40.000 Kontakte im Winback-Segment. 90 Tage ohne Kauf, Reaktivierungskampagne raus. Das Team wartet. 38.000 reagieren nicht. Die Analyse sagt: schwieriges Segment, niedrige Conversion. Was die Analyse nicht sagt: Ein Drittel dieser 40.000 kauft ohnehin nur ein- bis zweimal pro Jahr. Die waren nie weg. Sie waren einfach noch nicht dran.
Wir sehen dieses Muster in fast jeder CRM-Instanz, die wir auditieren. Egal ob Braze, Klaviyo oder Brevo. Die Segmentierungslogik basiert auf einem einzigen Datenpunkt: dem Datum des letzten Kaufs. 30, 60, 90 Tage. Einfach zu bauen, leicht zu erklären, in drei Klicks live. Und grundsätzlich nicht falsch. Aber eben auch nicht ausreichend.
Was zeitbasierte Segmente wirklich messen
Ein 90-Tage-Segment beantwortet genau eine Frage: Hat diese Person in den letzten 90 Tagen gekauft? Ja oder nein. Was es nicht beantwortet: Ist das ungewöhnlich für diese Person?
Das ist der Kern des Denkfehlers. Zeitbasierte Segmente behandeln alle Kunden gleich. Der wöchentliche Besteller und die Halbjahreskundin landen nach 90 Tagen im selben Segment. Für den einen ist das ein massives Warnsignal. Für die andere ist es Normalität.
Die Folge: Winback-Kampagnen gehen an Leute, die gar nicht zurückgewonnen werden müssen. Gleichzeitig werden Kunden übersehen, deren Kaufrhythmus sich tatsächlich verändert hat, aber eben innerhalb der 90-Tage-Grenze.
Wir haben das in einem Audit quantifiziert. Bei einem Onlinehändler mit 200.000 aktiven Kontakten waren 35 Prozent des Winback-Segments falsch zugeordnet. Nicht weil die Daten fehlerhaft waren. Sondern weil die Segmentlogik keinen Kontext kannte.
Frequenz, AOV, Kategorie: Die drei vergessenen Signale
Wenn Kaufdatum allein nicht reicht, was dann? Drei Datenpunkte machen den Unterschied. Keiner davon ist exotisch. Alle drei lassen sich in Braze, Klaviyo und Brevo umsetzen.
Kauffrequenz. Der naheliegendste und trotzdem am seltensten genutzte Datenpunkt. Wer die durchschnittliche Zeit zwischen den Käufen eines Kunden kennt, kann beurteilen, ob eine Pause ungewöhnlich ist oder nicht. In Klaviyo lässt sich das über berechnete Properties auf Basis von Order Events abbilden. In Braze über Custom Attributes, die per Webhook oder Connected Content aktualisiert werden. In Brevo über Custom Fields mit Workflow-Logik.
Der Aufwand ist überschaubar. Das Ergebnis ist ein Segment, das nicht fragt “Wann war der letzte Kauf?”, sondern “Ist die aktuelle Pause länger als der individuelle Rhythmus?”
Das verändert alles. Statt eines monolithischen Winback-Segments entstehen differenzierte Gruppen: Kunden, die tatsächlich abwandern, und solche, die einfach ihren normalen Zyklus durchlaufen. Wer sich für den Zusammenhang zwischen Segmentierung und Lifecycle-Stages interessiert, findet dort mehr Kontext dazu.
AOV-Veränderung. Der durchschnittliche Bestellwert eines einzelnen Kunden über die Zeit. Wenn jemand drei Bestellungen lang bei 80 Euro lag und plötzlich nur noch 30 Euro bestellt, ist das ein Signal. Kein definitives, aber eines, das zeitbasierte Segmente komplett ignorieren, weil der Kunde ja noch kauft.
AOV-Trends lassen sich über Custom Events mit Bestellwert-Properties tracken. In Kombination mit Kauffrequenz entsteht ein Bild, das weit über “zuletzt gekauft am” hinausgeht. Die Grundlage dafür ist ein sauber implementiertes Custom-Event-Setup, das Bestellwerte als Event Property mitführt.
Kategorie-Wechsel. Der differenzierteste, aber auch aufwendigste Datenpunkt. Wenn ein Kunde von Premium-Produkten auf Einsteiger-Produkte wechselt, erzählt das eine Geschichte. Eine, die weder Kaufdatum noch Kauffrequenz allein sichtbar machen. Kategorie-Wechsel erfordert saubere Produktdaten als Event Properties und eine Logik, die Veränderungen über mehrere Bestellungen hinweg erkennt.
Das ist nicht trivial. Aber es ist der Datenpunkt, der am stärksten differenziert. Ein Kunde, der von der Hauptkategorie in eine Nebenkategorie wechselt, hat vermutlich andere Bedürfnisse als einer, der sein gewohntes Sortiment durchkauft. Diese Information fehlt in jedem rein zeitbasierten Segment.
Warum der Denkfehler so verbreitet ist
Es wäre einfach, CRM-Teams vorzuwerfen, dass sie zu simpel segmentieren. Aber das greift zu kurz. Zeitbasierte Segmente sind so verbreitet, weil sie drei Vorteile haben, die schwer zu schlagen sind.
Erstens: Sie sind in jeder Plattform der Default. Klaviyo schlägt bei der Segmenterstellung “Last Order Date” als erste Condition vor. Braze hat vorgefertigte Filter für “Last Purchase”. Brevo arbeitet mit zeitbasierten Automations-Triggern, die auf Inaktivität nach X Tagen reagieren. Die Plattformen selbst trainieren Teams darauf, zeitbasiert zu denken.
Zweitens: Sie sind erklärbar. “Kunden, die seit 90 Tagen nicht gekauft haben” versteht jede Stakeholderin sofort. “Kunden, deren individuelle Kauffrequenz um mehr als eine Standardabweichung vom Durchschnitt abweicht” braucht einen Absatz Erklärung.
Drittens: Der Zeitdruck. CRM-Teams haben selten Kapazität, um Datenmodelle zu erweitern. Wenn die Winback-Kampagne morgen live gehen soll, baut niemand erst ein Frequenz-Scoring. Und genau so verfestigt sich der Denkfehler. Er ist nicht falsch, er ist unvollständig. Aber weil die unvollständige Version funktioniert, zumindest oberflächlich, hinterfragt sie niemand.
Das erinnert an ein Muster, das wir auch bei Sunset-Flows sehen: Pragmatische Lösungen, die irgendwann implementiert wurden, laufen jahrelang weiter, ohne dass jemand prüft, ob die zugrundeliegenden Annahmen noch stimmen.
Was ihr daraus mitnehmt
Wir sagen nicht: Schafft eure 30/60/90-Tage-Segmente ab. Die sind ein brauchbarer Startpunkt. Was wir sagen: Ergänzt sie. Drei zusätzliche Datenpunkte machen aus einem groben Zeitfilter eine Segmentierung, die tatsächlich widerspiegelt, was eure Kunden tun.
Kauffrequenz pro Kontakt berechnen. AOV-Trends über die letzten drei Bestellungen tracken. Kategorie-Veränderungen als Event Property mitführen. Keiner dieser Punkte erfordert ein neues Tool. Alle drei lassen sich in eurer bestehenden Plattform umsetzen, wenn das Datenmodell stimmt.
Der häufigste Denkfehler im CRM ist nicht, dass Teams schlecht segmentieren. Es ist, dass sie an einem Datenpunkt hängen bleiben, der nur einen Bruchteil der Geschichte erzählt. Kaufdatum sagt euch, wann jemand zuletzt da war. Kaufverhalten sagt euch, ob jemand wirklich geht.
Wenn ihr wissen wollt, welche eurer Segmente auf veralteten Annahmen basieren: Dafür gibt es unseren Instanz-Check.
