eRFM in e-mail marketing
26 augustus 2018 

eRFM in e-mail marketing

In een eerder artikel heeft Dennis je uitgelegd waarom het als email marketeer verstandig is om aan de slag te gaan met een RFM-analyse. . In dit vervolgartikel wil ik ingaan op een aanvulling daarop: eRFM. Want waar het RFM-model klanten enkel onderverdeelt op basis van aankoopgedrag, richt eRFM zich ook op online gedrag. Zo kun je de data afkomstig van je e-mailcampagnes eenvoudig koppelen aan een RFM-analyse. En dat levert een scherpere segmentatie op dan het traditionele RFM-model.

Het eRFM-model

Het eRFM-model combineert online behavioural data (Engagement) van klanten met RFM (Recentheid, Frequentie, Monetaire waarde). Er wordt per klant gekeken naar het vertoonde gedrag en de huidige positie binnen de customer lifecycle. Dit samen levert een engagement score op waarin je kunt aflezen wie van je klanten je verstuurde e-mailberichten lezen en zodoende daadwerkelijk betrokken zijn. Op basis van de eRFM score die een klant heeft kun je dan heel gericht een vervolg campagne ontwikkelen.

Hoe berekenen je een eRFM score?

De eRFM score wordt ietsje anders berekend dan de traditionele RFM score. Zo bepaal je de score van ‘Recentheid' op basis van de meest recente datum waarop een ontvanger je mail geopend of geklikt heeft. Dit wil je weten omdat dit je inzicht geeft in hoe ontvankelijk een klant is voor je e-mailberichten. Als een klant je mails al 1,5 jaar niet opent, is de kans niet groot dat hier ineens verandering in gaat komen.

Bij ‘Frequentie' kijk je naar het aantal keer waarop een ontvanger je mail heeft geopend of geklikt. Dit laat zien hoe betrokken een klant is bij jou als bedrijf en in hoeverre de mails als relevant worden beschouwd.

Voor ‘Monetaire' waarde blijft hetzelfde gelden. Hier kijk je nog steeds naar de hoeveelheid omzet waarvoor een klant heeft gezorgd.

De engagement-score

Aan deze drie waarden ga je vervolgens (net als bij de traditionele RFM) scores toekennen: 1, 2, 3, 4 of 5. Het meest gangbaar is om klanten te voorzien van een score van 1, 2, 3, 4 of 5, waarbij 1 het laagst scorend is en 5 het hoogst scorend. Met andere woorden: Je minst waardevolle klant heeft een score van “111” en je beste klant haalt een score van “555”.

Inzichten uit eRFM

Als je dan voor al je klanten uiteindelijk een eRFM-score inzichtelijk hebt gemaakt, kun je daar verschillende inzichten uithalen waar je verder op voort kunt borduren. Een aantal ideeën om je op weg te helpen:

Frequentie
Klanten die hoog scoren op betrokkenheid ga je nóg vaker mailen. Als ze telkens (nagenoeg) al je mails openen, hebben ze blijkbaar interesse in jou als bedrijf. Klanten die slechts sporadisch een mailtje van je openen, wil je juist weer wat meer met rust laten. Als je deze groep gaat spammen, raak je ze misschien wel definitief kwijt. Ennnn da's niet de bedoeling:-)

Content
Met enkel het aanpassen van de frequentie ben je er nog niet. Je wilt daarnaast natuurlijk ook je boodschap aanpassen aan de hoogte van betrokkenheid die een klant toont. Zo zou je bijvoorbeeld hoog betrokken klanten met een lage monetaire waarde kunnen benaderen met een kortingscode met als doel ze te triggeren om dit keer wél tot aankoop over te gaan. Klanten met een hoge engagement score en een hoge monetaire waarde hebben deze trigger niet nodig. Zij laten met hun score zien dat ze toch wel van je kopen. Het zou zonde zijn als je deze groep dan alsnog een korting gaat sturen.

Feedback
Wil je graag relevante feedback ontvangen over je product of dienst voor mogelijke verbeteringen? Benader dan klanten met een hoge engagement score. Zij hebben al bewezen betrokken te zijn bij je organisatie. De kans is dan ook groot dat je van deze groep de meeste reacties terugkrijgt. Je kunt ze ook vragen een beoordeling achter te laten op social media. Een groot deel van je potentiële klanten baseert hun keuze namelijk op eerdere klantbeoordelingen.

Er zijn echt mogelijkheden te over als je eenmaal goed hebt gesegmenteerd. Het is vooral een kwestie van inleven in je klant en logisch nadenken over waar hij of zij behoefte aan heeft.

A/B testen!

Vergeet je nieuwe (vervolg) mailcampagnes niet te testen. Want: meten is tenslotte weten. Ik kan het niet vaak genoeg zeggen 😉 Het is ontzettende zonde als je veel tijd steekt in een eRFM-analyse en vervolgens maar ‘gewoon' aan de gang gaat in de veronderstelling dat je het goed doet. Werk daarom altijd met een controlegroep. Om de meest betrouwbare testresultaten te krijgen, raad ik je aan met een random geselecteerde controlegroep te werken van circa 10 procent (uitgaande van een klantenbestand van minimaal 1.000 klanten). Pas dan kun je écht het verschil in gedrag zichtbaar meten. Succes!

Meer weten

Wil je graag zelf aan de slag gaan met een (e)RFM analyse en meer inzicht krijgen in jouw klantenbestand, zodat je weet welke acties je moet ondernemen? Neem dan contact met ons op voor een vrijblijvend gesprek. We helpen je graag verder!

Over de schrijver
Daisy is binnen onze organisatie een échte online marketeer die de efficiëntie in alles opzoekt. Als consultant houdt ze zich bij klanten met name bezig met marketing automation, campaign marketing en leadgeneratie. Maar ook voor het inrichten van Google Analytics en Google Tag Manager draait zij haar hand niet om. Daarnaast schrijft ze met enige regelmaat content voor onze website. Als ze geen klantrelaties bouwt, dan is ze druk met sporten, koken of het bingewatchen van een nieuwe serie.
Reactie plaatsen

arrow_drop_up arrow_drop_down