Monatliche News erhalten?

Quick Wins im Kundenmanagement, Teil 1: Das RFM-Grid

Posted by Dennis Proppe on 13.02.2018 14:36:51

Die Einteilung von Kunden nach zukünftigem Potential ist eine der Kernaufgaben für Manager im Customer-Relationship-Management. Je mehr Kunden zu begeistern sind, umso höher ist der Nutzen einer effizienten Einteilung der Kunden in Potentialklassen. Durch das Ansprechen nur der Kunden, mit denen danach auch höhere Erträge erzielt werden, können die Deckungsbeiträge deutlich gesteigert werden. Bereits einfache RFM-Analysen können helfen, dieses Ziel zu erreichen.

Sie managen ca. 1.000.000 Bestandskunden für das florierende Online-Mode-Unternehmen FabFashion. Ihr Budget ist daher nicht klein, aber Sie haben eine große Herausforderung: Wenn Sie nicht gut einschätzen können, wer von diesen Kunden ein hohes Potential besitzt, müssen sie im Zweifel alle Kunden per Email, Brief, Custom Audience ansprechen oder sogar mit einem Gutschein belohnen. Dafür reicht das Budget nicht und dies wäre auch nicht sinnvoll.

Wenn Sie aber in der Lage sind, nur die 300.000 Kunden anzusprechen, die auch auf Ihre Werbung noch mit einem Umsatzzuwachs reagieren, dann kann dies für Ihr Unternehmen den Unterschied zwischen Bankrott und hoch profitabel bedeuten.

Leider ist es nicht einfach, die zukünftige Reaktion auf Marketing & Gutscheine zu ermitteln. In der Regel sind dafür aufwändige und komplexe Analysen erforderlich. In dieser Artikelserie werde ich daher Quick Wins vorstellen, konzeptionell einfachere Ansätze, um dennoch in vielen Fällen die richtigen Kunden für Aktionen und Service/Kulanz-Themen auszusuchen. In diesem Artikel stelle ich das erste Tool vor, das so genannte “RFM Grid”. Es eignet sich dann, wenn man ganz schnell einen Überblick bekommen möchte und gar keine Predictive/AI-Technologien einsetzen möchte. Das Konzept wird in so gut wie jedem Handelsunternehmen angewandt und basiert auf den Analysen der Umsätze der Bestandskunden.

Wertorientierte Steuerung mit dem RFM Grid

Beispiel eines RFM Grids für FabFashion

Diese Methode basiert also auf der im klassischen Distanzhandel bereits seit vielen Jahren eingesetzten RFM-Methode. Die drei Buchstaben stehen für

Recency — Wann hat mein Kunde zuletzt gekauft?

Frequency — Wie oft kauft mein Kunde?

Monetary Value — Wieviel Geld lässt mein Kunde bei mir?

Anhand dieser Dimensionen lässt sich ein einfaches Grid aufstellen, das die Kunden zum Beispiel nach vergangenem Umsatz und der Zeit seit letztem Kauf einteilt. Das einzige was dafür notwendig ist, ist die Information, wie lange der letzte Kauf her ist und wieviel Umsatz der Kunde bis jetzt gemacht hat, auf Kundenebene. Mit diesen Daten lassen sich dann Segmente einteilen, die Aufschluss über die Kundenwertigkeit geben. Durch die automatische Auszählung in jeder Zelle sehen Sie als CRM-Manager sofort, wie viele Kunden in welcher Qualität vorhanden sind.

Ganz Einfach: ABC-Analyse mit dem RFM Grid

Ein sehr einfaches Grid ist zum Beispiel eines, in dem nur die Median-Werte von Recency und Umsatz zum Trennen der Segmente genutzt werden. Dafür wird für beide Dimensionen der Median-Wert, also der Wert, den 50% der Kunden nicht überschreiten, berechnet. Im Beispiel von FabFashion ist der Median-Wert der Recency ca. 10,5 Quartale und der Median-Wert des Umsatzes ca. 180 €. In diesem Fall erhalten Sie ein Grid mit nur vier Feldern, welches sich sehr gut eignet, um die Kunden ganz klassisch in A/B/C einzuteilen.

Sehr einfaches R(F)M) Grid

Dieses sehr einfache Grid hilft, die Kunden schnell in gut, mittel und schlecht einzuteilen. Wenn man nun aber die Kunden für Aktionen ganz operativ auswählen möchte, so kann man nur vier verschiedene Gruppen wählen, von denen zwei auch noch den gleichen Status (“Ok”) haben. Wenn man also eine möglichst granulare Ansprache von Kunden durchführen möchte, ist eine kleinteiligere Grid-Struktur notwendig.

Ein Grid für die Auswahl von Kampagnenempfängern aufstellen

Um ein Grid für Kampagnenempfänger aufzustellen, ist es hilfreich, die beiden Dimensionen nicht nur in zwei Gruppen (Über/Unter Median) aufzuteilen, sondern in mehr Gruppen, so dass man die Segmente etwas differenzierter betrachten kann. Ein möglicher Ansatz ist die Aufteilung in so genannte Quintile. Dies bedeutet einfach, die Werte in fünf Gruppen aufzuteilen, so dass in der ersten Gruppe die Top-20% der Kunden bezogen auf den Wert enthalten sind. In der nächsten Gruppe sind dann die Top 20–40% bezogen auf den Wert enthalten. Führt man dies für beide Dimensionen durch, erhält man bereit 25 verschiedene Gruppen und kann diese dann nutzen, um deutlich granularer zu sortieren. Jeder Kunde ist damit genau einer Zelle zugeordnet. 

Gpredictive - 5x5 Segmente nach Recency und Umsatz

5x5 Segmente nach Recency und Umsatz

Dieses 5x5-Grid erlaubt bereits eine deutlich feinere Aussteuerung. Man könnte hier zumindest alle Kunden ansprechen, die sich nach beiden Maßzahlen in den Top-40% befinden. Dies wären in diesem Beispiel dann ca. 76.000 Kunden. Geht man weiter in den Kundenrängen hinunter beginnt man sich bald die Frage zu stellen, was ist wichtiger für die Kundenqualität: Der Umsatz oder die Recency (Oder die Kauffrequenz, die wir hier nicht betrachtet haben. Sie kann genauso wichtig oder wichtiger sein als die beiden hier genannten Dimensionen)? Diese Gewichtung geht nicht aus der einmaligen Betrachtung hervor. Daher verfeinern die allermeisten CRM-Manager diese Betrachtung über viele Kaufzyklen, Saisons und Jahre hinweg durch eine Betrachtung in einem Kreislauf.

Erweiterung zur mehrperiodigen RFM-Analyse

Die Ermittlung von detaillierten Segmenten geschieht daher durch einen Regelkreis, der sich über viele Kampagnen hinweg aufbaut. Die Kunden werden aufgrund Ihrer Position im Grid eingesetzt und die Response wird dann für jedes Segment und jede Kampagne ausgewertet. So entstehen Erfahrungswerte, welche Segmente wie gut performen, so dass mit der Zeit eine Landkarte auf dem Grid entsteht, anhand derer man ablesen kann, wie gut Kunden in bestimmten Segmenten typischerweise auf Marketingaktionen reagieren. Das folgende Beispiel steht exemplarisch für ein bereits recht komplexes Grid bei der FabFashion GmbH, welches den Kunden in 100 Segmente einteilt. Die Farbkodierung wurde dabei nach den tatsächlichen Erfahrungswerten mit den verschiedenen Gruppen über die Zeit hinweg vorgenommen.

End-Ausbaustufe des Grid-Ansatzes bei FabFashion

Man kann an den Farbverläufen ablesen, dass nicht bei allen Segmenten beide Faktoren gleich wichtig für eine Reaktion auf Kampagnen sind. Dies sieht man daran, dass die Farben sich nicht konzentrisch um die oberste linke Zelle herum ändern. In der Gruppe “Good” kompensiert offensichtlich ein höherer monetärer Wert für eine etwas längere Recency, so dass Kunden mit hohen Umsätzen und etwas längerer Recency ähnlich gut performen, wie Kunden mit kleinerer Recency, aber weniger hohen Umsätzen. Bei den ganz schlechten Recencies (Letzkauf vor mehr als 16 Quartalen) gibt es diese Kompensation anscheinend nicht mehr. Hier reagieren dann alle Kunden schlecht, ungeachtet des Umsatzes.

  • Mit einem solchen, detaillierten Tool können Sie als Manager der FabFashion nun Ihre Kampagnen bereits deutlich effizienter aussteuern. Sie merken allerdings mit der Zeit, dass das Retention Grid nicht das Ende der Fahnenstange ist. Diese sind aus meiner Erfahrung die Vor- und Nachteile dieses Ansatzes.

Vorteile des Retention Grid — Ansatzes

  • 1. Sehr einfach zu erstellen, dies kann in der Regel in der Fachabteilung mit “Bordmitteln” gemacht werden, sobald es einen Export der Kundentransaktionen gibt.
  • 2. Einfach nachzuvollziehen und einfach zu kommunizieren
  • 3. Bereits sehr wirkungsvoll — Ein gut gemachtes RFM-Grid erzielt bereits ca. 85-90% der möglichen Umsätze bei einem gegebenen Budget.

Herausforderungen des Retention Grid — Ansatzes

  • 1. Die Frage: “Welche Dimension ist wichtiger?” kann immer nur im Rückspiegel betrachtet werden und erfordert konsistente Beobachtung
  • 2. Die Betrachtung von drei oder mehr Dimensionen vernichtet typischerweise den Vorteil der einfachen Kommunizierbarkeit und macht die Analyse auch komplex.
  • 3. Für die komplexen Grids, deren Segment-Qualitäten im Regelkreis immer wieder aktualisiert werden sollen, entsteht eine aufwändige Analyse- und Reporting-Logik. Diese erfordert viel Arbeit und erlaubt nur eine bedingte Flexibilität für zukünftige Änderungen, da bei einer Neuschneidung der Segmente die Vergleichbarkeit leidet. Zudem muss dieser Regelkreis für verschiedene Marketingaktionen und Marketingkanäle oft mehrfach aufgebaut werden, was im Zweifel zu einem sehr unübersichtlichen Spreadsheet-Wust führt.
  • 4. Der größte Punkt: Wie finde ich heraus, welche Segmente wirklich für die Zukunft Erfolg versprechend sind? Die RFM-Analyse untersucht Kunden nur anhand ihres vergangenen Kaufvolumens und eignet sich daher nicht für z.B. das Onboarding von Bestandskunden oder die Reaktivierung. Damit diese Kunden nicht im Bestand “untergehen”, sind weitere Analysen erforderlich.

In der nächsten Folge dieser Serie werden wir uns mit einem Ansatz auseinander setzen, der einige dieser Nachteile bei weiterhin moderater Komplexität aufwiegt: Predictive Customer-Lifetime-Value.

 

Topics: RFM, Kundenmanagement, CRM, Quick Wins, Predictive Marketing, AI, Kampagnenmanagement, Segmentierung

SOMETHING TO SAY?