RFM-Analyse: Kunden nach Kaufverhalten segmentieren
Wie Kunden mit Recency, Frequency und Monetary bewertet werden, wie das Quintil-Scoring funktioniert und welche Maßnahmen sich daraus ableiten lassen.
Die Kernaussagen auf einen Blick.
- Die RFM-Analyse bewertet Kunden anhand der Aktualität, Häufigkeit und des Werts ihrer bisherigen Käufe.
- Sie ist ein vergleichsweise einfacher und nachvollziehbarer Einstieg in die verhaltensbasierte Kundensegmentierung. Dafür reichen in vielen Fällen Transaktionsdaten mit Kundenbezug, Datum und Bestellwert aus.
- Die größere fachliche Arbeit liegt in der Wahl der Schwellenwerte und der Zusammenfassung der Scores zu handhabbaren Segmenten.
- RFM bleibt nur dann dauerhaft nützlich, wenn die Berechnung regelmäßig aktualisiert und operativ genutzt wird. Eine einmalige Excel-Auswertung eignet sich für den Einstieg, verliert bei häufigen Käufen jedoch schnell an Aktualität.
Inhaltsverzeichnis
Die nächste Kampagne richtet sich pauschal an den gesamten aktiven Kundenbestand. Dabei werden sehr unterschiedliche Kaufmuster in einer einzigen Zielgruppe zusammengefasst. Trotz unterschiedlicher Aktivität und wirtschaftlicher Bedeutung erhalten alle dieselbe Ansprache.
Die Ursache ist meist organisatorisch: Es fehlt eine schnell verfügbare Segmentlogik. Benötigt wird eine Einteilung, die sich aus vorhandenen Daten reproduzierbar ableiten und kurzfristig nutzen lässt. Demografische Merkmale erklären Kaufverhalten nur eingeschränkt und müssen regelmäßig aktualisiert werden. Datengetriebene Clusterverfahren erfordern mehr Vorbereitung, Bewertung und Erklärung als eine regelbasierte Segmentierung.
RFM bietet dafür einen pragmatischen Einstieg auf Basis bereits beobachteter Transaktionen. Die Zuordnung basiert auf tatsächlichem Kaufverhalten und nicht auf angenommenen Kundenmerkmalen. Voraussetzung sind ausreichend vollständige Transaktionsdaten mit einem konsistenten Kundenschlüssel.
Was ist die RFM-Analyse?
RFM ist eine verhaltensbasierte Methode zur Bewertung und Gruppierung von Kunden. Grundlage sind Recency, Frequency und Monetary. Recency beschreibt die Zeit seit der letzten relevanten Transaktion, Frequency misst die Zahl der Käufe innerhalb eines festgelegten Beobachtungszeitraums, und Monetary bildet den Umsatz, Deckungsbeitrag oder einen anderen wirtschaftlichen Wert ab. Die Methode wurde im Direkt- und Database-Marketing verbreitet und später in BI- und CRM-Anwendungen übernommen. Historisch stammt sie aus der Analyse wiederkehrender Kaufmuster im Direktmarketing.
Hinter der Auswahl der drei Größen steht eine verbreitete Beobachtung: Viele Kundenportfolios weisen eine ungleichmäßige Verteilung von Umsatz und Aktivität auf. Die OWOX-Dokumentation führt die Methode auf dieses Pareto-Prinzip zurück. RFM übersetzt diese Unterschiede in vergleichbare Scores. Kunden mit aktuellen, häufigen und wirtschaftlich relevanten Käufen erhalten hohe Werte in allen drei Dimensionen. Die Methode beschreibt vor allem das bisherige Kaufverhalten innerhalb des gewählten Zeitraums; künftige Entwicklung und tatsächliche Abwanderungswahrscheinlichkeit lassen sich daraus nur eingeschränkt ableiten.
Data & AI Beratung mit ruhrdot
Als offizieller Databricks-Partner begleiten wir dich von der Datenstrategie bis zur produktiven KI-Lösung.
Wofür stehen Recency, Frequency und Monetary?
Zeit seit dem letzten Kauf. Ein Frühindikator für Abwanderung.
Anzahl der Käufe im Beobachtungsfenster.
Umsatz bzw. Deckungsbeitrag des Kunden.
Die drei Dimensionen betrachten unterschiedliche Seiten des bisherigen Kaufverhaltens:
Recency
Die Zeit seit dem letzten Kauf, meist in Tagen. Ein kürzerer Zeitraum wird höher bewertet, ein nützliches Signal für nachlassende Aktivität, aber kein pauschaler Churn-Indikator.
Frequency
Die Anzahl der Käufe in einem festen Beobachtungsfenster. Kann auf wiederkehrendes Verhalten und eine etablierte Kundenbeziehung hinweisen.
Monetary
Der Umsatz oder der durchschnittliche Bestellwert. Unterscheidet Kunden nach ihrem bisherigen wirtschaftlichen Beitrag.
Eine einzelne Dimension reicht für eine belastbare Einordnung meist nicht aus. Die Kombination der drei Werte ermöglicht eine differenziertere Segmentierung und Maßnahmenplanung.
Wie berechnet man den RFM-Score?
Das Scoring standardisiert unterschiedlich skalierte Werte wie Tage, Kaufanzahl und Umsatz. Eine verbreitete Variante nutzt Quintile und unterteilt jede Dimension in fünf annähernd gleich große Gruppen. Diesen Gruppen werden Scores zwischen 1 und 5 zugeordnet. MCP Analytics beschreibt das Quintil-Scoring per NTILE(5) als Standard im Data Warehouse. Bei Recency erhält die Gruppe mit dem kürzesten Zeitraum seit dem letzten Kauf den höchsten Score.
Der Rechenweg ist für jede Dimension gleich. Du sortierst alle Kunden nach dem Wert, teilst die sortierte Liste in fünf gleich große Gruppen und vergibst pro Gruppe einen Punkt von 1 bis 5. Für Recency drehst du die Reihenfolge um: Die Kunden mit den wenigsten Tagen seit dem letzten Kauf bilden die Gruppe mit Score 5.
Bei fünf Ausprägungen pro Dimension sind rechnerisch 125 unterschiedliche RFM-Codes möglich (5 × 5 × 5). Ein kurzes Beispiel mit fünf Kunden, deren Scores aus den Quintilen der gesamten Basis stammen:
| Kunde | Letzter Kauf | Käufe | Umsatz | R | F | M | Lesart |
|---|---|---|---|---|---|---|---|
| A | vor 12 Tagen | 24 | 8.400 € | 5 | 5 | 5 | bester Kunde |
| B | vor 20 Tagen | 9 | 3.100 € | 4 | 4 | 4 | stabil gebunden |
| C | vor 210 Tagen | 18 | 6.700 € | 1 | 5 | 5 | wertvoll, aber am Abwandern |
| D | vor 95 Tagen | 2 | 290 € | 2 | 1 | 1 | randständig |
| E | vor 8 Tagen | 1 | 140 € | 5 | 1 | 1 | neu, noch unklar |
Besonders relevant ist Kunde C: hohe Frequency und Monetary, aber niedrige Recency. Die Kombination weist auf einen wertvollen, inzwischen jedoch länger inaktiven Kunden hin. In einer undifferenzierten Kampagne würde dieser Unterschied nicht berücksichtigt.
Beim Scoring stehen grundsätzlich zwei Wege offen: feste fachliche Schwellen oder relative Quantile. Feste Schwellen lassen sich leicht erklären und direkt an Kaufzyklen oder Geschäftsregeln koppeln. Sie müssen jedoch regelmäßig überprüft werden, wenn sich Saison, Sortiment oder Kundenverhalten verändern. Quantile passen sich automatisch an die Verteilung der aktuellen Kundenbasis an. Für regelmäßig aktualisierte Analysen können Quantile wartungsärmer sein, während feste Schwellen sinnvoll sind, wenn es fachlich begründete Grenzen gibt oder absolute Werte wichtiger sind als relative Rangplätze. Keine der beiden Varianten ist generell überlegen; die Wahl hängt vom Geschäftsmodell und Entscheidungszweck ab.
Welche RFM-Segmente gibt es?
Die vollständige Menge möglicher Codes ist für Marketing und Vertrieb meist zu kleinteilig. In der Praxis werden ähnliche Kombinationen zu einer überschaubaren Zahl benannter Segmente zusammengeführt. Die Zuordnung wird häufig als Segment- oder Maßnahmenmatrix dokumentiert. Typische Bezeichnungen sind Champions, Loyal Customers, At Risk, Can't Lose Them, Hibernating und New Customers.
Der operative Nutzen entsteht durch eine verständliche Zusammenfassung mit klaren Maßnahmen. Branchenauswertungen zeigen, dass sich ein erheblicher Umsatzanteil auf ein kleines Champions-Segment konzentrieren kann; wie stark, hängt von Branche, Zeitraum und Kundenstruktur ab und sollte im eigenen Bestand gemessen werden. Pauschale Größenangaben für einzelne Segmente sollten nicht als allgemeiner Standard verwendet werden.
Vom Segment zur Maßnahme
Eine Segmentierung erzeugt erst dann Nutzen, wenn sich daraus konkrete und unterschiedliche Maßnahmen ableiten lassen:
- Champions: Bei sehr aktiven und wertvollen Kunden stehen Bindung, Anerkennung und gezielte Weiterentwicklung im Vordergrund.
- At Risk und Can't Lose Them: Wertvolle, länger inaktive Kunden eignen sich für priorisierte Rückgewinnungsmaßnahmen.
- Loyal: Regelmäßige Käufer können mit passenden Zusatzangeboten oder Serviceleistungen weiterentwickelt werden.
- New Customers: Bei Neukunden kann der Fokus auf Onboarding, Produktverständnis und einem erfolgreichen zweiten Kauf liegen.
- Hibernating: Länger inaktive Kunden sollten abhängig von Wert, Marge und Reaktivierungskosten unterschiedlich behandelt werden.
An dieser Stelle verbindet sich RFM mit dem Rest der Kundenanalyse. Der Customer Lifetime Value ergänzt die historische RFM-Sicht um eine längerfristige wirtschaftliche Perspektive. Ein Churn-Modell kann innerhalb eines At-Risk-Segments zusätzliche Risikounterschiede sichtbar machen. RFM ist damit ein robuster Ausgangspunkt und einer von mehreren Wegen der Kundensegmentierung im übergeordneten Customer Intelligence.
RFM-Score oder K-Means?
Wann regelbasiertes Scoring und wann Clustering sinnvoll ist, hängt vom Ziel und von der Datenlage ab. Neben dem Quintil-Scoring lassen sich RFM-Werte auch per Clustering gruppieren, meist K-Means.
Quintil-Scoring ist einfach reproduzierbar und für Fachanwender gut erklärbar. Ein Score von 5 heißt für alle dasselbe. Kunden mit sehr ähnlichen Rohwerten können allerdings aufgrund einer Quantilgrenze unterschiedliche Scores erhalten.
K-Means sucht Gruppen anhand der Ähnlichkeit mehrerer Merkmale und kann zusätzliche Muster sichtbar machen. Eine technische Cluster-ID muss anschließend fachlich beschrieben und benannt werden. Dazu kommt eine Datenfrage: RFM-Werte weisen häufig schiefe Verteilungen und unterschiedliche Größenordnungen auf. Die R-Bloggers-Dokumentation zeigt, warum vor dem Clustering eine logarithmische Transformation und Skalierung sinnvoll ist, damit keine einzelne Dimension die Distanzberechnung dominiert.
Sowohl Scoring als auch Clustering beschreiben in erster Linie bisheriges Verhalten. Für viele Teams ist ein nachvollziehbares RFM-Modell ein sinnvoller Ausgangspunkt, bevor komplexere Verfahren getestet werden. Ein komplexeres Modell sollte nur eingesetzt werden, wenn es nachweisbar bessere Entscheidungen oder Maßnahmen ermöglicht.
Grenzen
Keine Ursachenerklärung
RFM basiert auf historischen Transaktionsdaten und berücksichtigt keine Motive oder zukünftigen Absichten. Der Score beschreibt beobachtetes Verhalten, liefert aber keine kausale Erklärung für Inaktivität.
Dimensionen sind kaufzyklusabhängig
Die Aussagekraft von Recency, Frequency und Monetary unterscheidet sich je nach Geschäftsmodell. Bei langlebigen Produkten ist geringe Frequency normal; Gewichtung und Scorelogik sollten nicht unverändert übernommen werden. Für nutzungsbasierte Modelle kann Engagement statt Umsatz sinnvoller sein (RFE) oder eine reine RF-Variante.
Aktualität erfordert Automatisierung
Bei kurzen Kaufzyklen verändern sich Scores und Segmente schnell. Ein quartalsweiser Rhythmus kann dann zu langsam sein. Für wiederkehrende Nutzung sollte die Berechnung automatisiert und nachvollziehbar aktualisiert werden.
Fazit
RFM liefert nur dann dauerhaften Wert, wenn aus dem Score ein automatisiertes, operativ genutztes Datenprodukt wird.
Die RFM-Analyse ist besonders hilfreich, wenn saubere Transaktionsdaten vorliegen und Kunden unterschiedlich angesprochen werden sollen. Sie bietet einen einfachen und gut erklärbaren Einstieg in die verhaltensbasierte Segmentierung. Bei guter Datenqualität lässt sich eine erste Version mit überschaubarem Aufwand erstellen.
Am besten passt RFM zu Geschäftsmodellen mit regelmäßigen Transaktionen und ausreichend Historie pro Kunde. Bei seltenen Käufen oder sehr kleinen Kundenbeständen kann eine andere Gewichtung oder Methode sinnvoller sein.
Mein Vorschlag: Für eine dauerhafte Nutzung sollte die Analyse nicht bei einer manuell gepflegten Datei bleiben. Ein sinnvoller Zielzustand ist eine regelmäßig berechnete Tabelle mit dokumentierten Scores und Segmenten. Für jedes Segment sollte eine konkrete und messbare Maßnahme festgelegt sein. Der Nutzen zeigt sich erst, wenn die Segmentierung das Verhalten von Marketing, Vertrieb oder Service verändert.
Erster Schritt: Datenqualität und Aktualisierungsrhythmus prüfen, bevor Segmente in die Kampagnensteuerung übernommen werden.
Ist RFM die richtige Segmentierung für eure Kundenbasis?
Ob RFM für eure Kundenbasis eine sinnvolle Segmentierung ermöglicht oder ob andere Methoden die relevanten Unterschiede besser abbilden, lässt sich in einem strukturierten Data-&-AI-Assessment bewerten.
- Welche Transaktionsdaten vollständig und konsistent genug für RFM sind
- Welche Anforderungen an Kundenschlüssel, Zeiträume und Aktualisierung bestehen
- Welche Umsetzung von der ersten Analyse bis zum automatisierten Datenprodukt sinnvoll ist
FAQ
Die RFM-Analyse bewertet Kunden anhand von Recency, Frequency und Monetary. Die Einordnung basiert auf beobachteten Transaktionen statt auf demografischen Merkmalen. Aus den drei Werten entstehen vergleichbare Segmente, die sich für eine differenzierte Ansprache nutzen lassen.
