RFM-Analyse: Definition, Recency, Frequency, Monetary

Die RFM-Analyse (Recency, Frequency, Monetary) ordnet jeden Kunden nach drei einfachen Fragen zur Kaufhistorie ein: Wann war der letzte Kauf (Recency)? Wie oft wurde in einem festen Zeitraum, meist zwölf Monaten, gekauft (Frequency)? Wie viel Umsatz kam dabei zusammen (Monetary Value)? Für jede der drei Fragen bekommt der Kunde eine Punktzahl (Score) von 1 bis 5. Aus den drei Punktzahlen entstehen feste Kundengruppen, zum Beispiel „Champions" (beste Kunden), „At-Risk" (drohen abzuwandern) oder „Lost" (verloren).

Was ist die RFM-Analyse?

Die RFM-Analyse stammt aus dem US-Versandhandel (Direct Marketing) der 1990er Jahre. Damals mussten Katalog-Anbieter mit begrenzten Portobudgets entscheiden, welche Kunden aus einer großen Adressdatei die nächste Aussendung bekommen. Statt aufwendiger Prognose-Modelle nutzte die Methode drei Kennzahlen, die sich direkt aus den Bestelldaten ablesen lassen. Die Grundannahme dahinter ist einfach: Wer kürzlich gekauft hat, häufiger kauft und mehr ausgibt, reagiert mit höherer Wahrscheinlichkeit auf die nächste Kampagne als jemand, der lange nichts, selten oder nur für kleine Beträge bestellt hat.

Die drei Dimensionen werden pro Kunde aus einem Beobachtungsfenster (häufig zwölf Monate) berechnet. Recency ist die Anzahl der Tage seit dem letzten Kauf. Frequency ist die Anzahl der Käufe im Fenster. Monetary Value ist der kumulierte Umsatz oder Deckungsbeitrag im Fenster. Jede Kennzahl wird anschließend in Ränge geteilt; das gebräuchlichste Verfahren ist die Quintil-Bildung (fünf gleich große Gruppen). Bei Recency wird invertiert bewertet: kurze Recency ergibt den höchsten Score. Frequency und Monetary Value werden aufsteigend bewertet. Aus den drei Rängen entsteht ein dreistelliger RFM-Score von 111 (inaktiv, niedrige Frequenz, niedriger Umsatz) bis 555 (Top-Kunde in allen drei Dimensionen).

Die Score-Kombinationen werden zu fachlichen Segmenten aggregiert. Verbreitete Segmentierungen sind Champions (hoch in R, F und M), Loyal Customers (hohe Frequenz und hoher Umsatz, mittlere Recency), Potential Loyalists (kurze Recency, mittlere Frequenz), At-Risk (bisher hoch in F und M, aber lange Recency), Cannot Lose Them (lange Recency, aber hoher historischer Umsatz), Hibernating (mittlere Werte in allen Dimensionen) und Lost (lange Recency, niedrige Frequenz, niedriger Umsatz). Die Zuordnung Kunde zu Segment wird als Attribut in die Kundentabelle geschrieben und in operative Systeme (CRM, Marketing-Automation) ausgespielt.

Die Methode ist regelbasiert und kommt ohne Machine Learning aus. Sie ist deterministisch, reproduzierbar und in SQL direkt umsetzbar, was sie im BI-Stack ohne zusätzliche Modell-Infrastruktur nutzbar macht. Grenzen ergeben sich aus dieser Einfachheit: Die RFM-Analyse liefert keine Prognose, keinen kausalen Bezug und keine Erklärung; die Score-Verteilung hängt vom Beobachtungsfenster ab; für B2B-Zyklen mit wenigen Käufen pro Kunde bricht die Quintil-Logik zusammen.

Abgrenzung: Propensity Score, CLV, Customer Segmentation, Next Best Action

Die RFM-Analyse wird häufig mit anderen Verfahren der Kundenbewertung vermischt. Vier Abgrenzungen sind zentral.

Verfahren	Kernunterschied zur RFM-Analyse
Propensity Score	Modelliertes Wahrscheinlichkeitsergebnis (überwachtes Lernen) für ein definiertes Zielereignis (Kauf, Kündigung, Response). Prognostisch und kausal ausgerichtet. RFM ist deskriptiv, rückblickend und ohne Zielvariable.
Customer Lifetime Value	Zukunftsgerichtete Wertprognose über die gesamte erwartete Restlaufzeit, unter Berücksichtigung von Retention und Diskontsatz. RFM misst nur vergangenes Verhalten im Beobachtungsfenster.
Customer Segmentation	Oberbegriff für alle Formen der Kundengruppierung (regelbasiert, statistisch, hybrid). RFM ist eine konkrete regelbasierte Methode innerhalb dieses Rahmens.
Next Best Action	Empfiehlt pro Kunde die nächste konkrete Aktion (Angebot, Kanal, Zeitpunkt). RFM liefert nur den Status (Segment), nicht die Aktion. NBA nutzt RFM-Segmente häufig als Eingangs-Feature.

Zusätzlich werden zwei weitere Verfahren im gleichen Umfeld regelmäßig verwechselt. Die ABC-Analyse ist einachsig und klassifiziert Kunden ausschließlich nach Umsatzanteil nach dem Pareto-Prinzip; die RFM-Analyse ist dreidimensional und bezieht Zeit und Kaufhäufigkeit ein. Die Cohort Analysis gruppiert Kunden nach einem gemeinsamen Startereignis (Akquise-Monat, Vertragsbeginn) und verfolgt Kennzahlen über die Zeit; die RFM-Analyse bildet zum Stichtag Merkmals-Kombinationen ab, ohne Zeitverlauf pro Kohorte.

Beispiel: nächtliche RFM-Segmentierung im E-Commerce

Ein E-Commerce-Retailer mit rund 200.000 aktiven Bestandskunden segmentiert nächtlich per SQL-Job auf dem Lakehouse. Aus der Gold-Ebene wird pro Kunde Recency (Tage seit letztem Kauf), Frequency (Käufe der letzten zwölf Monate) und Monetary Value (Umsatz der letzten zwölf Monate) berechnet. Jede Dimension wird mit NTILE(5) in Quintile geteilt, Recency invertiert. Eine Regel-Logik leitet aus der Score-Kombination fünf Segmente ab: Champions (R ≥ 4, F ≥ 4, M ≥ 4), Loyal (F ≥ 4, M ≥ 3, R = 3), At-Risk (F ≥ 4, M ≥ 3, R ≤ 2), Sleeper (R ≤ 2, F ≤ 2) und Lost (R = 1, F = 1, M = 1). Alle übrigen Score-Kombinationen fallen in ein Rest-Segment „Regular".

Das Segment-Label wird als Attribut in die Kundentabelle geschrieben und über Reverse-ETL ins CRM und ins Marketing-Automation-System ausgespielt. Das Marketing steuert Kampagnen segmentspezifisch aus: Champions bekommen exklusive Angebote und frühen Zugang zu neuen Produkten, At-Risk eine gezielte Reaktivierungsstrecke, Sleeper eine breitere Reaktivierungskampagne, Lost werden aus regulären Kampagnen ausgeblendet. Der Vertrieb sieht die Segmente im CRM als Filter für Priorisierung und Nachfassaktionen. Die Neuberechnung läuft nächtlich, Segment-Wechsel werden über einen Change-Log-View sichtbar gemacht.