RFM-Analyse: Erfahren Sie mehr über Ihre Kunden und die RFM-Segmentierung

In diesem Artikel werfen wir einen Blick auf die RFM-Analyse (Recency, Frequency, Monetary Value), die auf dem Verhalten von Kundengruppen (oder Segmenten ) basiert. Mit dieser Analysemethode können Sie das Verhalten der Benutzer und ihre Zahlungsvorgänge untersuchen. Als Ergebnis erhalten Sie wertvolle Erkenntnisse für das Direktmarketing.

Mit der RFM-Analyse können Sie Kunden nach Häufigkeit und Wert der Einkäufe segmentieren und die Kunden identifizieren, die das meiste Geld ausgeben.

• Aktualität – wie lange ist es her, seit ein Kunde etwas bei Ihnen gekauft hat
• Häufigkeit – wie oft ein Kunde bei Ihnen kauft
• Geldwert – der Gesamtwert der Einkäufe, die ein Kunde getätigt hat

Anhand dieser Kennzahlen ist es möglich, Ihre Kunden in Gruppen einzuteilen, um zu verstehen, welche Kunden häufig viele Dinge kaufen, welche wenig, aber häufig und welche schon lange nichts mehr gekauft haben.

Auf allgemeine Werbeangebote reagiert in der Regel nur ein geringer Prozentsatz der Kunden. RFM ist eine ausgezeichnete Segmentierungsmethode, um Kundenreaktionen vorherzusagen, Interaktionen zu verbessern und Gewinne zu steigern. RFM verwendet Kundenverhaltensdaten, um zu bestimmen, wie mit jeder Kundengruppe gearbeitet werden soll.

Der Kern der RFM-Analyse besteht darin, Kunden in Gruppen einzuteilen, basierend darauf, wann sie ihren letzten Einkauf getätigt haben, wie oft sie Dinge kaufen und den durchschnittlichen Wert ihrer Bestellungen. Für jede dieser Metriken ordnen wir Kunden einer von drei Gruppen zu, denen eine Zahl von 1 bis 3 zugewiesen wird.

Neuheit:

• 1 – langjährige Kunden.
• 2 – relativ neue Kunden.
• 3 – Neukunden.

Frequenz:

• 1 – Käufe selten (Einzelbestellungen).
• 2 – kauft selten ein.
• 3 – kauft oft ein.

Geldwert

• 1 – geringer Wert der Einkäufe.
• 2 – Durchschnittswert der Einkäufe.
• 3 – hoher Wert der Einkäufe.

Kunden werden RFM-Werte zugewiesen, indem ihre Zahlen für Aktualität, Häufigkeit und Geldwert verkettet werden. Beispielsweise hat Kunde 111 vor langer Zeit eine Bestellung mit einem geringen Geldwert aufgegeben. Kunde 333 hingegen tätigt häufig umfangreiche Bestellungen und hat kürzlich einen Kauf getätigt. Kunden mit 3 in jeder Kategorie sind Ihre besten Kunden.

Es gibt zwei bequeme Möglichkeiten, RFM-Analysen durchzuführen: mit OWOX BI und mit Excel (oder Google Sheets).

Im Gegensatz zu Excel ermöglicht Ihnen OWOX BI die automatische Berechnung von RFM.

Die Datenquelle für diese Analyse ist eine Tabelle oder Ansicht in Google BigQuery mit Daten zu jeder Bestellung mit den folgenden Feldern:

• userId – die Benutzer-ID des Kunden in der Website-Datenbank / ERP.
• Einnahmen – Einnahmen aus der Bestellung.
• erstellt – Datum der Auftragserstellung.

Schritt 1 . Wir empfehlen, Daten zu bestätigten Bestellungen aus Ihrem ERP zu verwenden. Sie können diese Daten ganz einfach mit OWOX BI Pipeline nach BigQuery exportieren.

Schritt 2 . OWOX BI bietet Ihnen auch die Möglichkeit, den Import von RFM-Analyseergebnissen in Google Analytics anzupassen. Dadurch können Sie:

• Erstellen Sie neue benutzerdefinierte Berichte und Segmente in Google Analytics für eine eingehendere Zielgruppenanalyse mit zusätzlichen Informationen über Benutzer
• Verwenden Sie die RFM-Analyse, um Remarketing-Zielgruppen für Google Ads, E-Mail-Newsletter und Treueprogramme zu erstellen

Schritt 3 . Das Einrichten des Imports von RFM-Analysedaten in Google Analytics aus Google BigQuery besteht aus zwei Schritten:

1. Einrichten einer Google Analytics-Webressource.
2. Erstellen eines Streams in OWOX BI Pipeline.

Schauen wir uns die letzten beiden Punkte genauer an.

1. Benutzerdefinierte Dimensionen auf Benutzerebene erstellen, um die Ergebnisse der RFM-Analyse zu speichern (Benutzerdefinierte Definitionen → Benutzerdefinierte Dimensionen → +Neue benutzerdefinierte Dimension ):

2. Erstellen Sie einen Datensatz, um Daten in Google Analytics zu importieren (Datenimport → Neuer Datensatz) :
   

• Geben Sie das Importverhalten als Abfragezeit an. Dadurch können Sie importierte Daten mit historischen Daten kombinieren; Andernfalls werden die Daten nur mit den in Google Analytics erfassten Treffern zusammengeführt, nachdem die Ergebnisse der RFM-Analyse heruntergeladen wurden. Beachten Sie, dass der Abfragezeitimport nur für Nutzer von Google verfügbar ist

• Benennen Sie als Nächstes den Datensatz und bestimmen Sie die Liste der Ansichten, in denen die importierten Daten verfügbar sein werden:​
  

• Definieren Sie abschließend ein Datenschema und speichern Sie den Datensatz:​

Das ist es. Sie haben jetzt die Web-Property-Einstellungen von Google Analytics für den Datenimport konfiguriert. Jetzt können Sie mit dem Import fortfahren.

1. Bereiten Sie eine SQL-Abfrage vor, die die Daten in der richtigen Struktur zurückgibt .

2. Erstellen Sie wie hier beschrieben einen Stream in OWOX BI Pipeline .

Warten Sie, bis Daten in Google Analytics angezeigt werden:

Alles ist bereit. OWOX BI führt automatisch eine RFM-Analyse durch, ohne dass Sie viel einbeziehen müssen.

1. Um RFM in Excel zu berechnen, laden Sie zunächst Transaktionsdaten aus Ihrem CRM herunter: Kundenname, Kaufdatum und Kaufbetrag:​
   

2. Verwenden Sie eine Pivot-Tabelle, um das Datum des letzten Kaufs für jeden Kunden zu bestimmen, wie oft der Kunde insgesamt bei Ihnen gekauft hat, und den gesamten Geldwert all dieser Bestellungen.
   

3. Da einige Kunden im CRM möglicherweise noch nie etwas gekauft haben, müssen wir alle ihre Transaktionen in einer Zeile zusammenfassen. Dazu fügen wir den Wert Client in die Zeilen .​ ein
   

4. Jetzt müssen wir zählen, wie viele Bestellungen jeder Kunde aufgegeben hat. Fügen Sie dazu das Kaufdatum zu den Werten hinzu (vergessen Sie nur nicht, COUNTA in der Spalte „Zusammenfassen“ anzugeben).

5. Berechnen Sie als Nächstes den Gesamtwert aller Bestellungen für jeden Kunden. Fügen Sie dazu Kaufbetrag zu Werten hinzu und geben Sie in der Spalte Zusammenfassen nach SUM .​ ein
   

6. Nun müssen wir für jeden Kunden das Datum des letzten Einkaufs berechnen. Addieren Sie dazu das Kaufdatum zu den Werten und geben Sie MAX in der uns bereits bekannten Grafik an

Das war's für die Analysevorbereitung. Jetzt müssen wir diese Daten auf eine neue Seite übertragen, um RFM-Werte zu berechnen.

7. Benennen Sie zunächst die Spalten in Kunde , Letztes Kaufdatum , Bestellhäufigkeit , Anzahl der Bestellungen und Kaufbetrag um. Nun fahren wir mit dem Hauptteil der Analyse fort. Mit der Formel = HEUTE () berechnen wir, vor wie vielen Tagen ein Kunde seinen letzten Einkauf getätigt hat. Dies sind die Daten für unseren R-Wert (Aktualität):

8. An diesem Punkt haben wir alle Daten zu Aktualität, Häufigkeit (Anzahl der Bestellungen) und Geldwert (Betrag). Nun werden wir basierend auf diesen Daten Werte von 1 bis 3 (gemäß den oben genannten Kriterien) zuweisen.

Beginnen wir mit den Werten für Recency. Als erstes müssen wir berechnen, wie lange 33 % und 66 % unserer Kunden bei uns gekauft haben. Das geht ganz einfach mit der Formel = PERCENTILE.INC (C2: C12; 0.33) und = PERCENTILE.INC (C2: C12; 0.66) . Wir wissen jetzt, dass 33 % der Kunden unsere Produkte vor weniger als 61 Tagen und 66 % vor mehr als 93 Tagen gekauft haben

9. Dementsprechend ordnen wir denjenigen Kunden, die vor weniger als 61 Tagen gekauft haben, den höchsten Wert von 3 zu. Denjenigen, die vor 61 bis 93 Tagen eine Bestellung aufgegeben haben, ordnen wir den Wert 2 zu. Den Rest, die vor mehr als 93 Tagen gekauft haben, ordnen wir einen Wert zu Wert von 1. All dies kann automatisch mit der Formel = IF (C2 <61; 3; IF (C2 <93; 2; 1)) berechnet werden

10. Nach dem gleichen Prinzip berechnen wir die Werte für F (Häufigkeit) und M (Geldwert): Zuerst berechnen wir, wie oft 33 % und 66 % der Kunden einen Kauf getätigt haben, und ordnen basierend auf den Ergebnissen Werte von 1 bis zu 3.​

11. Zur besseren Übersicht berechnen wir den RFM-Wert, indem wir alle drei Werte für jeden Kunden verketten. Wir können das mit der Formel = D2 * 100 + F2 * 10 + H2 machen
    

Das ist es. Wir haben alle notwendigen Berechnungen für die RFM-Analyse in Google Sheets (oder Excel) durchgeführt. Denken Sie daran, dass diese Formeln zwar helfen, einige Fehlberechnungen zu automatisieren, Sie aber dennoch viel Zeit für die Berechnung von RFM aufwenden müssen.

Aber wenn Sie Ihre Zeit und die Ihrer Mitarbeiter schätzen oder wenn Sie über eine große Datenbank verfügen, empfehlen wir die Durchführung einer RFM-Analyse mit OWOX BI. Wenn Sie noch kein OWOX BI-Benutzer sind, können Sie alle Funktionen kostenlos testen.

Wenn alle Berechnungen fertig sind und Sie Ihre Kunden segmentiert haben, ist es an der Zeit, mit dem Marketingteil fortzufahren.

Indem Sie Kunden nach RFM-Werten gruppieren, können Sie sich sofort ein vollständiges Bild davon machen, was mit Ihrem Kundenstamm passiert. Sehen wir uns Beispiele einiger Kundengruppen an.

Gruppe 3R-3F-3M – die aktivste, kaufe oft

Das sind Ihre idealen Kunden. Es ist möglich, Ihr Engagement mit ihnen zu erweitern, indem Sie ein Treueprogramm starten, sie zu besonderen Veranstaltungen einladen oder sie fragen, wie sich das Unternehmen entwickeln soll. Es ist wichtig, diesen Kunden zu zeigen, dass sie respektierte und willkommene Benutzer sind.

Gruppe 1R-1F-1M – am wenigsten aktiv, einmal gekauft / nie, wenig ausgegeben

Obwohl diese Kunden am wenigsten vielversprechend zu sein scheinen, sollten Sie sie nicht komplett abschreiben: Sie haben mindestens einmal Interesse an Ihren Produkten gezeigt. Meistens bereiten Vermarkter spezielle provokative Botschaften vor, um diese Kunden in „definitiv desinteressiert am Produkt“ und „vielversprechend“ einzuteilen. Vielversprechende Kunden können in die nächste Kategorie überführt werden.

1 in einer der Kategorien

Einige Ihrer Kunden haben möglicherweise einen Wert von 122 (lahme Neuheit). Diesem Abschnitt sollte ein wenig Zeit gegeben werden, um zu entscheiden, ob er zu Ihnen zurückkehrt. Versuchen Sie, ihnen Produkte anzubieten, die sie normalerweise zusammen mit den früher gekauften kaufen, um ein erneutes Interesse an Ihrem Unternehmen zu wecken.

3 in einer der Kategorien

Diese Nutzer sind ein vielversprechendes Segment für Ihre Forschung. Sie sind konsistent genug, damit Sie experimentieren und einen geeigneten Weg finden können, um ihre anderen Indikatoren zu erhöhen.

Die RFM-Methodik ist alles andere als absolut, aber sie ist ein äußerst nützliches Werkzeug zur Analyse Ihres Kundenstamms. Mit nur wenig Arbeit werden Sie sehen, wie Sie Ihre Kunden individuell ansprechen können.

Beachten Sie gleichzeitig, dass die Daten von Jahreszeiten, Werbeaktionen und Feiertagen beeinflusst werden. Wenn ein Kunde mit einer umfangreichen Kaufhistorie für den aktuellen Monat im nächsten Monat nichts kauft, bedeutet dies nicht, dass Sie ihn sofort in ein anderes Segment übertragen sollten. Vielleicht ist dies nur der Effekt der Saisonalität, und nach einer Weile werden sie den Kauf wieder aufnehmen.

Wenn Sie noch Fragen haben, fragen Sie uns in den Kommentaren unten :)

Und wenn Sie mehr über Google Analytics und andere Analysetools erfahren möchten, abonnieren Sie unseren Newsletter. Jeden Monat erhalten Sie nützliche Tipps für moderne Marketer und Analysten.