Hoe waardevol is het RFM model eigenlijk nog?

Lang voordat CMO’s spraken over Customer Value Management en Customer Lifetime Management, maakten marketeers al handig gebruik van het RFM model (Recency, Frequency & Monetary Value). Waarom? Omdat het model eenvoudig is op te zetten en, ondanks zijn beperkingen, hele waardevolle toepassingen kent.

Wat is RFM?

RFM is een segmentatiemodel, waarbij klanten worden ingedeeld in groepen op basis van hun aankoopgedrag. Daarbij kijkt men naar drie waarden: hoe recent heeft de klant nog een aankoop gedaan? Hoe frequent doet een klant een aankoop? En wat is de gemiddelde monetaire waarde van die aankopen? Op basis van deze drie parameters worden klanten ingedeeld in RFM groepen en ontstaan er dus segmenten zoals “heel recent, gemiddeld frequent, hoge waarde” en “niet recent, heel frequent, lage waarde” of de wat cryptischere aanduidingen “323” en “131”. Het aantal groepen dat je samenstelt is trouwens vrij. Sommige marketeers maken per waarde drie groepen, waardoor er 27 segmenten ontstaan, maar zeker bij omvangrijkere klantenbestanden zie je dit oplopen naar 5 x 5 x 5 = 125 groepen!

Gebruik van RFM

Verbeter resultaat van DM campagnes

Allereerst gebruiken de meeste marketeers RFM voor het verbeteren van het resultaat op direct marketing campagnes. De behoorlijk gefundeerde aanname hierbij is dat klanten met hogere RFM scores beter responderen dan klanten met lagere scores, maar dat kun je natuurlijk eenvoudig toetsen door van voorgaande campagnes de response per RFM segment te meten. Dan weet je ook meteen welke parameters van het model (recentheid, frequentie of monetaire waarde) de grootste invloed hebben op de response. De impact op de ROI kan zeer aanzienlijk zijn. Verbeteringen van 20 à 30 procent zijn heel gewoon!

Verschillende activiteiten voor verschillende groepen

Een hogere ROI op campagnes is natuurlijk mooi, maar de keerzijde daarvan is natuurlijk wel dat bepaalde klanten keer op keer uitgesloten wordt. Vandaar dat een logische vervolgstap is om aparte campagnes te bedenken voor deze groepen. Klanten die laag scoren op recentheid kun je bijvoorbeeld apart benaderen met een campagne om weer eens een aanschaf te doen, terwijl je klanten met een lage monetaire waarde juist wilt verleiden om ook eens een wat duurder product te laten kiezen. Zo ontstaat er een beter gebalanceerd DM beleid op het totale klantenbestand.

Management Dashboard

De derde toepassing die je ziet is dat RFM gebruikt wordt als monitor of dashboard:

  • Hoe ontwikkelt ons klantenbestand zich?
  • Zien we het aantal 333-tjes toenemen of zakken bepaalde klanten via 233 langzaam weg naar 133?
  • Wat is de impact van de campagnes om de frequentie te verhogen?

RFM krijgt daarmee zijn plek op het marketing dashboard en ontstijgt daarmee zijn meer operationele karakter.

Conclusie: Heilige Graal of Gril?

Zoals elk model is ook het RFM een versimpelde voorstelling van de werkelijkheid en kent daarmee zijn beperkingen. RFM kijkt alleen naar het aankoopgedrag en laat ander klantgedrag (websitebezoek, contact met klantenservice, klanttevredenheidonderzoek, productgebruik) en klantkenmerken (geografisch, demografisch, interesses en voorkeuren) buiten beschouwing. Niettemin zit in de beperking juist ook de kracht: iedere organisatie met klanttransactiegegevens kan er mee aan de slag om snel resultaten te boeken.

Geen heilige graal dus, maar ook geen gril. Ik zou zeggen dat je met de successen van RFM de weg plaveit om als organisatie verdere stappen te nemen in het benutten van klantdata en het toepassen van customer intelligence. Bijvoorbeeld om met de CMO aan Customer Value Management en Customer Lifetime Management te werken.


Dit blog verscheen op 13 augustus 2015 op CustomerTalk.nl.

Robert Mansour

Meer weten? Neem vrijblijvend contact op met

Pim Wennekes

Manager analytics

pim.wennekes@riviq.nl
+31 621 964 963
linkedin.com/in/pimwennekes

meer over dit onderwerp

Send this to a friend