Rfm-Analyse

Was ist eine Rfm-Analyse?

Die Rfm-Analyse ist ein statistisches Verfahren zur Kundensegmentierung, bei dem Käufer anhand von drei Kennzahlen bewertet werden: Recency (Aktualität des letzten Kaufs), Frequency (Kaufhäufigkeit) und Monetary (Umsatzvolumen). So kannst du besonders wertvolle oder abwanderungsgefährdete Kunden gezielt identifizieren und ansprechen.

1. Grundlagen der Rfm-Analyse

Die Rfm-Analyse ist eine bewährte Methode im Dialogmarketing und E-Commerce, um Kunden nach ihrem Kaufverhalten zu segmentieren. Sie basiert auf der Annahme, dass Kunden, die kürzlich, häufig und mit hohem Wert gekauft haben, für ein Unternehmen besonders relevant sind. Auf Basis dieser drei Dimensionen kannst du systematisch Marketingbudgets priorisieren und Kampagnen zielgerichtet steuern.

Die Methode wird typischerweise auf Transaktionsdaten aus Shop-Systemen, PIM- oder ERP-Systemen angewendet. Dadurch eignet sie sich besonders für Onlineshops mit vielen Kunden und Bestellungen, die aus den vorhandenen Daten mehr Umsatzpotenzial heben möchten.

2. Die drei Dimensionen: Recency, Frequency, Monetary

2.1 Recency (Aktualität des letzten Kaufs)

Recency beschreibt, wie lange der letzte Kauf eines Kunden zurückliegt. Je kürzer dieser Zeitraum, desto höher ist in der Regel die Wiederkaufwahrscheinlichkeit. Kunden, die sehr lange nicht gekauft haben, zeigen dagegen ein erhöhtes Abwanderungsrisiko.

Datengrundlage: Datum der letzten Bestellung pro Kunde
Berechnung: Differenz in Tagen, Wochen oder Monaten zum heutigen Datum
Typische Interpretation: Niedriger Wert (z. B. 5 Tage) = sehr aktuell, hoher Wert (z. B. 400 Tage) = inaktiv

In der Praxis wird Recency oft in mehrere Klassen (z. B. Quintile) eingeteilt und mit Scores versehen, um Kundengruppen schnell vergleichen zu können.

2.2 Frequency (Kaufhäufigkeit)

Frequency gibt an, wie oft ein Kunde in einem bestimmten Zeitraum bestellt hat. Kunden mit vielen Bestellungen werden in der Rfm-Analyse höher bewertet als Gelegenheitskäufer.

Datengrundlage: Anzahl der abgeschlossenen Bestellungen je Kunde
Zeitraum: meist 12 Monate, je nach Branche auch kürzer oder länger
Nutzen: Identifikation von Stammkunden, Vielkäufern und Einmalkäufern

Für E-Commerce-Unternehmen ist Frequency besonders wichtig, weil sie direkt mit Kundenbindung und Customer Lifetime Value zusammenhängt.

2.3 Monetary (Umsatzvolumen)

Monetary misst den generierten Umsatz eines Kunden im definierten Zeitraum. Dabei wird häufig der Gesamtumsatz oder der durchschnittliche Bestellwert betrachtet.

Datengrundlage: Summe der Netto- oder Bruttoumsätze pro Kunde
Varianten: Gesamtumsatz, durchschnittlicher Warenkorb, Marge (falls verfügbar)
Nutzen: Erkennen besonders wertvoller Kunden mit hohem Ertrag

In Kombination mit Recency und Frequency lassen sich mit Monetary-Informationen Premium-Segmente bilden, die für Upselling, Cross-Selling und exklusive Angebote ideal sind.

3. Vorgehen: So funktioniert eine Rfm-Analyse Schritt für Schritt

Die Rfm-Analyse folgt einem klar strukturierten, regelbasierten Ansatz, der sich gut automatisieren lässt. Typischerweise gehst du in fünf Schritten vor:

Daten sammeln: Export der Bestelldaten mit Kunden-ID, Bestelldatum, Umsatz und relevanten Attributen aus Shop, PIM oder ERP.
R, F und M berechnen: Für jeden Kunden die Kennwerte Recency (z. B. Tage seit letztem Kauf), Frequency (Anzahl Bestellungen) und Monetary (Umsatzsumme) bestimmen.
Werte klassifizieren: Einteilung der Kennzahlen in Klassen (z. B. 1–5), etwa über Quintile oder branchenspezifische Schwellwerte.
RFM-Score bilden: Kombination der drei Teil-Scores zu einem Gesamtscore (z. B. 5-5-5 für Topkunden, 1-1-1 für sehr schwache Kunden).
Segmente definieren: Zusammenfassung ähnlicher Scores zu Marketingsegmenten (z. B. Champions, Loyal, Reaktivierung, Preisorientierte Kunden).

Dieser Ablauf kann initial in Excel-Listen umgesetzt werden, ist bei großen Datenmengen aber deutlich effizienter über spezialisierte Analyse- oder BI-Tools abbildbar.

4. Formeln und Berechnungslogik der Rfm-Analyse

Die Kernberechnungen der Rfm-Analyse basieren auf einfachen, gut nachvollziehbaren Formeln. Für bessere Lesbarkeit sollten diese klar getrennt vom Fließtext dargestellt werden.

Recency (in Tagen) = aktuelles Datum – Datum des letzten Kaufs

Frequency (Anzahl) = Anzahl der Bestellungen eines Kunden im gewählten Zeitraum

Monetary (Umsatz) = Summe aller Umsätze des Kunden im gewählten Zeitraum

Oft werden die Rohwerte anschließend in Scores umgewandelt. Ein verbreiteter Ansatz ist die Einteilung in fünf Klassen, je nach Position im Gesamtdatensatz:

Score 5: beste 20 % eines Merkmals (z. B. höchste Umsätze oder kürzeste Recency)
Score 4: nächste 20 %
Score 3: mittlere 20 %
Score 2: vorletzte 20 %
Score 1: schwächste 20 %

Durch Kombination der drei Teil-Scores entsteht pro Kunde ein RFM-Code wie 5-4-2, der sich einfach gruppieren und im CRM oder Kampagnentool weiterverwenden lässt.

5. Typische Kundensegmente in der Rfm-Analyse

Aus der Kombination von Recency-, Frequency- und Monetary-Werten ergeben sich typische Segmente mit klar unterscheidbaren Eigenschaften. Diese kannst du für differenzierte Marketingstrategien nutzen.

Segment	Typischer RFM-Score	Kurzbeschreibung
Champions	5-5-5	Sehr aktuell, sehr häufig, hoher Umsatz
Loyale Kunden	4-5-4	Regelmäßige Käufer mit gutem Umsatz
Neue Kunden	5-1-2	Erster Kauf, Potenzial zur Bindung
Gefährdete Kunden	2-4-4	Früher aktiv und wertvoll, Kauf liegt länger zurück
Inaktive Kunden	1-1-1	Langer letzter Kauf, selten, geringer Umsatz

Die genaue Definition der Segmente hängt vom Geschäftsmodell ab. Wichtig ist, dass die Beschreibung zu deinen KPIs passt und im Alltag von Marketing und CRM verständlich bleibt.

6. Nutzen der Rfm-Analyse im E-Commerce

Für Onlineshops mit vielen aktiven Kunden ist die Rfm-Analyse ein effizienter Hebel, um Marketingbudgets gezielt einzusetzen und die Conversion Rate über alle Kanäle zu verbessern.

Kampagnensteuerung: Rabatte und Gutscheine nur an abwanderungsgefährdete Segmente statt an alle Kunden.
Personalisierung: Unterschiedliche E-Mail-Strecken für Champions, neue und reaktivierte Kunden.
Cross-Selling: Passende Produktempfehlungen für hochwertige Segmente mit hoher Zahlungsbereitschaft.
Budgetoptimierung: Höhere Gebote in SEA-Kampagnen für RFM-starke Segmente, geringere für schwache Segmente (z. B. via Customer Match).
Customer Lifetime Value: Systematische Entwicklung wertvoller Kunden durch abgestimmte Loyalty-Programme.

In Verbindung mit automatisiertem Produktcontent lassen sich aus identifizierten RFM-Segmenten zudem dynamische Inhalte auf Landingpages, Produktdetailseiten oder in Newslettern ausspielen.

7. Rfm-Analyse und automatisierter Produktcontent

Wenn Produkttexte und Landingpages datenbasiert generiert werden, lässt sich die Rfm-Analyse für gezielte Content-Strategien nutzen. feed2content.ai® steht exemplarisch für Tools, die Produktdatenfeeds verarbeiten und daraus in großer Menge individualisierten Content erzeugen.

Segment-spezifische Argumentation: Topkunden erhalten Texte mit Fokus auf Premium-Features, Service und Exklusivität.
Reaktivierung: Kunden mit hoher früherer Frequency, aber schlechter Recency erhalten Inhalte mit klaren Anreizen zur Rückkehr.
Preisorientierte Käufer: Segmente mit niedrigem Monetary-Wert bekommen stärker preis- und angebotsgetriebene Texte.

Durch einen sauberen Datenfluss zwischen Rfm-Analyse, CRM-System und Content-Engine können so tausende Produkttexte für unterschiedliche Segmente effizient skaliert und regelmäßig aktualisiert werden.

8. Abgrenzung zu anderen Segmentierungsverfahren

Die Rfm-Analyse ist ein verhaltensorientiertes Segmentierungsverfahren und unterscheidet sich damit deutlich von demografischen oder rein psychografischen Ansätzen. Sie basiert ausschließlich auf tatsächlich beobachtetem Kaufverhalten.

Im Vergleich zur demografischen Segmentierung: Fokus auf Verhalten im Shop statt auf Alter, Geschlecht oder Wohnort.
Im Vergleich zu typischen Personas: quantitative, datenbasierte Segmentierung statt idealtypischer Beschreibungen.
Im Vergleich zu komplexen Machine-Learning-Modellen: einfach nachvollziehbar, transparent und schnell umsetzbar.

Damit eignet sich die Rfm-Analyse besonders gut als Einstieg in datengetriebenes CRM und als Basis für weiterführende Modelle wie Churn- oder Next-Best-Offer-Prognosen.

9. Best Practices für die Rfm-Analyse im Onlineshop

Damit deine Rfm-Analyse belastbare Ergebnisse liefert, solltest du einige bewährte Vorgehensweisen beachten.

Datenqualität sichern: Dubletten, Testbestellungen und stornierte Orders vor der Analyse bereinigen.
Zeitraum passend wählen: Je nach Branche unterschiedliche Kaufzyklen berücksichtigen (Mode vs. Ersatzteile).
Scores nicht zu kleinteilig machen: Lieber wenige, klar verständliche Segmente, die operativ nutzbar sind.
Regelmäßig aktualisieren: RFM-Scores in festen Intervallen neu berechnen, etwa monatlich oder wöchentlich.
Mit A/B-Tests arbeiten: Wirkung segmentierter Kampagnen gegen unspezifische Massenkampagnen testen.

Besonders effizient wird die Methode, wenn sie automatisiert in deine bestehenden Marketing- und Content-Prozesse integriert ist, anstatt nur als einmalige Analyse zu dienen.

9.1 Rfm-Analyse und SEO-/SEA-Strategien

RFM-Segmente lassen sich auch für Suchmaschinenoptimierung (SEO) und Suchmaschinenwerbung (SEA) nutzen, indem Inhalte und Gebotsstrategien an die Wertigkeit der Zielgruppen angepasst werden.

SEO: Erstellung von Kategorieseiten und Ratgeberinhalten für wertvolle Segmente mit hohem Informationsbedarf.
SEA: Anpassung von Anzeigentexten, Erweiterungen und Zielseiten für verschiedene RFM-Segmente.
GEO: Höherwertige, datenbasierte Inhalte erhöhen die Wahrscheinlichkeit, in generativen KI-Suchen berücksichtigt zu werden.

Mit einer konsistenten Content-Struktur und sauber gepflegten Produktdaten lassen sich diese Strategien skalierbar in Shop-Systemen wie Shopware, Magento oder Shopify Plus ausrollen.

9.2 Keyword-Potenziale für Rfm-Segmente prüfen

Um Inhalte für verschiedene Rfm-Segmente gezielt zu planen, ist eine fundierte Keyword-Recherche entscheidend. So findest du Suchbegriffe, die zu wertvollen Kundengruppen und deren Kaufmotiven passen.

Mit Nutzung dieses SEO-Checks erklären Sie, dass Sie die Datenschutzerklärung zur Kenntnis genommen haben und damit einverstanden sind, dass die von Ihnen angegebenen Daten elektronisch erhoben und gespeichert werden. Ihre Daten werden dabei nur streng zweckgebunden zur Bearbeitung des SEO-Checks benutzt. Mit der Nutzung dieses SEO-Checks erklären Sie sich mit der Verarbeitung einverstanden.

10. Häufige Fehler und Grenzen der Rfm-Analyse

So nützlich die Rfm-Analyse ist, sie hat auch Grenzen und typische Stolpersteine, die du kennen solltest.

Nur vergangenheitsorientiert: RFM betrachtet ausschließlich vergangenes Kaufverhalten, nicht zukünftige Potenziale.
Keine Produktdimension: Unterschiedliche Produktkategorien und Margen werden in der Standard-RFM nicht separat bewertet.
Segmentgrenzen willkürlich: Falsch gesetzte Schwellwerte können Segmente verzerren.
Fehlende Verknüpfung zu Kampagnen: Eine Rfm-Analyse ohne konkrete Umsetzungspläne bleibt ein reiner Reporting-Ansatz.

In der Praxis ist es sinnvoll, RFM mit weiteren Analysen zu kombinieren, etwa mit Deckungsbeitragsrechnungen, Sortimentsanalysen oder individuellen Scoring-Modellen.

11. Häufige Fragen zur Rfm-Analyse

Was ist eine Rfm-Analyse im Marketing?

Eine Rfm-Analyse ist ein Verfahren zur Kundensegmentierung, bei dem Kunden auf Basis von Recency, Frequency und Monetary bewertet werden. Ziel ist es, Gruppen wie Topkunden, loyale Käufer oder abwanderungsgefährdete Kunden zu identifizieren und Marketingmaßnahmen gezielt auf diese Segmente auszurichten.

Wie funktioniert eine Rfm-Analyse im E-Commerce?

Im E-Commerce werden aus den Bestelldaten für jeden Kunden drei Kennzahlen berechnet: wie lange der letzte Kauf zurückliegt, wie oft der Kunde im gewählten Zeitraum bestellt hat und welchen Umsatz er generiert hat. Diese Werte werden zu Scores zusammengefasst und in Segmente überführt, die sich direkt für Kampagnen, Newsletter und personalisierte Inhalte nutzen lassen.

Welche Vorteile bietet die Rfm-Analyse für Onlineshops?

Onlineshops profitieren von der Rfm-Analyse, weil sie Marketingbudgets effizienter einsetzen, wertvolle Kunden priorisieren und inaktive Käufer gezielt reaktivieren können. Durch die klare Struktur der Segmente lassen sich Kampagnen besser planen, testen und auswerten, was langfristig Conversion Rate und Customer Lifetime Value steigert.

Wie berechnet man Recency, Frequency und Monetary?

Recency wird als Zeitspanne zwischen heutigem Datum und dem letzten Kauf eines Kunden berechnet, meist in Tagen. Frequency ist die Anzahl der Bestellungen innerhalb eines definierten Zeitraums, etwa der letzten 12 Monate. Monetary entspricht der Summe aller Umsätze des Kunden im gleichen Zeitraum, alternativ auch dem durchschnittlichen Warenkorbwert.

Welche Daten brauche ich für eine Rfm-Analyse?

Für eine Rfm-Analyse benötigst du Bestelldaten mit einer eindeutigen Kundenkennung, Bestelldatum und Umsatz pro Bestellung. Optional können weitere Felder wie Produktkategorie, Marge oder Marketingkanal eingebunden werden, um die Segmente später genauer zu interpretieren oder in Kampagnentools zu übertragen.

Wie oft sollte man eine Rfm-Analyse aktualisieren?

Die Aktualisierung der Rfm-Analyse hängt von der Bestellfrequenz und der Dynamik deines Geschäfts ab. Viele Onlineshops berechnen die RFM-Scores monatlich neu, schnell drehende Sortimente oder große Marktplatzhändler arbeiten teilweise mit wöchentlichen Aktualisierungen, damit Segmente und Kampagnen immer auf dem aktuellen Kaufverhalten basieren.

Welche Grenzen hat die Rfm-Analyse?

Die Rfm-Analyse betrachtet nur vergangenes Kaufverhalten und unterscheidet nicht nach Produktmargen oder individuellen Kundenbedürfnissen. Sie kann daher komplexe Kaufentscheidungen oder saisonale Effekte nur begrenzt abbilden. In der Praxis sollte RFM deshalb mit weiteren Analysen kombiniert und immer im Kontext von Branche, Sortiment und Marketingzielen interpretiert werden.

12. Nächste Schritte: Rfm-Analyse und Content-Automatisierung kombinieren

Du möchtest datenbasierte Kundensegmente mit skalierbarem Produktcontent verbinden und so mehr Umsatz aus deinem bestehenden Traffic holen? Sieh dir unsere Funktionen live an und teste feed2content.ai kostenfrei.

Kostenlos starten

Du hast noch Fragen?

Kontakt