مدل RFM در تجزیه تحلیل اطلاعات مشتری چیست ؟

 

اگر درباره تحلیل داده مشتری جستجو کنید احتمالاً به واژه RFM بر می‌خورید. RFM یک روش برای دسته‌بندی مشتریان است.

 

دسته‌بندی مشتری شاید در نگاه اول پیچیده به نظر می‌آید؛ اما در واقع یک منطق بسیار ساده دارد. مشتریانی که رفتاری شبیه به هم دارند خواسته‌ها و نیازهای مشابه هم دارند؛ بنابراین می‌توانیم مشتریان را بر اساس اطلاعاتی که از رفتار آنها داریم به چند گروه تقسیم کنیم.

 

تقسیم‌بندی مشتری کمک بزرگی برای هدفمند کردن فعالیت‌های یک شرکت است. در این مقاله راجع به روش تحلیل داده RFM و تقسیم‌بندی مشتری به کمک آن صحبت کرده‌ایم، با دیکام همراه باشید.

 

چرا مشتریان را به چند گروه تقسیم‌بندی می‌کنیم؟

شرکت‌ها معمولاً فعالیت‌های تولید و بازاریابی خود را به شکل هدفمند انجام می‌دهند. این موضوع یک علت ساده دارد. کالا یا خدمتی که به درد تمام افراد یا آدم‌های جامعه بخورد وجود ندارد! بنابراین شرکت‌ها برای کالا و خدمات خود مشتری‌‌هایی با ویژگی‌های خاص را در نظر می‌گیرند، سپس بر اساس این ویژگی‌ها مشتری‌ها را به چند گروه تقسیم می‌کنند و روی آنها متمرکز می‌شوند.

 

تقسیم‌بندی بازار و مشتری به شرکت‌ها امکان می‌دهد تا:

 

• مشتری‌های وفادار و مهم را شناسایی کنند و روی آنها متمرکز بشوند

 

• مشتریان در خطر ریزش یا ازدست‌رفته را شناسایی کنند

 

• محصولات و خدماتی را ارائه کنند که به نیاز و خواسته‌های مشتری نزدیک‌تر است

 

• کالا و خدمات خود را از کانال‌هایی عرضه کنند که به دست مشتری هدف برسد

 

• بودجه و فعالیت‌های بازاریابی و فروش خود را روی مشتری‌های اصلی متمرکز کنند

 

 

روش RFM چگونه به وجود آمد؟

RFM یک روش قدیمی اما بسیار کارآمد است که از صنعت بازاریابی و تبلیغات شروع و راه خود را به سایر بخش‌های کسب‌وکار پیدا کرده است. درگذشته و پیش از ظهور اینترنت بازاریاب‌ها برای تبلیغ و فروش محصولات از نامه‌‌نگاری استفاده می‌کردند. استفاده از نامه‌های تبلیغاتی به حدی رایج بود که اصطلاح junk mail در آمریکا برای اشاره به آنها استفاده می‌شد.

 

خودتان را به‌جای آن بازاریاب‌ها قرار بدهید. تصور کنید که قرار است برای تعداد زیادی از افراد نامه فیزیکی بفرستید. باید هزینه زیادی برای تایپ نامه و پست بپردازید و فاصله زمانی بین ارسال تا پاسخ گرفتن هم زیاد است. از طرفی نرخ تبدیل این روش بسیار پایین است؛ یعنی افراد کمی بعد از دریافت نامه خرید می‌کنند.

 

شما اگر به‌جای آنها بودید چه می‌کردید؟

 

ازآنجایی‌که روش دیگری در دسترس آنها نبود بهترین کارافزایش بهره‌وری روش فعلی بود.مارکترها به این فکر افتادند که: اگر به سراغ آدم‌هایی برویم که احتمال خرید آنها بیشتر است و افرادی که احتمال خرید پایینی دارند را از لیست دریافت‌کنندگان تبلیغ حذف کنیم چه اتفاقی می‌افتد؟

 

ایده خوبی بود؛ اما چطور؟ وقتی تعداد زیادی مشتری دارید (صدها و هزاران نفر) امکان شناسایی و تحلیل آنها به‌صورت موردی وجود ندارد؛ بنابراین از داده‌های که در اختیار داشتند استفاده کردند تا مشتری‌ها را رتبه‌بندی و به چند گروه تقسیم کنند و برای این کار باید یک معیار یا متریک را انتخاب می‌کردند.

 

مدل RFM چیست؟

بازاریاب‌هایی که داستان آنها را در بالا عنوان کردیم سه معیار برای رتبه‌بندی مشتری انتخاب کردند. این سه معیار سرواژه‌های RFM را تشکیل می‌دهند. در این مدل به هر مشتری یک نمره می‌دهیم (بر اساس سه شاخص یا ویژگی) مشتری‌هایی که رتبه‌های مشابه دارند در یک گروه قرار می‌گیرند.

 

معیار اول، آخرین خرید مشتری (Recency) :

اولین شاخص این بود که آیا مشتری به‌تازگی از ما خرید کرده است؟ احتمال خرید در مشتری‌های که قبلاً خرید داشته‌اند و مدت‌زمان زیادی از خرید آنها نگذشته است بالاتر از بقیه است. اگر مدت‌زمان زیادی از آخرین خرید آنها گذشته باشد باید نوع پیشنهاد و تخفیفی که به آنها می‌دهیم را تغییر داد.

 

معیار دوم، تناوب خرید مشتری (Frequency) :

تناوب خرید؛ یعنی مشتری چند وقت یکبار از ما خرید کرده است. هر چه بازه‌های زمانی بین خریدها کمتر باشد احتمال خرید مجدد بیشتر است. از طرفی درباره نوع خرید و عادت‌های این مشتری‌ها اطلاعات بیشتری داریم

 

معیار سوم، ارزش خرید مشتری (Monetary value) :

مشتری چه مبلغی را خریداری کرده است؟ به‌صورت منطقی مشتری که خرید بیشتر و باارزش‌تری داشته باید در اولویت بالاتری قرار بگیرد؟ شاخص ارزش خرید در واقع تصویر بهتری از دو شاخص قبلی به ما می‌دهد و درک آنها را راحت‌تر می‌کند.

 

چرا در مدل RFM از سه شاخص استفاده می‌شود؟

چرا فقط از شاخص ارزش خرید مشتری استفاده نکردیم؟

 

بیایید شاخص ارزش خرید مشتری را به‌تنهایی بررسی کنیم. فرض کنید دو مشتری داریم یکی از آنها 10 میلیون تومان از ما خرید کرده و مشتری دوم 6 میلیون تومان اولویت با کدام مشتری است؟

 

با فرض اینکه یک شاخص داریم کسی که خرید بیشتری انجام داده است رتبه بیشتری می‌گیرد.حالا در کنار اطلاعات بالا داده‌های زیر را به مثال اضافه کنیم.

 

• مشتری اول یک‌بار از ما خرید کرده و آخرین خرید او یک سال قبل بوده است

 

• مشتری دوم در شش ماه گذشته 3 نوبت خرید انجام داده است.

 

استفاده از چند شاخص و معیار باعث می‌شود تا تصویر بهتری از مشتری‌ها داشته باشیم و آنها را به‌درستی گروه‌بندی کنیم.

 

سایر کاربردهای تحلیل RFM – مدل‌سازی ریزش مشتری

کاربرد اولیه مدل RFM برای افزایش فروش و بهبود فعالیت‌های بازاریابی است؛ اما مفهوم آن را می‌توان به‌سادگی به سایر شرایط تعمیم داد. برای مثال از تحلیل RFM برای ایجاد مدل‌های پیش‌بینی ریزش مشتری استفاده می‌کنند.

 

جذب مشتری جدید برای شرکت‌ها هزینه زیادی دارد. در واقع جذب هر مشتری جدید چیزی حدود 5 برابر بیشتر از نگهداری مشتری‌ فعلی هزینه دارد. به همین علت جلوگیری از ریزش مشتری برای کسب‌وکارها بسیار مهم است.

 

شرکت‌های پیشرو سعی می‌کنند باتوجه‌به داده‌هایی که از رفتار مشتری‌ دارند احتمال ریزش آنها را پیش‌بینی و جلوی این اتفاق را بگیرند.

 

برای مثال یک خدمت یا سرویس تحت وب را در نظر بگیرید:

 

مشتری 1 (کاربر – مشترک): تقریباً هر روز به اکانت خود سر می‌زند، تنها یک‌بار با پشتیبانی تماس داشته است و اشتراک طولانی‌مدت طلایی را خریداری کرده است.

مشتری 2: دو ماه است که وارد حساب کاربری خود نشده است (Recency) تعداد تماس‌های گرفته شده او با پشتیبانی زیاد است (Frequency) و حق اشتراک در دوره‌های کوتاه و مدت و با پلن پایه خریداری می‌شود.

 

به نظر شما احتمال ریزش کدام یک از این مشتری‌ها بیشتر است.

 

برای استفاده از مدل RFM به چه چیزهایی نیاز داریم

داده، داده اولین و آخرین چیزی است که برای دسته‌بندی مشتری ضروری و لازم است. اگر داده‌های مربوط به مشتری را ثبت و ذخیره نمی‌کنید یا داده‌هایی که در اختیار دارید منظم و قابل‌استفاده نیستند همین‌الان دست‌به‌کار شوید.

 

برای پیاده‌سازی مدل RFM از چه نرم‌افزاری استفاده کنیم

واقعیت این است که برای دسته‌بندی مشتری به نرم‌افزار خاصی احتیاج ندارید. اگر داده مشتری‌های شما زیاد نیست و زمان، حوصله و مهارت کافی را دارید می‌توانید داده‌ها را در اکسل دسته‌بندی و ارزش‌گذاری کنید.

 

اما اگر حجم داده مشتریان شما زیاد است، به تحلیل پیچیده‌تر، دقیق‌تر و به روزی نیاز دارید و می‌خواهید عامل انسانی را از پروسه تحلیل حذف کنید می‌توانید از هوش تجاری استفاده کنید.

 

فرایند استخراج داده و گروه‌بندی مشتری به‌صورت اتوماتیک انجام می‌شود و نتیجه به‌صورت یک داشبورد مدیریتی در اختیار شما قرار می‌گیرد. نکاتی قبل از استفاده از هوش تجاری باید بدانید را در اینجا مطالعه کنید.

منبع: مدل RFM در تجزیه تحلیل اطلاعات مشتری چیست ؟