RFM segmentatie: uitleg plus voorbeeld

RFM segmentatie - toolshero

RFM segmentatie: in dit artikel wordt RFM segmentatie uitgelegd. Na het lezen zal je een beter inzicht krijgen over deze marketing tool, over hoe je jouw klanten snel kunt sorteren en rangschikken. Veel leesplezier!

Wat is RFM segmentatie?

Met RFM segmentatie kunnen marketeers zich richten op specifieke clusters van klanten met communicatie die veel relevanter is voor hun specifieke gedrag en dus veel hogere responspercentages genereren, plus verhoogde loyaliteit en klantlevensduurwaarde. Het is een krachtige manier om groepen klanten voor speciale behandeling te identificeren.

RFM segmentatie acroniem

RFM staat voor Recency, Frequency en Monetary Value:

Gratis e-book bij Toolshero

Recency

Hoeveel tijd is verstreken sinds de laatste activiteit of transactie van een klant met het merk? De activiteit is bijvoorbeeld een aankoop, hoewel soms variaties worden gebruikt, je kunt denken aan het laatste bezoek aan een website of het gebruik van een mobiele app. Daarbij geld, hoe recenter een klant interactie heeft gehad met of heeft gehandeld met een merk, hoe groter de kans dat de klant reageert op communicatie van het merk.

Frequency

Hoe vaak heeft een klant gedurende een bepaalde periode transacties met het merk uitgevoerd of er interactie mee gehad? Het is duidelijk dat klanten met frequente activiteiten meer betrokken en waarschijnlijk loyaler zijn dan klanten die dit zelden doen.

Monetary value

Monetary value ook wel ‘geldwaarde’ genoemd, geeft deze factor aan hoeveel een klant gedurende een bepaalde periode aan het merk heeft uitgegeven. Grote geldgevers moeten meestal anders worden behandeld dan klanten die weinig uitgeven. Kijkend naar monetair gedeeld door frequentie geeft het gemiddelde aankoopbedrag aan – een belangrijke secundaire factor om te overwegen bij het segmenteren van klanten.

Marketeers hebben doorgaans uitgebreide gegevens over hun bestaande klanten, zoals aankoopgeschiedenis, browsegeschiedenis, eerdere campagneresponspatronen en demografie. Deze kunnen worden gebruikt om specifieke groepen klanten te identificeren die kunnen worden benaderd met aanbiedingen die voor elk relevant zijn.

RFM segmentatie wordt voornamelijk om drie redenen gebruikt:

  1. Het maakt gebruik van objectieve, numerieke schalen die een beknopte en informatieve weergave op hoog niveau van klanten opleveren.
  2. Het is een eenvoudig manier, marketeers kunnen het effectief gebruiken zonder dat gegevenswetenschappers of geavanceerde software nodig zijn.
  3. Het is intuïtief, de output van deze segmentatiemethode is gemakkelijk te begrijpen en te interpreteren.

Waarom RFM segmentatie?

RFM segmentatie is essentieel omdat je hiermee jouw klanten snel kunt sorteren en rangschikken en het is zeer effectief in het beschrijven van klantgedrag. Met RFM-scores kan je veel nuttige klantensegmenten maken.

Jouw beste klanten hebben topscores op alle drie dimensies, dit zijn klanten die hoog scoren op recentheid en geld, maar laag op frequentie omdat ze pas recentelijk hebben gekocht.

Aan de andere kant heb je hoogwaardige “churn klanten”, dit zijn de klanten die je eigenlijk hebt verloren omdat die al een tijdje niets hebben gekocht. Ze zullen hoog scoren op recentheid en monetair, maar laag op recentheid.

Ten slotte, klanten met een lage waarde die lage scores krijgen op alle drie dimensies en waarschijnlijk niets waard zijn. Je kunt geld besparen op marketing door deze gebruikers te onderdrukken en de open- en klikpercentages te verbeteren.

RFM segmentatie beantwoordt de volgende vragen:

  • Wie zijn mijn beste klanten?
  • Wie heeft het potentieel om te worden omgezet in meer winstgevende klanten?
  • Wie zijn de verloren klanten waar je niet veel aandacht aan hoeft te besteden?
  • Welke klanten moet je behouden?
  • Wie zijn je loyale klanten?
  • Welke groep klanten reageert het meest waarschijnlijk op jouw huidige campagne?

Aan de slag met RFM segmentatie?

Met RFM segmentatie kan je je klanten segmenteren op basis van de frequentie en waarde van aankopen en de klanten identificeren die het meeste geld uitgeven.

  • Recentheid: hoe lang is het geleden dat een klant iets van u kocht;
  • Frequentie: hoe vaak een klant bij u koopt;
  • Monetaire waarde: de totale waarde van aankopen die een klant heeft gedaan.

Volgens deze statistieken is het mogelijk om jouw klanten in groepen te verdelen om te begrijpen welke klanten veel dingen vaak kopen, welke weinig dingen kopen, maar vaak, en welke lange tijd niets hebben gekocht.

In de regel reageert slechts een klein percentage klanten op algemene aanbiedingen.

RFM segmentatie is een uitstekende segmentatiemethode voor het voorspellen van klantreacties, het verbeteren van interacties en het vergroten van de winst. RFM segmentatie gebruikt klantgedragsgegevens om te bepalen hoe met elke klantengroep moet worden gewerkt.

Stap voor stap RFM segmentatie en RFM-analyse uitvoeren

Het volgende is een stapsgewijze benadering van RFM segmentatie.

RFM segmentatie voorbeeld 1

Voorbeeld klantcluster Analyse Resultaat
De volgende grafiek toont de resultaten van een driedimensionale clusteranalyse die is uitgevoerd op het klantenbestand van een e-commerce-site. Deze analyse resulteerde in de ontdekking van vier klantpersona’s.

De afzonderlijke klantpersona’s die door clusteranalyse zijn ontdekt, stellen marketeers in staat hun klanten te modelleren en marketinginspanningen te personaliseren voor een veel grotere effectiviteit.

RFM segmentatie voorbeeld - toolshero

Figuur 1 – RFM segmentatie voorbeeld

RFM segmentatie voorbeeld 2

Het RFM-model is een hulpmiddel om te achterhalen wanneer een klant voor het laatst bij je is geweest om iets te kopen (Recency, actualiteit), hoe vaak hij bij je is geweest om te kopen (Frequency, frequentie) en wat de waarde van die aankopen (Monetary Value, waarde in geld) is geweest.

Alle drie factoren kun je beoordelen met een waardering van bijvoorbeeld 1 tot 5. Wie een 1 scoort zit laag in de waardering, wie een 5 scoort zit hoog. Maakt feitelijk niet uit of het om een waardering van 1 tot 5 of een waardering van 1 tot 100 gaat, als je er maar het onderscheid mee kunt maken tussen klanten en klantgroepen.

rfm segmentatie-voorbeeld - Toolshero

Figuur 2 – RFM segmentatie voorbeeld (2)

Stap 1

De eerste stap bij het realiseren van een RFM-model is het toewijzen van recentheid, frequentie en monetaire waarden aan elke klant. De onbewerkte gegevens hiervoor, die direct beschikbaar moeten zijn in de CRM- of transactiedatabases van het bedrijf, kunnen worden verzameld in een Excel-spreadsheet of -database:

  • Recentheid is daarbij de hoeveelheid tijd sinds de laatste transactie van de klant (je kunt hiervoor dagen gebruiken, maar ook maanden, weken of uren.)
  • Frequentie is het totale aantal transacties dat door de klant is uitgevoerd (gedurende een gedefinieerde periode).
  • Monetair is het totale bedrag dat de klant heeft besteed aan alle transacties (gedurende een gedefinieerde periode).

Stap 2

De tweede stap is het verdelen van de klantenlijst in getrapte groepen voor elk van de drie dimensies (R, F en M), dit kan met bijvoorbeeld Excel of een ander hulpmiddel. Hierbij wordt aanbevolen om de klanten in vier lagen voor elke dimensie te verdelen, zodat elke klant in elke dimensie aan één laag wordt toegewezen:

  • Recency Frequency Monetair
  • R-Tier-1 (meest recente) F-Tier-1 (meest voorkomende) M-Tier-1 (hoogste besteding)
  • R-tier-2F-Schema-2 M-Schema-2
  • R-Schema-3 F-Schema-3 M-Schema-3
  • R-Tier-4 (minst recent) F-Tier-4 (slechts één transactie) M-Tier-4 (laagste uitgave)

Dit resulteert in 64 verschillende klantensegmenten (4x4x4), waarin klanten worden gesegmenteerd. Het is ook mogelijk om 3 lagen te gebruiken (resulterend in 27 segmenten); het gebruik van meer dan vier wordt echter niet aanbevolen (omdat de moeilijkheid bij het gebruik zwaarder weegt dan de kleine voordelen van de extra granulariteit).

Er kunnen meer geavanceerde en minder handmatige benaderingen – zoals k-gemiddelden clusteranalyse – worden uitgevoerd door software, wat resulteert in groepen klanten met meer homogene kenmerken.

Stap 3

De derde stap is het selecteren van groepen klanten naar wie specifieke soorten communicatie worden verzonden, op basis van de RFM-segmenten waarin ze worden weergegeven.

Hierbij is het handig om namen toe te wijzen aan interessante segmenten. Voorbeelden zijn:

  • Beste klanten – Deze groep bestaat uit die klanten die te vinden zijn in R-Tier-1, F-Tier-1 en M-Tier-1, wat betekent dat ze recent transacties hebben gedaan, dit vaak doen en meer uitgeven dan andere klanten. Een verkorte notatie voor dit segment is 1-1-1; we zullen deze notatie in de toekomst gebruiken.
  • Veel geld uitgevende nieuwe klanten – Deze groep bestaat uit die klanten in 1-4-1 en 1-4-2. Dit zijn klanten die slechts één keer, maar zeer recent, transacties hebben gedaan en veel hebben uitgegeven.
  • Laagste loyale actieve loyale klanten – Deze groep bestaat uit die klanten in segmenten 1-1-3 en 1-1-4 (ze hebben recent transacties uitgevoerd en doen dit vaak, maar geven het minst uit).
  • Beste trouwe oude klanten – Dit segment bestaat uit die klanten in groepen 4-1-1, 4-1-2, 4-2-1 en 4-2-2 (ze hebben vaak transacties uitgevoerd en veel uitgegeven, maar het is lang geleden omdat ze transacties hebben uitgevoerd).

Voor marketeers is het belangrijk dat zij groepen klanten samenstellen die het meest relevant zijn voor hun specifieke bedrijfsdoelstellingen en retentiedoelen.

Stap 4

De vierde stap gaat eigenlijk verder dan de RFM segmentatie zelf: het opstellen van persoonlijke berichten die op maat zijn gemaakt voor elke klantengroep. Door te focussen op de gedragspatronen van bepaalde groepen, stelt RFM marketing marketeers in staat om op een veel effectievere manier met klanten te communiceren.

Word lid van Toolshero

Nu is het jouw beurt

Wat denk jij? Herken jij de uitleg over RFM segmentatie of heb jij aanvullingen? Wanneer denk jij dat deze methode effectief is? Wat zijn volgens jouw succesfactoren die bijdragen aan het toepassen in de praktijk?

Deel jouw kennis en ervaring via het commentaar veld onderaan dit artikel.

Meer informatie

  1. Kohavi, R., & Parekh, R. (2004, April). Visualizing RFM segmentation. In Proceedings of the 2004 SIAM international conference on data mining (pp. 391-399).
    Society for Industrial and Applied Mathematics.
  2. McCarty, J. A., & Hastak, M. (2007). Segmentation approaches in data-mining: A comparison of RFM, CHAID, and logistic regression.
    Journal of business research, 60(6), 656-662.
  3. Miglautsch, J. R. (2000). Thoughts on RFM scoring. Journal of Database Marketing & Customer Strategy Management, 8(1), 67-72.
  4. Yang, A. X. (2004). How to develop new approaches to RFM segmentation. Journal of Targeting, Measurement and Analysis for Marketing, 13(1), 50-60.

Citatie voor dit artikel:
Sari, J. (2020). RFM segmentatie. Retrieved [insert date] from Toolshero: https://www.toolshero.nl/marketing-modellen/rfm-segmentatie/

Oorspronkelijke publicatiedatum: 10/01/2020 | Laatste update: 17/09/2023

Wilt u linken naar dit artikel, dat kan!
<a href=”https://www.toolshero.nl/marketing-modellen/rfm-segmentatie/”>Toolshero: RFM segmentatie</a>

Interessant artikel?

Geef je waardering of deel het artikel via social media!

Gemiddelde beoordeling 4 / 5. Totaal aantal beoordelingen: 4

Dit artikel is nog niet beoordeeld! Wees de eerste met jouw beoordeling.

We vinden het jammer dat het artikel niet waardevol voor je was

Laat ons dit artikel verbeteren!

Vertel ons wat er beter kan aan het artikel? Wat mis je bijvoooebeeld of wat kan worden aangevuld?

Jessie Sari
Article by:

Jessie Sari

Jessie Sari is content schrijver bij ToolsHero. Samen met het team draagt ze bij aan het schrijven van artikelen en website optimalisatie. Jessie studeert Trade Management in Asia aan de Hogeschool van Rotterdam. Binnen haar opleiding houdt ze zich bezig met opbouwen van fundamentele skills, waaronder marketing, import en export van producten en diensten in Azië, economie, financiën, management, consultancy en projectmanagement.

Tags:

Geef een reactie