🛒 Klantsegmentatie — RFM-analyse Live

RFM staat voor Recency (hoe recent een klant heeft gekocht), Frequency (hoe vaak die koopt) en Monetary value (hoeveel die uitgeeft). Marketingteams gebruiken het omdat het ruwe transactiegeschiedenis omzet in een compacte, drie-getallen-vingerafdruk per klant die sterk correleert met toekomstige koopkans en levenslange waarde, zonder een getraind machine-learningmodel nodig te hebben. Het is een van de oudste en meest gebruikte klantsegmentatietechnieken in directmarketing en e-commerce, gewaardeerd omdat het eenvoudig te berekenen is, makkelijk uit te leggen aan belanghebbenden, en direct uitvoerbaar — elk segment koppelt aan een concrete retentie- of terugwinactie.

Voor elke gesimuleerde klant houdt het model een echte aankoopgeschiedenis bij van tijdgestempelde transacties. Recency is het aantal gesimuleerde dagen sinds de meest recente aankoop van die klant. Frequency is het aantal aankopen binnen het geselecteerde tijdvenster (30 tot 365 dagen). Monetary is het totale bedrag besteed binnen datzelfde venster. Deze drie ruwe getallen worden elke tick opnieuw berekend, rechtstreeks uit de live aankoopgebeurtenisstroom — ze zijn niet vooraf gescript, ze veranderen daadwerkelijk terwijl nieuwe aankopen binnenkomen en oude aankopen uit het venster verdwijnen.

Een systeem met vaste drempels zou kunnen zeggen "meer dan 5 aankopen is gelijk aan een frequentiescore van 5", ongeacht hoe de rest van het klantenbestand zich gedraagt. Kwantielscoring sorteert in plaats daarvan de hele live klantpopulatie op elke metriek en verdeelt die in vijf even grote groepen (kwintielen) bij welke grenswaarden de huidige data ook oplevert. Een klant met 3 aankopen kan een 5 scoren in een rustig kwartaal en een 2 in een druk kwartaal. Deze simulatie voert die sortering en grensberekening bij elke update opnieuw uit, zodat de snijpunten daadwerkelijk meebewegen met de werkelijke verdeling van de populatie in plaats van vastgecodeerde constanten te zijn.

Elke klant krijgt een R-, F- en M-score van 1 (slechtste kwintiel) tot 5 (beste kwintiel), en een regeltabel combineert de drie tot een segmentlabel. Champions scoren het hoogst op alle drie de assen — recente, frequente, hoog uitgevende kopers. Loyale klanten scoren goed op frequentie en bestedingen met een redelijke recentheid. Risicovolle klanten kochten vroeger vaak, maar hun recentheid is flink gezakt. Sluimerende en verloren klanten scoren over de hele linie laag. Nieuwe klanten hebben een uitstekende recentheid maar nog weinig aankoopgeschiedenis. De exacte regeltabel wordt elke tick opnieuw toegepast op de live scores van elke klant.

Twee dingen veranderen bij elke tick: individuele klantgeschiedenissen krijgen nieuwe aankoopgebeurtenissen (of hun meest recente aankoop schuift verder in het verleden), en de populatiebrede kwantielgrenzen verschuiven omdat ze opnieuw worden berekend uit de huidige waarden van iedereen. Een klant kan van segment veranderen omdat het eigen gedrag veranderde (net iets gekocht, dus Recency verbeterde) of omdat het gedrag van iedereen anders de snijpunten rondom die klant veranderde, ook al deed die klant zelf helemaal niets. Beide effecten zijn echte gevolgen van live, populatie-relatieve kwantielscoring.

RFM kijkt alleen naar transactiegeschiedenis, dus het ziet geen intentiesignalen zoals surfgedrag, supporttickets of enquêtereacties, en het behandelt een eenmalige grote aankoop hetzelfde als gestage herhaalaankopen als de totalen overeenkomen. Het gaat er ook van uit dat eerdere koop­patronen toekomstige voorspellen, wat niet opgaat voor sterk seizoensgebonden of eenmalige-aankoopproducten. Omdat scores populatie-relatief zijn, kan het segment van een klant puur verschuiven omdat de rest van het klantenbestand veranderde, niet omdat die klant zelf iets anders deed — een eigenaardigheid die deze simulatie bewust zichtbaar maakt.