Sådan bruges RFM-modellen i e-handel og marketing automation
Mange e-handelsvirksomheder har masser af kundedata, men mangler en enkel metode til at omsætte tallene til bedre segmentering og mere relevant kommunikation. Her er RFM-modellen et stærkt arbejdsredskab, fordi den hjælper med at prioritere kunder efter, hvor nyligt de har handlet, hvor ofte de køber, og hvor meget de lægger. I denne artikel får du en praktisk gennemgang af, hvordan modellen fungerer, hvilke datapunkter du typisk skal bruge, hvilke segmenter du kan udlede, og hvordan du kan omsætte dem til konkrete flows og kampagner i marketing automation.
RFM-modellen er en klassisk metode til kundesegmentering, som stadig er meget anvendelig i e-handel. Forkortelsen står for Recency, Frequency og Monetary: altså hvor nyligt en kunde har købt, hvor ofte kunden køber, og hvor stor værdi kunden typisk skaber. Styrken ved modellen er, at den gør det muligt at arbejde mere systematisk med forskellen på kunder, der ligner hinanden på overfladen, men i praksis har meget forskellig købssandsynlighed og værdi.
For marketingansvarlige er pointen enkel: Når alle kunder får samme budskab, falder relevansen. Når segmenteringen bliver mere præcis, kan både kampagner, automatiserede flows og budgetprioritering blive bedre. RFM er ikke den eneste segmenteringsmetode, men den er ofte et stærkt sted at starte, fordi den bygger på adfærd, som de fleste webshops allerede har data på.
Hvad RFM-modellen måler, og hvorfor det er vigtigt
De tre dimensioner i RFM siger hver især noget forskelligt om kundens relation til virksomheden.
- Recency måler, hvor lang tid der er gået siden seneste køb. Jo nyere køb, desto større er sandsynligheden ofte for, at kunden stadig er aktiv og modtagelig.
- Frequency måler, hvor mange køb kunden har foretaget i en given periode. Det siger noget om vanedannelse, loyalitet og købsmønster.
- Monetary måler kundens økonomiske værdi, typisk som samlet omsætning eller gennemsnitlig ordreværdi i en afgrænset periode.
Netop kombinationen er vigtig. En kunde kan have købt meget for længe siden, men være på vej ud. En anden kan have handlet for mindre beløb, men meget ofte og for nylig, og derfor være mere interessant i den nære aktivering. RFM hjælper med at skelne mellem disse typer i stedet for at samle dem i én bred målgruppe som “tidligere kunder”.
Hvilke data skal du typisk bruge?
En stor fordel ved RFM er, at modellen kan bygges på relativt få datapunkter. I en e-handelskontekst vil du typisk bruge data fra ordre- eller kundesystemet, eventuelt kombineret med data i din marketing automation-platform.
De mest almindelige datapunkter er:
- Kunde-ID eller anden entydig identifikation, så køb kan samles på samme kunde.
- Ordredato, som bruges til at beregne seneste køb og købshyppighed.
- Ordrenummer, så du kan tælle antal køb korrekt.
- Ordreværdi, som bruges til at beregne samlet omsætning eller gennemsnitlig værdi.
- Refusioner eller annulleringer, hvis de skal trækkes fra for at give et retvisende billede.
- Tidsperiode, for eksempel de seneste 12 måneder, så alle kunder vurderes på samme grundlag.
I mange virksomheder er det også relevant at afklare nogle metodiske valg, før modellen sættes i drift. Skal abonnementskøb tælle på samme måde som enkeltkøb? Skal B2B-kunder og privatkunder behandles samlet? Skal marketingsamtykke være en del af den operationelle segmentering, når segmenterne skal aktiveres i e-mail og SMS? De spørgsmål ændrer ikke selve RFM-logikken, men de påvirker, hvordan segmenterne bruges i praksis.
Sådan bygger du en simpel RFM-model i praksis
Den praktiske metode er som regel at give hver kunde en score på hver af de tre dimensioner. Mange bruger en skala fra 1 til 5, hvor 5 er den stærkeste score.
- Vælg en analyseperiode. For mange webshops giver de seneste 12 måneder et brugbart udgangspunkt, men den rigtige periode afhænger af købscyklus.
- Beregn recency. Find antal dage siden sidste køb for hver kunde.
- Beregn frequency. Tæl antal ordrer pr. kunde i perioden.
- Beregn monetary. Udregn samlet omsætning eller en anden værdiindikator pr. kunde.
- Inddel kunder i grupper. Del kunderne op i for eksempel fem lige store grupper eller andre relevante intervaller for hver variabel.
- Tildel score. Giv hver kunde en R-, F- og M-score, så du får en kombination som eksempelvis 5-4-3.
Det vigtigste er ikke, om modellen er matematisk avanceret, men om den er konsistent og kan bruges operationelt. For mange teams er en simpel og gennemskuelig model mere værdifuld end en kompleks opsætning, som få forstår og endnu færre kan vedligeholde.
Hvilke segmenter kan du udlede af RFM?
Når scorerne er på plads, kan du omsætte dem til segmenter, der giver mening i marketingarbejdet. Der findes ikke kun én korrekt navngivning, men nogle mønstre går igen.
De mest værdifulde kunder
Kunder med høj recency, høj frequency og høj monetary er ofte dine bedste kunder. De har handlet for nylig, køber igen og skaber høj værdi. Her er målet typisk fastholdelse, loyalitet og mersalg uden at overkommunikere.
Loyale kunder med middel kurvværdi
Nogle kunder køber ofte og nyligt, men ikke nødvendigvis for de største beløb. De er vigtige, fordi de viser stærk adfærdsmæssig loyalitet. Her kan kommunikation fokusere på bundling, abonnementslogik, opgraderinger eller relevante tillægsprodukter.
Nye kunder med potentiale
Kunder med høj recency, men lav frequency, er ofte nye eller tidligt i relationen. Her er opgaven at få dem hurtigt til andet køb. Det er ofte her, onboarding, produktvejledning og opfølgende flows har størst effekt.
Storkøbere på vej væk
Kunder med høj monetary historisk, men lav recency, er særligt interessante. De har bevist deres værdi, men er ikke længere aktive. Her er genaktivering ofte mere oplagt end bred brandingkommunikation.
Sovende eller tabte kunder
Kunder med lav recency, lav frequency og lav monetary vil ofte have lav prioritet. Det betyder ikke, at de aldrig skal kontaktes, men at indsatsen bør stå mål med sandsynligheden for respons.
Hvad betyder segmenterne for kommunikationen?
RFM giver først rigtig værdi, når segmenterne oversættes til forskellig kommunikation. Det handler ikke kun om at sende forskellige emnelinjer, men om at tilpasse timing, budskab, tilbud og kanal.
- Topkunder: Fokus på eksklusivitet, tidlig adgang, loyalitetsfordele og personlige anbefalinger.
- Nye kunder: Fokus på tryghed, brug af produktet, social proof og incitament til andet køb.
- Loyale kunder: Fokus på rutinekøb, relaterede produkter og belønning af kontinuitet.
- Frafaldstruede kunder: Fokus på genaktivering, påmindelser, relevante nyheder eller målrettede tilbud.
- Lavværdisegmenter: Fokus på skalerbar, automatiseret kommunikation frem for tung manuel indsats.
I marketing automation kan dette omsættes til konkrete flows. En ny kunde kan få et onboarding-forløb efter første ordre. En kunde med høj recency og frequency kan modtage produktanbefalinger kort efter forventet genkøbstidspunkt. En kunde, der glider i recency, kan udløse et winback-flow. På den måde bliver RFM ikke bare en rapport, men en aktiv del af kunderejsen.
Typiske fejl, når virksomheder arbejder med RFM
Selv om modellen er enkel, går implementering ofte skævt af nogle kendte grunde.
- For brede segmenter. Hvis næsten alle havner i de samme grupper, bliver modellen ikke handlingsanvisende.
- Manglende tidslogik. En webshop med korte genkøbscyklusser bør ikke vurderes med samme recency-logik som en virksomhed med sjældne køb.
- Uklare værdimål. Monetary kan måles på flere måder, og valget bør passe til forretningen.
- Ingen aktivering. Hvis segmenterne ikke kobles til kampagner, flows og rapportering, ender RFM som et analyseark uden effekt.
- Ingen løbende opdatering. Kunder skifter adfærd, så segmenterne bør opdateres jævnligt.
En god tommelfingerregel er at starte simpelt og forbedre modellen gradvist. Det er ofte bedre at have fire-fem tydelige segmenter, som marketingteamet faktisk bruger, end tolv avancerede segmenter, som ingen kan omsætte til handling.
Sådan kommer du i gang uden at gøre projektet tungt
Hvis du vil i gang hurtigt, kan du starte med et afgrænset pilotprojekt. Vælg én webshop, én region eller én produktkategori. Byg en simpel 1-5 scoring, definér få kernesegmenter og tilknyt dem til konkrete automation-flows. Mål derefter forskelle i for eksempel genkøb, klik eller genaktivering mellem segmenter og indsatser.
Det praktiske mål er ikke at få den perfekte model fra dag ét. Målet er at skabe en mere relevant kundedialog baseret på faktisk adfærd. Når først organisationen kan se, at segmenterne gør kommunikation og prioritering skarpere, bliver det langt lettere at videreudvikle modellen med flere nuancer.
RFM-modellen er derfor et stærkt værktøj for marketingansvarlige, der vil gøre kundedata operationelle. Den kræver som udgangspunkt ikke avanceret datavidenskab, men den kræver klare definitioner, disciplin i dataarbejdet og en tydelig plan for aktivering. Når de tre ting er på plads, kan modellen være et meget effektivt bindeled mellem e-handel, CRM og marketing automation.


