RFM-Methode: Prädiktiver Algorithmus zur Entscheidungsfindung im Marketing

Die Rolle von Systemen zur Entscheidungsfindung im Marketing ist über die letzten Jahrzehnte aufgrund der verbesserten IT-Strukturen und Datenqualität immer bedeutsamer geworden. Das Profiling und Segmentieren von Kunden für eine effiziente Werbebudgetallokation ist aufgrund zwei vorliegender Tatsachen unerlässlich:
 
(1) Das Marketing ist mehr und mehr kundenorientiert , da das Targeting durch die sich entwickelnde Technologie noch präziser möglich ist. Man hat keinen Streu- und Datenverlust wie bei einer einfachen Anzeige in einer Zeitschrift.
 
(2) Letzteres ist gegenüber kundenorientiertem Marketing kostenintensiver und daher ineffizient.
 

Die Daten müssen in einer Weise verarbeitet und analysiert werden. Dafür existieren Data Mining Techniken, statistische Methoden und Algorithmen des maschinellen Lernens. Eine dieser Techniken ist die RFM-Methode.

Die RFM-Methode ist weniger ein Prädiktor und mehr ein Deskriptor. Sie ist jedoch sehr einfach anwendbar und kann zu gezielteren Marketingmaßnahmen verhelfen.

Moderne Werkzeuge des Data Mining

Die Idee besteht in der Klassifikation von Rohdaten, die auf Basis von trainierten Lernalgorithmen geschehen soll. Dazu gehören Strukturen wie der binäre Entscheidungsbaum, neuronale Netzen und auch das klassische Regressionsmodell. Dabei hängt die Qualität des Outputs, sprich der Prädiktionsdaten und/oder der fertigen Klassifizierung, von der Natur des Inputs und des verwendeten Data Mining Modells ab. Der Vergleich der Anpassungsgüten kann hier schon helfen zu entscheiden, welches Modell mehr zu den Input-Daten passt. Diesen Ansatz nennt man auch wissensbasiertes Marketing. Es kombiniert Datenbasis und Modellverwendung.

Anmerkung: Wissensbasiert ist sinngemäß übersetzt („knowledge-based marketing“). Von unserer Standpunkt aus ist diese Formulierung doch eher anzuzweifeln, da es sich hierbei nicht um wirkliches Wissen handelt, sondern mehr um Annahmen, die anhand eines Datentopfs und einem Modell getroffen werden. So ist aus unserer Sicht der Begriff des „data-and-model-driven marketing“ eher zutreffend.

RFM-Methode: Recency, Frequency, Monetary

Wir geben nun ein Überblick über die Funktionsweise der RFM-Methode. Sie basiert auf drei Metriken des Kundenverhaltens:
 
1. Zeitpunkt des letzten Kaufs des Kunden i (Recency = R)
Wann war der letzte Zeitpunkt, an dem der Kunde ein Kauf getätigt hat?
 
2. Kauffrequenz des Kunden i (Frequency = F)
Wie oft kauft der Kunde?
 
3. Kaufmenge des Kunden i (Monetary = M)
Wie viel hat der Kunde gekauft?
 
Es gibt noch weitere Metriken, die man in das Modell mitaufnehmen könnte (Kundenlebenswert, Dummy-Variable (hat Kampagnen-Impression, z.B.), Anzahl der Produktvariationen, Alter des Kunden, Geschlecht,..). Auch Vereinfachung ist möglich. In einer modifizierten Variante entfernt man F aus dem Modell, da die Frequenz (F) stark mit der Höhe der Ausgaben (M) korelliert. Es verleibt lediglich eine Metrik in diesem Fall: V = M/R.

Vergangene Studien haben gezeigt, dass die Verwendung der drei Metriken, R,F und M, reicht, um konsistente Aussagen über das zukünftige Kaufverhalten zu treffen! Das ist überhaupt der Anlass, wieso wir uns dieser Methode widmen. Moderne Data Mining Verfahren sind genauer, aber sie sind auch komplexer und zeitintensiv.

Die folgende Abbildung illustriert die Metriken in einem Zeitstrahl der Periode t. Die Recency beschreibt den Zeitpunkt des letzten Kaufs innerhalb der Periode t. Frequency ist die Anzahl der Käufe innerhalb der Periode t. Monetary umfasst die Menge (in der entsprechenden Währung).

RFM Methode

Abbildung 1: Recency (R), Frequency (F), Monetary (M) im Schaubild

 
In der Regel wird an diesem Punkt nun segmentiert. In der Praxis nimmt man eine 5*5*5 Segmentierung vor. Es existieren somit insgesamt 125 mögliche Kundensegmente. Diese Technik ist auch unter dem Benchmark Modell bekannt. Im Rahmen einer Studie hat man insgesamt 10.000 Datensätze segmentiert und dennoch sind 10 der 125 möglichen Kundensegmente leer geblieben. Wir gehen schließlich davon aus, dass zur Charakterisierung exakt jeweils 5 mögliche Ausprägungen für drei Metriken nötig ist. Dass weniger oder sogar mehr Segmente verwendet werden können, muss anhand der Ouputdaten evaluiert werden.

Studie zur RFM-Methode im Genauigkeitsvergleich zu anderen Data-Mining Tools

Eine Untersuchung von Olson und Chae vergleicht Varianten des RFM-Algorithmus und ihre Performance mit denen von klassischen Data Mining Techniken wie der Regression, Entscheidungsbäumen und neuronale Netzen. Zwar weisen die komplexeren Data Mining Verfahren eine bessere Performance auf, das RFM-Verfahren hat seinen Vorteil jedoch in der Einfachheit der Anwendung und Wirksamkeit. Die vermeintlich schlichte, deskriptive Segmentierung kann zur Identifikation von wichtigen Kundengruppen und einem besseren Targeting verhelfen.

Marvin Jörs

Marvin Jörs ist Gründer und geschäftsführender Gesellschafter der Skyscraper Marketing UG.

Hinterlassen Sie einen Kommentar