RFM-segmentering: Från lagrad historik till aktiv logik

Du har troligen en kund i ditt CRM som köpt tolv gånger på tre år, aldrig klagat, aldrig begärt rabatt och alltid betalat i tid. Du har även en annan kund som köpt för ungefär samma totalbelopp, men fördelat på ett enda storköp under en kampanjvecka för 18 månader sedan.

De ser likadana ut i en omsättningsrapport. De är dock inte likadana kunder. Det är exakt den skillnaden RFM-analys är designad för att synliggöra och skapa en roadmap att agera inom.

Tre mätvärden som berättar vad omsättning inte gör

RFM bygger på tre variabler:

1. Recency mäter när kunden köpte senast. Det är ett beteendesignal snarare än ett ekonomiskt mått. En kund som handlat för tre dagar sedan är mottaglig på ett helt annat sätt än en som handlade för fjorton månader sedan, oavsett vad de spenderade.
2. Frequency mäter hur ofta kunden köper, vilket är det närmaste du kommer ett mått på lojalitet i transaktionsdata.
3. Monetary mäter det totala ekonomiska bidraget, men bara i kombination med de andra två ger det en rättvisande bild. En kund med hög monetary men låg recency och frequency är en engångskund med ett högt ordervärde, inte en lojal kund.

Tillsammans ger dessa tre variabler dig en segmentering som din omsättningsrapport aldrig kan ge: en bild av vad din kundbas faktiskt är värd, och var den är på väg.

För bolag som arbetar med GM3-logik eller annan marginalstyrning blir detta särskilt tydligt. Två kunder med samma historiska nettoomsättning kan ha helt olika framtida påverkan på täckningsbidraget, beroende på köpfrekvens, rabattnivå och sannolikhet till återköp.

De fem segment som styr prioriteringen

En fungerande RFM-modell brukar landa i fem segment som var och en kräver fundamentalt olika strategier.

Champions (hög recency, hög frequency, hög monetary) är din mest aktiva och lönsamma kundgrupp. Det är också den grupp som är enklast att förlora om du behandlar dem som alla andra.

Loyal Customers köper regelbundet och spenderar bra, men kanske inte lika nyligen. De är beständiga och värda att aktivt flytta uppåt.

At Risk är den grupp som kräver omedelbar uppmärksamhet. Det är kunder som tidigare var aktiva men som slutat att handla. En kund som glidit från Loyal mot At Risk utan att du agerat är en kund du statistiskt sett förlorar.

Promising är nya eller sporadiska kunder som gjort ett eller två köp. De har börjat, men de har inte fastnat så att säga, och rätt kommunikation i det här skedet har stor effekt på om de stannar.

Inactive, slutligen, är kunder med låg aktivitet länge, kostsamma att bearbeta i stor skala, och inte prioriteten när du har At Risk-kunder som faktiskt svarar.

Segmenteringen är inte resultatet

Det vanligaste misstaget med RFM är att analysen görs och rapporten presenteras, och sedan händer ingenting. Det är inte fråga om en brist på vilja; det är att segmenteringen aldrig kopplades till ett specifikt nästa steg per grupp.

• En Champion som får exklusiv tidig tillgång till en ny produkt agerar annorlunda än en Champion som får samma nyhetsbrev som alla andra.
• En At Risk-kund som får ett personligt meddelande kopplat till sitt senaste köp (inte en generisk rabattkod) har en reell chans att komma tillbaka.
• En Promising-kund som inom två veckor efter sitt första köp får innehåll som hjälper dem använda det de köpt bättre, och ett lågtröskelerbjudande som uppmuntrar ett andra köp, konverterar till Loyal Customer i en takt som förändrar hela cohort-bilden över tolv månader (exempel).

”RFM handlar inte bara om att sortera kunder. Det ger en djupare insikt i deras beteende och preferenser. Genom att analysera RFM-data kan du identifiera vilka segment som är mest värdefulla, vilka som behöver extra uppmärksamhet och vilka som kan vara i riskzonen för att bli inaktiva.”

– Louise Stenström, e-handelskonsult, Omniarch AB.

Automation gör RFM-segmenteringen permanent

Manuellt är RFM ett bra verktyg för kvartalsvisa strategibeslut. Automatiserat är det ett system som kontinuerligt identifierar när en kund rör sig mellan segment och triggar rätt kommunikation utan att du behöver fatta beslutet varje gång.

Du designar logiken en gång; vad som händer när en Loyal-kund inte handlat på 90 dagar, vad som triggas när en ny kund gör sitt andra köp, vad som skickas när en Champion visar tecken på att glida nedåt. Sedan kör systemet det åt dig. Det är skillnaden mellan ett CRM som lagrar historik och ett CRM som agerar på den.

Fem steg för att komma igång med RFM

• Börja med att samla in data om dina kunders köphistorik. Det kan komma från din CRM, e-handelsplattform eller ett marketing automation-verktyg. Se till att datan är ren och korrekt.
• Bestäm vilken tidsperiod du vill använda för din analys. Det kan vara de senaste tre månaderna, sex månaderna eller ett helt år. Välj en period som är relevant för din verksamhet.
• Tilldela poäng till dina kunder baserat på deras recency, frequency och monetary value. Det finns många olika sätt att göra detta – välj det som passar din verksamhet bäst.
• Dela in dina kunder i olika segment baserat på deras RFM-poäng. Exempelvis kan du ha segment som “Högsta värde”, “Potentiella kunder” eller “Riskfyllda kunder”.
• Skräddarsy dina marknadsföringskampanjer för varje segment. Skicka personliga e-postmeddelanden, erbjud specialrabatter eller skapa skräddarsydda produktrekommendationer.

---

RFM handlar inte om att ersätta traditionella KPI:er. Den kompletterar dem genom att tillföra ett beteendeperspektiv som gör det möjligt att prioritera resurser där de har störst effekt på framtida intäkter och marginal. Vill du tala CRM Assessment, RFM-analys och segmentering – ta kontakt via letstalk@omniarch.se