RFM-Analyse: Wie du Kunden mit drei Zahlen sinnvoll einteilst

RFM-Analyse verständlich erklärt: wie du Kunden nach letztem Kauf, Häufigkeit und Umsatz bewertest, mit Rechenbeispiel, Studien und Tipps für kleine Teams.

Growth Hacking · · 7 Min.

Titelbild zum Artikel „RFM-Analyse: Wie du Kunden mit drei Zahlen sinnvoll einteilst“ von Felix Schmitz (Growth Hacking)

Kurz gesagt

  • Die RFM-Analyse bewertet jeden Kunden nach drei Werten: wie lange sein letzter Kauf zurückliegt, wie oft er kauft und wie viel Umsatz er bringt.
  • Aus den drei Werten entstehen Gruppen wie beste Kunden, neue Kunden, gefährdete Stammkunden und verlorene Kunden, für die du jeweils anders handelst.
  • Studien zeigen Grenzen des klassischen Modells, etwa bei neuen Kunden, bei unregelmäßigen Käufern und bei der Vorhersage des künftigen Kundenwerts.
  • Taherkhani und Esfahani finden, dass Segmente vor allem beim Verstehen helfen, während zusätzliche Kundendaten die Prognose stärker verbessern.
  • Für kleine Teams reicht eine Tabelle mit festen Schwellenwerten, die du einmal im Monat aktualisierst.
Mit ChatGPT, Claude oder Perplexity weiterdenken
Inhalt7 Abschnitte

Die RFM-Analyse ist ein Verfahren, mit dem du Kunden nach drei Werten bewertest: wie lange ihr letzter Kauf zurückliegt (Recency), wie oft sie kaufen (Frequency) und wie viel Umsatz sie bringen (Monetary). Aus der Kombination der drei Punktzahlen entstehen Kundengruppen wie beste Kunden, neue Kunden oder gefährdete Stammkunden. Du brauchst dafür nur eine Liste deiner Käufe und eine Tabellenkalkulation.

Ich mag die RFM-Analyse, weil sie das Gegenteil von dem ist, was man sich unter Datenanalyse oft vorstellt. Kein Modell, kein Dashboard, keine Schulung. Drei Spalten, eine Stunde Arbeit, und du siehst deinen Kundenstamm mit anderen Augen. Aus der Business Intelligence bei Snipes kenne ich viele aufwendige Auswertungen. Wenige davon haben so schnell zu einer konkreten Handlung geführt wie eine einfache Einteilung nach Kaufverhalten.

Die Forschung zur RFM-Analyse besteht vor allem aus Studien, die das Grundmodell erweitern oder mit Clusterverfahren kombinieren. Vier davon habe ich ausgewählt, weil sie zeigen, was die drei Zahlen leisten und wo sie dich in die Irre führen können.

Was die RFM-Analyse misst

Die drei Buchstaben stehen für drei einfache Fragen:

  • Recency: Wie viele Tage ist der letzte Kauf her? Je kürzer, desto besser. Wer vor Kurzem gekauft hat, kauft mit höherer Wahrscheinlichkeit bald wieder.
  • Frequency: Wie oft hat der Kunde im Betrachtungszeitraum gekauft? Häufige Käufer sind meist gebundener.
  • Monetary: Wie viel Umsatz hat der Kunde in diesem Zeitraum gebracht? Das zeigt, wie wichtig er für dein Geschäft ist.

Die drei Werte haben eines gemeinsam: Sie beschreiben Verhalten, und Verhalten verrät mehr über künftige Käufe als Merkmale wie Alter oder Branche. Im Artikel zu Predictive Analytics im Marketing beschreibe ich eine Studie, in der genau Zeitpunkt und Häufigkeit des letzten Kaufs die wichtigste Zutat einer Wiederkauf-Prognose waren. Die RFM-Analyse macht diese Information ohne Modell sichtbar.

Den allgemeinen Rahmen, also welche Arten von Segmenten es gibt und wann sich welche lohnt, habe ich im Artikel zur Kundensegmentierung beschrieben. Die RFM-Analyse ist eine Methode innerhalb dieses Rahmens, und zwar die verhaltensbasierte.

RFM-Analyse Schritt für Schritt: ein Rechenbeispiel

Angenommen, ein kleiner Onlineshop für Kaffee hat 100 Kunden und betrachtet die letzten zwölf Monate. Für jeden Kunden stehen in einer Tabelle drei Werte: Tage seit dem letzten Kauf, Zahl der Bestellungen und Umsatz. Jetzt vergibst du Punkte. Für kleine Kundenstämme nehme ich gern feste Schwellen, weil sie leicht zu erklären sind:

Punkte Recency: letzter Kauf vor Frequency: Bestellungen Monetary: Umsatz
5 bis 30 Tagen 10 oder mehr ab 600 €
4 31 bis 60 Tagen 5 bis 9 300 bis 599 €
3 61 bis 120 Tagen 3 bis 4 150 bis 299 €
2 121 bis 240 Tagen 2 50 bis 149 €
1 mehr als 240 Tagen 1 unter 50 €

Die Schwellen sind ein Beispiel für einen Kaffeeshop mit Nachbestellungen alle paar Wochen. Für dein Geschäft wählst du sie so, dass sie zu deinem üblichen Kaufrhythmus passen. Wer viele Kunden hat, kann stattdessen nach Fünfteln einteilen: Die 20 % mit dem jüngsten Kauf bekommen 5 Punkte, die nächsten 20 % bekommen 4 und so weiter.

Drei Kunden aus dem Beispiel:

  • Kundin A hat vor 20 Tagen zuletzt bestellt, zwölfmal im Jahr, für 480 €. Ihr Code ist 5-5-4.
  • Kunde B hat vor 300 Tagen zuletzt bestellt, vorher neunmal, für 400 €. Sein Code ist 1-4-4.
  • Kundin C hat vor 10 Tagen zum ersten Mal bestellt, für 35 €. Ihr Code ist 5-1-1.
Grafik zur RFM-Analyse als Formel: Recency 5 für den letzten Kauf vor 20 Tagen, Frequency 5 für zwölf Bestellungen und Monetary 4 für 480 Euro ergeben den RFM-Code 5-5-4 einer wertvollen Stammkundin
Drei Punktzahlen nebeneinander ergeben den Code, der zeigt, wie ein Kunde zu dir steht.

Der Code allein ist noch keine Erkenntnis. Interessant wird es, wenn du die drei Kunden nebeneinanderlegst. Kundin A ist eine Stammkundin, die du pflegen solltest. Kunde B war einmal genauso wertvoll und ist seit Monaten still. Kundin C ist neu und entscheidet gerade, ob sie wiederkommt. Drei Kunden, drei völlig unterschiedliche nächste Schritte.

Welche Kundengruppen aus der RFM-Analyse entstehen

Wilbert, Hoppe, Sartori und Kollegen (2023) haben in der Fachzeitschrift Algorithms einen Prototyp für die Datenbank eines Händlers entwickelt. Sie haben die drei RFM-Werte mit mehreren Clusterverfahren kombiniert und die Qualität der Gruppen mit internen und externen Kennzahlen geprüft. Das klassische K-Means-Verfahren blieb bis zu sechs Gruppen stabil und erwies sich als am besten geeignet.

Die sechs Gruppen klingen vertraut: verlorene Kunden, desinteressierte Kunden, neue Kunden, weniger aktuelle Kunden, treue Kunden und beste Kunden. Die Autoren berichten eine Rücklaufquote von 17,50 % und werten sie als akzeptable Trennschärfe. Worauf sich diese Quote genau bezieht, lässt der Abstract offen, deshalb würde ich sie nicht als Maßstab übernehmen.

Für den Alltag reicht mir eine einfachere Sicht mit zwei der drei Werte:

Grafik als Matrix zur RFM-Analyse nach Kaufhäufigkeit und Aktualität des letzten Kaufs: beste Kunden, neue Kunden, gefährdete Stammkunden und verlorene Kunden mit den Beispielkunden A, B und C
Wer früher oft kaufte und lange nicht mehr bestellt hat, ist die Gruppe, bei der sich Aufmerksamkeit am meisten lohnt.

Daraus ergibt sich pro Gruppe eine Maßnahme:

Gruppe Typischer Code Was ich tun würde
Beste Kunden 5-5-5 bis 4-4-4 Pflegen, um Feedback und Empfehlungen bitten, nicht mit Rabatten überschütten
Neue Kunden 5-1-x Den Weg zum zweiten Kauf leicht machen, etwa mit einer hilfreichen E-Mail nach der Lieferung
Gefährdete Stammkunden 1-4-x bis 2-5-x Persönlich nachfragen, was sich geändert hat
Verloren 1-1-x Einmal ehrlich fragen, dann loslassen und den Grund notieren

Für die gefährdeten Stammkunden lohnt sich ein eigener Ablauf. Wie eine Kampagne zur Rückgewinnung aussieht, steht im Artikel über Win-Back-Kampagnen.

Wo das klassische RFM-Modell an Grenzen stößt

Drei Studien zeigen Schwächen, die ich vorher unterschätzt hatte.

Neue Kunden werden unterschätzt

Handojo, Pujawan, Santosa und Singgih (2023) beschreiben in Cogent Engineering ein Problem, das jeder kennt, der RFM-Codes einmal berechnet hat. Das Grundmodell kann alte und neue Kunden nicht fair unterscheiden. Ein langjähriger Kunde, der weniger kauft oder aufgehört hat, sieht in den Zahlen oft noch gut aus. Ein neuer Kunde, der gerade erst angefangen hat, sieht schlecht aus.

Ihr Vorschlag ist, den Zeitraum in mehrere Schichten zu teilen und die RFM-Werte pro Schicht zu betrachten. Laut Abstract zeigen ihre Rechenbeispiele, dass dieser Ansatz für Onlinehändler mit sehr dynamischen Kunden eine gute Alternative ist. Für kleine Teams übersetze ich das so: Schau dir die Werte für zwölf Monate an und zusätzlich für die letzten drei. Dann siehst du, wer gerade nachlässt und wer gerade aufdreht.

Unregelmäßige Käufer passen nicht ins Raster

Van Hau, McIver, Robertson und Thaichon (2025) erweitern das Modell im Journal of Strategic Marketing um einen vierten Wert: den Abstand zwischen zwei Käufen. Sie arbeiten mit Transaktionsdaten von H&M und einem Clusterverfahren, das unregelmäßige Käufer als eigene Restgruppe kennzeichnen kann, statt sie in ein Segment zu zwingen. Heraus kommen fünf Segmente, von inaktiven Kunden mit niedrigem Wert bis zu Premiumkunden, dazu eine kleine Restgruppe.

Den vierten Wert finde ich besonders nützlich. Ein Kunde, der immer alle 90 Tage kauft, ist nach 60 Tagen ohne Kauf völlig normal. Ein Kunde, der sonst alle 14 Tage kauft, ist nach 60 Tagen ein Warnsignal. Wer den üblichen Abstand kennt, liest Recency richtig.

Für Prognosen reichen die drei Zahlen nicht

Taherkhani und Esfahani (2026) haben untersucht, wie gut sich der künftige Kundenwert vorhersagen lässt. Mit RFM-Werten allein erklärte ihr bestes Modell gut ein Viertel der Unterschiede im künftigen Kundenwert. Mit zusätzlichen Daten aus dem CRM stieg der Anteil auf gut ein Drittel. Die Zugehörigkeit zu einem Segment brachte danach nur noch eine minimale Verbesserung.

Die Autoren folgern, dass Segmente vor allem für das Verständnis im Management nützlich sind und weniger für eine genauere Vorhersage. Das finde ich eine ehrliche Einordnung. RFM ist ein Werkzeug zum Sortieren und Entscheiden. Wer genau wissen will, wie viel ein Kunde künftig wert ist, braucht mehr Daten. Wie ich über diesen Wert denke, steht im Artikel zum Customer Lifetime Value.

RFM-Analyse für Dienstleister und kleine Teams

Die Studien stammen aus Handel und Onlinegeschäft, wo Kunden oft und regelmäßig kaufen. Im Projektgeschäft sieht das anders aus. Ein Kunde beauftragt eine Website und meldet sich vielleicht zwei Jahre später wieder. Drei Anpassungen helfen:

  1. Längere Zeiträume. Statt zwölf Monaten betrachtest du zwei oder drei Jahre.
  2. Zwei statt drei Werte. Wenn fast jeder Kunde nur einen Auftrag hat, ist Frequency wenig aussagekräftig. Recency und Monetary reichen dann.
  3. Kontakte statt Käufe. Bei langen Projekten kann auch der letzte echte Austausch zählen, etwa ein Gespräch oder eine Anfrage.

Damit die Analyse kein einmaliges Projekt bleibt, gehört sie an den Ort, an dem du deine Kunden ohnehin verwaltest. Wann sich dafür ein CRM lohnt, beschreibe ich im Artikel CRM für kleine Unternehmen. Einmal im Monat die Codes aktualisieren und die Liste der gefährdeten Stammkunden durchgehen, das ist für mich ein gutes Beispiel für Systeme statt Willenskraft.

Die RFM-Analyse sagt dir zuverlässig, bei wem du nachfragen solltest. Warum ein Kunde still wird, erfährst du erst im Gespräch.

Typische Fehler bei der RFM-Analyse

  • Schwellen aus einer anderen Branche übernehmen. Ein Kaffeeshop und eine Agentur haben völlig andere Kaufrhythmen.
  • Nur den Gesamtcode sortieren. Ein 5-1-1 und ein 1-1-5 haben denselben Mittelwert und brauchen das Gegenteil.
  • Neue Kunden abschreiben. Ihre niedrigen Werte liegen an der kurzen Zeit, die sie dabei sind.
  • Ohne Maßnahme auswerten. Ein farbiges Raster, das niemand nutzt, ist Beschäftigung.
  • Zahlen für Gründe halten. Ein sinkender Code beschreibt ein Muster. Ob dahinter Unzufriedenheit, ein Umzug oder ein kleineres Budget steckt, zeigen die Daten nicht.

Fazit

Die RFM-Analyse ist der schnellste Weg von einer Kaufliste zu konkreten Entscheidungen. Drei Zahlen pro Kunde reichen, um beste, neue, gefährdete und verlorene Kunden zu unterscheiden. Die Studien zeigen aber auch die Grenzen: Neue Kunden schneiden systematisch schlechter ab, unregelmäßige Käufer brauchen den Blick auf den üblichen Abstand, und für Prognosen reichen die drei Werte allein nicht.

Mein Vorschlag für diese Woche: Exportiere deine Kunden der letzten zwölf Monate, vergib Punkte nach Schwellen, die zu deinem Rhythmus passen, und ruf die drei gefährdeten Stammkunden mit dem höchsten Umsatz an. Was ich bei solchen Experimenten lerne, teile ich in den Unternehmer Thoughts.

Mit KI weiterdenken

Frag deine KI zu diesem Artikel

Öffnet den Dienst in einem neuen Tab. Erst mit dem Klick geht der Prompt an den Anbieter, vorher wird nichts übertragen.

Häufige Fragen

Was ist eine RFM-Analyse?

Die RFM-Analyse ist ein Verfahren, Kunden nach Recency, Frequency und Monetary Value zu bewerten, also nach dem Zeitpunkt des letzten Kaufs, der Kaufhäufigkeit und dem Umsatz. Jeder Kunde bekommt pro Wert eine Punktzahl, meist von 1 bis 5. Die Kombination zeigt, zu welcher Kundengruppe er gehört.

Wie berechnet man RFM-Werte?

Du listest pro Kunde das Datum des letzten Kaufs, die Zahl der Käufe und den Umsatz in einem festen Zeitraum auf. Dann vergibst du für jeden Wert Punkte, entweder nach festen Schwellen oder nach Fünfteln deines Kundenstamms. Die drei Punktzahlen zusammen ergeben den RFM-Code, etwa 5-5-4.

Für wen eignet sich die RFM-Analyse?

Sie passt für jedes Geschäft mit wiederkehrenden Käufen, etwa Onlineshops, Handel, Abos oder Dienstleister mit Folgeaufträgen. Bei Projektgeschäft mit seltenen Aufträgen funktioniert sie mit längeren Zeiträumen und oft nur mit zwei der drei Werte.

Was sind die Grenzen der RFM-Analyse?

RFM schaut nur auf vergangene Käufe und kennt weder Gründe noch Zufriedenheit. Neue Kunden schneiden systematisch schlechter ab, und unregelmäßige Käufer passen schlecht in die Raster. Für Prognosen helfen zusätzliche Daten, etwa aus dem CRM.

Quellen4 Quellen
  1. Wilbert, Hoppe, Sartori et al. (2023): Recency, Frequency, Monetary Value, Clustering, and Internal and External Indices for Customer Segmentation from Retail Data. Algorithms (öffnet in neuem Tab)
  2. Handojo, Pujawan, Santosa et al. (2023): A multi layer recency frequency monetary method for customer priority segmentation in online transaction. Cogent Engineering (öffnet in neuem Tab)
  3. Van Hau, McIver, Robertson et al. (2025): Effective customer segmentation using the recency, frequency, and monetary framework, combined with density-based clustering. Journal of Strategic Marketing (öffnet in neuem Tab)
  4. Taherkhani, Esfahani (2026): Customer lifetime value prediction using customer relationship management data-based on machine learning algorithms. International Journal of System Assurance Engineering and Management (öffnet in neuem Tab)

Passt dazu

Alle Artikel