Simpel segmenteren: RFM-analyse in de culturele sector

Een gebrek aan tijd en tools leidt er vaak toe dat veel culturele organisaties “one size fits all” toepassen: dezelfde boodschap, tone of voice en propositie voor iedereen. Dit lijkt breed en inclusief, maar het resultaat kan evengoed zijn dat je weinig diversiteit in publiek bereikt. Differentiatie is in mijn ogen de sleutel tot een breder publieksbereik. Dat betekent: op zoek naar relevante verschillen tussen (potentiële) bezoekers en daarop segmenteren of personaliseren.

De basisprincipes van segmentatie

Segmenteren is simpel gezegd: het opdelen van je publiek (of doelgroep, of de ‘markt’) in kleinere groepen, ofwel segmenten. Segmenteren kun je zo ingewikkeld maken als je wil. Modellen als Whize gebruiken een grote set aan variabelen om huishoudens te segmenteren. Variabelen zijn dan eigenschappen van huishoudens, zoals levensfase (o.a. uitgedrukt in het aantal thuiswonende kinderen per leeftijdscategorie) en welvaartsniveau (uitgedrukt in het geschatte huishoudinkomen). Maar ook ikzelf werkte met minimaal 10 variabelen bij het ontwikkelen van smaaksegmenten voor het Residentie Orkest.

Simpeler kan natuurlijk ook, zeker als dat de eerste stap is op het vlak van segmentatie. De RFM-analyse is gangbaar in het bedrijfsleven, en een methode die handmatig is uit te voeren in Excel. Die methode is echter juist niet ontwikkeld om breder publiek te bereiken, maar om te focussen op de meest waardevolle klanten. Bovendien is de ‘M’, die staat voor monetaire waarde (totale omzet van de klant), in onze sector vaak minder relevant en een rechtstreeks effect van de frequentie (F). Culturele producten variëren binnen één organisatie vaak veel minder in prijs dan het productaanbod van bijvoorbeeld Bol.com of Coolblue. Het is dus slim om de RFM-analyse te vertalen naar de culturele context.

Stappenplan voor een herziene ‘standaard’ RFM-analyse

Het valt mij op dat culturele organisaties vaak op zoek zijn naar een benchmark, dus zichzelf willen vergelijken met anderen, om te weten waar zij kansen laten liggen. Daarom lijkt het mij slim als culturele organisaties ieder op dezelfde manier de RFM-analyse gaan toepassen. Voorheen zag ik een standaard gehanteerd worden die frequentie als enige variabele gebruikte en over een te korte periode berekend werd. Ik beschrijf hieronder mijn voorstel voor een herziene ‘standaard’ RFM-analyse:

1. Maak een tabel van al je reguliere klanten die de afgelopen vijf jaar minimaal één activiteit hebben bezocht. Zorg dat er geen uitzonderingen tussen de klanten zitten, zoals medewerkers, relaties met vrijkaarten of mensen die voor bedrijven of organisaties bestellen. Je bepaalt zelf of elk evenement meetelt, of dat sommige activiteiten uitgesloten moeten worden.

2. Bereken per klant twee zaken:

• Bezoekfrequentie (F) – het aantal activiteiten waar een klant kaarten voor heeft gekocht. Als iemand 4 tickets voor één activiteit kocht, is F dus 1. Als iemand 4 tickets voor twee activiteiten kocht: F = 2.
• Recency  (R) – de tijd die is verstreken sinds het laatste bezoek (in # maanden)

3. Maak drie categorieën voor bezoekfrequentie. Klanten met één bezoek komen in de eerste categorie (“F1”). Voor de klanten met meer dan één bezoek bereken je het gemiddelde. Iedereen met een bezoekfrequentie onder of gelijk aan het gemiddelde, komt in de tweede categorie (“F-”). Iedereen met een bezoekfrequentie boven het gemiddelde, komt in de derde categorie (“F+”). Je houdt hier de mensen met F1 apart, omdat dit vaak een groot deel van je database betreft. Een verdeling in drie groepen heeft dan meer betekenis en is evenwichtiger. 

4. Maak twee categorieën voor recency. Als je weinig activiteiten aanbiedt (enkele per maand of ééns per jaar een festival), dan wordt de eerste categorie 25 maanden of minder (“R+”, want positieve score). Klanten die meer dan 25 maanden geleden voor het laatst kwamen, komen in de tweede categorie (“R-” , want negatieve score). Als je veel activiteiten hebt (wekelijks of zelfs dagelijks), dan splits je niet bij 25 maanden, maar bij 13 maanden.

5. De ‘M’ laten we zoals gezegd achterwege, omdat deze te veel samenhang vertoont met ‘F’ en te weinig toevoegt.

6. Je bepaalt nu het segment door de score op “F” te combineren met “R”. Zo ontstaan er zes segmenten:

Strategieën voor verschillende segmenten

Als je focus ligt bij de meest waardevolle klanten, dan wil je segment F+R+ behouden, in segment F-R+ probeer je trouwe klanten te werven en segment F+R- probeer je terug te winnen. 

Maar als je publiek wil verbreden, dan zijn ook de andere segmenten interessant. Nu is de crux van deze methode dat je hier niet stopt met analyse. Probeer deze zes segmenten te kruisen met andere informatie die je hebt; welk aanbod komen zij op af, wanneer kopen ze, welke kaartsoorten kopen ze, hoe oud zijn ze, waar komen ze vandaan. Dat kan er zo uitzien:

Uit deze grafiek blijkt bijvoorbeeld dat onder bezoekers die recent zijn geweest, meer jong publiek te vinden is. Bezoekers die vaak kwamen maar nu al een tijd niet meer, zijn een stuk ouder.

Nog een voorbeeld: splits je bezoekers in mensen die mails ontvingen van jouw instelling, en mensen die geen mails ontvingen:

Het valt dan meteen op dat mensen die vaak en recent komen, wél mails hebben ontvangen!

Ook de totale omzet per segment en de gemiddelde omzet per klant per segment, zijn behulpzaam om te berekenen. Die extra informatie helpt je om een strategie te kiezen op basis van deze segmentatie. Als je namen wil geven aan deze segmenten, of je plakt er zelfs persona’s op, dan helpt die extra informatie je ook om de segmenten tastbaarder te maken.

Deze segmenten kun je dan gebruiken om te differentiëren in je aanpak en hopelijk wordt je daardoor relevanter voor je kaartkopers. Je kunt ervoor kiezen om een specifieke benadering per segment te kiezen, of om meerdere versies van één campagne te maken. Ook kun je een segment gebruiken voor het targetten van lookalikes op socials.

Hoe RFM-analyse je organisatie kan verbeteren

Je kunt deze segmentatie vervolgens gebruiken om het resultaat van je inspanningen te meten. Een KPI kan bijvoorbeeld zijn hoe groot het percentage van de klanten is dat in F+R+ zit. De gemiddelde F, die je gebruikt om herhaalbezoekers (>1 bezoek) te splitsen, kan ook een KPI zijn. Als je wil benchmarken met organisaties die dezelfde methode gebruiken, kun je ook vergelijken op de verhouding tussen de segmenten en op de gemiddelde F.  Ook eigenschappen van segmenten kun je met andere organisaties vergelijken, zoals bijvoorbeeld leeftijd en herkomst. 

Zoals gezegd, denk ik dat een RFM-analyse een goede eerste stap kan zijn, voorbij de ‘one-size-fits-all”-aanpak. Discussie over de voorgestelde methode juich ik toe, maar hopelijk leidt dat alsnog tot een standaard-methode. Idealiter wordt de methode vervolgens verwerkt in veelgebruikte tools. MarketingEngine, een nieuwe data-warehousing tool in de culturele sector, heeft dat bijvoorbeeld al gedaan. Dat voorkomt handwerk en bespaart ons allen tijd, want die hebben we meestal niet in overvloed.

Wil je leren hoe je met data-analyse de eerste stappen zet naar een gepersonaliseerde communicatie-aanpak? Meld je dan aan voor deworkshop segmenteren kun je leren, gegeven door Sara Oomen. Leer welke criteria en variabelen van belang zijn voor een effectieve segmentatie en hoe je deze eenvoudig toepast binnen je organisatie.