Expertenanalyse · geprüft am 6. Okt. 2026
RFM-Segmentierung: Kunden priorisieren, ohne einen guten Score mit einer guten Zielgruppe zu verwechseln.
Was zu unterscheiden ist
Drei Bedingungen vor jeder Berechnung.
Ein relativer Score, kein Wert
RFM ordnet Kunden im Verhältnis zueinander, nach Quantilen eines bestimmten Kundenstamms und Zeitraums. Ein Score von 5 lässt sich nicht zwischen verschiedenen Kundenstämmen vergleichen und misst keine Marge.
Die Vergangenheit, nicht die Reaktion auf eine Maßnahme
RFM beschreibt vergangenes Verhalten. Es sagt nicht, wer sein Verhalten dank eines Anreizes ändert: Die besten Kunden kaufen oft auch ohne ihn.
Der Betrag als Marge
Ein in Umsatz gemessener Betrag bevorzugt Kunden, die in Aktionen kaufen oder viel zurücksenden. Die Marge nach Rabatten und Retouren ergibt die wahre Rangfolge.
Methode
Eine umsetzbare RFM-Segmentierung in vier Schritten aufbauen
- 01Fenster und Einheit festlegen
Beobachtungszeitraum, Kundenkennung und Stichtag wählen; ein zu kurzes Fenster drückt die Häufigkeit, ein zu langes vermischt abgewanderte und aktive Kunden.
- 02Nach Quantilen bewerten
Aktualität, Häufigkeit und Betrag auf derselben Basis in Quintile teilen und den Umgang mit Gleichständen und Einmalkäufern dokumentieren.
- 03Zu Entscheidungssegmenten zusammenfassen
Die 125 Kombinationen zu wenigen Segmenten bündeln, die jeweils mit einer möglichen Maßnahme verknüpft sind; ein Segment ohne Maßnahme ist eine Statistik, keine Entscheidung.
- 04Die Maßnahme gegen eine Kontrollgruppe testen
In jedem Zielsegment eine zufällige Kontrollgruppe zurückhalten und dann die inkrementelle Marge abzüglich der Kosten der Maßnahme messen.
Die RFM-Matrix, vom Segment zur testbaren Maßnahme
Vier typische Segmente, ihre Lesart und die zu testende Maßnahme. Jede Maßnahme bleibt eine Hypothese, bis eine Kontrollgruppe ihre Wirkung gemessen hat.
| Segment | Aktualität (R) | Häufigkeit (F) | Umsatzwert (M) | Lesart | Zu testende Maßnahme |
|---|---|---|---|---|---|
| Champions | 5 | 4–5 | 4–5 | Kaufen bereits ohne Anreiz | Nicht monetärer Vorteil, Kontrollgruppe verpflichtend |
| Nachlassende Stammkunden | 2–3 | 4–5 | 3–5 | Hoher bisheriger Wert, nachlassende Aktivität | Gezielte Reaktivierung, gedeckelte Kosten |
| Neukunden | 5 | 1 | 1–3 | Künftiger Wert noch unbekannt | Weg zum zweiten Kauf |
| Verlorene Kunden | 1 | 1–2 | 1–2 | Geringe Rückkehrwahrscheinlichkeit | Keine Ausgaben, nur Beobachtung |
Die Schwellen sind die Quintile der untersuchten Basis: Ein Score von 5 lässt sich nicht zwischen Basen vergleichen.
Der beste RFM-Score ist nicht die beste Zielgruppe
Illustratives Beispiel: Ein Gutschein über 10 € wird 2.000 Champions und 1.200 nachlassenden Stammkunden angeboten, bei einer Marge von 60 € je zusätzlichem Kauf und einer Kontrollgruppe in jedem Segment.
Champions: Kosten = 2.000 × 40 % × 10 € = 8.000 €; inkrementelle Marge = 2.000 × 3 % × 60 € = 3.600 €. Nachlassende Stammkunden: Kosten = 1.200 × 15 % × 10 € = 1.800 €; inkrementelle Marge = 1.200 × 8 % × 60 € = 5.760 €.
Das am besten bewertete Segment verliert 4.400 €: Die meisten seiner Kunden hätten auch ohne Gutschein gekauft. Das nachlassende Segment gewinnt 3.960 €, weil das Angebot dort das Verhalten tatsächlich ändert.
Voraussetzungen
Was erfüllt sein muss, um zu handeln.
- 01
Den Betrag auf der Marge nach Rabatten und Retouren berechnen, niemals allein auf dem Umsatz.
- 02
Fenster, Stichtag und Quantilschwellen jedes Scores dokumentieren.
- 03
In jedem Segment, das einen Anreiz erhält, eine zufällige Kontrollgruppe zurückhalten.
- 04
Ein Segment nur behalten, wenn seine inkrementelle Marge die Kosten der Maßnahme übersteigt.
Grenzen
Was diese Analyse nicht belegt.
- RFM ignoriert die künftige Marge, den Produktlebenszyklus und Käufe außerhalb des beobachteten Kundenstamms.
- Quantile hängen vom Kundenstamm ab: Eine Änderung der Abgrenzung verschiebt alle Scores.
- Einmalkäufer sammeln sich in den niedrigen Häufigkeitsscores, unabhängig von ihrem potenziellen Wert.
- Ein RFM-Segment sagt die Reaktion auf ein Angebot nicht voraus; nur ein Experiment misst sie.
Quellenangaben
Zitierte Literatur.
- Fader, Hardie & Lee (2005), RFM and CLV: Using Iso-Value Curves for Customer Base Analysis (öffnet in einem neuen Tab)
- Ascarza (2018), Retention Futility: Targeting High-Risk Customers Might Be Ineffective (öffnet in einem neuen Tab)
- Bult & Wansbeek (1995), Optimal Selection for Direct Mail (öffnet in einem neuen Tab)