Was bedeutet letztes Kaufdatum (R) im Zielgruppenprofil?

Ein Kunde, der vor dreizehn Tagen gekauft hat, hat eine andere Kaufhistorie als jemand, dessen letzter erfasster Kauf Monate zurückliegt. Ohne Produktkategorie, Stichtag und verlässliche Historie sagt dieser Unterschied jedoch wenig über die nächste Entscheidung aus. Das Feld Letztes Kaufdatum (R) zeigt, wie lange ein relevanter Kauf zurückliegt und welche Schlüsse daraus zulässig sind.

Letztes Kaufdatum (R) hält im Zielgruppenprofil fest, wann der jüngste relevante Kauf innerhalb eines abgegrenzten Kunden-, Anbieter- oder Produktkontexts stattfand, einschließlich Quelle, Stichtag und Umfang der verfügbaren Historie.

Dies ist die praktische Profildefinition von Neurofactor. Das Kaufdatum ist ein Kalenderdatum. Recency bezeichnet hier die Zeit zwischen diesem Datum und einem gewählten Stichtag. Ein R-Score ist eine mögliche Einteilung dieser Zeitspanne in Klassen. Bewahre diese drei Angaben getrennt auf.

Eine Zielgruppe umfasst normalerweise mehrere Käufer und damit mehrere letzte Kaufdaten. Fasse die Daten deshalb als Verteilung oder sorgfältig definierte Kennzahl zusammen, mit Fallzahlen und fehlenden Angaben. Weise nicht einer ganzen Zielgruppe ein erfundenes Kaufdatum zu.

Die ersten drei Angaben bilden ein fiktives Rechenbeispiel. Eine Budgetrunde ist Kaufkontext, kein Kaufdatum. Eine Angebotsanfrage oder ein Websitebesuch kann relevantes Verhalten sein, sollte aber nicht als Kauf gezählt werden, ohne die Bedeutung des Felds zu ändern.

Auch die Analyseebene muss klar sein. Ein Kauf durch eine Organisation ist nicht automatisch ein persönlicher Kauf der interviewten Marketingleitung. Halte fest, ob die Einheit eine Person, ein Haushalt, ein Kundenkonto oder eine Organisation ist.

R steht für Recency innerhalb von RFM: Recency, Frequency und Monetary Value. Der Ansatz gehört zur Analyse erfassten Kundenverhaltens. Die folgenden Quellen liefern historischen und wissenschaftlichen Kontext; wir schreiben die Erfindung des gesamten Modells keiner einzelnen Publikation zu.

Bult und Wansbeek untersuchten die Auswahl für Direktwerbung anhand erwarteter Erträge und Kosten. Ihre Veröffentlichung von 1995 ist ein früher wissenschaftlicher Beitrag zur Kundenauswahl. Bult & Wansbeek, 1995.

Fader, Hardie und Lee verbinden RFM mit einem Kundenwertmodell. Die Aktualität von Käufen wird darin zusammen mit weiteren Kaufdaten betrachtet. Fader, Hardie & Lee, 2005.

Beachte die Messkonvention: Bei Fader und Kollegen bezeichnet tₓ den Zeitpunkt des letzten Kaufs seit Beginn; die verstrichene Zeit beträgt T − tₓ. Autorenmanuskript.

Deshalb schreiben wir im Profil ausdrücklich „Tage seit dem letzten Kauf“. Ein niedriger Wert bedeutet hier einen kürzlich erfolgten Kauf. Bei einem Score kann die Richtung umgekehrt sein. Die folgenden Dokumentations- und Untersuchungshinweise sind unsere praktische Ausarbeitung, keine neue validierte RFM-Skala.

Lege die Abgrenzung vor der Berechnung fest. Sonst beantwortet dasselbe Feld unbemerkt unterschiedliche Fragen.

Unterscheide bei Abonnements bewusst zwischen Abschluss, Verlängerung und automatischer Zahlung. Ein automatischer Einzug kann als finanzielle Transaktion zählen, belegt aber keine neue bewusste Kaufentscheidung. Bewahre Vertragsstatus und Transaktionshistorie getrennt auf, wenn beide für die Frage relevant sind.

Für das Profil ist diejenige Abgrenzung sinnvoll, die die Forschungsfrage beantwortet. Benenne sie im Profilsatz und in der Dokumentation, damit der Geltungsbereich des Ergebnisses deutlich wird.

1. Kauf definieren. Halte Abdeckung, Produktkategorie, Einheit und Zählregeln fest.
2. Einen Stichtag wählen. Verwende für verglichene Datensätze dasselbe Datum. Lege bei Zeitstempeln auch Zeitzone und Rundung fest.
3. Historie prüfen. Untersuche fehlende Kanäle, doppelte Konten oder eine Systemmigration, durch die ältere Daten fehlen.
4. Gültige Käufe bis zum Stichtag auswählen. Verwende bei einer historischen Analyse keine zukünftigen Bestellungen oder Informationen, die damals noch nicht verfügbar waren.
5. Je Einheit das jüngste gültige Datum bestimmen. Halte fehlende und nicht anwendbare Fälle getrennt.
6. Datumsdifferenz berechnen. In diesem Vorgehen gilt: Recency in Kalendertagen = Stichtag − letztes Kaufdatum.
7. Zielgruppe zusammenfassen. Zeige beispielsweise eine Verteilung über definierte Zeitabschnitte, ergänzt um Fallzahlen, Abdeckung und den Anteil unbekannter Angaben. Erläutere Ausschlüsse.
8. Interpretation prüfen. Betrachte Produktkontext, Häufigkeit und Kaufrhythmus, bevor du eine Maßnahme oder Prognose ableitest.

Bei gleichen Daten beträgt die Differenz null Tage. Dies bedeutet einen Kauf am Stichtag, keinen fehlenden Kauf. Negative Ergebnisse erfordern eine Prüfung der Auswahl, Daten oder Zeitzone.

Verwendest du Klassen oder Scores, dokumentiere Grenzen, Richtung und Referenzgruppe. Ein Score von 5 kann „am kürzesten zurückliegend“ bedeuten, doch diese Vereinbarung ist nicht selbstverständlich. Eine Rangfolge im eigenen Kundenbestand ist außerdem kein Vergleich mit dem gesamten Markt.

Ein Interessent ohne Kauf bei deiner Organisation hat dort kein letztes Kaufdatum. Diese Person kann dennoch kürzlich bei einem anderen Anbieter in der Kategorie gekauft haben. Dokumentiere beide Geltungsbereiche getrennt.

Frage im Interview beispielsweise: „Wann hat Ihre Organisation zuletzt in dieser Kategorie gekauft?“, „Bei diesem Anbieter oder anderswo?“ und „Worauf stützen Sie diesen Zeitraum?“ Bewahre die Genauigkeit der Antwort. Auch „nicht bekannt“ ist eine nützliche Information über die Grenzen der Untersuchung.

Fiktives Beispiel — keine Kundendaten oder Branchennorm. Am 23. September 2026 betrachten wir bezahlte, nicht stornierte Bestellungen einer Produktkategorie bei einem Anbieter. Die Einheit ist das Kundenkonto; die verfügbare Historie beginnt am 1. Januar 2026.

Der Profilsatz könnte lauten: „Für diese vier fiktiven Konten sind am 23. September 2026 zwei letzte Kaufdaten mit 13 und 92 Tagen Recency bekannt; bei einem Konto fehlen Daten und eines zeigt keinen Kauf im verfügbaren Fenster.“

Ein Durchschnitt aus A und B beträfe ausschließlich diese beiden bekannten Werte. Er darf nicht als Durchschnitt aller vier Konten erscheinen. D ist auch nicht automatisch ein ehemaliger Kunde: Die Information zeigt nicht, ob das Konto vor Januar gekauft hat oder überhaupt bereits Kunde war.

Es wurde kein R-Score vergeben und keine Kaufwahrscheinlichkeit berechnet. Die Tabelle zeigt, wie messbare und nicht messbare Fälle nebeneinander erhalten bleiben.

Eine assoziative Zielgruppe ist eine abgegrenzte Gruppe von Menschen, bei denen ähnliche Assoziationen Entscheidungen innerhalb eines bestimmten Wahlkontexts lenken.

Recency beschreibt die Kaufhistorie, nicht das Assoziationsmuster hinter einer Entscheidung. Zwei Menschen können am selben Tag aufgrund sehr unterschiedlicher Überlegungen gekauft haben. Kaufzeitpunkte können Untersuchungsgruppen beschreiben oder Gespräche über Erfahrungen rund um einen konkreten Kauf unterstützen; untersuche die Assoziationen jedoch gesondert.

Eine mögliche Frage lautet: „Welche Assoziationen mit diesem Anbieter spielten bei Ihrer Kaufentscheidung eine Rolle?“ Setze nicht voraus, dass ein kürzlicher Kauf Vertrauen belegt oder eine lange Kaufpause Widerstand bedeutet. Dies könnten Hypothesen sein; das Datum selbst liefert diese Erklärung nicht.

Leite auch keine BIS-, BAS- oder Delay-Discounting-Werte aus Kaufrecency ab. Zeit seit einem Ereignis unterscheidet sich von der Empfindlichkeit gegenüber Annäherung, Vermeidung oder aufgeschobener Belohnung.

• Den Stichtag weglassen. Derselbe Kauf liegt jeden Tag weiter zurück; ein gespeicherter Wert benötigt einen Messzeitpunkt.
• Kürzlichen Kauf mit Kaufbereitschaft gleichsetzen. Das Feld beschreibt die Vergangenheit; eine Prognose benötigt weitere Belege.
• Nur bekannte Käufer zeigen. Mache fehlende und ausgeschlossene Datensätze sichtbar.
• Budgetzyklus als Kaufdatum speichern. Bewahre Entscheidungsrhythmus als eigene Kontextinformation.
• Daten, Tage und Scores vermischen. Benenne Einheit und Bewertungsregel jedes Ergebnisses.
• Kaufrecency mit einem Gedächtniseffekt verwechseln. Der Recency-Effekt im Gedächtnis ist ein anderer Begriff.
• Festen Kundenwert oder Loyalität zuweisen. Ein Datum ist keine gemessene Präferenz, Motivation oder Bewertung.

Mit Kaufdaten:

„Innerhalb von [Kategorie und Anbieterabdeckung] weist [abgegrenzte Gruppe] am [Stichtag] eine Recency-Verteilung von [Ergebnis in Tagen oder Zeitabschnitten] auf, basierend auf [Quelle und Fallzahlen], mit [Abdeckungslücken oder Ausschlüssen].“

Ohne Kaufdaten:

„Letztes Kaufdatum ist [unbekannt/nicht anwendbar]; [Quelle] beschreibt jedoch [berichteten Zeitraum oder Kaufrhythmus], der getrennt aufbewahrt wird und nicht als gemessener R-Wert gilt.“

Bewahre hinter dem Profilsatz Ereignisdefinition, Analyseeinheit, Historie, Datumsgenauigkeit, Rechenregel und mögliche Scoregrenzen auf. Eine regelmäßige Aktualisierung benötigt einen neuen Stichtag; erhalte den früheren Stand als Version. Korrigiere ein fehlerhaftes Quelldatum mit Herkunftsdokumentation, statt frühere Ergebnisse stillschweigend zu überschreiben.

Das letzte Kaufdatum wird brauchbar, wenn feststeht, welcher Kauf zählt, auf welcher Ebene gemessen wird und welche Historie vorliegt. Halte Datum, verstrichene Zeit und möglichen Score auseinander. So kann Kaufverhalten das Profil ergänzen, ohne Datenlücken mit Annahmen über Menschen zu füllen.