Om je bezoek aan onze website optimaal te laten verlopen, maken wij gebruik van cookies. Zo gebruiken wij cookies om inhoud te personaliseren, om sociale media-functies aan te bieden en om ons websiteverkeer te analyseren. We delen ook informatie over jouw gebruik van onze site met onze sociale media-, advertentie- en analysepartners.
Natuurlijk vinden wij je privacy belangrijk. Daarom kun je de cookie-instellingen zelf beheren. Hoe wij omgaan met de gegevens die op basis van de geplaatste cookies verkregen zijn, leggen wij uit in onze cookie verklaring.
Om je bezoek aan onze website optimaal te laten verlopen, maken wij gebruik van cookies. Zo gebruiken wij cookies om inhoud te personaliseren, om sociale media-functies aan te bieden en om ons websiteverkeer te analyseren. We delen ook informatie over jouw gebruik van onze site met onze sociale media-, advertentie- en analysepartners.
Natuurlijk vinden wij je privacy belangrijk. Daarom kun je de cookie-instellingen zelf beheren. Hoe wij omgaan met de gegevens die op basis van de geplaatste cookies verkregen zijn, leggen wij uit in onze cookie verklaring.
×

First-party data activatie: RFM

Segmenteren met Recency, Frequency & Monetary value

In 1995 beschrijven Jan Roelf Bult and Tom Wansbeek een methode (Optimal Selection for Direct Mail) waarmee Direct Mail campagnes effectiever ingezet kunnen worden. Dit doen ze aan de hand van drie dimensies: Recency, Frequency & Monetary value (RFM). Hoe selecteer je als postorderbedrijf op een effectieve manier doelgroepen om een catalogus toe te sturen?

De papieren catalogus zou je kunnen zien als de voorloper van de huidige online (retail) wereld. De RFM methode is daarom nog steeds erg bruikbaar en beperkt zich niet meer tot enkel de traditionele metrics. RFM segmenten kunnen onder andere ingezet worden als audiences binnen de verschillende kanalen, er kunnen look-a-like audiences gemaakt worden en je kunt triggers activeren op verschuivingen van een gebruiker binnen een RFM segment.

Wie zijn je beste klanten?

RFM is een kwantitatieve methode, zegt iets over waarde en activiteit van een klant of lead, en vormt de basis van een hoop andere analyses en modellen. Wie zijn je beste klanten? Welke klanten ben je verloren? Aan welke klanten zou je aandacht moeten besteden? 

RFM bestaat uit drie dimensies. Traditioneel gezien worden deze gevuld met order data (maar online engagement data is ook mogelijk):

  • Recency: Hoe recent heeft een klant een aankoop gedaan? Dit kan uitgedrukt worden in dagen, weken, maanden, afhankelijk van de situatie.
  • Frequency: Hoe vaak heeft een klant een aankoop gedaan? 
  • Monetary value: Hoeveel heeft een klant in totaal uitgegeven?
tabel 1

Het berekenen en de definities van de RFM dimensies verschilt per situatie / business. Kopen klanten vaak, dan zou je met betrekking tot recency dagen of weken kunnen selecteren. Kopen ze minder vaak? Dan zou je maanden aan kunnen houden. Uitgangspunt is dat je met het resultaat een logische indeling kunt maken binnen je gebruikersbestand.

RFM score berekenen: 20% van je klanten genereren 80% van de omzet

In het hart van de RFM analyse staat de 80/20 (Pareto) regel. 80% van de resultaten worden gegenereerd door 20% van de gebruikers. 20% van je klanten genereren 80% van de totale omzet. Dit gegeven kun je gebruiken in het samenstellen van segmenten op basis van de berekende RFM dimensies.

Zo kun je (relatief aan de gehele dataset) groepen maken binnen de dimensies (percentielen). Vaak worden er 5 groepen (ranks) gebruikt. Op elke dimensie krijgt een gebruiker een score van 1 (laag) t/m 5 (hoog). 

  • De gebruikers die tot de beste 20% horen, krijgen score 5, 
  • De gebruikers die tot de onderste 20% horen, krijgen score 1.

Het samenvoegen van de scores op de drie dimensies, bepaald de RFM score;

tabel 2

In de praktijk worden soms ook op basis van regels scores bepaald. Bijvoorbeeld in het geval van recency; aankoop in de afgelopen 3 maanden, aankoop tussen afgelopen 3 maanden en 6 maanden en aankoop tussen afgelopen 6 en 12 maanden. In dit artikel gaan we voor het gemak uit van de eerste methode. 

Segmenteren: RFM scores indelen in groepen

Op basis van de berekende RFM score, kun je met behulp van een matrix bepalen in welk segment een gebruiker valt. Het samenstellen van deze matrix kun je zelf bepalen, afhankelijk van je business. Een veelgebruikte variant binnen online retail: 

tabel 3

De gebruikers uit het eerder genoemde voorbeeld vallen op basis van bovenstaande matrix in de volgende segmenten:

tabel 4

Als alle gebruikers toegekend zijn aan een segment, kun je het onderstaande overzicht maken. Per groep zou je ook nog de totale en gemiddelde orderwaarde toe kunnen voegen en geeft een daarmee een mooi inzicht in je klantenbestand: 

Alternatieve metrics & engagement

Zoals eerder genoemd, de definities van de RFM dimensies zijn niet in beton gegoten. Je kunt de dimensies ook vullen met online data, andere definities hanteren of lead conversions toevoegen. Bijvoorbeeld:

  • Recency: in plaats van ‘tijd tot laatste aankoop’, de tijd tot het laatste online bezoek.
  • Frequency: de gemiddelde tijd tussen orders, in plaats van totaal aantal orders. 
  • Value: in plaats van orders kun je bijvoorbeeld ook lead conversies selecteren.

RFM activeren in je kanalen

Naast dat de RFM methodiek al leuke inzichten opgeeft, zijn er ook volop mogelijkheden om deze first-party segmenten te activeren in kanalen. Daarbij kun je denken aan:

  • Aangepaste biedstrategie op basis van de segmenten binnen kanalen zoals Google Ads, Facebook / Instagram en display platforms. Zo zou je ‘At Risk groepen meer aandacht kunnen geven dan de ‘Champions’ (die waarschijnlijk toch wel klant blijven).
  • Content aanpassen voor verschillende doelgroepen, verschillende incentives en proposities creëren per segment. Zowel binnen kanalen als het personaliseren van je website.
  • Acteren op verschuivingen binnen segmenten. Stel dat een klant in de afgelopen X dagen verschoven is van een ‘Loyal Customer’ naar een ‘About to lose’, zou dit een trigger kunnen zijn om een e-mail te versturen of bepaalde incentives aan te bieden.
  • Look-a-like audiences / vergelijkbare doelgroepen. Binnen platforms als Facebook, Google Ads & DV360 is het mogelijk om look-a-like audiences te creëren. Zo kun je prospecting campagnes targeten op gebruikers die lijken op je beste klanten.

Meer weten?

Meer weten over RFM en hoe je dit geautomatiseerd kan berekenen en activeren binnen je kanalen? Neem contact met ons op!