Kundensegmentierung via RFM-Analyse

01 Herausforderung

Ein Online-Händler behandelt alle Kunden gleich – Marketingbudget fließt in Newsletter, die Stammkunden nicht brauchen und abwandernde Kunden nicht erreichen.

02 Ansatz

RFM-Analyse auf über 500.000 realen Transaktionen: Bereinigung, Aggregation auf Kundenebene, Scoring von 1–4 je Dimension und Zuordnung zu strategischen Segmenten.

03 Ergebnis

Klar abgegrenzte Segmente mit konkreten Maßnahmen je Gruppe – von Early Access für Champions bis zum persönlichen Anruf beim verlorenen Großkunden.

Stack

PythonPandasSeabornRFM-Scoring

Im E-Commerce ist nicht jeder Kunde gleich. Während einige regelmäßig und viel kaufen, sind andere vielleicht nur Einmalkäufer oder drohen abzuwandern. Um Marketingbudgets effizient einzusetzen, ist es essenziell, diese Gruppen zu unterscheiden.

In diesem Projekt habe ich eine RFM-Analyse (Recency, Frequency, Monetary) auf einem realen Datensatz eines britischen Online-Händlers durchgeführt. Ziel war es, Kunden basierend auf ihrem Kaufverhalten in strategische Segmente zu unterteilen.

Transaktionen

500k+

Datensatz „Online Retail“

Dimensionen

3

Recency · Frequency · Monetary

Champions

38 %

größtes Segment

Ausreißer

£77k

ein inaktiver Einzelkunde

Was ist die RFM-Analyse?

Die RFM-Methode bewertet Kunden anhand von drei Dimensionen:

1. Recency (Aktualität): Wie viele Tage sind seit dem letzten Kauf vergangen?
2. Frequency (Häufigkeit): Wie oft hat der Kunde insgesamt bestellt?
3. Monetary (Umsatz): Welchen Gesamtumsatz hat der Kunde generiert?

Jeder Kunde erhält für jede Dimension einen Score (in meinem Skript von 1 bis 4), woraus sich ein Gesamt-Score ergibt.

1. 01RohdatenTransaktionen eines britischen Online-HändlersCSV
2. 02BereinigungOhne CustomerID, Stornos und negative Werte rausPandas
3. 03AggregationRecency, Frequency, Monetary je Kundegroupby
4. 04ScoringScore 1–4 je Dimension, daraus Gesamt-ScoreRFM-Score
5. 05MaßnahmenSegment → Kanal & KampagneCRM

Technische Umsetzung mit Python

Für die Analyse habe ich Python mit Pandas für die Datenverarbeitung und Seaborn für die Visualisierung genutzt.

1. Datenbereinigung

Der Datensatz (“Online Retail”) enthält über 500.000 Transaktionen. Zunächst mussten die Daten bereinigt werden:

• Entfernung von Transaktionen ohne CustomerID.
• Herausfiltern von Stornierungen (Rechnungsnummern mit ‘C’).
• Bereinigung von fehlerhaften Daten (negative Preise oder Mengen).

# Auszug aus dem Cleaning-Prozess
df = df.dropna(subset=['CustomerID'])
df = df[~df['InvoiceNo'].astype(str).str.contains('C')]
df['TotalPrice'] = df['Quantity'] * df['UnitPrice']

2. Berechnung der Metriken

Anschließend habe ich die Daten auf Kundenebene aggregiert:

latest_date = df['InvoiceDate'].max() + dt.timedelta(days=1)
rfm = df.groupby('CustomerID').agg({
    'InvoiceDate': lambda x: (latest_date - x.max()).days, # Recency
    'InvoiceNo': 'nunique',                                 # Frequency
    'TotalPrice': 'sum'                                     # Monetary
})

Ergebnisse und Insights

Die Analyse hat klare Kundensegmente offenbart. Hier ist die Verteilung der identifizierten Gruppen:

• Champions38 %
• At Risk & Hibernating22 %
• Potential Loyalists21 %

Die drei strategisch wichtigsten Segmente (81 % des Kundenstamms)

Strategische Ableitungen & Handlungsempfehlungen

Die Datenanalyse ist nur der erste Schritt. Der eigentliche Mehrwert entsteht durch die Ableitung konkreter Maßnahmen für den Marketing-Mix (E-Mail, SEA, Social). Basierend auf den Daten habe ich folgende Strategien entwickelt:

1. Champions (38% der Kunden)

• Charakteristik: Kaufen oft, viel und erst kürzlich.
• Strategie: Retention & Belohnung. Diese Gruppe braucht keine Rabatte, um zu kaufen.
• Konkrete Maßnahmen:
  • Exklusivität: Early Access zu neuen Kollektionen oder “Secret Sales”.
  • Referral-Marketing: Incentivierung für das Werben neuer Kunden (“Freunde werben Freunde”).
  • Community Building: Einladung zu exklusiven Events oder VIP-Gruppen.

2. Potential Loyalists (21% der Kunden)

• Charakteristik: Gute Frequenz, aber noch kein Top-Umsatz oder leicht sinkende Aktualität.
• Strategie: Upselling & Cross-Selling. Ziel ist es, den Warenkorbwert und die Frequenz zu erhöhen.
• Konkrete Maßnahmen:
  • Personalisierte Empfehlungen: “Kunden, die X kauften, mochten auch Y” (per E-Mail-Automation).
  • Schwellen-Boni: “Kaufe für noch 20€ mehr und erhalte kostenlosen Versand/Geschenk.”
  • Treueprogramm: Einführung eines Punktesystems, um den nächsten Kauf anzureizen.

3. At Risk & Hibernating (22% der Kunden)

• Charakteristik: Hoher historischer Wert, aber lange inaktiv (> 6 Monate). Hier droht Abwanderung (Churn).
• Strategie: Win-Back / Reaktivierung.
• Konkrete Maßnahmen:
  • Automatisierte E-Mail-Flows: Sequenz nach 90/180 Tagen Inaktivität.
  • Incentives: Aggressive Rabatte (z.B. “15% Willkommen-Zurück-Gutschein”) oder zeitlich begrenzte Angebote.
  • Umfragen: “Warum hast du lange nicht bestellt?” – Feedback nutzen, um Prozesse zu verbessern.

Visualisierung: Wer sind die wertvollsten Kunden?

Ein Blick auf den durchschnittlichen Umsatz (Monetary Value) pro Segment bestätigt die Wichtigkeit der “Champions”:

Zusätzlich zeigt der Scatter-Plot die Korrelation zwischen Aktualität (Recency) und Häufigkeit (Frequency). Man sieht deutlich, dass die “Champions” (oben links) sehr häufig und erst vor kurzem gekauft haben, während “Lost” Kunden (unten rechts) selten und vor langer Zeit aktiv waren.

Fazit

Durch dieses Python-Skript konnte ich einen rohen Transaktionsdatensatz in handlungsrelevante Marketing-Insights verwandeln. Anstatt alle Kunden mit dem gleichen Newsletter zu beschießen, ermöglicht diese Segmentierung eine personalisierte Ansprache, die nachweislich die Conversion-Rate und den Customer Lifetime Value erhöht.

Dieses Projekt demonstriert meine Fähigkeit, technische Data-Science-Methoden direkt auf betriebswirtschaftliche Fragestellungen im E-Commerce anzuwenden.

👉 Wie geht es weiter? In meinem Projekt Personalisierung & A/B-Testing zeige ich, wie man diese Segmente technisch nutzt, um dynamische Landingpages auszuspielen.