Der Customer Lifetime Value ist ohne Frage eine der wichtigsten Steuerungsgrößen im Marketing und CRM. Doch wie kann man ihn berechnen? In diesem Fall führen viele Wege nach Rom. Eine der am häufigsten angewandte Methode ist die sogenannte RFM Analyse. Diese betrachtet drei wichtige Kennzahlen der Kunden und kombiniert sie in einem dreidimensionalen Modell miteinander.
Wie man sie genau anwendet und wie sich die Ergebnisse nutzen lassen, erfahrt ihr jetzt.

Was ist die RFM Analyse?

Die RFM-Methode ist ein Modell zur Ermittlung der Kundenqualität, wodurch sich Kunden in verschiedene Kategorien einteilen lassen. Ziel der Analyse ist es, ein Bild der Kundenlandschaft zu schaffen, von welchem sich konkrete Marketingmaßnahmen für die einzelnen, ermittelten Segmente ableiten lassen. Durch diese kann eine Erhöhung des Return on Investment erreicht werden. Die Analyse stellt somit eine wichtige Grundlage für die Allokation des Marketingbudgets dar. Zudem lassen sich Rücklaufquoten von Kampagnen näherungsweise durch die Analyseergebnisse prognostizieren.


Die Analyse nutzt vergangenheitsbezogene Daten zu den Kunden, welche aufbereitet werden, um Referenzwerte zu ermitteln. RFM steht dabei für Recency, Frequency und Monetary. Der Ansatz berücksichtigt also neben Umsatzwerten auch die zeitliche Komponente, indem der Zeitpunkt des letzten Einkaufs und die Zahl der Einkäufe pro Kunde einbezogen werden.

Recency: Wann hat der Kunde zuletzt gekauft?

  • Je aktueller der letzte Kauf zurückliegt, desto wahrscheinlicher ist ein Kauf in Zukunft
  • Je länger der letzte Kauf her ist, desto unwahrscheinlicher ist ein zukünftiger Kauf

Frequency: Wie häufig hat ein Kunde gekauft?

  • Je öfter ein Kunde kauft, desto wahrscheinlicher ist ein Kauf in Zukunft
  • Je seltener ein Kauf getätigt wird, desto unwahrscheinlicher ist ein zukünftiger Kauf

Monetary: Wie viel Geld gibt ein Kunde aus?

  • Je höher der Umsatz, desto wahrscheinlicher ist ein höherer Umsatz in der Zukunft
  • Je niedriger der Umsatz, desto unwahrscheinlicher ist ein hoher Umsatz in der Zukunft

Kategorienbildung

Bei der RFM-Analyse werden nun Kategorien gebildet. Die Zahl der Kategorien hängt von den individuellen Anforderungen der Unternehmen ab, sollte aber nicht zu hoch sein. Typisch sind Einteilungen in „hoch“, „mittel“ und „niedrig“, oftmals wird zusätzlich noch „sehr hoch“ genutzt.

Wichtig ist, dass die Kategorisierung nicht nur auf einer einzelnen Kennzahl beruht, sondern auf Kennziffern, die jeweils Recency, Frequency und Monetary widerspiegeln. Es handelt sich beim RFM also um ein dreidimensionales Modell, das abbildet, welchen Wert ein Kunde hat.

Beispielsweise für Recency: Kategorie „niedrig“ für einen letzten Kauf innerhalb den vergangenen 12 Woche, Kategorie „mittel“ für den letzten Kauf innerhalb von mehr als einer bis ca. 52 Wochen und Kategorie „hoch“ für den letzten Kauf von vor mehr als 52 Wochen. Je nach üblicher Kauffrequenz bieten sich andere Einteilungen an. Für die Zahl der Wiederkäufe und den Umsatz werden ebenfalls entsprechende Einteilungen gefunden.

Berechnung der RFM-Klassen

Im nächsten Schritt werden zwei Kategorien statistisch und visuell zusammengebracht. Hier wird beispielsweise angezeigt, welche Kunden in beiden Kategorien in „hoch“ eingestuft sind und welche Kunden in „hoch“ und „mittel“ und so weiter. Aus dem Zweiervergleich lassen sich schon erste Rückschlüsse ziehen, beispielsweise ist ein hoher Umsatz mit hohen Wiederkäufen meistens stark korreliert. Im nächsten Schritt wird die dritte Kategorie hinzugefügt.

Nun lassen sich die Kunden in drei Dimensionen beschreiben und Kundensegmente definieren. Bei drei Kategorien mit jeweils drei Einteilungen sind das maximal neun Segmente. Bei mehr Einteilungen entstehen entsprechend mehr Segmente. Beispielsweise wäre das Segment, in dem die Kunden in allen drei Kategorien „hoch“ sind, das Star-Segment mit den höchsten Kundenwerten. Sinnvollerweise lassen sich einige Kombinationen zu einem Segment zusammenfassen, weil beispielsweise ein ähnlicher Kundentyp unterstellt werden kann oder das Segment eine zu kleine Zahl an Kunden aufweisen würde.

RFM Analyse

Ergebnisse der RFM Analyse richtig nutzen

Mithilfe der Kundensegmentierung können nun unterschiedliche Kundenansprachen und Marketingmaßnahmen gefunden werden, um die einzelnen Kundensegmente gezielter anzusprechen und deren Potentiale voll auszuschöpfen. Während Kunden des einen Segments beispielsweise einen Treuebonus erhalten, gibt es für Kunden eines anderen Segments ein einmaliges Angebot. Wiederum andere Kunden aus eher uninteressanten Segmenten werden bei begrenztem Marketingbudget nicht mehr gezielt angesprochen.

Ob die Maßnahmen dann wirkungsvoll waren, kann an den Kundenbewegungen zwischen den Segmenten in der Folge beobachtet werden. Es ist also wichtig, die Analyse nicht nur einmal durchzuführen und sie als statisches Modell zu betrachten. Sie kann permanent als Screening des Kundenstamms eingesetzt werden, um Erfolge von Marketingmaßnahmen nachzuvollziehen und zu überprüfen.

Sie interessieren sich für das Thema Kundensegmentierung, Customer Lifetime Value und ähnliches und fragen sich, wie Sie diese Themen am besten in Ihrem Unternehmen umsetzten können? Kontaktieren Sie uns jetzt für mehr Infos!

Bild3

Jetzt Ihren Kundenwert erhöhen

Wir stellen Ihnen vor, wie Sie den Predictive Customer Lifetime Value in Ihrem CRM erfolgreich umsetzten und dadurch nachhaltig Ihren Kundenwert steigern.
-Unverbindlich und kostenfrei-
Mehr Informationen 
07145 / 9250255

oder
Jetzt starten

Die Frage, ob Ihr Unternehmen künstliche Intelligenz (KI) benötigt, steht heutzutage gar nicht mehr zur Debatte – denn die Antwort lautete in nahezu allen Branchen rund um die Welt sehr deutlich „Ja“.

Laut Prognosen kann im Jahr 2025 der Umsatz im Bereich von Unternehmensanwendungen mit künstlicher Intelligenz bis zu 31,24 Milliarden US-Dollar betragen.
Die Möglichkeiten der KI werden in den verschiedensten Bereichen ausgeschöpft: zur Verbesserung des Kundenerlebnisses, um neue Einnahmen zu erzielen und Kosten zu senken.

Die Frage, die sich also stellt, bezieht sich nicht auf das „ob“ bei der Einführung von KI Software, sondern auf das „wie“.

Hierzu wollen wir die verschiedenen Aspekte einer „Make or Buy“-Entscheidung in Bezug auf KI Software beleuchten.

Was bedeutet „Make or Buy“?

„Make or Buy“-Entscheidungen beschäftigen sich mit der Frage, ob bestimmte Leistungen oder Produkte von externen Anbietern bezogen oder vom eigenen Unternehmen produziert werden. Hierbei spielen die Kriterien Kosten, Qualität, Zeit, Ressourcen und Risiken eine Rolle. Oftmals findet dafür ein vordefinierter Unternehmensprozess statt, um eine objektive Entscheidung zu garantieren.

Ki Software

Kriterium Zielsetzung – KI Software als Kerngeschäft oder Unterstützung?

Für Unternehmen, die KI benötigen, um ihr Kerngeschäft zu stärken oder den strategischen Erfolg sicherzustellen, ist selbst entwickeln der richtige Weg, wie beispielsweise bei Uber mit autonomen Fahrzeugen oder Netflix und deren Empfehlungs-Engin.

Für Bereiche, die nicht zum Kerngeschäft gehören, wie Personalwesen, Finanz- und Rechnungswesen oder Kundendienst, reicht hingegen oftmals der Kauf eines der vielen bewährten AI-Produkte von der Stange aus.

„Es kommt darauf an, wie strategisch und einzigartig Ihre KI-Anwendungen für Ihr Unternehmen sind.“, so Thomas Malone, Gründungsdirektor des MIT-Zentrums für kollektive Intelligenz.

So einfach wie diese Aussage nun erscheinen mag ist es dann aber leider doch nicht.

Sich die richtigen Fragen stellen

Als Erstes definiert man das Hauptziel, welches durch die KI Software erreicht werden soll. Möchte man transformative, große Schritte durch die KI erzielen oder reicht einem eine einfach zu realisierende Anwendung, welche schnell Erfolge erzielt?

Do it yourself für innovative Geschäftsmodellneuerungen

Möchte man große Veränderungen an seinem aktuellen Geschäftsmodell vornehmen oder gar ein neues, innovatives Unternehmen starten, so steht es außer Frage, dass die dafür benötigte KI Software im eigenen Haus produziert werden muss. Dies garantiert einem als Unternehmen das geistige Eigentum an der Entwicklung und bedeutet daher einen großen Wettbewerbsvorteil gegenüber anderen Marktteilnehmern. Man kann exakt die Features entwickeln, welche den eigenen Vorstellungen und Bedürfnissen entsprechen. Zudem bietet es mehr Flexibilität und Kreativität bei der Entwicklung. So kann man Änderungen und neue Funktionen bei Bedarf unabhängig umsetzten. Gelingt das Produkt wie erwartet, so spart man auf Dauer fortlaufende Lizenzkosten und Wartungsgebühren, welche bei eingekaufter KI Software häufig anfallen.

Bei einer Eigenentwicklung muss das Produkt eine bessere Performance als alle am Markt bereits vorhandenen Lösungen aufweisen, ansonsten ist es wertlos.

Auf der anderen Seite sind natürlich auch die Risiken höher und man darf nicht vergessen, dass die Möglichkeit des Scheiterns des Projektes besteht. Die Entwicklung eigener Software beansprucht viel Zeit und vor allem qualifizierte Mitarbeiter, welche in der Zeit nicht für andere Projekte verfügbar sind – Stichwort Opportunitätskosten. Es besteht also das Risiko, dass das Kerngeschäft leidet. Zudem muss die Schulung für den Umgang mit neuer Software durch die eigenen Mitarbeiter durchgeführt werden, was einen zusätzlichen Zeitfaktor darstellt. Desweiteren sind gerade im IT-Bereiche hohe Fluktuationen der Mitarbeiter üblich. Verlässt einer der entwickelnden oder bereits geschulten Mitarbeiter das Unternehmen, so fallen zusätzliche Kosten für die Einarbeitung neuer Fachkräfte an.

6 Gründe für die Eigenentwicklung von KI Software

  • alle Rechte am Produkt
  • USP, Wettbewerbsvorteil
  • Wachstumchancen
  • hohe Flexibilität
  • Unabhängigkeit von Anbietern
  • keine überflüssigen Funktionen

KI Software für Routinetätigkeiten

Ist das Ziel eines KI-Projektes hingegen, dass Routinetätigkeiten abgewickelt und sofortige Mehrwerte geliefert werden, so ist es selten eine gute Idee, eine eigene KI Software aufzubauen. Selbst mit Open-Source-Tools kann die Erstellung von Anwendungen mit künstlicher Intelligenz Millionen kosten. Zudem dauert es meist Monate, bis ein Algorithmus für maschinelles Lernen trainiert ist, um Aufgaben zu erfüllen, die die meisten Anbieter bereits lösen.

Maschinelles Lernen funktioniert hervorragend bei sich wiederholende Back-Office-Verwaltungsaufgaben aus. Anwendungen, die diese Aufgaben ausführen und perfekt darauf trainiert sind, gibt es bereits auf dem Markt.

Kaufen bietet weitere Vorteile: die Integration der Anwendung in die eigene IT-Umgebung wird oftmals durch die Anbieter übernommen, ebenso wie die Schulung der Mitarbeiter.

Zudem kauft man selten die Katze im Sack. Ein wichtiger Punkt bei bereits vorhandener KI Software ist, dass man häufig testen kann, ob das Produkt die eigenen Anforderungen erfüllt und einen Performance-Uplift generiert.

Standardsoftwareunternehmen oder spezialisierte Anbieter – wo liegen die Unterschiede?

Sobald man sich für den Kauf entschieden hat, ist die nächste Frage, ob man einen spezialisierten KI-Anbieter wählt oder auf bereits implementierte Unternehmenssoftware mit möglichen KI-Elementen zurückgreift.

Viele Unternehmen wenden sich an ihre bestehenden Softwareanbieter, welche bereits genutzte Systeme um KI Features erweitern. Solche Systeme haben nicht nur Zugriff auf umfangreiche Datenmengen – häufig auf die eigenen Daten des Käufers -, sondern können auch oftmals ohne spezielles Know-how oder zusätzliche Schulungen verwendet werden.

6 Gründe für Standardanbieter von KI Software

  • IT-Infrastruktur für Implementierung bereits vorhanden
  • keine Sicherheitslücken
  • Schnittstellen zu anderen Systemen bereits vorhanden
  • Vorhandene Dokumentation
  • Erfahrungsaustausch von Nutzern möglich
  • Berater und Support wird gestellt

KI von der Stange ist oft der sicherste Weg, aber die Aussicht auf Erfolge hält sich in Grenzen, da kein großer Wettbewerbsvorteil dadurch entsteht.

Bei spezialisierten Anbietern hingegen steigt der Wettbewerbsvorteil. Viele der Anbieter sind kleine, innovative Unternehmen. Diese arbeiten agiler und bringen daher eine höhere Flexibilität und teils auch Personalisierungsmöglichkeiten mit sich. Generell können spezialisierte Anbieter mit Kosten- und Zeitersparnis punkten. Hier sind Data Scientists und Softwareentwickler bereits eingestellt und mit der arbeitsintensiven Aufgabe beauftragt, Modelle für maschinelles Lernen zu trainieren. Zudem beschäftigen sich diese ausschließlich mit deren Produkt und sind daher spezialisiert auf dessen Entwicklung und Implementierung. Auch die permanente Weiterentwicklung und Optimierung des Produktes spricht für spezialisierte Anbieter bei KI Software.

6 Gründe für einen spezialisierten Anbieter von KI Software

  • hohe Agilität bei innovativen Unternehmen
  • Kosten- und Zeitersparnis gegenüber Standardsoftware
  • spezialisierte, ausgereifte Softwarelösungen für explizite Probleme
  • permanente Optimierung des Produktes durch den Anbieter
  • sofortige Implementation und Inbetriebnahme möglich
  • Schulungen und Betreuung durch Anbieter

Kosten vs. Performance

Vergleicht man die Aspekte der Kosten und des generierten Mehrwertes durch Nutzung von KI Software bei Make or Buy-Entscheidungen, so lassen sich zwei unterschiedliche Verläufe dieser feststellen.

ki software 1

Entwickelt man selbst KI Software, so steht am Anfang ein großer Kostenblock sowie keinerlei Einnahmen. Nach Fertigstellung des Produktes ist es allerdings nicht so, dass man gar keine Kosten mehr hat. Permanente Optimierungen, Schulungen der Mitarbeiter und Wartungen verursachen fortlaufend Kosten. Mit Einführung des Produktes wird nun langsam der Umsatz des Unternehmens erhöht. Dieser kann sich, sollte sich die Performance wie gewünscht einstellen, rasch entwickeln. Das Risiko, dass man die angestrebten Ziele nicht erreicht, besteht allerdings.

Dem gegenüber bietet eingekaufte KI Software einen großen Vorteil: durch die Möglichkeit, die Performance vorab testen zu können, besteht kein Risiko. Die sich gesetzte Ziele können erreicht werden – und zwar direkt ab Einsatz der Software.

Fazit Make or Buy bei KI Software

Zusammengefasst lässt sich also sagen, dass man als Unternehmen bei Entscheidungen bezüglich KI Software zunächst überlegen sollte, wo genau man sie einsetzten möchte. Betrifft das Einsatzgebiet das Kerngeschäft eines Unternehmens, so sollte man das entsprechende Produkt selbst entwickeln. Dabei hat man nämlich mehr Flexibilität und später auch alle Rechte am geistigen Eigentum.

Möchte man aber KI Software einsetzten, um einzelne Bereiche des Geschäftsmodells zu verbessern, so eignet sich KI Software von Fremdanbietern. Dadurch spart man Ressourcen in Form von Zeit und Kosten und verringert das Risiko, durch einen Test der Performance.

Sie möchten KI Software im Bereich des Marketing und CRM einsetzten um die Kundenbindung zu stärken und den Kundenwert erhöhen? Testen Sie jetzt, welchen inkrementellen Umsatz-Uplift Sie durch den Einsatz von KI Software erreichen können!

AB

Individueller KI Kampagnen-Test 

Sie können die Performance unsere KI-Lösung Parapipe in einer ersten, von Ihnen ausgewählten Marketing-Kampagne nach dem A/B-Prinzip testen. 
Mehr Informationen 
07145 / 9250255

oder
Test anfragen