RFM-analyse: klanten segmenteren met ChatGPT of Excel

Een RFM-analyse deelt je klanten in op drie vragen: hoe recent kochten ze, hoe vaak en hoeveel gaven ze uit. Zo zie je wie je topklanten zijn, wie dreigt af te haken en wie je alleen met een goede reden terugwint. Je doet het in Excel met een draaitabel, of je laat ChatGPT of Claude rekenen op een export zonder namen en e-mailadressen. Wat een goede klant is, bepaal je zelf.

Wat is een RFM-analyse?

Een RFM-analyse kijkt naar drie dingen die je al in je webshop hebt staan:

• Recency: hoeveel dagen geleden bestelde een klant voor het laatst?
• Frequency: hoe vaak bestelde hij in totaal?
• Monetary: hoeveel gaf hij in totaal uit?

Elke klant krijgt op die drie punten een score. Een klant die vorige maand voor de vijfde keer bestelde, scoort hoog op alle drie. Een klant die anderhalf jaar geleden één keer een klein bedrag uitgaf, scoort laag. Daartussen zitten de interessante groepen: de nieuwe klant die nog geen tweede bestelling deed, en de vaste klant die al een tijd niets meer kocht.

Het werkt omdat wat iemand in het verleden deed, veel zegt over wat hij straks doet. Je hebt er geen voorspellend model voor nodig. Klaviyo kan per klant voorspellen wanneer de volgende bestelling komt, maar die functie gaat pas aan als je genoeg bestellingen en bestelgeschiedenis hebt. Wat dat precies vraagt en wanneer het de hogere prijs waard is, staat in Klaviyo vs MailerLite. RFM werkt in elke tool en met een gewone export, ook als je nog lang niet aan die drempel zit.

AI kan het rekenwerk doen. Maar de belangrijkste beslissing in een RFM-analyse is geen rekensom: wat is voor jouw bedrijf een goede klant?

Eerst jouw definitie: wat is een goede klant?

Hier gaat het in de meeste uitleg mis. Veel RFM-modellen verdelen klanten automatisch in vijf even grote groepen. Dat is statistisch netjes, maar zegt niets over je bedrijf. Een koffiebranderij waar klanten elke maand bestellen, en een meubelwinkel waar iemand eens in de vijf jaar komt, hebben totaal andere grenzen nodig.

Kies je grenzen daarom zelf, op basis van je herhaaltermijn: de gebruikelijke tijd tussen twee bestellingen bij klanten die terugkomen. Die vind je in je webshop door een paar terugkerende klanten te bekijken. Ligt die rond de zes weken, dan is een klant die twee maanden niets bestelde nog normaal, en een klant die een half jaar niets bestelde stil gevallen.

Een voorbeeld van grenzen voor een webshop met een herhaaltermijn van ongeveer zes weken:

Dit zijn voorbeeldgrenzen, geen norm. Drie niveaus per letter is voor de meeste mkb-webshops genoeg. Met vijf niveaus krijg je 125 combinaties en verdwaal je in de uitkomst.

Beslis ook vooraf over drie vragen die AI anders voor je beantwoordt:

1. Omzet of marge? Verschillen je marges per product sterk, dan is een klant die veel afgeprijsde producten koopt minder waard dan zijn omzet doet vermoeden.
2. Wat doe je met retouren en annuleringen? Tel alleen afgeronde bestellingen en trek terugbetalingen af.
3. Welke periode? Twee jaar bestelgeschiedenis is voor de meeste webshops een goede basis. Veel oudere data vertroebelt het beeld.

De export: welke gegevens je nodig hebt, en welke niet

Voor een RFM-analyse heb je per bestelling maar drie kolommen nodig: een klantnummer, de orderdatum en het orderbedrag. Plus de status, zodat je geannuleerde bestellingen kunt weglaten.

WooCommerce. Onder Analytics > Klanten staat per klant het aantal bestellingen, het totaal besteed bedrag en de datum waarop de klant voor het laatst actief was. Met Downloaden exporteer je die weergave als CSV-bestand. Twee aandachtspunten. De export bevat volgens WooCommerce ook de telefoonnummers voor facturering en verzending, zelfs als je die kolommen in de tabel hebt verborgen: verwijder ze. En controleer bij een paar klanten of 'laatst actief' gelijk is aan hun laatste bestelling. Is dat niet zo, gebruik dan de export onder Analytics > Bestellingen.

Shopify. De klantenexport bevat het totaal besteed bedrag en het aantal bestellingen, maar geen datum van de laatste bestelling. Voor de recentheid heb je de orderexport nodig, met per bestelling de datum en het bedrag.

Maak het bestand daarna zo kaal mogelijk:

• verwijder namen, adressen, telefoonnummers en bedrijfsnamen;
• vervang het e-mailadres door een volgnummer;
• bewaar de koppeling tussen volgnummer en e-mailadres in een apart bestand op je eigen computer, niet in de chat;
• laat productnamen weg als je ze niet nodig hebt.

Eerlijk vooraf: zo'n bestand is niet anoniem. Jij kunt elk nummer terugherleiden naar een persoon, en daarom blijft het onder de AVG een persoonsgegeven. De AVG noemt dat pseudonimisering, in overweging 26 van de tekst van de AVG. Het verkleint het risico, maar jij blijft verantwoordelijk. Gebruik daarom een zakelijk AI-abonnement met een verwerkersovereenkomst, waarbij je data niet wordt gebruikt om modellen te trainen. Welke instellingen en afspraken daarbij horen, lees je in is ChatGPT AVG-proof?. Dit is geen juridisch advies: twijfel je, leg het dan voor aan je privacyjurist.

RFM-analyse in Excel: in vier stappen

Je hebt geen AI nodig voor een RFM-analyse. Met een draaitabel in Excel ben je in een uur klaar, en je ziet precies wat er gebeurt.

1. Maak een draaitabel. Zet het klantnummer in de rijen. Zet bij de waarden drie keer een kolom: de orderdatum met Max (de laatste bestelling), het ordernummer met Aantal (het aantal bestellingen) en het orderbedrag met Som (het totaal).
2. Reken de recentheid uit. Kopieer de draaitabel als waarden naar een nieuw blad. Zet in een extra kolom het aantal dagen tussen de laatste bestelling en je analysedatum. Gebruik een vaste datum in plaats van VANDAAG(), zodat je de uitkomst later kunt herhalen.
3. Geef scores. Gebruik per kolom een ALS-formule met je eigen grenzen. Voor de recentheid in kolom E bijvoorbeeld: =ALS(E2<=60;3;ALS(E2<=180;2;1)). Voor aantal en bedrag draai je de logica om: hoe hoger, hoe beter.
4. Combineer en groepeer. Plak de drie scores aan elkaar tot een code, zoals 3-2-3, en zet de codes in een paar klantgroepen. Welke groepen, staat verderop.

RFM met ChatGPT of Claude: zo laat je AI rekenen

ChatGPT en Claude kunnen een CSV-bestand inlezen en er met code berekeningen op uitvoeren. Dat scheelt je het werk met formules, en je kunt in gewone taal doorvragen. Geef wel je eigen grenzen mee, anders kiest de AI ze voor je.

In de bijlage staat een export van bestellingen uit mijn webshop met de kolommen klantnummer, orderdatum, orderbedrag en status. Maak een RFM-analyse. Gebruik alleen bestellingen met status 'voltooid'. Analysedatum: 1 januari 2027. Gebruik deze grenzen: recent 3 = 0 tot 60 dagen, 2 = 61 tot 180, 1 = meer dan 180. Vaak 3 = 4 of meer bestellingen, 2 = 2 of 3, 1 = 1. Veel 3 = € 300 of meer, 2 = € 100 tot € 299, 1 = minder dan € 100. Geef me een CSV-bestand terug met klantnummer, de drie scores en de klantgroep volgens de lijst hieronder. Laat daarna in een tabel zien hoeveel klanten en hoeveel omzet er per groep zijn, en noem elke aanname die je hebt gedaan.

Zet de lijst met klantgroepen uit het volgende kopje eronder, met de codes die jij bij elke groep vindt horen.

Reken de uitkomst na

Een taalmodel kan zich vergissen in een datumnotatie, een kolom verkeerd lezen of stilletjes rijen overslaan. Loop daarom deze controles na voordat je er iets mee doet:

• Aantal klanten. Zitten er evenveel unieke klantnummers in de uitkomst als in je export?
• Totale omzet. Is de som van alle groepen gelijk aan het totaal in je export, na aftrek van wat je bewust hebt weggelaten?
• Steekproef. Zoek vijf klanten op in je webshop en reken hun scores met de hand na. Neem er minstens één bij die precies op een grens zit, bijvoorbeeld 60 dagen.
• Datums. Is 03-04 gelezen als 3 april of als 4 maart? Dat is de meest gemaakte fout bij Nederlandse exports.
• Aannames. Lees de lijst met aannames. Staat daar iets wat je niet hebt gevraagd, zoals 'gastbestellingen samengevoegd op e-mailadres', reken dat dan na.

Meer over het uploaden van exports en welke vragen AI wel en niet goed beantwoordt, lees je in data analyseren met AI.

Welke mail of flow elke klantgroep krijgt

Een RFM-analyse is pas iets waard als elke groep iets anders krijgt. Zes groepen zijn voor de meeste webshops genoeg:

De codes zijn een startpunt. Schuif ze gerust op: dat is precies het deel waar jouw kennis van je klanten telt.

De flows zelf, met timing en inhoud, beschrijf ik in herhaalaankopen stimuleren. Daar gaat het om wat je stuurt na de eerste bestelling. Een RFM-analyse bepaalt wie welke van die mails krijgt. Bij Lumin, een skincaremerk voor mannen, bouwde ik in MailerLite e-mailflows die nieuwe klanten naar een herhaalaankoop leidden en bestaande klanten betrokken hielden. Binnen twaalf maanden kwam 28% van de totale omzet uit die flows. Het laat zien hoeveel er zit in klanten die je al hebt, als je ze op het juiste moment iets relevants stuurt.

Van je RFM-bestand terug naar je mailtool

De AI heeft met nummers gewerkt, dus de laatste stap doe je zelf op je eigen computer:

1. Koppel terug. Zoek met X.ZOEKEN in Excel bij elk klantnummer het e-mailadres op uit je sleutelbestand.
2. Importeer als veld. Maak in je mailtool een extra veld, bijvoorbeeld 'klantgroep', en importeer een bestand met alleen e-mailadres en klantgroep. Controleer bij het importeren dat bestaande contacten worden bijgewerkt en niet worden overgeslagen.
3. Maak segmenten. Maak per klantgroep een segment op basis van dat veld en koppel het aan de juiste flow of campagne.
4. Controleer toestemming. Een klantgroep is geen toestemming om te mailen. Mail alleen mensen die zich hebben aangemeld, of bestaande klanten over vergelijkbare producten van jezelf, als ze bij hun bestelling de kans kregen om dat te weigeren en elke mail een afmeldlink heeft.
5. Ruim op. Verwijder het RFM-bestand en de export uit de chat en van je computer als je klaar bent, of bewaar ze op een plek waar alleen jij bij kunt.

Met een gekoppelde webshop kun je in MailerLite ook al segmenteren op het aantal bestellingen en het totaal besteed bedrag. Voor de combinatie met recentheid en je eigen grenzen is een RFM-bestand overzichtelijker.

Herhaal de analyse elk kwartaal, en in elk geval na een drukke periode. Na Black Friday en december heb je veel nieuwe klanten. In januari zie je wie er al een tweede keer bestelde, wie de flow naar een tweede bestelling nodig heeft en wie je in je winback zet.

Conclusie: AI rekent, jij bepaalt wat een goede klant is

Een RFM-analyse is de eenvoudigste klantsegmentatie die werkt: recent, vaak en veel, met grenzen die passen bij jouw herhaaltermijn. Excel is genoeg, en ChatGPT of Claude maakt het sneller, zolang je een kaal bestand uploadt, je eigen grenzen meegeeft en de uitkomst narekent. De waarde zit niet in de scores, maar in wat elke groep daarna van je krijgt.

Wil je snel resultaat uit je klantenbestand, lees dan ook omzet verhogen op korte termijn. Wil je weten wat het kost als ik je e-mailmarketing en flows inricht? Download de prijslijst.