Recency-Frequency-Monetary Value Modell

Recency-Frequency-Monetary Value Modell

Segmentierung und Bewertung von Kundenpotential - Teil 1

Data, Technology & Analytics for Marketing

Bewertung von Kunden und Kundenbeziehungen ist seit jeher eine Herausforderung für Marketing Abteilungen. Zugleich ist es ein wichtiges Steuerungselement für die Kommunikationsstrategie, der Mediaplanung und Budgetierung. In dieser Artikelreihe werden wir unterschiedliche Ansätze der Kundenbewertung beschreiben und deren Vor- und Nachteile hervorheben.

Im ersten Teil beschreiben wir das Recency-Frequency-Monetary Value Modell (RFM) bietet einen quantitativen Ansatz zur Kundensegmentierung.

Kurzgesagt

1. Bewertung von Kunden ist für sowohl die Planung als auch die Kommunikationsstrategie substanziell.

2. Recency-Frequency-Monetary Value Modelle (RFM) bietet einen schlanken und einfachen Ansatz für die Bewertung dieser Segmente.

3. Recency beschreibt den Zeitraum seit dem letzten Kauf, Frequency die Frequenz des Wiederkauf und Monetary Value den Warenkorb des Nutzers.

4. Basierend auf den Kaufdaten von Nutzern können somit übersichtliche Segmente geschaffen werden, welche auf den jeweiligen Business Case maßgeschneidert werden kann.

Das berühmte Pareto-Prinzip besagt, dass 20% der Kunden für 80% des Umsatzes eines Unternehmens verantwortlich sind. Zu bestimmen, welche der Kunden diese 20 Prozent sind, ist auf vielen Ebenen hilfreich. Von Clusteranalysen über komplexe Gruppierungsmethoden gibt es verschiedene Methoden, um dieses Ziel zu erreichen. Das Recency-Frequency-Monetary Value (RFM)- Prinzip ist dabei eine übersichtliche und durchdachte Variante, welche die wesentlichen Aspekte der Kundeneinordnung abdeckt und eine Segmentierung ermöglicht.

Wie bereits aus dem Namen abzuleiten ist, kombiniert RFM drei verschiedene Faktoren der Kundenbewertung. Recency bezeichnet den Zeitraum seit dem letzten Kauf eines Kunden. Ein mögliches Maß dafür ist die Anzahl an seit dem Kauf vergangener Wochen oder alternativ eine standardisierte Skala von 1-10 wie etwa „10 minus der Anzahl an Monaten seit dem letzten Kauf“, wobei eine höhere Bewertung den Kunden als „wichtiger“ einordnet.

Frequency ist das Maß für die Zahl an Käufen innerhalb eines bestimmten Zeitraums und soll so die Loyalität eines Kunden bemessen. Welcher Zeitraum hier gewählt wird, hängt von Unternehmen und Produkt ab, beispielsweise werden Autos deutlich unregelmäßiger gekauft als Elektronikgeräte. Während man bei Elektronikgeräten die Käufe innerhalb des letzten Jahres heranziehen könnte, sollte der Zeitraum bei Autoverkäufen länger gewählt werden.

Der Monetary Value Aspekt bezieht den Wert des „Warenkorbs“ in die Segmentierung mit ein. Eine mögliche Größe ist der durchschnittliche Preis eines gekauften Produkts oder das teuerste gekaufte Produkt innerhalb eines Zeitraums. Zum Zwecke einer Standardisierung könnte dieser Wert mit einem unternehmensspezifischen Benchmark-Value verglichen werden (etwa Benchmark = Monetary Value 5; je mehr, desto höherer Score, darunter niedriger).

Die RFM Analyse kombiniert die Bewertung der drei Faktoren für jeden Kunden und ordnet ihn dementsprechend ein. Ein Kunde, der in allen drei Kategorien hohe Scoring-Werte aufweist, also häufig, erst kürzlich und mit hohem Warenwert kauft, ist demzufolge ein „premium“ Kunde, welcher eine hohe Loyalität zu dem Unternehmen und hohen Bedarf an den Produkten hat.

Das Modell nimmt keine Wertung zwischen den Faktoren vor. Zwei Kunden mit gleichem Monetary Value, wobei einer höhere Frequency und der andere höhere Recency aufweist, werden vom Modell als gleich wichtig bewertet. Je einfacher das Scoring-System der einzelnen Faktoren ist, desto leichter fällt die Gruppeneinteilung der Kunden, etwa in wichtige Kunden, Wachstums-Kunden, inaktive Kunden, gefährdete Kunden und weniger wichtige Kunden, die selten um wenig Geld Produkte erwerben. Geteilt nach hoher und niedriger Recency sind in folgenden beiden Graphen beispielhafte Segmentierungen zu finden, welche als Vorlage dienen und je nach Unternehmen angepasst werden müssen.

Mögliche Kundensegmente für hohe Recency (oben) und niedrige Recency (rechts).

Fazit

Die RFM-Analyse ist ein guter Weg, um mit bestehenden Kaufdaten Kunden in übersichtliche Segmente aufzuteilen. Anhand der drei Bewertungsfaktoren wird eine transparente und nachvollziehbare Kundengruppierung erstellt, auf deren Basis Marketing-Maßnahmen an die Kundengruppen angepasst werden können. Das Modell bietet zwar nur einen groben Überblick, kann jedoch ohne viel Aufwand und sofern die Daten vorhanden sind um weitere Faktoren ergänzt werden und so zu einer noch genaueren Kundenkategorisierung beitragen. Für Unternehmen, welche bisher keine Kundengruppensegmentierung vorgenommen haben, bietet die RFM-Analyse einen ausgezeichneten Startpunkt.

Quellen

  • https://blog.gpredictive.de/was-ist-eigentlich-mit-recency-frequency-monetary-value
  • Fader, P. S., Hardie, B. G., & Lee, K. L. (2005). RFM and CLV: Using iso-value curves for customer base analysis. Journal of Marketing Research, 42(4), 415-430
  • Miglautsch, John R. „Thoughts on RFM scoring.“ Journal of Database Marketing & Customer Strategy Management 8.1 (2000): 67-72.
  • https://www.eightleaves.com/2011/01/using-rfm-to-identify-your-best-customers/

Want to know more?

Data- & Marketing-Analyst (m/w/d) (40h/Woche)

Wir sind eine Unternehmensberatung mit Schwerpunkt Data Analytics und -Optimisation rund um das Feld Marketing. Zu unseren Kunden gehören internationale Großkonzerne und aufstrebende KMUs aus den Bereichen Mode, Immobilien, Glücksspiel, Rechtsberater, Möbelhäuser, Agenturen und Vermarkter uvm.  Wir suchen ab sofort einen Consultant zur Verstärkung unseres Teams.

Hinweis: Aufgrund der aktuellen Situation werden mögliche Bewerbungsgespräche ausschließlich per Videocall geführt. Über technische Details werden dann ggf. persönliche Abstimmungen getroffen.

Was du bei uns tun wirst

  • Du erstellst Daten- und Analysekonzepte für unsere Kunden und unterstützt Sie bei der Auswahl der passenden Marketing- & Daten-Technologien.
  • Du managst internationale Projekte und dienst als erste Anlaufstelle.
  • Du erstellst Audits über bestehende technische und datenorientierte Setups.
  • Du stehst den Kunden bei Fragen zu Daten und Marketing-Technologien zur Seite.
  • Du unterstützt Kunden in Analysefragen mit deskriptiver und präskriptiver Statistik.
  • Du unterstützt bei administrativen Tätigkeiten.

Unsere Erwartungen an dich

  • Abgeschlossenes Bachelor- oder Master-Studium mit betriebswirtschaftlichem Schwerpunkt, mit Spezialisierung in Statistik, Marketing, IT oder Data Science.
  • Reisebereitschaft im Ausmaß von 20%.
  • Du hast ausgezeichnete Deutsch- und Englisch-Kenntnisse, jede weitere Fremdsprache ist von Vorteil.
  • Gute Kenntnisse in Webtechnologien und Datenbanken.
  • Kenntnisse im Bereich Data-Management (Data Warehouse, Data Lake, ETL etc.) sind von Vorteil.
  • Kenntnisse im Bereich Marketing, sowie Marketing-Technologie sind von Vorteil.
  • Du bist strukturiert und analytisch veranlagt.
  • Du hast eine hohe Lernbereitschaft, denkst kreativ und lösungsorientiert.
  • Du denkst mit und stellst dich ehrgeizig neuen Herausforderungen.

Was dich bei uns erwartet

  • Top-Arbeitsklima in einem motivierten Team mit viel Humor.
  • Zentral gelegenes Büro mit Terrasse und Blick auf die Mariahilfer Straße.
  • Flache Hierarchien und die Möglichkeit eigene Ideen zu entwickeln.
  • Flexible Arbeitszeiten

Haben wir dein Interesse geweckt? Bewerbe dich jetzt unter jobs@corestad.com

Das kollektiv-vertragliche Mindestgehalt für die Position beträgt 1.884,99 EUR mit Bereitschaft zur deutlichen Überzahlung, je nach Erfahrung und Qualifikation.

Unsere Datenschutzbestimmungen findest du unter https://corestad.com/datenschutzerklarung/

Verantwortlicher:
Corstad
Mach Consulting e.U.
Mariahilfer Straße 54 Top 15
1070 Wien