בז'נוב רוסלן איבנוביץ'

Ph.D., פרופסור חבר, ראש המחלקה לאינפורמטיקה ו מדעי המחשבהפקולטה למתמטיקה, טכנולוגיות מידעוטכנולוגיה פרימורסקי אוניברסיטת המדינהאוֹתָם. שלום עליכם בירוביג'ן, רוסיה

הערה: מאמר זה מתאר פילוח לקוחות בהתבסס על ניתוח RFM. ניתנת דוגמה לניתוח המבוסס על מאגר מידע של צלם. הניתוח מתבצע ב תוֹכנָה Microsoft Excel.

מילות מפתח: ניתוח RFM, פילוח, לקוחות, מסד נתונים, אקסל

RFM-ניתוח מאגר לקוחות צלם

דובוביק אלכסי ויקטורוביץ'

סטודנט שנה ג' של הפקולטה למתמטיקה, טכנולוגיות מידע וטכניקה שלום-עליכם פרימורסקי אוניברסיטת בירוביג'אן, רוסיה

בז'נוב רוסלן איבנוביץ'

מועמד למדעים פדגוגיים, פרופסור חבר, ראש המחלקה למדעי המחשב הפקולטה למתמטיקה, טכנולוגיות מידע וטכניקה שלום-עליכם פרימורסקי אוניברסיטת בירוביג'אן, רוסיה

תַקצִיר: המאמרמתאר את פילוח הלקוחות על סמך ניתוח RFM. דוגמה לניתוח המבוסס על מאגר מידע של יזמים קיימים. הניתוח מתבצע בתוכנת Microsoft Excel.

מילות מפתח: ניתוח RFM, פילוח, לקוחות, מסד נתונים, אקסל

כיום, כל צלם רוצה שיהיו כמה שיותר לקוחות, שלרוב ישכרו אותו לצילום אירועים מסוגים שונים. לקבלת הביקוש הטוב ביותר, על הצלם ליצור תנאים נוחים לפיתוח יציב של העסק שלו, לחפש לקוחות חדשים לצילום ולהציע הזדמנויות חדשות ללקוחות קיימים. כדי לעשות זאת, אתה צריך להעריך את הבסיס למתן תנאים נוחים. לכן, נשתמש בניתוח RFM. זה מתאים לפתרון המקרה שלנו, שכן יזם יחיד, שאת פעילותו ננתח, עוסקת בצילום ויצירת אלבומי תמונות. יש להגיש את המאגר בהסכמה הדדית ובסודיות.

ניתוח RFM הוא כלי המאפשר פילוח של צרכנים לפי רמת נאמנות על סמך פעולותיהם בעבר וניבוי התנהגותם. הוא משמש מדענים ומתרגלים רבים בפעילותם. IN AND. אלכסנדרוב הראה שימוש בניתוח RFM בפיתוח אסטרטגיות שיווק ממוקדות בתחום המסחר האלקטרוני. R.I. Bazhenov ואחרים נתנו מגוון פתרונות ב תחומים שונים. המתודולוגיה והפרקטיקה של שימוש בניתוח RFM תוארו על ידי E.P. Golubkov. אָנָלִיזָה שיטות קיימותניהול בסיס הלקוחות לשיפור התחרותיות של ארגון בית המרקחת בוצע על ידי I.S. Kaverina. E.M. Razumovskaya ואחרים פיתחו את האסטרטגיות של חברות IT על ידי השוואת תוצאות פילוח הלקוחות והדרישות של פיתוח שוק ה-IT. E.V. Romanenko ו-A.G. Kravets יישמו ניתוח RFM ב מערכת מידע"TOUREAST: CRM AI". T.I. Sorokina הציע כיצד להגדיל את המכירות של רשת הפצה בהתבסס על ניתוח RFM. גם מדענים זרים משתמשים בשיטה הנבחרת במחקרם.

RFM הוא קיצור של המילים Recency – חידוש, Frequency – frequency ו- Monetary, שמשמעותם עלויות או השקעות.

עדכניות - תאריך ההזמנה האחרונה של מזמין השירותים שלנו.

תדירות - מספר הרכישות הכוללות של השירותים שלנו על ידי לקוח.

כספית - בכמה קנו הלקוחות את השירותים שלנו?

בעת חישוב ניתוח ה-RFM, עליך לברר אילו לקוחות מתאימים ביותר לעבוד איתם, ואיזה מהם תוכל ליצור אינטראקציה כמה שפחות, או לסרב לחלוטין לשתף איתם פעולה.

על מנת להסתיים הניתוח הזה, נשתמש ב-MS Excel ובבסיס נתונים מוכנים של לקוחות (איור 1).

ראשית עליך להביא את הטבלה הזו לצורה פשוטה וליצור פחות עמודות. יהיו לנו שלוש עמודות: לקוחות; תאריך הזמנה; סכום ההזמנה (איור 2).

לאחר מכן, עליך לספק נתונים לניתוח RFM, עבורם ניצור טבלה המבוססת על הכלי Pivot Table.

הטבלה שהתקבלה (איור 3) מראה כי "גבוהה יותר מוסד חינוכי” אשר ביצעה 12 הזמנות בשווי כולל של 516,800 רובל, וההזמנה האחרונה שלה בוצעה ב-25/12/2014.

כעת כשהטבלה מוכנה ורשומה נוף רצוי, נעבור ישירות לניתוח ה-RFM עצמו.

כמו כן, נעריך לקוחות ונחלק אותם ל-5 קטגוריות. כאשר לקוחות עם האינדיקטורים "הגרוע ביותר" ייכללו בקטגוריה הראשונה, ולקוחות עם האינדיקטורים "הכי טובים" ייכנסו לקטגוריה החמישית. עבור כל קטגוריה באחוזים במרווחים של 20%.

מחוון "M", הקטגוריה הראשונה, יכלול את אותם לקוחות שקיבלו את שירותיו של צלם והביאו לו עד 20% מהרווח מ- כמות מקסימליתכל הערכים של השדה "M". הקטגוריה השנייה תרד מ-20% ל-40% מאותו סכום מקסימלי. זה יימשך עד לקטגוריה החמישית, שתכלול לקוחות עם אחוז של 80% עד 100% מהרווחים. באופן דומה, נעשה עם האינדיקטורים "R" ו-"F".

זה משלים את ניתוח RFM. כפי שאנו יכולים לראות, "תמונה לעיתונים" הוא הלקוח הגרוע ביותר עבור הצלם שלנו, ויש לו אינדיקטורים בצורה של "111" (עדכניות - 1; תדירות - 1; כספית - 1). מכיוון שלא נעשה שימוש בהצעה זו לעתים קרובות (232 ימים), אתה יכול לסרב לה לחלוטין, אם כי רווחים נוספים לא יזיקו.

עם לקוחות כאלה, צלמים מעדיפים למצוא אינטראקציה אחרת. אולי מישהו מנסה למצוא לקוחות כאלה בשביל הרווח הטוב ביותר, ליצור אינטראקציה במעגלים שונים של הפעילויות שלהם, וגם למשוך לקוחות נוספים כדי להתעניין ולקחת שירותים לעתים קרובות ככל האפשר. לחלופין, יש הרואים בהם לקוחות "חד פעמיים", ומעדיפים לא להקדיש להם את זמנם, אלא לקבל הצעות רווחיות יותר, הלקוחות ה"מבטיחים" ביותר שיש להם מדדי RFM גבוהים יותר היו קרובים ל-"555". יש צורך לשפר את הקשר בין הלקוחות והצלם, ולהציע אפשרויות חדשות לשירותיהם.

כמו כן, ניתן לבצע ניתוחים שונים, תוך הסקת מסקנות על סמך מדדי RFM של לקוחות. לדוגמה, יש לקוח עם אינדיקטור של "155" (עדכניות - 1; תדירות - 5; כספית - 5). הנתונים מתפרשים כך - נשמר קשר חלש עם לקוח זה, אולי הלקוח אינו זקוק לעיתים קרובות לשירותי צלמים או שהוא משתמש בתחליף לקבוע שלו. במקרה זה, תוכל לשאול באופן אישי את הלקוח אם הוא זקוק לשירותינו בעתיד.

ישנם לקוחות עם אינדיקטורים "511". אלו הלקוחות שזה עתה יצרו קשר עם הצלם והם "חדשים". הצלם מנסה ליצור קשרים חמים עם הלקוחות הללו, לא לאכזב אותם.

כפי שאנו רואים, נתון ניתוח RFMשימושי לפילוח לקוחות לקטגוריות מסוימות ולאפשר לנו לחקור אותם. לאחר הפצה ולימוד של לקוחות, נוכל ליצור גישות אישיות משלנו אליהם על מנת להגדיל את הרווח של הצלם שלנו.

מחקר זהניתן להשתמש באולפני צילום אחרים, בהוראת צלמים מתחילים וסטודנטים מתחומים והתמחויות שונות.

רשימהסִפְרוּת:

1. אלכסנדרוב V.I. יישום ניתוח RFM בפיתוח אסטרטגיות שיווק ממוקדות בתחום המסחר האלקטרוני // שיווק ומחקר שיווקי. 2014. מס' 5. ש' 332-339.
2. בז'נוב ר.י. על השימוש במערכת דירוג הנקודות להערכה עבודות קדנציהבדיסציפלינה "מערכות וטכנולוגיות אינטליגנטיות" // Privolzhsky Scientific Bulletin. 2014. מס' 5 (33). עמ' 135-138.
3. בז'נוב ר.י. לגבי הארגון משחקים עסקייםבקורס "ניהול פרויקטים של מערכות מידע" // היבט מדעי. 2014. V. 1. No. 1. S. 101-102.
4. בז'נוב ר.י. על ארגון פרקטיקת המחקר בוגרי תואר ראשון בכיוון "מערכות מידע וטכנולוגיות" // מודרני מחקר מדעיוחדשנות. 2014. מס' 9-2 (41). עמ' 62-69.
5. בז'נוב ר.י. עיצוב מתודולוגיית הוראה לדיסציפלינה "טכנולוגיות מידע בניהול" // פדגוגיה מודרנית. 2014. מס' 8 (21). עמ' 24-31.
6. Bazhenov R.I., Veksler V.A., Grinkrug L.S. ניתוח RFM בסיס לקוחותבפתרון היישומי 1C: Enterprise 8.3 // אינפורמטיזציה ותקשורת. 2014. מס' 2. עמ' 51-54.
7. Bazhenov R.I., Lobanova A.M. לימוד יסודות היזמות במחשב משחק כלכלי"קפיטליזם 2" // כלכלה וניהול טכנולוגיות חדשניות. 2014. מס' 4 (31). ס' 35.
8. Veksler V.A., Bazhenov R.I. קביעת הקשר בין עמדות המינוח באמצעות 1C: Enterprise 8.3// מחקר וחדשנות מדעיים מודרניים. 2014. מס' 7 (39). עמ' 45-49.
9. Veksler V.A., Bazhenov R.I. גיבוש מודל להוראת מבוגרים את יסודות טכנולוגיית המידע: היבט אזורי: מונוגרפיה. - בירוביג'אן: מרכז ההוצאה לאור של FGBOU VPO "PSU על שם שלום עליכם", 2014. 126 עמ'.
10. גולובקוב א.פ. ניתוח RFM: מתודולוגיה ופרקטיקה של יישום // שיווק ברוסיה ומחוצה לה. 2013. מס' 6. ג' 11-24.
11. 11. קברינה I.S. ניתוח שיטות קיימות של ניהול בסיס לקוחות לשיפור התחרותיות של ארגון בית מרקחת עלון הרפואה הסיבירית. 2014. ו' 13. מס' 4. ש' 172-180.
12. Razumovskaya E.M., Kutsevol N.G., Popov M.L. פיתוח אסטרטגיה לחברות IT על ידי השוואת תוצאות הפילוח של לקוחות ודרישות הפיתוח של שוק ה-IT Uchenye zapiski Kazanskogo universiteta. סִדרָה: מדעי ההומניטריה. 2011. ו' 153. מס' 4. ש' 211-221.
13. Romanenko E.V., Kravets A.G. כמה סוגיות של עיצוב והטמעה של מערכת המידע המבוזרת "TOUREAST: CRM AI" // Caspian Journal: Management and High Technologies. 2013. מס' 4. ש' 165-176.
14. סורוקינה T.I. איך להגדיל את המכירות של מערך ההפצה // תעשיית החלב. 2015. מס' 2. ש' 13-14.
15. Yakimov A.S., Bazhenov R.I. פילוח לקוחות באמצעות ניתוח RFM // כלכלה וניהול טכנולוגיות חדשניות. 2015. מס' 1 [משאב אלקטרוני]. כתובת אתר: http://ekonomika.snauka.ru/2015/01/7064 (תאריך גישה: 27/03/2015).
16. Mahboubeh K., Kiyana Z., Sarah A., Somayeh A. הערכת ערך חיי הלקוח על סמך ניתוח RFM של התנהגות רכישת לקוחות: מקרה מבחן // Procedia Computer Science. 2011. מס' 3. ג' 57-63.
17. ויקיפדיה. ניתוח RFM. [משאב אלקטרוני]. // ויקיפדיה, האינציקלופדיה החופשית. כתובת אתר: https://ru.wikipedia.org/wiki/RFM-%D0%B0%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7 (תאריך הגישה: 27/03/15 ).
18. Ya-Han H., Tzu-Wei Y. גילוי דפוסים תכופים יקרי ערך המבוססים על ניתוח RFM ללא מידע זיהוי לקוח. // מערכות מבוססות ידע. 2014. ת' 61. ג' 76-88.

לפיכך, לקוחות שקנו לאחרונה, הם קונים תכופים ומוציאים הרבה, מקבלים ניקוד 5 |5|5 . הם הלקוחות הכי טובים שלך.

במקרה הזה, אלכסנדרה היא VIP- לקוחה, לא אנה, שהוציאה הכי הרבה.

מצד שני, הלקוח שהוציא הכי פחות, קנה מזמן ולא מרבה לקבל ניקוד 1|1|1 . במקרה הזה, זה ניקולס. עכשיו זה הגיוני, לא?

איך מחשבים את הציון RFMבסולם של 1-5?
עסקים שונים עשויים להשתמש בשיטות שונות כדי לדרג ערכים RFMבסולם של 1 עד 5. אבל הנה שתי השיטות הנפוצות ביותר.

שיטה 1: טווחים קבועים פשוטים:

דוגמא:

אם מישהו קנה במהלך האחרון 24 שעות, דרג אותם 5 .
לאחרון 3 ימים - 4 . לְמַנוֹת 3 אם הם קנו במהלך החודש הנוכחי, 2 - במהלך ששת החודשים האחרונים ו 1 - לכל השאר.

כפי שאתה יכול לראות, קבענו את הטווח עבור כל ניקוד בעצמנו. ספי הטווח מבוססים על אופי העסק. באותו אופן, אתה מגדיר טווחים עבור תדר וערכים כספיים.

שיטת הערכת שווי זו תלויה בעסקים בודדים שכן הם מחליטים איזה טווח הם רואים כאידיאלי עבור מחזוריות, תדירות וערכים כספיים.

בעת שימוש בשיטת חישוב זו, ישנם כמה ניואנסים.
ככל שהעסק גדל, טווח הציונים עשוי לדרוש התאמות תכופות.

שיטה 2: האחוז מפוצל ל-5 ערכים שווים על סמך נתונים זמינים.

שיטה זו קצת יותר מסובכת מאחר שצריך לעבוד עם אחוזים, אבל בתורה היא פותרת הרבה מהבעיות שאתה עלול להיתקל בהן בעת ​​השימוש בשיטה הראשונה. גישה זו עובדת עם כל תעשייה מכיוון שהטווחים נבחרים מהנתונים עצמם ומחולקים באופן שווה.
כמובן, אנו ממליצים להשתמש בשיטה זו מכיוון שהפילוח יהיה מדויק יותר.

סיכום חישובי RFM:

קח את הנתונים של הלקוח שלך, תן ציון מ 1 לפני 5 ל ר, וו M.
ייצוג גרפי RFMלעזור לך ולמקבלי החלטות אחרים להבין טוב יותר את ניתוח ה-RFM של הארגון שלך.

ר, וו Mיש דירוגים מ 1 -5 , סך הכל 5 איקס 5 איקס 5 = 125 שילובי ערכים. שלושה מימדים ר, וו Mניתן לשרטט בצורה הטובה ביותר על דיאגרמת תלת מימד. אם הסתכלנו כמה לקוחות יש לנו עבור כל ערך RFM, נצטרך להסתכל 125 נקודות מידע.

אבל תעבוד עם תלת מימד-גרפים על נייר או מסך מחשב לא יעבדו. אנחנו צריכים משהו בדו מימד, משהו שקל יותר לצייר ולהבין.

ייצוג פשוט של ניתוח RFM:

בגישה זו, אנו משתמשים בתדירות + נקודת מזומן על ציר ה-x (טווח 0 עד 10) ובזמן הרכישה האחרונה (טווח 0 עד 5) על ציר y. זה מפחית את השילובים האפשריים מ-125 ל-50. שילוב F ו-M לתוך קריטריון אחד הגיוני כי שני הערכים קשורים לכמות הלקוח קונה. R (עדכניות) על הציר השני נותן לנו מַבָּטלרמות של מעורבות מחדש עם הלקוח.

שיפור יעילות – יצירת פלחים.

הבנת 50 אלמנטים עדיין יכולה להיות מייגעת. לכן, אנו יכולים לסכם את הניתוח שלנו ל-11 פלחים כדי להבין טוב יותר את הלקוחות שלנו.
אם אתה זוכר, דנו בקטעים האלה בתחילת מאמר זה.

הנה טבלה שמסבירה איך אתה יכול ליצור 11 קטעיםלקוחות על סמך דירוגים RFM.
מתן צבע ברור לכל פלח יקל על זכירת הלקוחות והבנת המצב העסקי הנוכחי.

הנה דוח הסיכום הסופי שלנו RFM-אָנָלִיזָה!

התמחות: CRM, מערכת הנחות UDS Game, שוברי מתנה, כרטיסי הנחה, ניתוח RFM, שליחת SMS, החלפה עם Bitrix.

קטגוריות:

איך לסווג לקוחות. ניתוח RFM

פילוח בסיס לקוחות עוזר לזהות את אותם לקוחות שיש להם סיכוי גבוה יותר להתעניין במבצע הקידום שלך. הַחזָקָה קמפיין פרסום, המיועד ללקוחות הכי מתעניינים, מאפשר לך להרוויח עם פחות עלויות פרסום.

ניתוח RFM

אחד ה שיטות יעילותפילוח של בסיס הלקוחות יכול להיחשב כניתוח RFM המבוסס על שלושה אינדיקטורים, המסודרים בסדר יורד של חשיבותם:

1. לאחרונה היא התקופה שחלפה מאז הרכישה האחרונה ועד היום. ככל שחלף פחות זמן מאז הרכישה האחרונה, כך גדל הסיכוי שהלקוח יגיב להצעת הקידום.
2. תדירות רכישה (תדירות) - סך הכלרכישות של לקוחות. ככל שלקוח מבצע רכישות בתדירות גבוהה יותר, כך גדל הסבירות שהוא ירצה לבצע רכישה שוב.
3. ערך כספי של רכישות (Monetary) - סכום הכסף הכולל עבורו בוצעו רכישות במשך כל התקופה. קונים שהוציאו עוד כסף, נוטים יותר לרכישה חדשה מאשר אלה שהוציאו פחות.

השלב הראשון בניתוח RFM הוא להקצות ערכים לכל לקוח עבור שלושה אינדיקטורים (זמן רכישה, תדירות רכישות, ערך כספי של רכישות). לכל אחד מהאינדיקטורים יש חמישה ערכי דירוג מ-1 עד 5, כאשר האינדיקטור הטוב ביותר הוא 5, והגרוע ביותר הוא 1.

פילוח לפי גיל רכישה

לפילוח לפי מרשם רכישה, יש צורך להקצות חמישה מרווחי זמן, לחיצה שתקבע את הערך של כל לקוח

דוגמה לבחירת טווחי פילוח לפי גיל רכישה:

טווח (בחודשים)		הערה
0 — 2	5	לאחרונה
2 — 5	4	לאחרונה
5 — 9	3	גיל העמידה
9 — 12	2	במשך זמן רב
מ-12	1	לפני זמן רב

בחירת טווחי הערך תלויה במאפייני עבודת החברה (עונתיות, צריכת זמן רכישה, מרווח ממוצע בין רכישות הלקוח, חיי לקוח וכו').

פילוח לפי תדירות רכישות וערך כספי מתרחש באופן דומה. ראוי לציין כי יש צורך לקחת בחשבון גם את הפרטים הספציפיים של החברה והסחורה או השירותים הנמכרים (פופולריות, עלות הסחורה וכו'). להלן כמה דוגמאות.

פילוח לפי תדירות רכישות:

פילוח לפי ערך כספי של רכישות:

כתוצאה מכך, לכל לקוח יהיו 3 דירוגים (לדוגמה, R5-F1-M1). מכלול האומדנים הללו הוא הפלח. יכולים להיות 125 קטעים כאלה.

פיצול מסד הנתונים למקטעים

הערך הכספי של רכישות לרוב אינו נלקח בחשבון בפועל, מכיוון שהוא תלוי מאוד בתדירות הרכישות, כך שניתן לשקול פלחים במונחים של R ו-F (או R ו-M).

	R5-F5	R4-F5	R3-F5	R2-F5	R1-F5
	R5-F4	R4-F4	R3-F4	R2-F4	R1-F4
	R5-F3	R4-F3	R3-F3	R2-F3	R1-F3
	R5-F2	R4-F2	R3-F2	R2-F2	R1-F2
	R5-F1	R4-F1	R3-F1	R2-F1	R1-F1

הלקוחות הטובים ביותר	שירות VIP. ללא תמריצי מחיר, מוצרים חדשים ותוכנית נאמנות
הטובים שבטובים
עם פוטנציאל גדול	ללא תמריצי מחיר, מוצרים חדשים ותוכנית נאמנות
חָדָשׁ
נֶאֱמָן	להניע עם מבצעים, הנחות, בונוסים
כמעט אבוד	להניע עם מבצעים, הנחות, בונוסים
אָבֵד	תציעו הצעה משתלמת להעביר למגזר אחר, ואם זה לא עוזר, אל תבזבזו עליהם אנרגיה
אבוד לגמרי
אָבֵד הלקוחות הקבועים (הטובים ביותר).	לקבל מָשׁוֹבלמה להפסיק לקנות. תציעו הצעה משתלמת להעביר למגזר אחר, ואם זה לא עוזר, אל תבזבזו עליהם אנרגיה
קבוע ערך F = 5	אם עם מחוון זה המחוון M נמוך, אז אתה יכול לעורר את ההצעה של מוצרים קשורים כדי להגדיל את סכום ההמחאה
לבזבז הרבה מחוון M = 5	הצע הצעות רווחיות, גלה מה מונע מהם לקנות לעתים קרובות יותר

לאחר פירוק בסיס הלקוחות שלך לפילוחים, תוכל לקבוע אילו לקוחות בקהל הלקוחות שלך ראויים ליותר תשומת לב, ואילו מהם לא צריכים להשקיע זמן ומאמץ.

בהתבסס על חומרי המאמר, הוכן עיבוד 1C המבצע את סיווג RFM של בסיס הלקוחות.

היתרונות שלנו

התמחות

100% מהלקוחות שלנו הם מתחום המסחר.

פתרונות מוכנים

הפיתוחים שלנו נבדקים בפועל.

מחיר אופטימלי

1200 ר' לשעה - זול אפילו לאזורים.

ציון

• 

  רב מכר

  שילוב מערכת הנחות UDS Game עם 1C

  9 000 לשפשףהוסף לעגלה
• 

  שימוש בקופונים הנחה ב-UT 10.3

  20 000 לשפשףהוסף לעגלה
• 
  

  צ'טבוט ב-1C לטלגרם

  120 000 לשפשףהוסף לעגלה
• 

  שוברי מתנה בענן עבור 1C UT 10.3

  30 000 לשפשף

מאז ש-Mindbox אמר לראשונה Machine Learning, הכפתור הירוק הגדול היה מטרה משותפת. זה כפתור כזה במסך מלא, כשלוחצים עליו הכל עובד מעצמו ומרוויח.

בפרויקט האנליטי של RFM המטרה פחות שאפתנית - הכפתור הירוק הקטן. אתה לוחץ, ומסד הנתונים מחולק אוטומטית למקטעים, שמתחילים לשלוח מכתבים (למשל).

כפתור חדש במערכת שלנו

כדי להשיג את המטרה שלנו, כתבנו פילוח RFM אוטומטי ופיתחנו דוח מיוחד כדי להמחיש את התוצאות.

אנחנו מספרים איך הכל קרה ולמה עכשיו אתה יכול להסתדר בלי אנליסטים כדי להקדיש יותר זמן למשימות פחות טריוויאליות.

מהו ניתוח RFM

התוצאה של ניוזלטר במייל תלויה בטווח ההגעה של הקהל ובאיכות הניוזלטר עצמו. אתה לא יכול להגדיל את הכיסוי ללא הגבלת זמן, מה שאומר שאתה צריך להגדיל את האיכות. לשם כך, יש להתאים את הניוזלטר, שכן כל האנשים שונים וכל אחד צריך משהו אחר.

בדרך כלל יש הרבה צרכנים, קשה לעשות אות בודדת לכל אחד. כדי להתמודד עם הבעיה, משווקים מחלקים את הצרכנים לקבוצות - פלחים.

אתה יכול לשתף בדרכים שונות. אפשרות אחת היא ניתוח RFM.

כלומר, ניתוח RFM הוא שיטת פילוח. פלחים הם קבוצות צרכנים שאינן חופפות. ניתוח RFM מציע להדגיש שלוש תכונות עבור כל קונה:

• R (Recency) - לפני כמה זמן הלקוח ביצע את ההזמנה האחרונה.
• F (תדירות) - כמה הזמנות ביצע הלקוח בסך הכל.
• M (כספי) - כמה כסף הוציא הלקוח.

רב חברות שיווקלעשות ולהשתמש בניתוח RFM. אנחנו כלולים. במאמר על פילוח RFM, סיפרנו איזה סוג של דו"ח אנחנו יכולים לעשות וכיצד זה יכול לעזור למשווקים.

גישות קיימות לניתוח RFM

הגישות הקיימות לניתוח RFM זהות בערך לכולם.

הלקוחות מחולקים לקבוצות לפי כל תכונה. בדרך כלל אין יותר מחמש קבוצות כאלה. הצמתים של קבוצות נקראים קטעים.

כך נראה פילוח צרכנים באמצעות ניתוח RFM. כאן, כל תכונה מחולקת לשלוש קבוצות, וחלק מהקבוצות מחולקות לתת-קבוצות.

לדוגמה, כאשר מחולקים לארבע קבוצות עבור כל אחד משלושת המאפיינים, נוצרים 64 (4x4x4) מקטעי צרכנים, ולחמישה - כבר 125 מקטעים.

הקושי העיקרי הוא לקבוע את גבולות הקבוצות, כי אין כלל מוגדר כיצד לעשות זאת.

שקול את הגישות הפופולריות ביותר בדוגמה של בסיס לקוחות אחד:

דוגמה להתפלגות הצרכנים לפי כמות הכסף שהוצאה (M) ומרשם ההזמנה האחרונה (R)

אנו משתמשים רק בשתי מדידות (R ו-M) מתוך שלוש כדי להקל על התפיסה.

בדוגמה שלנו:

• כמות הרכישות נעה בטווח שבין 0 ל -15 אלף רובל.
• מרשם הרכישה נע בטווח שבין שעה ל-240 ימים.

גישה 1. חלוקה לחלקים שווים לפי טווחי ערכים

בגישה זו, החלוקה נעשית על סמך ערכי התכונות. במקרה שלנו, אנו מבחינים בשלוש קבוצות על ידי הוצאות: עד 5 אלף רובל, מ-5 עד 10 אלף ומ-10 אלף. ושלוש קבוצות לפי מרשם תקופת הרכישה: עד 80 יום, מ-80 עד 160 יום, מ-160 יום.

אנחנו מקבלים תשעה קטעים.

כאשר מחלקים אותם לחלקים שווים לפי טווחי ערכים, רוב הצרכנים נכנסים לפלח ה"פינה".

יתרונות השיטה:

• קל לאוטומטי.
• אתה יכול לזהות את "הכי הרבה": אלה שקונים הכי הרבה, הכי הרבה, ואלה שלא קנו הרבה זמן.

חסרונות השיטה:

• ההתפלגות לפי קבוצות אינה אחידה: בדוגמה, 86% מהצרכנים נמצאים בפלח אחד, 13% בשני, ו-1% מתחלקים בין שבעת הפלחים הנותרים.
• פלחים רבים (זכור שגם אם מחולקים ל-3 חלקים עבור כל תכונה, יהיו 27 פלחים).

גישה 2. חלוקה לחלקים שווים במספר הצרכנים

בגישה זו מתבצעת החלוקה לפי כל תכונה כך שאותו מספר צרכנים ייכלל בקבוצות.

כך מתחלקים הקונים מהדוגמה שלנו (עדיין מחולקים לשלושה חלקים עבור כל תכונה):

כאשר מחלקים לקבוצות של מספר שווה של אנשים, הן לקוחות שהוציאו אלף רובל והן לקוחות שהוציאו 15 אלף רובל יכולים ליפול לפלח אחד

יתרונות השיטה:

• קל לאוטומטי.
• בדרך כלל, אין חוסר איזון חזק בין הקבוצות.

חסרונות השיטה:

• לקוחות "מיוחדים" מובחנים בצורה גרועה.
  בדוגמה, בקטע אחד היו צרכנים שקנו ב-1,000 רובל וב-15,000. יחד עם זאת, מי שקנה ​​בסכומים ממש גדולים לא בלט בקבוצה נפרדת (בניגוד לשיטה הקודמת).
• מספר הקבוצות עבור כל תכונה זהה.
• הרבה קטעים.

גישה 3. ידני

האנליסט בוחן את מסד הנתונים ובוחר את המחיצה הנכונה.

יתרונות השיטה:

• פילוח טוב.

חסרונות השיטה:

• אנחנו צריכים מומחה.
• זה לוקח הרבה זמן.

דוח RFM בלחיצה אחת עם למידת מכונה

החלטנו להיפטר מהחסרונות של הגישות הישנות. לשם כך, היינו צריכים להיעזר באלגוריתמים.

באמצעות שיטות מקבץ, אנו קובעים באופן אוטומטי כמה מקטעי צרכנים נמצאים בפועל במסד הנתונים ומהם הפלחים הללו. ובעזרת עץ החלטות אנו מביאים את הקטעים הללו לצורה נוחה לתפיסה. איך זה עובד תואר במאמר על מכשיר הסגמנטר.

עבור הדוגמה למעלה, קיבלנו את התוצאה הבאה:

כדי להפוך את כל זה לנוח ומובן למשווקים, פיתחנו דוח שמתאר בצורה נוחה וברורה (כפי שזה נראה לנו) את תוצאות הפילוח.

כדי לקבל את זה, פשוט לחץ על כפתור אחד - והמערכת תעשה הכל בעצמה.

הדוח מתאים לדף אחד ומורכב משלוש טבלאות.

חלק 1. הערכת מצב הבסיס

הטבלה הראשונה היא טבלת ציר. הוא מכיל מידע על כל מקטעי הבסיס, המתקבל על בסיס ניתוח RFM. מדדים מרכזיים: פעילות הצרכנים במגזר וערכם.

הפעילות נקבעת לפי גיל הרכישה האחרונה, והערך נקבע לפי הסכום שהוצא.

כל קטע שייך לאחת מהקטגוריות. כל קטגוריה יכולה לכלול כמה מקטעים או אף אחד בכלל. התאים מציגים את המספר הכולל של צרכנים מכל מגזרי הקטגוריה.

נ.ב. כאן, "נטישה" ו"סיכון נטישה" משמשים כקיצורים של "מזמן שאינם קונים" ו"לקוחות ממוצעים לפני זמן רב" ואינם מתכוונים לנטישה. פשוטו כמשמעוהמילה הזו. כמו כן, "פעיל" הוא הכינוי ל"לקוחות שנרכשו לאחרונה".

בדוגמה למעלה, ל-80% מהלקוחות אין רכישות, כמעט שליש מהלקוחות בעלי הערך הגבוה נמצאים בנטישה, ושליש נוסף נמצאים בסיכון.

הערכת מצב המאגר עוזרת לך לבחור את הקטגוריה שחשוב לעבוד איתה מלכתחילה.

כדי להראות כיצד להשתמש בדוח, בואו ניקח לקוחות בעלי ערך גבוה, כלומר לקוחות שהוציאו הכי הרבה כסף.

חלק 2. קטעי לימוד

הטבלה השנייה של הדוח מציגה: גודל הפלח, המחזור, כלומר סכום ההוצאות של כל הצרכנים בפלח והצ'ק הממוצע.

כל מגזרי הלקוחות מוצגים כרשימה. לדוגמה, הנה רשימה של פלחי לקוחות שיש להם רכישות.

במסד הנתונים שלנו, קיבלנו 12 פלחים של קונים עם רכישות

כדי להציג רק לקוחות בעלי ערך גבוה בדוח, אנו משתמשים במסנן.

כך נראית הגדרת המסנן לחיפוש פלחי לקוחות בעלי ערך גבוה

כתוצאה מיישום המסנן, אנו מקבלים שבעה פלחי לקוחות בעלי ערך גבוה.

התוצאה של החלת מסנן כדי למצוא פלחי לקוחות בעלי ערך גבוה

על סמך מידע זה ניתן להסיק מסקנות שונות.

כך למשל, לפלח מס' 2 יש מחזור מכירות גבוה משמעותית מאחרים, עם חשבון ממוצע מתון. זה מדבר על מספרים גדוליםרכישות של צרכנים במגזר זה ונאמנותם הגבוהה. מבלי לחשוש מזרימת לקוחות, תוכלו לשלוח להם מכתבים ולספר להם, למשל, על מוצרים חדשים.

עכשיו בואו נשים לב לצ'ק הממוצע: פלח מס' 7 עם הצ'ק הממוצע הגדול ביותר נמצא ביציאה, וקטע מס' 9 עם הצ'ק הממוצע השני בגובהו נמצא בסיכון. צרכנים מהמגזרים האלה מוכנים לקנות סכומים גדולים, אבל לא קנו הרבה זמן. אולי הגיוני לעודד אותם לנקוט בפעולה באמצעות קוד קידום מכירות או ניוזלטר.

לימוד הקטעים הכרחי על מנת להבין על אילו קטעים כדאי לעבוד קשה.

חלק 3. פרטי קטע

הטבלה האחרונה מציגה את גבולות הפלחים עבור כל תכונה (R, F, M) ואת הערכים הממוצעים שלהם

תיאור מפורטבטבלה השלישית עוזר לקבל מידע נוסף על הפלחים המעוניינים. למשל, טבלה זו מראה שלצרכנים ממגזר מס' 2 אכן יש יותר רכישות מאחרים - בממוצע 12

אנחנו צריכים לבחור עם איזה קטע אנחנו רוצים לעבוד קודם. נניח שאנו מעוניינים בקטעים עם הבדיקות הממוצעות הגדולות ביותר: #7 ו-#9. בואו נשקול אותם ביתר פירוט.

בקטע מס' 7, לקוחות לא ביצעו רכישה כבר כמעט שנה - לא יהיה קל להחזיר אותם. אבל אולי שווה לנסות, כי בממוצע ביצעו צרכנים בפלח הזה 2.1 רכישות, מה שאומר שהקנייה הראשונה לא אכזבה אותם. סביר להניח שהנחה טובה תעזור להם להתעניין שוב באופן פעיל במותג.

עם פלח מס' 9 זה יותר קל - תאריך הרכישה הממוצע מלקוחות ממנו הוא שלושה חודשים בלבד, ומספר הרכישות הממוצע הוא 2.8. סביר להניח שלקוחות אלו די נאמנים ואינם דורשים שום פעולה ביחס לעצמם. אבל אתה יכול לשלוח מייל עם פרסומת או הנחה קטנה כדי להזכיר לך את המותג.

כאשר נבחרים הפלחים לפעולה נוספת, ניתן להפעיל את הקמפיינים השיווקיים הרצויים.

עד עכשיו כפתור ירוקנשאר מעט מאוד

יצרנו פלח RFM אוטומטי והיינו מרוצים - לוקח 20 שניות מזמנו של אדם לקבל את התפלגות קהל הלקוחות לפי פלחים.

אנחנו הולכים להפוך את ההגדרה של קמפיינים שיווקיים למקטעים לאוטומטיים כך שאדם לא יצטרך לבזבז זמן על זה.

כמובן, חבל שאף אחד אחר לא יזדקק לדוח שלנו, אבל התקדמות טכניתלא חוסך באף אחד.

צוות Mindbox

מומחה למידת מכונה

לאנה שאקירובה
משווק תוכן

פילוח RFM מורכב משלושה פרמטרים:

עדכניות (R)- תאריך הרכישה האחרונה

כלומר, כמה זמן עבר מאז האינטראקציה עם הלקוח בימים, שבועות או חודשים. זה מחושב כהפרש בין התאריך הנוכחי לתאריך של ההזמנה האחרונה. לקוחות שרכשו ממך לאחרונה נוטים יותר להזמנות חוזרות מאלה שלא הראו פעילות במשך זמן רב. משתמשים שקנו לפני זמן רב יכולים להתחדש רק בהצעות שמושכות אותם בחזרה.

תדירות (F)- תדירות כוללת של רכישות

מראה כמה אינטראקציות (רכישות) היו לך עם לקוח במהלך פרק זמן מסוים. אם שני הצדדים מרוצים, יש סיכוי לשמור על תדירות הרכישות או להגדיל לטובתך. ככל שלקוח ביצע ממך יותר רכישות, כך גדל הסיכוי שהוא יחזור עליהן בעתיד. בדרך כלל, אינדיקטור זה קשור קשר הדוק למרשם הרכישה.

כספי (M)- היקף הרכישות

כמו האינדיקטורים הקודמים, הוא מחושב לתקופה מסוימת או למספר מסוים של אינטראקציות. מראה מה היה "ערך הלקוחות" מבחינת הכנסות ורווחיות, או ליתר דיוק, כמות הכסף שהוצאה. ניתוחים מצטברים של כסף מייצגים לעתים קרובות לקוחות שהרכישות שלהם משקפות ערך גבוה יותר לעסק שלך.

חשוב לחשב את כל האינדיקטורים לעיל לתקופה המציגה בצורה המדויקת ביותר את הנתונים הנדרשים. נניח שאפשר לקחת דגימה של שנה אחת ולחלק אותה לרבעים.

בדרך כלל, אחוז קטן מהלקוחות מגיבים להצעות קידום מכירות כלליות. RFM מצוין לניבוי תגובת הלקוחות ולשיפור המעורבות וכן להגדלת הרווחים. RFM משתמש בהתנהגות לקוחות כדי לקבוע כיצד להתמודד עם כל קבוצת לקוחות. חשיבות האינדיקטורים מדורגת לפי רצף האותיות - מרשם, תדירות, כסף. לפעמים יש שם פילוח RFכאשר Monetary אינו משמש כי ערכו תלוי לעתים קרובות בתדירות. פילוח מאגר הלקוחות לפי עיקרון זה מאפשר לזהות את מי שבאמת צריך לעבוד איתם, חלוקתם לפלחי לקוחות (פעילים, רדומים, צומחים), פיתוח הצעות שיווק ממוקדות לקבוצת הלקוחות הפעילה ביותר.

האם אתה רוצה לערוך ניתוח RFM של בסיס קשרי הלקוחות של העסק שלך?

• אנו ניצור עמכם קשר, נבהיר מהם הנתונים שברשותכם ועל בסיסם נכין מסמך עם דוח בחינם תוך שבוע.
• אנו מהימנים על ידי יותר מ-2,000 חברות, אך כדי להבטיח את בטיחות הנתונים של הלקוחות שלך, אנו יכולים לחתום על הסכם הגנה על מידע סודי.

הגדרת תנאי RFM

ההגדרות של "מרשם", "תדירות" ו"כסף" הן אפילו אינטואיטיביות, אבל המשימה שלנו היא להפוך אותן למספרים שניתן להשתמש בהם כדי להעריך RFM, וזה כבר קצת יותר מסובך.

בואו נציג את הנתונים שלנו בצורה של טבלה, ממוינים לפי הערך הראשון - תאריך הרכישה האחרונה (R).

	תאריך הרכישה האחרונה (R)	נפח רכישות (F)	כמות הרכישות, UAH	חשבון ממוצע, UAH (M)
איבן פטרוב
פטר איבנוב
אולג פליושץ'
סידור פטרוב
אוליה סידורובה
אנה וולקובה

אנו נניח מיד "משקל" עבור כל אינדיקטור (R, F, M) עבור כל לקוח, בהתבסס על הנתונים שהתקבלו. כדי להעריך את בסיס הלקוחות, נשתמש בערכים מספריים מ-1 עד 3, או באחוזים שהוקצו לכל לקוח כתוצאה מהניתוח. מטעמי נוחות, בואו נחלק את כל בסיס הלקוחות ל-5 חלקים שווים עבור כל אחד מהאינדיקטורים. נניח, מהדוגמה שלנו, לפי האינדיקטור "נפח רכישות" F - 1,2,3,4,5.

1 - הנפח הגרוע ביותר עבורנו, סמן אותו כ-1;

2,3,4 - תוצאה ממוצעת, סמן אותה כ-2;

5 הוא הערך F הטוב ביותר. זה ה-3 שלנו.

אז: 1 זה רע, 2 זה ממוצע ו-3 זה טוב. על ידי הנחת "משקל" עבור כל אינדיקטור על מנת לדרג את הרשימה באמצעות משקלים אלו.

כעת אנו יכולים לקבוע בקלות מהו הלקוח הטוב ביותר עבורנו עם תוצאות של 333. 111 מראה שהלקוח מתעניין בנו לעיתים רחוקות, אולי אפילו פעם אחת. על סמך התוצאות שהתקבלו, ניתן לבחור אפשרויות כיצד להתמודד עם קבוצת לקוחות מסוימת.

הדבר העצוב הוא שבדרך כלל 111 הוא הקטע הגדול ביותר. ויפה שאי אפשר לבזבז זמן על מי שכבר אבוד ולהתרכז בלקוחות החשובים באמת עבורנו.

היתרון של פילוח RFM הוא שניתן לבצע את הניתוח אפילו על אינדיקטור אחד שהכי מעניין אותך או לשלב אינדיקטורים, אם כי פילוח מלא של בסיס הלקוחות ייתן לך הרבה יותר הזדמנויות. נניח שניקח רק את המרשם והתדירות כבסיס, ונתווה גרף של הנתונים המתקבלים:

מגזר ירוק 5% - הלקוחות הטובים ביותר שמגיבים באופן אקטיבי לכל דבר, קונים וכו', בהתאמה, מגזר 1.1 - "אנחנו מפסידים אותם". אתה צריך לעבוד עם כל אחד מהקטעים של הטבלה בצורה שונה, להציע אותם תנאים שוניםשיתוף פעולה.

אנחנו תמיד אומרים שטוב לראות את המצב בסטטיקה (איך אנחנו מסתדרים עכשיו), אבל עוד יותר חשוב לראות בדינמיקה (לאן אנחנו זזים). אם תחשב את אותה טבלה לתקופה הקודמת ו"כפה" אותה על זו של היום, תוכל לראות כיצד הנתונים משתנים:

במגזר 1.1 ירד המדד ב-6%, הודות לירידה במספר הלקוחות הפסיביים. מנגד, במגזר 3.3 גדל מספר "הלקוחות הטובים" ב-2%. ובכן, זה אומר שאנחנו עובדים בכיוון הנכון. יש צורך לנתח בגלל מה זה קורה ולאחד את התוצאה.

הנתונים האלה כבר מספיקים לעבודה אפקטיבית עם לקוחות, אבל אם תוסיפו את קטע הכסף לאינדיקטור הזה, העבודה על מספרים תהפוך אפילו יותר מעניינת :) RFM מאפשרת לפלח את מסד הנתונים כך שתבזבז זמן וכסף בצד ימין לקוחות. נסו לפלח לפי אינדיקטור אחד לפחות, ואפילו עבודה עם הנתונים הללו יכולה לתרום לצמיחת הלקוחות הקבועים.

המאמר עודכן מתאריך 17/11/2013