🛒 Kundensegmentierer — RFM-Analyse Live

RFM steht für Recency (wie kürzlich ein Kunde gekauft hat), Frequency (wie oft er kauft) und Monetary Value (wie viel er ausgibt). Marketingteams nutzen es, weil es den rohen Transaktionsverlauf in einen kompakten, dreiteiligen Fingerabdruck pro Kunde verwandelt, der stark mit der zukünftigen Kaufwahrscheinlichkeit und dem Customer Lifetime Value korreliert, ohne ein trainiertes Machine-Learning-Modell zu benötigen. Es ist eine der ältesten und am weitesten verbreiteten Kundensegmentierungstechniken im Direktmarketing und E-Commerce, geschätzt, weil es einfach zu berechnen, leicht gegenüber Stakeholdern zu erklären und direkt umsetzbar ist — jedes Segment ist mit einer konkreten Bindungs- oder Rückgewinnungsmaßnahme verknüpft.

Für jeden simulierten Kunden führt das Modell einen echten Kaufverlauf mit zeitgestempelten Transaktionen. Recency ist die Anzahl der simulierten Tage seit dem letzten Kauf dieses Kunden. Frequency ist die Anzahl der Käufe innerhalb des gewählten Zeitfensters (30 bis 365 Tage). Monetary ist die Gesamtsumme, die innerhalb desselben Zeitfensters ausgegeben wurde. Diese drei Rohwerte werden bei jedem Tick direkt aus dem Live-Kaufereignisstrom neu berechnet — sie sind nicht vorskriptet, sie ändern sich tatsächlich, wenn neue Käufe eintreffen und alte Käufe aus dem Fenster herausfallen.

Ein System mit festen Schwellenwerten könnte sagen "mehr als 5 Käufe entsprechen einem Frequency-Score von 5", unabhängig davon, wie sich der Rest der Kundenbasis verhält. Quantil-Scoring sortiert stattdessen die gesamte lebende Kundenpopulation nach jeder Kennzahl und teilt sie in fünf gleich große Gruppen (Quintile) an den Grenzwerten, die die aktuellen Daten tatsächlich ergeben. Ein Kunde mit 3 Käufen könnte in einem langsamen Quartal eine 5 und in einem schnellen eine 2 erzielen. Diese Simulation führt diese Sortierung und Grenzwertberechnung bei jeder Aktualisierung von Grund auf neu durch, sodass sich die Grenzwerte tatsächlich mit der realen Verteilung der Population verschieben, anstatt fest codierte Konstanten zu sein.

Jeder Kunde erhält einen R-, F- und M-Wert von 1 (schlechtestes Quintil) bis 5 (bestes Quintil), und eine Regeltabelle kombiniert die drei zu einem Segmentlabel. Champions haben Top-Werte in allen drei Achsen — kürzliche, häufige, ausgabefreudige Käufer. Loyal Customers punkten gut bei Frequency und Monetary mit anständiger Recency. At-Risk-Kunden kauften früher häufig, aber die Recency hat sich stark verschlechtert. Hibernating- und Lost-Kunden schneiden durchweg schlecht ab. New Customers haben hervorragende Recency, aber noch wenig Kaufhistorie. Die genaue Regeltabelle wird bei jedem Tick frisch auf die Live-Werte jedes Kunden angewendet.

Bei jedem Tick ändern sich zwei Dinge: Einzelne Kundenverläufe erhalten neue Kaufereignisse (oder ihr letzter Kauf altert weiter in die Vergangenheit), und die populationsweiten Quantilgrenzen verschieben sich, weil sie aus den aktuellen Werten aller neu berechnet werden. Ein Kunde kann das Segment wechseln, entweder weil sich sein eigenes Verhalten geändert hat (er hat gerade etwas gekauft, sodass sich die Recency verbessert hat) oder weil sich das Verhalten aller anderen geändert und die Grenzwerte um ihn herum verschoben hat, selbst wenn dieser Kunde überhaupt nichts getan hat. Beide Effekte sind echte Konsequenzen des live, populationsrelativen Quantil-Scorings.

RFM betrachtet nur den Transaktionsverlauf und kann daher keine Absichtssignale wie Browsing-Verhalten, Support-Tickets oder Umfrageantworten erkennen, und sie behandelt einen einmaligen Großeinkauf genauso wie stetige wiederkehrende Ausgaben, wenn die Summen übereinstimmen. Sie geht auch davon aus, dass vergangene Kaufmuster zukünftige vorhersagen, was bei stark saisonalen Produkten oder Einmalkaufprodukten versagt. Da die Werte populationsrelativ sind, kann sich das Segment eines Kunden allein deshalb ändern, weil sich der Rest der Kundenbasis geändert hat, nicht weil dieser Kunde etwas anders gemacht hat — eine Eigenheit, die diese Simulation absichtlich sichtbar macht.