Teil 5: Big Data – generierte Kundendaten für eine erfolgreiche Personalisierung nutzen

Im fünften Teil meiner Big Data Serie möchte ich einen Weg aufzeigen, wie man generierte Kundendaten erfolgreich für eine personalisierte Ansprache einsetzen kann. Heute möchte ich das sogenannte RFM-Kundensegmentierungsmodell vorstellen, am Beispiel eines Onlineshops.

Wer sind meine Kunden?

In meinem Blogpost über E-Mail-Marketing habe vor einiger Zeit geschrieben, „[…] dass das Zeitalter der „Giesskannenmethode“, bei dem versucht wird, mittels Massenmarketing möglichst viele potenzielle Kunden mit einer undifferenzierten Kundenansprache zu erreichen, längst beendet ist. Heute geht es vielmehr darum, den Kunden möglichst individualisiert und persönlich anzusprechen, um den Streuverlust möglichst gering zu halten und das Werbebudget effizient auszunutzen.“ Allerdings zeigt die Praxis, dass Unternehmen mit der persönlichen Kundenansprache zum Teil immer noch deutliche Defizite aufweisen. Um Kunden individuell anzusprechen, ist es unabdingbar seine Kundschaft genau zu kennen. Eine Möglichkeit seine Kunden besser kennen zu lernen ist das RFM-Modell.

RFM-Modell – was ist das?

Das RFM-Kunden-Segmentierungskonzept findet seinen Ursprung beim amerikanischen Versandhaus Sears im Jahr 1902. »R« steht dabei für »Recency«, die vergangene Zeit seit dem letzten Einkauf, »F« für »Frequency«, die Kaufhäufigkeit eines Kunden und »M« für »Monetary«, den Umsatz eines Kunden.

Mit dem RFM-Modell lässt sich ein Kunden-Scoring erstellen. Je mehr Punkte ein Kunde erreicht, desto höher ist dessen Kaufwahrscheinlichkeit bei der nächsten Marketingaktion. Dieses Modell eignet sich ideal zur individuellen Kundenansprache. Für jeden Kunden lässt sich ein persönlicher Wert errechnen. Unterschiedliche Werte erfordern unterschiedliche Marketingmassnahmen.

Bei der RFM-Analyse werden die Kundendaten aus vorangegangenen Bestellungen genutzt. Die RFM-Theorie besagt, dass Kunden, die erst kürzlich eingekauft haben, häufig einkaufen und dazu mit einem hohen durchschnittlichen Warenkorb wahrscheinlich eher auf spezielle Marketingmassnahmen eingehen als Kunden, bei denen der letzte Kauf bereits lange zurück liegt, die Kauffrequenz niedriger ist und auch der Umsatz geringer ausfällt. Diese Annahme ist logisch und konnte durch empirische Forschung bestätigt werden.

Definitionen der R-, F- und M-Werte

Recency (zeitliche Nähe zum letzten Kauf)

Je länger der letzte Kauf eines Kunden zurückliegt, desto unwahrscheinlicher ist ein erneuter Kauf. Das Sprichwort »Aus den Augen, aus dem Sinn« trifft nicht nur auf Menschen, sondern auch auf Marken und Produkte zu. Diese geraten schnell in Vergessenheit, wenn kein aktiver Kontakt stattfindet. Folgerichtig fällt der Recency-Wert höher / niedriger aus, je kürzer / länger der letzte Kauf zurückliegt. Im klassischen RFM-Modell bildet Recency den wichtigsten Faktor für eine wiederholte Kaufwahrscheinlichkeit. Daher steht dieser Parameter an erster Stelle.

Frequency (Kaufhäufigkeit)

Frequency steht für die Kaufhäufigkeit eines Kunden. Je regelmässiger ein Kunde einkauft, desto höher ist dessen Frequency-Wert. Die Erfahrung zeigt, dass ein Kunde, der oft einkauft, eher auf Marketingmassnahmen reagiert. Ausserdem ist eine Verbundenheit zu einer Marke erkennbar. Daher ist dieser Parameter auf Rang zwei.

Monetary (Umsatz)

Monetary steht für den Umsatz eines Kunden. Je höher der Umsatz eines Kunden, desto höher ist dessen Monetary-Wert. Kunden, die einen hohen Umsatz generieren, reagieren eher auf  Marketingmassnahmen, da sie ein gewisses Vertrauen in eine Marke oder ein Produkt haben.

Kundensegmentierung mit dem RFM-Modell

Nun gilt es seine Kunden in den drei Dimensionen entsprechend der Kunden-Struktur und Onlineshop-Struktur zu klassifizieren. Eine pauschale Lösung kann hier nicht präsentiert werden und hängt immer davon ab welche Produkte bzw. Dienstleistungen ein Shop anbietet. Exemplarisch möchte ich dies am Beispiel eines Wäsche-Shops und eines hochpreisigen Elektronik-Shops aufzeigen. Es ist anzunehmen, dass die Kauffrequenz in einem Wäsche-Shop höher sein wird als bei einem hochpreisigen Elektronik-Shop. Aus diesem Grund sollten Parameter immer individuell auf die eigenen Bedürfnisse angepasst werden.

Beispielhaft könnte die Klassifizierung der Kunden für den »Recency«-Wert wie folgt aussehen:

Dieses Vorgehen müsste analog für die Frequency- bzw Monetary-Werte durchgeführt werden. Hat man sich diese Arbeit einmal gemacht, kann man die drei Werte miteinander verbinden. Das Ergebnis ist die Klassifizierung seiner Kunden in verschiedene Gruppen von „444“ bis hin zu „111“.

Hat man die Auswertung erfolgreich ausgeführt, sollten die Kundengruppen analysiert und entsprechende Marketing-Massnahmen entwickelt werden.  Ziel sollte sein, möglichste viele Topkunden mit dem Score „444“ zu entwickeln und diese möglichst lange an das Unternehmen zu binden.

Mögliche Handlungsempfehlungen für einzelne Kundensegmente

Kunden mit dem Score „444“, gilt es so lange wie möglich zu halten und deren Kundenwert stetig auszubauen. Diese Kunden sollten für ihre bisherige Treue und ihren Umsatz für das Unternehmen belohnt werden. Auf standardmässige Gutschein-Kampagnen kann bei diesen Kunden verzichtet werden, da sie ohnehin eine hohe Bindung zum Unternehmen aufweisen und regelmässig eingekauft haben.  Die Wertschätzung könnte den Kunden beispielsweise in Form von Pre-Sales-Kampagnen entgegengebracht werden. Eine weitere Wertschätzungs-Kampagne lässt sich über kleine Aufmerksamkeiten schaffen. So wäre denkbar, allen Topkunden eine E-Mail zuzusenden mit der Ankündigung, dass die ersten 100 Besteller zusätzlich zu ihrer Bestellung eine besondere Aufmerksamkeit erhalten.

Die treuen Kleinstbesteller mit dem Score „X41“ bestellen häufig und generieren dennoch keinen grossen Umsatz. Hier kann beispielsweise eine Gutschein-Kampagne eingesetzt werden. Der Gutschein kann an einen Mindestbestellwert gekoppelt sein – wie beispielsweise »Erhalten Sie 30 Prozent Rabatt ab einem Einkaufswert von 100 CHF«. Gleichzeitig sollte diese Aktion auf einen kurzen Zeitraum limitiert sein, sodass der Kunde aufgrund der Verknappung das Angebot schneller wahrnimmt.

So gilt es für alle Kundensegmente entsprechende Massnahmen zu entwickeln und auch gleichzeitig ein gezieltes Monitoring aufzubauen, bei dem geprüft werden kann welche Massnahmen wirken und welche nicht.