Fast jeder Ratgeber zur Kundensegmentierung liefert dieselben vier Kategorien: demografisch, geografisch, psychografisch, verhaltensbasiert. Die RFM-Analyse wird dabei meist erwähnt — aber kaum einer zeigt, wie man daraus tatsächlich einen Score berechnet, welche 11 Segmente daraus entstehen, oder was die DSGVO bei automatisierter Segmentierung erlaubt. Für Shopify-Händler kommt eine weitere Frage dazu: Wie viel davon deckt Shopify nativ ab, und ab wann braucht es zusätzliche Tools?
Dieser Leitfaden liefert genau das: eine Formel statt eines Schlagworts, eine Segment-Tabelle statt einer Behauptung, und den rechtlichen Rahmen statt eines Blindflecks — mit durchgehendem Bezug zu Shopifys eigenen Segmentierungsmöglichkeiten und ihren Grenzen.
Was ist Kundensegmentierung?
Kundensegmentierung ist die Einteilung eines heterogenen Kundenstamms in kleinere, homogenere Gruppen anhand gemeinsamer Merkmale — mit dem Ziel, jede Gruppe gezielter anzusprechen, statt alle Kunden mit derselben Kampagne zu erreichen. Der Effekt ist direkt messbar: Wer jedem Kunden dasselbe zeigt, optimiert für den Durchschnitt und verfehlt praktisch jeden Einzelnen.
Die Grundidee ist alt, die Umsetzung im E-Commerce hat sich aber verändert. Während klassisches Marketing oft mit demografischen Annahmen arbeitete, liefert ein Online-Shop tatsächliches Kaufverhalten in Echtzeit — Daten, die präziser sind als jede Umfrage.
Die vier klassischen Segmentierungskriterien im Überblick
Bevor es in die Tiefe geht, kurz die Grundlage, auf der jede weitergehende Methode aufbaut:
- Demografisch — Alter, Geschlecht, Beruf, Einkommen, Familienstand
- Geografisch — Wohnort, Sprache, Zeitzone, kulturelle Faktoren
- Psychografisch — Werte, Interessen, Lebensstil, Einstellungen
- Verhaltensbasiert — Kaufhistorie, Nutzungsintensität, Preissensibilität, Kanal-Präferenz
Diese vier Kategorien sind Standardwissen und werden von praktisch jedem Ratgeber behandelt. Der Unterschied entsteht erst danach: in der Frage, wie aus verhaltensbasierten Rohdaten ein belastbares, automatisierbares Scoring-System wird.
RFM-Analyse: Die Formel, die die meisten Ratgeber auslassen
RFM steht für Recency (Aktualität), Frequency (Häufigkeit) und Monetary Value (Umsatzwert) — drei Kennzahlen, die zusammen ein präzises Bild davon liefern, wie wertvoll und wie aktiv ein Kunde gerade ist. Der Vorteil gegenüber demografischer Segmentierung: RFM misst tatsächliches Verhalten, keine Annahmen.
So wird der Score berechnet
Für jeden der drei Werte wird die gesamte Kundenbasis in fünf gleich große Gruppen (Quintile) eingeteilt und mit einem Score von 1 (schwächstes Quintil) bis 5 (stärkstes Quintil) versehen:
- Recency-Score: Wie viele Tage liegt der letzte Kauf zurück? Kürzester Abstand = Score 5, längster Abstand = Score 1.
- Frequency-Score: Wie viele Bestellungen im Betrachtungszeitraum (üblich: 12 Monate)? Meiste Bestellungen = Score 5.
- Monetary-Score: Wie hoch ist der Gesamtumsatz im Betrachtungszeitraum? Höchster Umsatz = Score 5.
Der kombinierte RFM-Score wird meist als dreistellige Zahl geschrieben (R-F-M, z. B. “541”). Ein Kunde mit Score 541 hat kürzlich gekauft (5), kauft aber selten (4… in diesem Beispiel eher niedrig) und hat einen mittleren Umsatzbeitrag.
In Shopify liegen alle drei Werte bereits vor, ohne zusätzliches Tracking: Im Kunden-Export (Kunden → Exportieren) oder über die Admin-API entsprechen sie den Feldern orders_count (Frequency), total_spent (Monetary) und dem Datum der letzten Bestellung aus der Bestellhistorie (Recency, nicht direkt als Exportspalte, aber aus den Bestelldaten pro Kunde ableitbar). Für eine erste RFM-Auswertung reicht also der Standard-Kundenexport plus eine Pivot-Tabelle mit Quintil-Formel — kein zusätzliches Analytics-Tool nötig.
| Kunde | Letzter Kauf | Bestellungen (12 Mon.) | Umsatz (12 Mon.) | R-Score | F-Score | M-Score | RFM-Score |
|---|---|---|---|---|---|---|---|
| Kunde A | vor 8 Tagen | 12 | €2.400 | 5 | 5 | 5 | 555 |
| Kunde B | vor 187 Tagen | 2 | €180 | 2 | 1 | 1 | 211 |
Kunde A ist ein “Champion” (siehe Segment-Tabelle unten), Kunde B zeigt frühe Warnsignale für Abwanderung — ein Zusammenhang, der sich direkt mit der Churn-Rate-Berechnung verknüpfen lässt: RFM liefert die Frühindikatoren, Churn-Rate die aggregierte Kennzahl.
Die 11 Standard-RFM-Segmente
Aus der Kombination der drei Scores lassen sich elf etablierte Segmente ableiten, jedes mit einer eigenen Handlungslogik:
| Segment | Typisches Scoring-Muster | Handlungsempfehlung |
|---|---|---|
| Champions | R, F, M jeweils hoch (4-5) | VIP-Behandlung, Frühzugriff auf neue Produkte, keine Rabatte nötig |
| Loyale Kunden | F und M hoch, R mittel | Cross- und Upselling, Treueprogramm vertiefen |
| Potenzielle Loyalisten | R hoch, F und M mittel | Zweit- und Drittkauf gezielt fördern, Produktempfehlungen |
| Neukunden | R hoch, F und M niedrig (Erstkauf) | Onboarding-Sequenz, Kategorien zeigen, keine sofortigen Rabatte |
| Vielversprechende | R und F mittel, M niedrig | AOV gezielt erhöhen, Bundle-Angebote |
| Brauchen Aufmerksamkeit | R, F, M jeweils mittel, sinkender Trend | Reaktivierung vor dem Abrutschen, personalisierte Angebote |
| Kurz vor dem Einschlafen | R sinkend, F und M mittel bis niedrig | Zeitlich begrenzte Anreize, Feedback-Anfrage |
| Gefährdet | R niedrig, F und M waren hoch | Gezielte Win-back-Kampagne, keine Standard-Newsletter mehr |
| Nicht verlieren | R niedrig, F und M historisch sehr hoch | Persönlicher Kontakt statt automatisierter E-Mail, hoher Werterhalt |
| Inaktiv | R, F, M jeweils niedrig | Letzter automatisierter Reaktivierungsversuch, dann Frequenz reduzieren |
| Verloren | R, F, M jeweils sehr niedrig, lange kein Kauf | Aus aktiver Kommunikation nehmen, nur noch saisonale Großaktionen |
So baust du die wichtigsten Segmente als natives Shopify-Segment
Shopify erlaubt es, unter Kunden → Segmente eigene Filterregeln mit Feldern wie number_of_orders, amount_spent und last_order_date zu kombinieren. Ein Teil der 11 RFM-Segmente lässt sich damit direkt nachbauen — andere scheitern strukturell an fehlenden Verhaltensdaten:
| Segment | Beispiel-Filter in Shopify | Nativ umsetzbar? |
|---|---|---|
| Champions | number_of_orders >= 5 AND amount_spent >= 500 AND last_order_date >= -30d | Ja |
| Neukunden | number_of_orders = 1 AND last_order_date >= -14d | Ja |
| Gefährdet | number_of_orders >= 3 AND last_order_date <= -90d | Ja, aber ohne Frühwarnung |
| Brauchen Aufmerksamkeit / Kurz vor dem Einschlafen | — | Nein — erfordert Trend- und Verhaltensdaten (Warenkorbabbruch, E-Mail-Öffnungen), die Shopify-Segmente strukturell nicht abbilden |
Was Segmentierung wirklich zum Umsatz beiträgt
Viele Artikel zitieren pauschale Zahlen wie “760 % mehr Umsatz durch Segmentierung” ohne nachvollziehbare Herleitung. Nachvollziehbarer ist eine transparente Modellrechnung mit offen gelegten Annahmen:
Modellrechnung: Ein Shop mit 10.000 aktiven Kunden versendet unsegmentierte Kampagnen mit einer durchschnittlichen Conversion-Rate von 1,2 %. Nach RFM-Segmentierung werden Champions und Loyale Kunden (zusammen ca. 20 % der Basis) mit relevanteren, produktspezifischen Angeboten angesprochen und erreichen eine Conversion-Rate von 3,1 % — realistisch, da diese Segmente ohnehin kaufbereiter sind und nur passender angesprochen werden müssen. Die übrigen 80 % bleiben bei 1,0 %, da generische Kommunikation für breite, uneinheitliche Gruppen kaum an Relevanz gewinnt.
Rechnerisch: 2.000 Kunden × (3,1 % − 1,2 %) Conversion-Differenz = 38 zusätzliche Käufe pro Kampagne allein im Top-Segment — bei einem AOV von €65 sind das rund €2.470 Mehrumsatz pro Kampagnen-Versand, ohne zusätzlichen Traffic oder höheres Werbebudget.
Der eigentliche Hebel ist nicht Segmentierung an sich, sondern dass sie Streuverluste reduziert: Werbebudget und E-Mail-Aufmerksamkeit gehen gezielt an Kunden, bei denen die Ansprache tatsächlich konvertiert — ein Zusammenhang, der sich mit dem Customer Lifetime Value direkt verknüpfen lässt, da Champions und Loyale Kunden den höchsten CLV-Beitrag liefern.
DSGVO & Profiling: Was bei automatisierter Segmentierung gilt
Das ist der Abschnitt, den praktisch kein Wettbewerber-Artikel behandelt — dabei ist Kundensegmentierung nach DSGVO-Definition in den meisten Fällen Profiling: “jede Art der automatisierten Verarbeitung personenbezogener Daten, die genutzt wird, um persönliche Aspekte wie Verhalten, Vorlieben oder wirtschaftliche Lage zu bewerten oder vorherzusagen.”
Drei Punkte sind für den laufenden Betrieb relevant:
Rechtsgrundlage: Segmentierung zu Marketingzwecken stützt sich in der Regel auf berechtigtes Interesse (Art. 6 Abs. 1 lit. f DSGVO), nicht auf Einwilligung — vorausgesetzt, Kunden haben ein wirksames Widerspruchsrecht (Art. 21 DSGVO), das tatsächlich genutzt werden kann.
Art. 22 DSGVO greift bei rechtlicher oder ähnlich erheblicher Wirkung: Solange Segmentierung “nur” die Marketingansprache steuert, greift Art. 22 in der Regel nicht. Sobald ein Segment jedoch automatisiert zu einer Entscheidung mit Rechtswirkung führt — etwa automatische Ablehnung eines Kaufs auf Rechnung, unterschiedliche Preise basierend auf einem Score, oder Bonitätsbewertung — gelten die strengeren Anforderungen des Art. 22 DSGVO, einschließlich eines Rechts auf menschliches Eingreifen.
Datenminimierung und Dokumentation: Nach Art. 5 Abs. 1 lit. c DSGVO dürfen nur Daten verarbeitet werden, die für den Segmentierungszweck tatsächlich erforderlich sind. Das Profiling gehört zudem ins Verarbeitungsverzeichnis (Art. 30 DSGVO), inklusive der verwendeten Kriterien und der Rechtsgrundlage.
Rollenverteilung bei Shopify: Für Kundendaten, die im Shopify-Backend verarbeitet werden, ist Shopify Auftragsverarbeiter (Art. 28 DSGVO), der Händler bleibt datenschutzrechtlich Verantwortlicher. Der Auftragsverarbeitungsvertrag ist Teil von Shopifys Nutzungsbedingungen, ersetzt aber nicht die eigene Dokumentation der Segmentierungslogik im Verarbeitungsverzeichnis — die bleibt Aufgabe des Händlers, nicht von Shopify.
Tool-Vergleich: Shopify-native Segmente vs. Klaviyo vs. CDP
Die Wahl des Werkzeugs entscheidet, welche Kriterien überhaupt segmentierbar sind. Ein Punkt, der in kaum einem Vergleichsartikel konkret benannt wird: Shopify-native Segmente sind stark bei Transaktionsdaten, aber strukturell unfähig zu echter Verhaltenssegmentierung.
| Tool | Stärke | Konkrete Grenze | Passt für |
|---|---|---|---|
| Shopify Segments (nativ) | Kostenlos, direkt in Bestelldaten integriert, dynamische Filterlogik | Kein Zugriff auf Warenkorbabbruch-Verhalten, Seitenaufrufe oder E-Mail-Engagement | Kleine Shops mit einfacher, transaktionsbasierter Ansprache |
| Klaviyo | Tiefe Verhaltenssegmentierung, RFM-Vorlagen, Multi-Channel-Flows (E-Mail + SMS) | Kostenpflichtig ab wachsender Kontaktzahl, zusätzliches Tool neben dem Shopsystem | Shops, die E-Mail/SMS als eigenständigen, datengetriebenen Kanal betreiben |
| CDP (Customer Data Platform) | Vereint Daten aus Shop, Support, Offline-POS und Werbeplattformen in einem Kundenprofil | Hoher Implementierungsaufwand, lohnt sich erst ab mehreren Datenquellen/Kanälen | Wachsende Multi-Channel-Händler mit mehreren Systemen, die dieselbe Kundenbasis pflegen |
Zero-Party-Data: Segmentierung nach dem Cookie-Ende
Mit dem schrittweisen Wegfall von Third-Party-Cookies verschiebt sich Segmentierung zunehmend auf Daten, die Kunden aktiv und freiwillig teilen — sogenannte Zero-Party-Data. Der Unterschied zu First-Party-Data ist wichtig: First-Party-Data zeigt, was ein Kunde getan hat (Käufe, Klicks), Zero-Party-Data zeigt, was ein Kunde will (Präferenzen, die er explizit angibt).
Praktische Erhebungswege in Shopify:
- Shopify Forms oder Checkout-Zusatzfelder für ein Präferenz-Center beim Newsletter-Opt-in (Produktkategorien, Kaufhäufigkeit, bevorzugte Kommunikationsfrequenz)
- Post-Purchase-Umfragen über eine App aus dem Shopify App Store, direkt nach dem Kauf ausgespielt (Kaufgrund, Alternativen erwogen)
- Onboarding-Quiz als eigene Landingpage oder App-Sektion vor dem ersten Kauf, das gleichzeitig Produktempfehlungen liefert
Alle drei Wege lassen sich als Kunden-Tags oder Metafelder direkt im Shopify-Kundenprofil speichern — dadurch stehen sie später auch als Filterkriterium in nativen Shopify-Segmenten zur Verfügung, nicht nur in einem separaten E-Mail-Tool.
Der Vorteil gegenüber reinem Tracking: Zero-Party-Data ist DSGVO-technisch unkompliziert, da sie aktiv und informiert bereitgestellt wird — und liefert oft präzisere Segmentierungskriterien als jedes Verhaltensmodell, weil Kunden ihre Absicht direkt benennen, statt sie aus Klicks zu erraten.
Checkliste: Segmentierungs-Reifegrad in 15 Minuten prüfen
FAQ
Was ist der Unterschied zwischen Kundensegmentierung und Personalisierung?
Segmentierung gruppiert Kunden anhand gemeinsamer Merkmale zu handhabbaren Gruppen. Personalisierung geht einen Schritt weiter und passt Inhalte individuell pro Kunde an — oft aufbauend auf denselben Segmenten, aber mit zusätzlicher 1:1-Logik.
Wie oft sollte man RFM-Scores neu berechnen?
Für die meisten E-Commerce-Shops reicht eine monatliche Neuberechnung. Bei sehr kurzen Kaufzyklen (z. B. Konsumgüter mit wöchentlichem Nachkauf) kann eine wöchentliche Aktualisierung sinnvoll sein.
Reicht Shopify für Kundensegmentierung aus, oder brauche ich Klaviyo?
Für rein transaktionsbasierte Segmentierung (Bestellwert, Kaufhäufigkeit) reicht Shopify nativ aus. Sobald Verhaltenssignale wie Warenkorbabbruch, Seitenaufrufe oder E-Mail-Engagement einfließen sollen, braucht es ein zusätzliches Tool wie Klaviyo.
Lassen sich alle 11 RFM-Segmente nativ in Shopify abbilden?
Nein. Segmente, die einen reinen Transaktionszustand beschreiben (Champions, Neukunden, Gefährdet), lassen sich mit Filtern wie number_of_orders und amount_spent sauber nachbauen. Segmente, die einen Trend abbilden sollen — etwa “sinkendes Engagement” — benötigen Verhaltensdaten, die native Shopify-Segmente strukturell nicht erfassen.
Ist Kundensegmentierung DSGVO-konform?
In der Regel ja, wenn sie auf berechtigtem Interesse basiert, Kunden ein wirksames Widerspruchsrecht haben und die Verarbeitung dokumentiert ist. Kritisch wird es erst, wenn Segmente automatisiert zu Entscheidungen mit Rechtswirkung führen — dann greift Art. 22 DSGVO mit strengeren Anforderungen.
Welches Segment sollte zuerst bearbeitet werden?
Meist lohnt sich der Start bei “Gefährdet” und “Nicht verlieren” — hier ist der Kunde nachweislich wertvoll, aber kurz vor der Abwanderung. Der Hebel pro investierter Kampagne ist hier am größten, da diese Kunden bereits Kaufbereitschaft gezeigt haben.
Was ist Zero-Party-Data und warum wird es wichtiger?
Zero-Party-Data sind Informationen, die Kunden aktiv und freiwillig teilen (z. B. über ein Präferenz-Center), im Unterschied zu beobachtetem Verhalten. Mit dem Wegfall von Third-Party-Cookies wird sie zu einem der wenigen verlässlichen, datenschutzkonformen Segmentierungssignale.
Fazit
Kundensegmentierung ist kein Reporting-Thema, sondern eine Umsatzhebel-Frage: Wer Champions anders behandelt als gefährdete Kunden, reduziert Streuverluste und erhöht Conversion-Raten, ohne mehr Budget einzusetzen. Die RFM-Analyse liefert dafür ein reproduzierbares Scoring-System statt vager Kategorien — vorausgesetzt, jedes Segment bekommt tatsächlich eine eigene Handlungslogik.
Der oft übersehene zweite Teil der Gleichung ist der rechtliche Rahmen: Sobald Segmentierung automatisiert in Preis- oder Kaufentscheidungen einfließt, reicht “berechtigtes Interesse” allein nicht mehr aus. Wer beides von Anfang an mitdenkt — Scoring-Logik und Datenschutz-Dokumentation — baut ein System, das auch bei wachsendem Kundenstamm und schärferer Regulierung trägt.
Quellenverzeichnis
- RFM-Analyse im Marketing: Vorteile, Durchführung, Beispiele - OMR Reviews
- Betroffenenrecht: Verbot automatisierter Entscheidung (Profiling) - Dr. Datenschutz
- Profiling und automatisierte Entscheidungsfindung - activeMind AG
- Rechtliche Rahmenbedingungen des Profilings gemäß der DSGVO - Verlag Dr. Otto Schmidt
- Shopify Help Center: Customer segmentation
- Zero-Party-Daten: Personalisierung ohne Cookies für Händler - EuroShop
