راه پرداخت
رسانه فناوری‌های مالی ایران

تحلیل RFM برای تقسیم‌بندی موفق مشتری / قسمت دوم

بهنام بهزادی‌فر، مشاور در حوزه استراتژی‌های مدیریت ارتباط با مشتریان / نمایش گرافیکی RFM به شما و سایر تصمیم‌گیرندگان سازمانتان کمک می‌کند تا تحلیل RFM سازمان را بهتر درک کنند. R ،F و M دارای مقادیری مابین 1 تا 5 هستند، درمجموع 125= 5*5*5 از ترکیب مولفه‌های RFM محاسبه می‌شود. سه مولفه R ،F و M را به‌عنوان سه بعد می‌توان به بهترین وجه در یک نمودار 3D (سه‌بعدی) ترسیم کرد. اگر بخواهیم ببینیم که برای هر مقدار RFM چه تعداد مشتری داریم، باید 125 نقطه از داده‌ها را بررسی کنیم؛ اما کار کردن با نمودارهای سه‌بعدی روی کاغذ یا صفحه کامپیوتر آن‌چنان کارایی نخواهد داشت. ما به چیزی در دو بعد نیاز داریم، چیزی که بتوان آن را آسان‌تر به تصویر کشید و درک کرد.


ارائه ساده‌تر تحلیل RFM


در این روش، ما F + M را بر روی محور Y (دامنه 0 تا 5) و R (دامنه 0 تا 5) را در محور X رسم می‌کنیم. با این کار ترکیب‌های احتمالی از 125 به 50 کاهش می‌یابد. ترکیب کردن F و M به یک مولفه، منطقی است زیرا هر دو مربوط به میزان خرید مشتری هستند. R در محور دیگر به ما نگاه سریع به سطح تعامل مجدد با مشتری را می‌دهد.

به‌عنوان‌مثال یک کسب‌وکار که بر پایه ایجاد اشتراک برای مشتری است را در نظر بگیرید. برای مشتری با اشتراک ماهانه 100 هزار تومان، M وی 1.2 میلیون تومان برای کل سال خواهد بود، اما F آن به وجود دلیل صورتحساب ماهیانه 12 است. از طرف دیگر، کسب‌وکاری را در نظر بگیرید که مدل آن به‌صورت ماهیانه نباشد یا اشتراک را سالانه به مبلغ 1.2 میلیون تومان ارائه دهد، این کسب‌وکار، M خوبی را نشان می‌دهد اما F به دلیل یک‌بار خرید در سال، فقط 1 است. مشتری در هر دو مورد به یک اندازه مهم است و رویکرد ما در ترکیب امتیازات F و M به آنها اهمیت یکسانی در تحلیل RFM می‌دهد.

درک 50 بخش و نمونه از RFM الان هم ممکن است خسته‌کننده باشد؛ بنابراین ما تجزیه‌وتحلیل را در 11 بخش خلاصه کردیم تا مشتریان خود را بهتر درک کنیم. اگر خاطرتان باشد، در ابتدای این یادداشت در قسمت اول در مورد این بخش‌ها بحث کردیم.

به جدولی که در پایین ارائه کرده‌ایم دقت کنید. این جدول پیشنهاد می‌دهد که چگونه می‌توانید 11 بخش‌بندی مختلف از مشتریان را بر اساس امتیاز RFM ایجاد کنید.


ارائه تحلیل نهایی RFM


اختصاص دادن رنگ‌های متمایز به هر بخش امکان یادآوری آسان‌تر را از هر بخش فراهم می‌کند. اگر رنگ‌ها را به طرز معقول و بر اساس پروتکل خاصی انتخاب کنیم، ارائه تصویری گزارش‌هایمان به شکل بسیار مطلوبی قابل اشتراک‌گذاری با دیگران و همچنین به میزان زیادی قابل‌فهم‌تر می‌شود.

گزارش نهایی خلاصه از تحلیل RFM را در شکل زیر می‌توانید مشاهده کنید:


راهکارهای نرم‌افزاری تحلیل RFM


با افزایش تمرکز بر مدیریت ارتباط با مشتری (CRM)، RFM به بخشی جدایی‌ناپذیر از بازاریابی و تجزیه‌وتحلیل کسب‌وکار تبدیل شده است. اگر در حال ارزیابی یک‌باره رفتار خرید مشتریان خود هستید، می‌توانید با انجام تجزیه‌وتحلیل دستی یا نیمه‌خودکار RFM به‌راحتی از پس کارتان برآیید؛ اما اگر پایگاه داده بزرگی دارید، لازم نیست همه محاسبات پیچیده را خودتان انجام دهید.

  • محاسبات RFM با استفاده از اکسل

بروس هاردی و پیتر فادر یادداشت مفصلی در مورد استفاده از اکسل برای محاسبه امتیازات RFM نوشتند. آنها همچنین یک نمونه فایل اکسل دارند که می‌توانید استفاده کنید؛ اما این یادداشت مربوط به سال 2008 است و ممکن است نیاز به به‌روزرسانی داشته باشد.

یک الگوی اکسل دیگر هم وجود دارد که آن را UMass Business Solutions ارائه کرده است و برای استفاده از آن باید چیزی حدود 8 دلار هزینه کنید که شاید برای ما ایرانی‌ها راه‌حل آسانی نباشد.

یک راه‌حل دیگر هم برای تنظیم محاسبات RFM با استفاده از اکسل در سایت Cog iView ارائه شده است که سر زدن به آن نیز ضرری نخواهد داشت.

  • برخی از ابزارهای CRM

نرم‌افزارهای CRM بسیاری وجود دارد که می‌توانند به‌طور خودکار امتیاز RFM را محاسبه کرده و مشتریان شما را تقسیم‌بندی کنند. اگر ابزارتان از پشتیبانی RFM برخوردار بوده و از آن بهره‌ای نمی‌بردید و یا حتی مطمئن نیستید که چنین خدمتی را ارائه می‌دهد، حتما با CRM خود تماس بگیرید.

  • تحلیل RFM با استفاده از برنامه‌های Python / R و سایر ابزارهای تجزیه‌وتحلیل

برنامه‌های R و Python برای تجزیه‌وتحلیل آماری و کسب‌وکار، بسیار پرطرفدار هستند. اگر در سازمانتان تیم «علوم داده» یا «Data Science» را دارید، اولا خوش به حال سازمان بالغتان! و ثانیا بهترین کار این است که با استفاده از ابزارها و برنامه‌های موجود، یک مدل سفارشی RFM برای کسب‌وکارتان بنویسید.

  • RFM برای نرم‌افزارهای فروشگاهی مانند Shopify، BigCommerce و TicTail

Retention Grid یک سرویس نرم‌افزاری اختصاصی در زمینه تحلیل RFM است. این راهکار می‌تواند داده‌ها را از برنامه‌های Shopify ،BigCommerce یا Tic Tail در فروشگاه شما وارد کند و گزارش‌های متنوع با نمای بسیار عالی گرافیکی از بخش‌های مختلف RFM را نشان دهد.

  • تجزیه‌وتحلیل RFM برای فروشگاه‌های آنلاین

نرم‌افزار Putler تجزیه‌وتحلیل جامعی ازRFM ارائه می‌دهد و بسیاری از ابزارها و راهکارهای دیگر تجزیه‌وتحلیل و گزارش کسب‌وکار را به شما ارائه می‌دهد. این برنامه برای تجارت الکترونیکی ساخته شده و از همگام‌سازی خودکار با درگاه‌های پرداخت عمده و سیستم‌های تجارت الکترونیکی پشتیبانی می‌کند. به بیان دیگر فرایند Integration با سایر سیستم‌ها و نرم‌افزارهای مالی را مقدور می‌سازد. پاتلر همچنین در بسیاری از موارد دیگر مانند فروش، محصولات، بازدیدکنندگان و غیره می‌تواند گزارشات مفصلی را به شما ارائه دهد.


تنوع مدل‌های RFM


RFM یک چارچوب ساده برای تعیین کمیت رفتار مشتری است؛ یعنی ما را قادر می‌سازد تا مولفه رفتار که کیفی است را به کمک آیتم‌های عددی بسنجیم و به کمک اعداد کمی تحلیل دقیقی از آن داشته باشیم. بسیاری از افراد مدل تقسیم‌بندی RFM را گسترش داده و تنوع ایجاد کرده‌اند.

دو مورد از شاخص‌ترین مدل‌ها عبارت‌اند از:

  • RFD– Duration (Recency, Frequency, Duration) یا دوره زمانی، در اینجا زمان صرف شده است. این روش به خصوص هنگام تجزیه‌وتحلیل رفتار مصرف‌کننده برای خوانندگان مجلات و روزنامه‌ها و کتب و…، بینندگان و خدمات و محصولات مرتبط با گشت‌وگذار بسیار مفید است.
  •  (Recency, Frequency, Engagement) RFE – Engagement می‌تواند یک مقدار ترکیبی باشد که بر اساس زمان صرف شده در صفحات وب، تعداد صفحات وب در هر بازدید، نرخ پرش، تعامل در شبکه‌های اجتماعی و غیره به‌ویژه برای مشاغل آنلاین مفید است.

شما می‌توانید RFM را برای کل مشتری‌های خود یا فقط یک زیرمجموعه از آن‌ها انجام دهید. به‌عنوان‌مثال، شما ممکن است ابتدا مشتریان را بر اساس منطقه جغرافیایی یا سایر اطلاعات جمعیتی تقسیم‌بندی کنید، سپس توسط RFM برای بخش‌های رفتاری و سوابق بر معاملات نیز بخش‌بندی کنید.

به شما توصیه می‌کنم با یک کار ساده شروع کنید، بیازمایید و کسب تجربه کنید و ادامه دهید تا موفق شوید. در بخش سوم و پایانی این یادداشت، به موارد استفاده از RFM Segmentation برای کسب‌وکار شما خواهیم پرداخت.

ارسال یک پاسخ

آدرس ایمیل شما منتشر نخواهد شد.