RFM-Analyse: Berechnung, Segmente & Excel-Anleitung

Was ist eine RFM-Analyse?

RFM steht für Recency, Frequency und Monetary Value. Die Methode betrachtet das bisherige Kaufverhalten eines Kunden aus drei Perspektiven:

Recency zeigt, wie aktuell die Kundenbeziehung ist. Wer erst vor wenigen Tagen gekauft hat, befindet sich in einer anderen Lifecycle-Phase als jemand, dessen letzter Einkauf zwei Jahre zurückliegt.

Frequency macht Wiederkäufer sichtbar. Ein einzelner großer Einkauf kann wertvoll sein. Mehrere Käufe zeigen jedoch, dass sich bereits ein Muster entwickelt hat – und möglicherweise auch Loyalität.

Monetary Value ergänzt die wirtschaftliche Perspektive. Meist wird dafür der Umsatz verwendet. Je nach Geschäftsmodell kann der Deckungsbeitrag die bessere Größe sein, denn hoher Umsatz bedeutet nicht automatisch hohe Profitabilität.

Für jede Dimension werden Klassen oder Scores vergeben. In einem einfachen Modell erhält jeder Kunde beispielsweise einen Wert von 1 bis 3. Ein hoher R-Score steht dann für einen kürzlich erfolgten Kauf, ein hoher F-Score für viele Käufe und ein hoher M-Score für einen hohen Kundenwert. Die Kombination dieser Werte beschreibt das Kaufprofil – etwa 3-3-3 für einen aktuellen, häufig kaufenden und umsatzstarken Kunden.

↑ Zum Inhaltsverzeichnis

Ein Score ist noch kein Segment

Rechnerisch lassen sich aus den drei Dimensionen sehr viele Kombinationen bilden. Bei fünf Ausprägungen pro Dimension entstehen bereits 125 mögliche RFM-Codes. Für eine wissenschaftliche Analyse mag das interessant sein. Im Marketing ist es selten praktikabel.

Kaum ein Team kann 125 Kundengruppen mit jeweils eigenen Botschaften, Angeboten und Journeys sinnvoll bearbeiten. Die einzelnen Scores werden deshalb zu wenigen handlungsfähigen Segmenten zusammengefasst. Entscheidend ist nicht, möglichst fein zu segmentieren. Entscheidend ist, dass sich aus jedem Segment eine andere Marketingentscheidung ableiten lässt.

Typische RFM-Segmente sind:

Beispielhafte Segmentgrößen einer RFM-Analyse bei insgesamt 50.000 Kunden (Beispieldaten). Wie groß die einzelnen Segmente im eigenen Kundenbestand tatsächlich sind, hängt von Branche, Kaufzyklus und den festgelegten Grenzwerten ab.

Die Bezeichnungen sind nicht standardisiert. „Champions", „At Risk" oder „Need Attention" sind verbreitete Namen, aber noch kein Modell. Die eigentliche Arbeit besteht darin, für das eigene Unternehmen zu klären, wann ein Kunde als aktiv, gefährdet oder inaktiv gilt.

↑ Zum Inhaltsverzeichnis

Die Grenzen müssen zum Kaufverhalten passen

Ein Kunde, der seit sechs Monaten nicht gekauft hat, kann in einem Mode-Shop bereits deutlich inaktiv sein. Für einen Optiker oder Möbelhändler kann derselbe Zeitraum vollkommen normal sein. Allgemeingültige Grenzwerte gibt es deshalb nicht.

Die RFM-Klassen müssen sich am realen Kaufzyklus orientieren. Hilfreich sind Fragen wie:

• Nach welcher Zeit erfolgt üblicherweise der zweite Kauf?
• Wann sinkt die Wiederkaufswahrscheinlichkeit deutlich?
• Wie viele Käufe unterscheiden einen Gelegenheitskäufer von einem Stammkunden?
• Ab welchem Umsatz oder Deckungsbeitrag lohnt sich eine teurere Ansprache?
• Bei welchem Schwellenwert soll eine Kampagne oder Journey starten?

Ein Grenzwert von 180 Tagen ist nur dann sinnvoll, wenn nach 180 Tagen im Kundenverhalten tatsächlich etwas passiert. Sonst ist er lediglich eine Zahl in einer Tabelle.

Eine Möglichkeit besteht darin, die Kunden anhand von Quantilen in ungefähr gleich große Gruppen zu teilen. Das ist rechnerisch sauber und eignet sich für eine erste Orientierung. Für die CRM-Praxis sind fachlich definierte Grenzen oft hilfreicher: Sie knüpfen an Kaufzyklen, Lifecycle-Phasen und konkrete Kampagnen an.

↑ Zum Inhaltsverzeichnis

Was bringt die RFM-Analyse in der Praxis?

Der Wert der RFM-Analyse liegt nicht in den drei Buchstaben, sondern in den Entscheidungen, die daraus entstehen. Richtig eingesetzt, verbindet sie Kundenverständnis und operative CRM-Steuerung.

1Kampagnen und Journeys auslösen

Verändert sich ein Score oder wechselt ein Kunde in ein neues Segment, kann dies als Trigger dienen. Ein Neukunde startet in eine Onboarding-Strecke. Ein ehemals aktiver Stammkunde wechselt nach Überschreiten einer definierten Recency-Grenze in eine Reaktivierung.

2Botschaften personalisieren

Ein Topkunde braucht eine andere Ansprache als ein Erstkäufer oder ein gefährdeter Stammkunde. Die Segmentzugehörigkeit kann Betreffzeilen, Inhalte, Produktempfehlungen und Angebote beeinflussen.

3Gutscheine und Kanäle wirtschaftlicher einsetzen

Nicht jeder Kunde muss denselben Rabatt erhalten. Der Kundenwert kann helfen zu entscheiden, bei wem sich ein höherer Gutschein, ein Printmailing oder eine persönliche Ansprache rechnet. Dabei sollte nicht nur der Umsatz, sondern möglichst auch die Profitabilität berücksichtigt werden.

4Selektionen verbessern

Kunden, die gerade gekauft haben, können aus einer allgemeinen Verkaufsaktion ausgeschlossen werden. Wertvolle inaktive Kunden lassen sich gezielt ansprechen, statt einen hohen Rabatt wahllos an den gesamten Verteiler zu senden.

5Den Kundenbestand steuern

RFM-Segmente eignen sich auch für das Reporting. Wächst der Anteil der Wiederkäufer? Werden aus Neukunden aktive Bestandskunden? Wie viele wertvolle Kunden wechseln in ein Risikosegment? Und hat eine Reaktivierungskampagne diese Bewegung verändert? Damit wird aus Kampagnenreporting eine Sicht auf die Entwicklung des Kundenbestands.

↑ Zum Inhaltsverzeichnis

Ist die RFM-Analyse im Zeitalter von KI veraltet?

RFM wirkt neben Predictive Scores, Churn-Modellen und KI-gestützter Segmentierung beinahe altmodisch. Das Modell schaut schließlich zurück: Es beschreibt vergangene Käufe, statt das nächste Verhalten vorherzusagen.

Genau darin liegt seine Grenze – aber auch seine Stärke.

Ein RFM-Modell erklärt transparent, warum ein Kunde einer Gruppe zugeordnet wurde. Die dafür benötigten Transaktionsdaten sind in vielen Unternehmen bereits vorhanden. Die Logik lässt sich überprüfen, mit dem tatsächlichen Kaufzyklus abgleichen und unmittelbar in Kampagnen übersetzen.

Predictive AI verfolgt ein anderes Ziel. Sie kann beispielsweise berechnen, wie wahrscheinlich ein erneuter Kauf oder eine Abwanderung ist. Dafür benötigt sie genügend geeignete Daten, eine verlässliche Datenqualität und ein Geschäftsmodell mit ausreichend vielen beobachtbaren Kaufereignissen. Das Ergebnis kann leistungsfähiger sein, ist aber oft weniger leicht nachzuvollziehen.

RFM und KI sind deshalb keine Gegenspieler. RFM schafft eine verständliche Basis für die Segmentierung des gesamten Kundenbestands. Prognosemodelle können diese Basis später um Wahrscheinlichkeiten ergänzen. Ein klassisches Segment „gefährdete Stammkunden" lässt sich beispielsweise zusätzlich nach prognostiziertem Churn-Risiko priorisieren.

Auch ein regelmäßig neu berechnetes RFM-Segment ist dynamisch. Dynamisch bedeutet jedoch nicht automatisch KI. Es bedeutet zunächst nur, dass Kunden aufgrund ihres aktuellen Verhaltens immer wieder neu eingeordnet werden.

↑ Zum Inhaltsverzeichnis

Kann man eine RFM-Analyse in Excel berechnen?

Ja. Für eine erste RFM-Analyse reicht Excel in vielen Unternehmen vollkommen aus. Benötigt werden im Kern nur vier Felder:

• 1eine eindeutige Kunden-ID
• 2eine eindeutige Bestell- oder Transaktionsnummer
• 3das Kaufdatum
• 4der Umsatzwert der Transaktion

Wichtig ist ein sauber definierter Betrachtungszeitraum. Frequency und Monetary Value können beispielsweise auf den vergangenen zwölf oder 24 Monaten basieren. Für Recency wird das letzte bekannte Kaufdatum benötigt – auch wenn es vor diesem Zeitraum liegt. Der Zeitraum muss zum Kaufzyklus passen und für alle Kunden gleich sein. Stornierte Käufe und Retouren sollten nach einer einheitlichen Regel berücksichtigt werden.

Im Kern besteht die Berechnung aus vier Schritten:

• 1Transaktionen je Kunde zu einer Kundenansicht mit letztem Kaufdatum, Kaufanzahl und Umsatzsumme zusammenfassen.
• 2Recency als Tage seit dem letzten Kauf berechnen, bezogen auf einen festen Analyse-Stichtag.
• 3Verteilungen ansehen und Grenzen für R, F und M fachlich festlegen.
• 4Aus den drei Scores einen RFM-Code bilden und daraus die Segmente ableiten.

Warum die erste Version in Excel entstehen sollte

Excel ist nicht die dauerhafte Zielarchitektur für ein RFM-Modell. Die erste Version sollte trotzdem bewusst dort entstehen – selbst dann, wenn das eingesetzte CRM bereits eine RFM-Funktion anbietet. Als fachliches Entwicklungslabor ist Excel ausgesprochen nützlich.

Die Arbeit mit echten Kundendaten zwingt dazu, die entscheidenden Fragen zu beantworten: Sind sechs Monate bereits kritisch? Wie groß ist das Segment der Topkunden tatsächlich? Entstehen Gruppen, die mit eigenen Kampagnen bearbeitet werden können? Oder produziert das Modell lediglich viele interessante Zahlen ohne praktischen Nutzen?

Gerade deshalb sollte die erste Version nicht vorschnell als fertige Funktion in ein CRM-System gebaut werden. Wer die Grenzen einmal selbst an den eigenen Daten entwickelt hat, versteht später auch, was ein automatisiert berechneter Score aussagt – und was nicht.

Steht das Modell fachlich, kann es technisch automatisiert werden. Die Scores und Segmente werden dann täglich, wöchentlich oder nach einem Kauf neu berechnet. Sie sollten am einzelnen Kunden in der Marketing-Plattform verfügbar sein und gleichzeitig ins Reporting einfließen. So können Segmentwechsel Kampagnen auslösen und die Entwicklung des Kundenbestands dauerhaft beobachtet werden.

↑ Zum Inhaltsverzeichnis

RFM ist der Anfang der Segmentierung, nicht ihr Ende

Die RFM-Analyse reduziert Kunden bewusst auf drei Merkmale ihres Kaufverhaltens. Sie kennt keine Interessen, keine Produktpräferenzen, keine Kanalreaktionen und keine Gründe für einen Kauf oder eine Abwanderung. Auch unterschiedliche Kaufzyklen zwischen Produktkategorien oder Kundengruppen muss das Modell zusätzlich berücksichtigen.

Trotzdem – oder gerade deshalb – ist RFM ein guter Einstieg in die verhaltensbasierte Kundensegmentierung. Die Methode ist verständlich, mit vorhandenen Daten umsetzbar und eng mit konkreten CRM-Maßnahmen verknüpfbar. Erfolgreich wird sie, wenn Kaufzyklen, Lifecycle, Profitabilität und Kampagnen von Anfang an mitgedacht werden.

RFM ist nicht veraltet, weil die Methode auf vergangenen Käufen basiert. Veraltet ist ein RFM-Modell erst dann, wenn seine Grenzen nicht mehr zum tatsächlichen Kaufverhalten passen. KI kann die Segmentierung erweitern und Prognosen liefern. Das Verständnis für die eigenen Kunden, Daten und Kaufzyklen ersetzt sie nicht. Einen Überblick über alle Grundlagen des Kundenlebenszyklus findest du in unserem Leitfaden zum Customer Lifecycle.

↑ Zum Inhaltsverzeichnis