Wie viele Ihrer Abonnenten erhalten ein Angebot, das sie gar nicht betrifft? Bei einer Liste von 20.000 Kontakten öffnet ein guter Teil nie etwas, ein anderer klickt auf alles, und ein dritter existiert eigentlich gar nicht mehr. Segmentierung bedeutet, allen drei Gruppen nicht länger dieselbe Nachricht zu schicken. Dieser Leitfaden beschreibt die Kriterien, die funktionieren, sowie die RFM-Methode. Ein Aspekt fehlt jedoch in den meisten Artikeln zu diesem Thema: die Qualität der Daten selbst.
Nach demografischen und geografischen Daten segmentieren
Das ist die einfachste Sortierung, die sich umsetzen lässt. Alter und Sprache bilden die Grundlage. Der Standort verfeinert den Versandzeitpunkt. Die Branche ergänzt das Ganze im B2B-Bereich sinnvoll. Diese Felder sind bereits in den meisten CRM-Systemen vorhanden und lassen sich per API oder Webhook direkt mit dem ESP synchronisieren. Eine auf Englisch verschickte E-Mail an einen deutschsprachigen Kontakt verliert die Öffnung, bevor sie überhaupt gelesen wird.
Zwei Grenzen sollten Sie kennen. Zu viele Pflichtfelder bei der Anmeldung schrecken den Interessenten schon vor dem ersten Versand ab. Und ein rein demografisches Kriterium sagt nichts über das tatsächliche Engagement aus: Ein 35-jähriger Kontakt aus Berlin kann jede Kampagne genauso gut ignorieren.
Nach Verhalten segmentieren: Öffnungen, Klicks, Navigation
Ein Kontakt, der auf drei aufeinanderfolgende Kampagnen klickt, verdient eine andere Behandlung als jemand, der seit sechs Monaten keine E-Mail geöffnet hat: Genau diesen Unterschied liefert kein demografisches Feld. Die meisten ESPs, Brevo eingeschlossen, erlauben den Aufbau eines solchen Segments ohne Entwicklungsaufwand:
- Legen Sie das Beobachtungsfenster fest: 30, 60 oder 90 Tage, je nach Versandfrequenz.
- Erstellen Sie ein Segment „Engagierte“ (mindestens eine Öffnung oder ein Klick im Zeitfenster).
- Erstellen Sie ein Segment „Inaktive“ (keine Interaktion im selben Zeitraum).
- Isolieren Sie Klicks auf bestimmte Links, um automatisierte Szenarien auszulösen (Warenkorb-Erinnerung, Inhalte passend zum erkannten Interesse).
Die Reaktionsrate auf vorherige E-Mails wiegt schwerer als jedes demografische Feld, wenn es darum geht, die nächste Öffnung vorherzusagen.
Aktualität, Häufigkeit und Ausgaben mit der RFM-Methode kombinieren
Die RFM-Methode ordnet jeden Kontakt anhand von drei Kennzahlen ein. Die Aktualität (Recency) gibt das Datum des letzten Kaufs oder der letzten Interaktion an. Die Häufigkeit (Frequency) zählt die Anzahl der Käufe in einem bestimmten Zeitraum. Ein dritter Indikator, der gesamte Ausgabebetrag (Monetary), vervollständigt den Score.
Jede Achse wird von 1 bis 5 bewertet, woraus sich ein dreistelliger Score ergibt. Ein Kontakt mit 555 ist ein Champion: kürzlicher Kauf, hohe Frequenz, hoher Warenkorbwert. Ein Kontakt mit 111 hat praktisch keinen messbaren Wert. Dazwischen steuern die Zwischensegmente unterschiedliche Szenarien: Reaktivierung für gefährdete Kontakte, Premium-Angebot für schlummernde Großkunden.
Das ist die Grundlage für die Berechnung des Customer Lifetime Value (LTV). Eine B2B-E-Mail-Kampagne, die einen qualifizierten Lead wie einen gewöhnlichen Newsletter-Abonnenten behandelt, verschwendet ihr Versandbudget am falschen Segment.
Nach Datenqualität und -gültigkeit segmentieren
Demografische, verhaltensbasierte und RFM-Kriterien teilen eine Schwachstelle: Sie gehen davon aus, dass die E-Mail-Adresse hinter jedem Kontakt noch funktioniert. Das stimmt nicht immer. Mehr als 20 % einer E-Mail-Kontaktdatenbank veralten jedes Jahr, durch Stellenwechsel und geschlossene Postfächer. Tippfehler bei der Anmeldung kommen laut den von Mailgun1 veröffentlichten Daten noch hinzu.
Ein Segment, das auf toten Adressen aufgebaut ist, verzerrt alles andere. Die für dieses Segment berechnete Öffnungsrate wirkt katastrophal. Die eigentliche Ursache: Postfächer, die nicht mehr existieren. Jeder Versand an eine verschwundene Adresse erzeugt eine SMTP-Ablehnung (Hard Bounce). E-Mail-Anbieter nutzen das, um die Reputation des Absenders zu beurteilen.
Wer die Datenqualität als eigenes Segmentierungskriterium behandelt, arbeitet mit saubereren Zahlen in allen anderen Segmenten. Konkret: Isolieren Sie ein Segment „zu prüfen“. Es umfasst Adressen, die seit ihrer Hinzufügung nie geöffnet wurden, sowie kürzliche Anmeldungen ohne erste Öffnung. Domains mit fragwürdiger Syntax ergänzen die Sortierung. Lassen Sie dieses Segment vor dem nächsten Versand prüfen, nicht erst nach einer Reputationswarnung für Ihre Absenderdomain. Ein einmaliger Check reicht nicht: Das Segment braucht diese Prüfung bei jedem Versand aufs Neue.
Was Segmentierung wirklich verändert
Die am häufigsten zitierte Studie zu diesem Thema stammt von Mailchimp und untersuchte rund 2.000 Konten, die knapp 11.000 segmentierte Kampagnen an 9 Millionen Empfänger verschickt haben2. Im Vergleich zu nicht segmentierten Kampagnen zeigen segmentierte Kampagnen:
- +14,31 % Öffnungsrate
- +100,95 % Klickrate
- -4,65 % Bounces
- -3,90 % Spam-Beschwerden
- -9,37 % Abmeldungen
Die Aufschlüsselung nach Segmentierungsart bestätigt den vorherigen Punkt: Die Segmentierung nach Aktivität senkt die Bounces um 9,23 % zusätzlich und verbessert gleichzeitig die Klicks. Die Öffnungsrate bleibt der am meisten beachtete Indikator. Der Rückgang der Bounces wirkt sich jedoch mittelfristig genauso stark auf die Absenderreputation aus.
DSGVO: Was die Einwilligung an der Segmentierung ändert
Jede zur Segmentierung genutzte Angabe muss einer ausdrücklichen Einwilligung (Opt-in) entsprechen, und zwar zum genauen Zeitpunkt ihrer Erhebung. Ein für einen Newsletter ausgefülltes Feld „Branche“ darf nicht für ein nicht angekündigtes kommerzielles Targeting verwendet werden.
Die Dokumentation der Verarbeitung (welche Daten, für welchen Zweck, wie lange gespeichert) schützt auch die Beziehung zum Abonnenten. Ein Kontakt, der versteht, warum er eine bestimmte E-Mail erhält, meldet die Kampagne selten als Spam.
Kennzahlen zur Überwachung nach der Einführung
Vier Kennzahlen genügen, um eine Segmentierung dauerhaft zu steuern:
- Öffnungsrate pro Segment: vergleicht die Attraktivität der Betreffzeile zwischen den Gruppen.
- Klickrate pro Segment: misst das tatsächliche Interesse am versendeten Inhalt.
- Conversion Rate: konkrete Handlungen (Kauf, Anmeldung, Antwort) nach der E-Mail.
- Abmelderate: signalisiert eine Sättigung oder eine falsche Segmentzuordnung.
Die Engagement-Rate fasst mehrere dieser Signale in einer einzigen Kennzahl zusammen. Nützlich, um unterschiedlich große Segmente zu vergleichen, ohne vier separate Tabellen zu öffnen.
Eine gut segmentierte Liste bleibt eine lebendige Liste: Sie wird ebenso oft geprüft wie unterteilt.
