Als je succesvol wilt zijn in e-mail marketing, ontkom je er niet aan je klantdata te analyseren. Dit doe je bijvoorbeeld door na te gaan hoe recent je klanten iets hebben gekocht, hoe vaak ze iets hebben gekocht en hoeveel ze hebben uitgegeven. Zo kun je bepalen welke klanten je ‘beste klanten’ zijn. Hiervoor kun je de RFM-analyse inzetten. De afkorting RFM staat voor recentheid, frequentie en monetaire waarde. Deze RFM-analyse wordt al enkele tientallen jaren gebruikt en heeft zich ondertussen bewezen als een effectieve aanpak van het voorspellen van respons en het verbeteren van de effectiviteit van je marketinguitingen.
De RFM-analyse is gebaseerd op de marketingprincipes “80% van de omzet komt van 20% van de klanten”. Daarnaast ook op dat mensen die recentelijk iets van je hebben gekocht, veel meer kans hebben om te reageren op een nieuwe aanbieding dan iemand die een tijd geleden zijn laatste aankoop bij je heeft gedaan.
Juist omdat je in het e-mail kanaal alle responsdata van de unieke ontvangers vastlegt, is de RFM-analyse goed om je e-mail (en online) marketingactiviteiten te analyseren. Aan de hand van deze analyse kun je je activiteiten bij sturen. Hieronder eerst het basisrecept voor een standaard RFM-analyse.
De ingrediënten
Om deze analyse uit te voeren, heb je van elke klant slechts de volgende data nodig:
- De meest recente aankoopdatum (recentheid)
- Het totaal aantal transacties in een periode (frequentie)
- De omzet van de klant, bijvoorbeeld het totaal of het gemiddelde per maand (monetaire waarde)
De bereidingswijze
Een RFM-score kan op vele manieren berekend worden. Een gebruikelijke werkwijze is om alle klanten te voorzien van een score van 1, 2, 3, 4 of 5 (met 5 als hoogste) voor alle drie de afzonderlijke RFM-parameters. Deze drie scores samen vormen de RFM-waarde van de klant. De beste klanten zijn de klanten met een RFM-waarde van “555”, klanten met een score van “111” zijn het minst waardevol.
Toekennen van de recentheid-scores doe je op de volgende manier:
- Zet in elk klantrecord de meest recente aankoopdatum
- Sorteer de database op deze datum, van nieuw naar oud
- Verdeel de database in vijf gelijke delen
- Geef de top 20% van de database een “5” in het veld “recentheid”, het volgende deel een “4”, enzovoort.
Herhaal dit proces vervolgens voor frequentie en monetaire waarde. Uiteindelijk zal elke klant voor alle drie de parameters een score hebben gekregen. De RFM-score bestaat dan uit de combinatie van deze drie afzonderlijke scores. Wanneer de RFM-score van een klant bijvoorbeeld 452 is, dan scoort deze een 4 voor recentheid, een 5 voor frequentie en een 2 voor monetaire waarde.
In totaal zijn er nu 5x5x5=125 verschillende cellen, zie onderstaand figuur.
Mocht je totale klantenbestand nu niet al te groot zijn, bestaat de kans dat elke cel slechts enkele klanten bevat. Je kunt er in dat geval ook voor kiezen om bijvoorbeeld een score van 1 tot en met 3 te gebruiken. Het totaal aantal cellen komt dan op 3x3x3=27.
En smullen maar!
Nu we de RFM-score van elke klant hebben bepaald, kunnen we hiermee gaan experimenteren. Wanneer we bijvoorbeeld een testpromotie e-mailing verzenden naar een representatieve steekproef en vervolgens de response (bijvoorbeeld verkoop via webshop vanuit deze e-mail) afzetten tegen de verschillende RFM-parameters en scores, is een volgende verdeling niet vreemd:
Op basis van een dergelijk resultaat kun je enkele conclusies trekken. De parameter recentheid heeft de sterkst voorspellende kracht, vervolgens frequentie en de minst krachtige voorspeller is de monetaire waarde.
- Klanten die recentelijk iets gekocht hebben, kopen vaker opnieuw iets ten opzichte van klanten die niet recentelijk iets kochten.
- Klanten die regelmatig iets kopen, kopen vaker opnieuw iets ten opzichte van klanten die slechts één of twee aankopen hebben gedaan.
- En klanten die in het totaaloverzicht het meeste geld hebben besteed, maken meer kans om opnieuw te kopen dan de klanten die het minst hebben omgezet.
De vertaling van RFM-analyse naar e-mail
Als marketeer weet je van elke e-mail verzending exact wie wanneer de mail heeft geopend en doorgeklikt en uiteindelijk is geconverteerd. Wanneer je op deze data een RFM-analyse loslaat, kun je voor elke abonnee in je e-mail database een engagement RFM-score bepalen. De engagement RFM-score, of kortweg de eRFM, geeft je inzicht in de ontvangers die je e-mails als relevant ervaren en zodoende betrokken zijn.
Voor het bepalen van de eRFM bepaal je de score voor recentheid niet aan de hand van de meest recente aankoopdatum, maar op basis van de meest recente datum waarop de ontvanger geopend of geklikt heeft. In het geval van frequentie kijken we niet naar het totaal aantal transacties, maar naar het totaal aantal keer dat de ontvanger heeft geopend of geklikt. Voor wat betreft de monetaire waarde kijk je nog steeds naar de totale uitgaven per ontvanger over een specifieke periode.
Toepassingen van de analyses
Vervolgens kun je hier weer mee gaan experimenteren. Wat gebeurt er als je je boodschap gaat segmenteren op basis van de eRFM-waarde? Geef bijvoorbeeld eens meer korting aan de ontvangers die laag scoren en minder of geen korting aan de toch al hoog scorende ontvangers. In plaats van iedereen hetzelfde aanbod doen, wordt de korting verdeelt over de segmenten en geef je de meeste korting daar waar het het hardst nodig is om te converteren.
Voor klanten met een hoge eRFM-score bied je blijkbaar relevantie. Je kan er voor kiezen hen frequenter te mailen dan de minder betrokken klanten en daadwerkelijk een dialoog met ze aangaan. Wanneer je ze zal vragen om feedback of input (denk bijvoorbeeld aan het geven van een review of profielverrijking) zal de response bij deze groep het hoogste zijn. Ze zijn immers het meest betrokken.
Je betrokken klanten zijn je belangrijkste ambassadeurs en zijn ook nog eens potentiële online ‘uitgevers’. Ze zijn actief op Facebook, LinkedIn en Twitter. Waarom zou je ze niet gewoon vragen om hun (positieve) ervaring met jouw bedrijf te delen via social media?
En wat te doen met de klanten met een lage eRFM-score? Blijkbaar is de response van deze groep via het e-mail kanaal laag. Lukt het om ze ‘nieuw leven in te blazen’ door te experimenteren met gesegmenteerde relevantere boodschappen? Of zijn deze klanten toch beter via een ander kanaal te benaderen en sluiten we ze uit voor communicatie via e-mail? Het heeft weinig zin om voor de 16de keer een mail te sturen wanneer de afgelopen 15 niet zijn geopend. Bespaar jezelf dan de moeite (en kosten) en verwijder deze uit de e-mail selectie.
Tot slot
(e-)RFM is niet zaligmakend. Het is één van de methodes die een marketeer tot zijn beschikking heeft. Gebruik het om je beste klanten te identificeren. Zou je het continu inzetten, dan bestaat het gevaar dat er contactvermoeidheid kan optreden voor de hoger scorende klanten, terwijl de laagst scorende klanten nooit meer worden benaderd. Gebruik het spaarzaam. Bijvoorbeeld als je een ‘boost’ nodig hebt. Zet het in voor een welkomstprogramma of bij een productlancering.
Meer informatie?
Heb je nog vragen naar aanleiding van dit artikel? Wil je advies of hulp bij het analyseren van je klantdata? Laat het ons weten! We beantwoorden je vragen graag. Je kunt ook bellen naar +31 (0)88 – 103 09 00 of mail naar contact@spotler.com.