Veel e-mailmarketeers segmenteren op basis van wat iemand heeft gedaan: een aankoop, een klik, een inschrijving. Wat ze minder vaak doen, is kijken naar het patroon achter dat gedrag. Hoe recent, hoe vaak en voor hoeveel? RFM is een segmentatiemodel dat al decennia bestaat, maar in combinatie met moderne automation-tooling krijgt het een nieuwe dimensie. Maar wat is RFM? En hoe maak je er een score van om te gebruiken in je e-mailflows?
Wat is RFM en waarom bestaat het al zo lang?
RFM staat voor Recency, Frequency en Monetary value. Vrij vertaald: hoe recent heeft iemand iets gekocht, hoe vaak heeft hij dat gedaan en hoeveel heeft hij uitgegeven? Het model stamt uit de direct-mail-industrie van de jaren negentig. Postbedrijven bepaalden hiermee aan wie ze wel en niet een dure papieren catalogus stuurden. De logica was simpel: iemand die vorige maand iets bestelde, reageert vaker op een nieuw aanbod dan iemand die twee jaar geleden voor het laatst iets kocht.
Die logica geldt nog steeds. Het enige dat veranderd is, is de snelheid waarmee je de score kunt berekenen en de tools waarmee je er iets mee kunt doen. RFM is geen Artificial Intelligence (AI) en geen machine learning. Het is rekenwerk op aankoopdata dat elke marketeer met een spreadsheet kan doen.
Hoe bouw je een RFM-score?
Je hebt per klant drie datapunten nodig:
- De datum van de laatste aankoop
- Het totaal aantal aankopen
- De totale besteedde waarde
Meer heb je niet nodig om te beginnen. Vervolgens geef je elke klant een score van 1 tot 5 op elk van de drie dimensies. Voor Recency betekent een 5 dat iemand heel recent heeft gekocht, een 1 dat de laatste aankoop lang geleden was. Voor Frequency en Monetary value geldt hetzelfde: 5 is het meest actief of meest waardevol, 1 het minst.
Hoe je de grenzen bepaalt tussen die scores, is aan jou. De meest gebruikte methode is om je klantenbestand in vijf gelijke groepen per dimensie te verdelen. Waarbij de bovenste 20% een 5 krijgt en de onderste 20% een 1. Het voordeel hiervan is dat de scores altijd relatief zijn aan je eigen klantenbestand.
Stel dat je een klantenbestand hebt van 10.000 personen. Dan heeft elke groep 2.000 klanten. De 2.000 klanten met de meest recente aankoop krijgen een Recency-score van 5, de volgende 2.000 een 4, enzovoort. Herhaal dat voor Frequency en Monetary value. Elke klant heeft dan een RFM-score van drie cijfers, zoals 5-4-2 of 1-1-5. De combinatie van die drie cijfers vertelt je meer dan elk cijfer apart. Een klant met score 5-1-5 heeft heel recent voor veel geld gekocht, maar slechts één keer. Dat is een ander profiel dan een 5-5-3: een vaste klant die regelmatig koopt voor een gemiddeld bedrag. Je spreekt die twee niet op dezelfde manier aan.
4-5-x versus Loyale Klanten
Je kunt theoretisch 125 unieke RFM-combinaties maken (5 × 5 × 5), maar dat is niet werkbaar. In de praktijk cluster je de scores in een handjevol betekenisvolle segmenten:
| Segment | RFM-score | Profiel |
|---|---|---|
| Champions | 5-5-5 of 5-4-5 | Beste klanten, kopen recent, vaak en veel |
| Loyale klanten | 4-5-x of 5-5-x | Kopen regelmatig, niet per se veel |
| Potentieel loyaal | 5-2-x of 5-3-x | Recent gekocht, maar nog niet heel frequent |
| At risk | 2-4-x of 2-5-x | Vroeger actief, al een tijdje weg |
| Slapend | 1-2-x of 1-3-x | Lang geleden actief, nu inactief |
| Verloren | 1-1-1 | Nooit echt actief geweest of volledig weg |
Voor marketing automation zijn met name de segmenten “at risk” en “potentieel loyaal” interessant. At risk-klanten ken je al: ze hebben een koopgeschiedenis, maar komen niet meer terug. Dat is een concrete aanleiding voor een heractivatieflow. Potentieel loyaal is interessanter en wordt vaker overgeslagen: deze klanten hebben recent voor het eerst of de tweede keer gekocht en hebben daarmee laten zien dat ze willen terugkomen. Als je ze nu niet actief begeleidt richting een volgende aankoop, verdwijnen ze in de at risk-groep zonder dat je het doorhebt.
Hoe koppel je een RFM-segment aan een automation flow?
Dit is het punt waar het in de praktijk vaak vastloopt. De RFM-score bereken je ergens, maar hoe krijg je die score vervolgens in je E-mail Service Provider (ESP) zodat je er flows op kunt bouwen? Er zijn drie gangbare aanpakken, afhankelijk van je technische omgeving.
1. Statische lijsten
De eerste is statische segmentlijsten. Je berekent de RFM-score periodiek, bijvoorbeeld wekelijks, en exporteert per segment een lijst van klant-ID’s of e-mailadressen naar je ESP. Elke keer dat de lijst wordt bijgewerkt, stromen nieuwe klanten een segment in of uit. Dit is de meest laagdrempelige aanpak en werkt goed als je geen real-time data nodig hebt.
2. Profielattribuut in de ESP of CDP
De tweede is een profielattribuut in je ESP of Customer Data Platform (CDP). Je schrijft de RFM-score terug als een veld op het klantprofiel, zodat je in je automation-tool kunt filteren op dat veld. Het voordeel is dat je flows dynamisch kunnen reageren op een veranderende score, zonder dat je handmatig lijsten hoeft bij te werken.
3. Update op basis van aankoop
De derde aanpak is een triggered update op basis van een aankoop. Elke keer dat er een nieuwe aankoop binnenkomt, herbereken je de score voor die klant en werk je het profielattribuut bij. Dit is het meest real-time, maar vraagt om een koppeling tussen je e-commerce-systeem en je ESP die niet altijd kant-en-klaar beschikbaar is.
Welke aanpak je kiest, hangt af van hoe snel je klantenbestand beweegt. Voor een webshop met veel dagelijkse transacties is real-time zinvol. Voor een bedrijf met maandelijkse aankoopcycli is een wekelijkse batch meer dan voldoende.
Wat zijn de beperkingen die je van tevoren moet kennen?
RFM werkt goed voor bedrijven met herhaalaankopen: webshops, abonnementsmodellen, retailers. Het werkt minder goed als je klantenbestand voornamelijk bestaat uit eenmalige kopers of als de aankoopfrequentie van nature laag is, zoals bij een hypotheekverstrekker of een aannemer. Als 80% van je klanten slechts één aankoop heeft gedaan, zegt de Frequency-score weinig en domineer je de segmentatie volledig op Recency en Monetary value.
Een tweede beperking: RFM kijkt alleen naar transacties. Iemand die tien keer de website heeft bezocht, vijf e-mails heeft geopend en nooit heeft gekocht, bestaat niet in een RFM-model. Als je engagement wil meenemen naast aankoopgedrag, moet je het model uitbreiden of combineren met gedragsdata uit je ESP of CDP. Dat is mogelijk, maar het is een ander model dan RFM.
En tot slot: RFM is een momentopname. Een klant die vandaag in het At risk-segment zit, kan volgende week weer kopen en naar het Champions-segment verschuiven. Zorg dus dat je score regelmatig wordt bijgewerkt en dat je flows dat ook aankunnen, zodat iemand niet eindeloos in een heractivatieflow blijft zitten nadat hij al lang weer actief is.
Introduceer stapsgewijs RFM-segmenten in bestaande en nieuwe campagnes
Begin met twee segmenten, niet met zes. Kies “actief” en “at risk” als eerste opdeling, op basis van alleen de Recency-score. Iedereen die in de afgelopen 90 dagen heeft gekocht is Actief, iedereen die langer geleden voor het laatste heeft besteld is At risk. Bouw op die tweedeling een eerste eenvoudige heractivatieflow voor het At risk-segment.
Kijk na vier weken hoeveel van die klanten zijn teruggekomen. Dat geeft je een eerste indicatie of de segmentatie bruikbaar is voor jouw klantenbestand, voordat je investeert in een volledig RFM-model met vijf segmenten en meerdere flows. Als dat werkt, voeg je Frequency toe als tweede dimensie en begin je onderscheid te maken tussen klanten die één keer hebben gekocht en klanten die meerdere keren hebben gekocht. Dat onderscheid alleen al geeft je twee heel verschillende communicatiestrategieën: converteren naar een tweede aankoop bij eenmalige kopers versus het vasthouden van een ritme bij vaste klanten. Meer hoef je in het begin niet te doen.
