RFM-analys är ett sätt att dela in kunder efter hur nyligen de handlade, hur ofta de handlar och hur mycket de har köpt för. Med de tre måtten kan du skilja en ny kund från en återkommande kund och upptäcka kunder som inte har handlat på ett tag.
Metoden blir användbar när resultatet påverkar vad du gör. Ett segment med lojala kunder kan få ett relevant produkturval. En förstagångsköpare kan få hjälp att använda sitt köp. En tidigare återkommande kund kan behöva en återaktivering.
Här går vi igenom RFM med ett förenklat räkneexempel och visar hur analysen kan kopplas till e-postmarknadsföring.
Vad betyder R, F och M?
R står för recency: hur lång tid som har gått sedan kundens senaste köp. I en vanlig modell ger ett mer nyligt köp ett högre betyg.
F står för frequency: hur många köp kunden har gjort under den valda perioden.
M står för monetary value: hur mycket kunden har köpt för under samma period. Bestäm om beloppet exempelvis ska vara netto efter rabatter och återbetalningar samt hur moms och frakt behandlas.
Shopifys dokumentation om kundrapporter beskriver också RFM utifrån senaste köp, antal order och köpvärde. Exakta perioder, beräkningar och poänggränser kan skilja sig mellan verktyg.
RFM är en beskrivning av historiskt köpbeteende. Modellen vet inte varför en kund har slutat handla eller om nästa köp kommer att bli lönsamt.
Börja med rätt underlag
Du behöver en stabil kundidentifierare, orderdatum och ordervärde. Bestäm hur annullerade order, returer, testorder och dubbletter ska hanteras.
Om samma person finns med två kundidentiteter kan modellen underskatta köpfrekvensen. Om återbetalningar saknas kan den överskatta köpvärdet. Granska därför ett urval av profiler innan du börjar dra slutsatser.
Välj också en analysperiod. Tolv månader kan vara en startpunkt för en butik med återkommande köp, men det är ett arbetsval och ingen regel. Längre köpcykler kan kräva ett annat perspektiv.
Kunder som aldrig har köpt behöver en separat indelning. Deras beteende går inte att beskriva med samma köpbaserade modell.
Räkneexempel: en enkel RFM-modell med tre nivåer
I följande illustration används en tolvmånadersperiod och tre poängnivåer. Beloppen avser nettoomsättning exklusive moms och efter rabatter och återbetalningar. Trösklarna är påhittade för exemplet.
R: tid sedan senaste köp
- 3 poäng: högst 30 dagar.
- 2 poäng: 31 till 90 dagar.
- 1 poäng: mer än 90 dagar.
F: antal köp under perioden
- 3 poäng: minst 4 köp.
- 2 poäng: 2 eller 3 köp.
- 1 poäng: 1 köp.
M: sammanlagt köpvärde under perioden
- 3 poäng: minst 3 000 kr.
- 2 poäng: minst 1 000 kr men mindre än 3 000 kr.
- 1 poäng: mindre än 1 000 kr.
Skriv poängen i ordningen R, F, M. En kod på 3-2-1 betyder alltså ett nyligt köp, två eller tre köp under perioden och ett lägre sammanlagt köpvärde.
Tre illustrativa kunder
Kund A handlade för 12 dagar sedan, har gjort 5 köp och har ett köpvärde på 4 200 kr. Kunden får 3-3-3.
Kund B handlade för 150 dagar sedan, har gjort 4 köp och har ett köpvärde på 3 600 kr. Kunden får 1-3-3.
Kund C handlade för 8 dagar sedan, har gjort 1 köp och har ett köpvärde på 600 kr. Kunden får 3-1-1.
Kund A och kund B har båda en omfattande köphistorik. Skillnaden är att kund B inte har handlat nyligen. Kund C är ny och ska inte behandlas som ointresserad för att köpfrekvensen ännu är låg.
Översätt poängen till en åtgärd
Börja med några få grupper. Du behöver inte bygga en separat kampanj för varje möjlig poängkombination.
Aktiva återkommande kunder
Ett högt R och F kan vara en utgångspunkt. Visa relevanta nyheter, tillbehör eller produkturval baserat på vad kunden brukar köpa.
Testa förmåner med omsorg. En kund som redan handlar ofta behöver inte automatiskt rabatt för att fortsätta.
Nya kunder
Ett högt R och lågt F kan tyda på ett första köp. Prioritera en bra start: instruktioner, inspiration eller hjälp att välja rätt användningssätt.
Bedöm senare om kunden gjort ett andra köp. Jämför nya kunder som haft lika lång tid på sig att återkomma.
Tidigare återkommande kunder
Ett lågt R men högre F kan motivera ett win-back-test. Kontrollera först produktens normala köpcykel och om ett pågående serviceärende gör ett utskick olämpligt.
Budskapet bör ge en anledning att återvända. Poängen i sig förklarar inte vilken anledning som passar.
Enstaka äldre köp
Låga poäng behöver inte innebära att kunden är värdelös. Personen kan ha köpt en produkt som håller länge eller ha handlat vid ett särskilt tillfälle.
Börja med ett begränsat relevant urval. Undvik att lägga stora rabatter och tät kommunikation på hela gruppen.
Välj gränser som passar din butik
Fasta gränser är lätta att förstå men kan bli missvisande när sortiment eller köpmönster förändras. Ett alternativ är att dela in kunder relativt varandra, exempelvis i lika stora grupper.
Även relativa grupper har begränsningar. Om många kunder har gjort exakt ett köp går det inte alltid att dela dem snyggt i lika stora grupper utan godtyckliga skillnader.
Välj den modell som går att förklara och använda. Dokumentera reglerna och granska hur stora grupperna blir. Jämför gärna inom kategorier när köpcyklerna skiljer sig mycket.
RFM visar inte automatiskt lönsamhet
En kund kan ha högt köpvärde och samtidigt många returer eller köpa nästan enbart hårt rabatterade produkter. Ett stort M är därför inte liktydigt med ett stort bidrag.
Komplettera vid behov med marginal, returandel och andra relevanta kostnader. Håll definitionerna tydliga så att analysen går att följa.
RFM är heller inte samma sak som Customer Lifetime Value. RFM beskriver köpmönster i ett valt underlag. CLV används för att beskriva eller uppskatta kundvärde över en längre relation, beroende på hur måttet definieras.
Håll segmenten aktuella och följ utfallet
Poängen förändras när kunder handlar och när tiden går. Bestäm hur ofta analysen ska uppdateras och hur ändringen ska påverka pågående kommunikation.
Följ vad som händer efter en åtgärd: fler andra köp bland nya kunder, återköp bland tidigare aktiva kunder och förändrat bidrag per mottagare.
Spara även vilken grupp kunden tillhörde när testet började. Annars kan själva köpet flytta personen till ett nytt segment och göra uppföljningen svårtolkad.
Använd kundsegment i Lupper
Lupper samlar kunddata och låter dig arbeta med segment som uppdateras, mejl och automationer i samma plattform. Utgå från de köp- och kunduppgifter som finns i er installation och välj grupper som går att koppla till konkreta utskick.
Ett arbete med RFM kan börja i ett separat analysunderlag. Kontrollera sedan hur de valda reglerna och fälten kan användas i plattformen. En färdig automatisk RFM-poängmodell är inte en förutsättning för att börja med användbara köpsegment.
Läs vår guide till kundsegmentering i Shopify och hur du kan öka kundlivstidsvärdet.
Vanliga frågor om RFM-analys
Måste man använda en skala från 1 till 5?
Nej. Det viktiga är att modellen skiljer relevanta grupper åt. Exemplet här använder tre nivåer för att göra beräkningen lätt att följa.
Ska man summera R, F och M?
Du kan göra det, men då försvinner information. Två kunder med samma summa kan behöva helt olika budskap. Behåll därför gärna de tre delarna.
Passar RFM en liten butik?
Det går att använda en enkel indelning, men få kunder och få köp ger osäkrare slutsatser. Börja med begripliga grupper och undvik onödigt många nivåer.
Hur ofta ska segmenten uppdateras?
Det beror på köpcykeln och vad segmenten används till. Ett kampanjurval behöver kontrolleras nära utskicket, medan en strategisk analys kan göras mer sällan.