RFM (Aktualität, Häufigkeit, Geldwert)

Was die drei Dimensionen tatsächlich messen

Aktualität ist die Anzahl der Tage seit der letzten Bestellung des Kunden. Sie ist die stärkste der drei für die meisten Einzelhandelskataloge, aus einem banalen Grund: Kaufverhalten ist gewohnheitsmäßig und Gewohnheiten verfallen, daher ist der beste verfügbare Beweis, dass jemand nächsten Monat bei Ihnen kaufen wird, dass er letzten Monat bei Ihnen gekauft hat. Ein Kunde, der vor drei Wochen bestellt hat, befindet sich in einem anderen Zustand als einer, der vor vierzehn Monaten bestellt hat, unabhängig davon, wie viel beide historisch ausgegeben haben.

Häufigkeit ist die Anzahl der Bestellungen in einem definierten Betrachtungszeitraum, und der Zeitraum ist eine Entscheidung und kein Detail. „Bestellungen jemals“ belohnt die Kundenlebensdauer und überbewertet dauerhaft Kunden, die vor Jahren aktiv waren; ein rollierender Zeitraum von 12 oder 24 Monaten beschreibt den Kunden, wie er jetzt ist. Wählen Sie einen, geben Sie ihn an und ändern Sie ihn nicht stillschweigend, da Häufigkeitsbewertungen über verschiedene Zeiträume hinweg nicht vergleichbar sind.

Geldwert ist der Gesamtumsatz im selben Zeitraum – manchmal stattdessen der durchschnittliche Bestellwert, was eine andere Frage beantwortet. Der Gesamtumsatz korreliert mit der Häufigkeit, sodass sich die beiden Bewertungen teilweise duplizieren; der durchschnittliche Bestellwert ist unabhängiger und nützlicher, wenn Sie „kauft oft, kauft günstig“ von „kauft selten, kauft viel“ trennen möchten. Beide haben den gleichen blinden Fleck, nämlich dass sie Umsatz statt Marge messen.

Bewertung nach Quintilen, durchgearbeitet

Die Standardmethode besteht darin, die Kundenbasis nach jeder Dimension zu ordnen und sie in fünf gleiche Gruppen aufzuteilen. Nehmen Sie ein Beispielbuch von 10.000 Kunden mit mindestens einer Bestellung in den letzten 24 Monaten. Sortieren Sie nach Tagen seit der letzten Bestellung, nehmen Sie die 2.000 aktuellsten und bewerten Sie sie mit R = 5; die nächsten 2.000 erhalten R = 4 und so weiter bis R = 1 für die 2.000, die am längsten inaktiv waren. Wiederholen Sie dies unabhängig für Häufigkeit und Geldwert. Jeder Kunde erhält am Ende drei Ziffern, von 555 bis 111.

Quintile werden anstelle fester Schwellenwerte verwendet, weil sie selbstkalibrierend sind. Ein Katalog, bei dem der mittlere Abstand zwischen Bestellungen drei Wochen beträgt, und einer, bei dem er neun Monate beträgt, erzeugen beide eine sinnvolle R = 5 Gruppe, und keiner benötigt eine fest codierte Regel, die veraltet, wenn sich das Geschäft ändert.

Die Tabelle unten zeigt, wie diese Schnittpunkte für das Beispielbuch aussehen könnten. Das wichtige Merkmal sind nicht die Zahlen, sondern was in der Häufigkeitsspalte passiert.

Das Gleichstandsproblem und wie man damit umgeht

Die Häufigkeit von 1 erscheint in dieser Tabelle zweimal, in den untersten beiden Quintilen, und in einem echten E-Commerce-Buch erstreckt sie sich normalerweise über drei oder vier davon. Die meisten Kunden der meisten Marken haben genau einmal bestellt. Es gibt keine Möglichkeit, eine Spalte, die zu 70% identische Werte enthält, in fünf gleiche Gruppen zu unterteilen, und jedes Tool, das dies versucht, erzeugt willkürliche Aufteilungen, bei denen zwei Kunden mit identischem Verhalten in unterschiedlichen Segmenten landen.

Die praktikablen Ansätze sind, mit Gleichständen zu rangieren und ungleiche Gruppengrößen zu akzeptieren, was die Bewertungen ehrlich hält, auf Kosten eines unausgewogenen Rasters; die Häufigkeit nach expliziten Schwellenwerten statt nach Quintilen zu bewerten – 1, 2, 3, 4–6, 7 oder mehr – was lesbar und stabil ist; oder die Häufigkeit auf ein binäres „hat wiederholt“ Flag zu reduzieren für Kataloge, in denen Wiederholungskäufe wirklich selten sind. Das Einzige, was man nicht tun sollte, ist, eine Perzentilfunktion die Gleichstände stillschweigend aufteilen zu lassen und dann das Ergebnis so darzustellen, als ob sich die Segmente unterscheiden würden.

Die gleiche Vorsicht gilt für die monetäre Dimension aus einem anderen Grund: Sie zählt Umsatz, nicht Deckungsbeitrag. Ein Kunde, dessen gesamte Historie mit 40% Rabatt gekauft wurde, wird identisch bewertet wie einer, der den vollen Preis für denselben Gesamtbetrag bezahlt hat, und nur einer von ihnen ist es wert, mehr davon zu akquirieren. Wenn Sie den Deckungsbeitrag pro Kunde berechnen können, verwenden Sie ihn anstelle des Umsatzes – es ändert, welche Kunden in den Top-Segmenten erscheinen, öfter als man erwartet.

Die Segmente, die die Bewertungen erzeugen, und die Aktion, die jedes impliziert

Die Bewertungen sind nur nützlich, sobald sie in eine Handvoll benannter Gruppen zusammengefasst werden, die eine Aktion implizieren. Sechs decken die meisten Kataloge ab. Die Muster unten sind die gängigen Definitionen; passen Sie die Grenzen an Ihre eigene Verteilung an, anstatt das Raster eines anderen zu importieren.

Wo RFM nicht mehr funktioniert

Abonnements brechen es strukturell. Jeder aktive Abonnent hat per Definition eine kürzliche Bestellung, weil das Abrechnungssystem eine erstellt hat, daher misst die Aktualität die Abrechnungskadenz statt der Kundenabsicht und jeder aktive Abonnent erhält R = 5, egal ob er begeistert ist oder vergessen hat, dass er angemeldet ist. Die Häufigkeit degeneriert aus demselben Grund zur Kundenlebensdauer. Für ein Abonnement-Buch ersetzen Sie die Aktualität durch Tage seit der letzten freiwilligen Aktion – ein Login, ein Überspringen, ein Tausch, eine E-Mail-Öffnung, ein hinzugefügter Artikel – und ersetzen Sie die Häufigkeit durch etwas, das Informationen trägt, wie die Anzahl der Überspringungen oder die Zahlungsausfallhistorie.

Kataloge mit geringer Kauffrequenz und hohen Ticketpreisen funktionieren anders. Bei Matratzen, Möbeln oder Haushaltsgeräten hat fast jeder Kunde eine Frequenz von 1, und ein niedriger Recency-Wert ist der erwartete Zustand und keine Warnung: Jemand, der vor achtzehn Monaten ein Sofa gekauft hat, verhält sich genau so, wie ein Sofakunde sich verhalten sollte. Sie als „gefährdet“ einzustufen und ihnen Rückgewinnungsangebote zu schicken, ist ein Kategorienfehler. Hier sind die nützlichen Achsen Kategorie, Bestellwert und Empfehlungsverhalten, nicht RFM.

Die allgemeine Einschränkung ist, dass RFM deskriptiv und rückwärtsgewandt ist. Es sagt Ihnen, was ein Kunde getan hat, was ein guter Indikator dafür ist, was er als Nächstes tun wird, aber keine Erklärung dafür liefert, warum. Es kann nicht erkennen, dass eine Kohorte abspringt, weil sich eine Formulierung geändert hat oder weil Lieferzeiten sich verzögert haben. Daher wird es diese Kunden treu in ein Rückgewinnungssegment leiten und ihnen einen Rabatt anbieten, um ein Problem zu lösen, das ein Rabatt nicht löst.

Nichts davon ist ein Argument dagegen. RFM kostet eine SQL-Abfrage, benötigt kein Modell und keinen Anbieter und ist eine große Verbesserung gegenüber dem Versenden derselben Nachricht an alle. Lassen Sie es nur nicht die einzige Perspektive sein und führen Sie es regelmäßig erneut aus – einmal berechnete und eingefrorene Scores werden stetig falscher, da sich die Aktualität für jeden Kunden jeden Tag ändert, unabhängig davon, ob er handelt oder nicht.