich adressierte Werbesendungen locken am meisten Kunden in den stationären Laden. Nicht zuletzt löst Werbung in persönlich adressierten Mailings und Newslettern die meisten Kaufimpulse aus und zeigt damit die beste Wirkung.

Wie bei jeder Studie sind auch diese Ergebnisse mit einer gewissen Vorsicht zu geniessen und es gilt zu beachten, wer Auftraggeber war. Die Post CH AG wird kaum eine Studie öffentlich präsentieren, in welcher das adressierte postalische Mailing schlecht abschneidet. 

Nichts destotrotz verfügt das postalische Mailing zweifelsohne über seine Stärken und ist für wirkungsvolles Marketing durchaus relevant. Die positive und handlungsauslösende Wirkung konnte bereits in zahlreichen Studien nachgewiesen werden. Beispielhaft ist an dieser Stelle die CMC DIALOGPOST-Studie aus dem Jahr 2019 zu erwähnen, welche in diesem Blog auch bereits thematisiert wurde und zum Ergebnis kommt, dass Print-Mailings auch im E-Commerce wirken. 

Die Wirkung hat aber auch seinen Preis. Aufgrund der hohen Kosten, insbesondere da die Portokosten stark zu Buche schlagen, gehören Print-Mailings zu den teureren Marketinginstrumenten. 
Es gilt gut abzuwägen und zu testen, wann welcher Kanal der effizienteste und wirkungsvollste ist. Gerade postalische Mailings und E-Mail Newsletter lassen sich sehr gut gegeneinander testen und hinsichtlich verschiedener wichtiger Kennzahlen, wie Response, realisierter Zusatzumsatz oder Zusatzmarge, vergleichen.

Am Ende kommt es auf den gesamten Mediamix und die intelligente Verknüpfung der verschiedenen Marketingkanäle miteinander und entlang der Customer Journey an. Hier sollte man sich bewusst sein, dass die verschiedenen Kanäle für unterschiedliche Zielsetzungen besser geeignet sind. So macht es kaum Sinn, ein postalisches Mailing oder einen E-Mail Newsletter zum Aufbau von Bekanntheit einzusetzen, dafür sind TV, Print-Inserate, Plakate oder Reichweitenwerbung auf Websites und in sozialen Netzwerken besser geeignet. Besteht das Ziel aber darin, gezielt einzelne Kundensegmente anzusprechen, Inhalte zu personalisieren und Handlung auszulösen sind Direktmarketinginstrumente die richtige Wahl. 

Zum kostenlosen Download der Studie

Durchschnittlich 4,5% Conversion Rate für Print-Mailings im E-Commerce
Von Mitte Oktober 2018 bis Ende März 2019 haben im Rahmen der CMC DIALOGPost-Studie 2019, welche vom Collaborative Marketing Club in Kooperation mit Deutsche Post durchgeführt wurde, 50 Online-Händler total 1,25 Millionen postalische Mailings an Bestandskunden versandt. Die Conversion Rate lag im Schnitt bei beachtlichen 4,5 Prozent. Die Warenkörbe konnten über alle Online-Shops hinweg um 12% gesteigert werden.

Mithilfe einer RFM-Analyse (Recency / Frequency / Monetary Value) untersuchte die Studie dabei genauer, welchen Einfluss die Kundenselektion auf den Erfolg des Print-Mailings hat. 

Recency-Score: Print-Mailings kurz nach dem letzten Kauf entfalten die grösste Wirkung 
Je schneller die Print-Mailings nach dem letzten Kauf an einen Kunden versendet werden, desto relevanter kommen sie bei ihm an. Innerhalb des ersten Jahres kann die Responsequote um 40 % sinken.

Frequency-Score: Print-Mailings stärken die Kundenbeziehung nachhaltig
Im Vergleich zu Einmal-Käufern, die nach erhaltenem Print-Mailing ihren zweiten Einkauf tätigen, liegt die Responsequote von Kunden mit bisher fünf oder mehr Bestellungen im Durchschnitt über dreimal höher.

Monetary-Value-Score: Print-Mailings erreichen die Top-Kunden
Wer in der Vergangenheit überdurchschnittlich viel Geld für seinen Einkauf ausgegeben hat, kauft auch beim nächsten Mal wieder mehr. Kunden mit hohem Durchschnittswarenkorb weisen eine doppelt so hohe Conversion Rate auf wie solche mit niedrigen Warenkörben.

Print-Mailings wirken über Wochen hinweg
Innerhalb der ersten 14 Tage werden 37% der Bestellungen realisiert. Es zeigt sich aber auch die Langlebigkeit des Print-Mailings: Es generiert auch in den Folgewochen konstant Umsätze und Markenkontakte.

Download der CMC DIALOGPOST-Studie 2019