مدل RFM

چرا به مدل  RFM نیاز داریم؟

یک راه کلیدی برای استفاده حداکثری از نتایج فعالیت‌های بازاریابی، تلاش برای درک “ارزش” هر مشتری است که ارزش طول عمر مشتری (CLV) نامیده می‌شود، مدل‌های زیادی وجود دارند که این معیار را اندازه‌گیری می‌کنند. توسعه یک مدل جامع و مؤثر از سودآوری مشتری برای کسب‌وکار شما مستلزم پاسخ به این سؤال است که سودآورترین مشتریان من چه کسانی هستند؟ آیا مدل RFM یا آنالیز RFM در این زمینه به شما کمک می‌کند؟

یکی از مدل‌هایی که سال‌ها برای تقسیم‌بندی مشتریان برای محاسبه CLV مورداستفاده قرار می‌گرفت، مدل آماری زمان خرید، تعداد خرید و مقدار خرید(RFM) است. استفاده از آن برای تقسیم‌بندی مشتریان، تصویری از رفتار خرید مشتریان درگذشته را نشان می‌دهد و بیان می‌کند که مشتریان شما چگونه بوده‌اند و نشان‌دهنده خوبی است که اهداف بعدی تجاری شما باید چه باشد.

تجزیه‌وتحلیل RFM بر اساس اصل پارتو یا قانون 80/20 است. این قانون بیان می‌کند که “80٪ از درآمد شما از 20٪ مشتریان می‌آید”؛ بنابراین، درک اینکه 20 درصد مشتریان پول‌ساز شما چه کسانی هستند مهم است؟

RFM کمک می‌کند تا مشتریان را به خوشه‌هایی تقسیم کنید تا افرادی را که احتمال بیشتری برای پاسخگویی به کمپین‌های تبلیغاتی و افزایش نرخ تبدیل یا کلیدسازی دارند را شناسایی کنید.

تقسیم مشتریان با RFM

تجزیه‌وتحلیل RFM چگونه کار می‌کند (به طور خلاصه):

زمان خرید Recency: به آخرین باری که شخصی از کسب‌وکار شما خرید کرده است اشاره دارد. معنای آن این است که مشتری که اخیراً خرید کرده در مقایسه با مشتری که برای مدت طولانی خرید نکرده است احتمال تکرار خریدش بیشتر است.

فرکانس Monetary value: به تعداد دفعاتی که مشتری در یک دوره معین خرید کرده است اشاره دارد. منطق این است که مشتری اغلب خرید می‌کند، در مقایسه با مشتری که به‌ندرت خرید می‌کند احتمالاً بیشتر برمی‌گردد و کمپین‌های ریتارگتینگ برای آن‌ها مؤثرتر است.

ارزش پولی Frequency: به مبلغی که مشتری در همان دوره خرج کرده است اشاره دارد. بدیهی است که انتظار می‌رود کسی که بیشتر خرید کرده، بیشتر از کسی که خرید نکرده است، بازگردد.

مدل  RFM

تجزیه‌وتحلیل RFM هر مشتری را برای هر عامل در مقیاس 1 تا 5 رتبه‌بندی می‌کند (5 بالاترین است). این 3 امتیاز با هم یک عدد را نشان می‌دهد برای مثال مشتری که نمره «555» را در رتبه‌بندی دارد از مشتریان اصلی و وفادار محسوب می‌شود. به‌این‌ترتیب، با استفاده از RFM برای تقسیم‌بندی مشتریان، می‌توان هر گروه را تجزیه‌وتحلیل کرد تا بفهمد کدام یک دارای بالاترین CLV است.

اما نکته اینجاست:

همه مشتریان رفتار مصرفی یکسانی ندارند

مدل RFM ممکن است برای شرکت‌های کوچک و متوسط ​​به دلیل موارد زیر کار کند:

  • سادگی ذاتی
  • اثربخشی در کمپین‌های بازاریابی مستقیم
  • توان مالی
  • طبیعت DIY

اما اگر شرکت بزرگی هستید که امکانات لازم را در اختیار دارید، استفاده از RFM همراه با مدل‌های تحلیل پیش‌بینی به‌شدت توصیه می‌شود. تجزیه‌وتحلیل پیش‌بینی‌کننده کار بسیار بهتری در پیش‌بینی فروش انجام می‌دهد و تقسیم‌بندی RoI بهتری بر اساس RFM ارائه می‌دهد. اما بازهم، این یک روش پرهزینه است و همه نمی‌توانند هزینه آن را بپردازند.

آنچه باید در مدل RFM مراقب آن باشید

شما باید از موارد زیر آگاه باشید:

همیشه برای هدف قراردادن مشتریانی با بالاترین رتبه، انگیزه وجود دارد، اما این اشتباه است.

دلیل این امر مشتریانی است که بیشترین درآمد را به ارمغان آورده‌اند و ممکن است بالاترین پتانسیل برای خرید را نداشته باشند. خصوصاً اگر مبالغ سنگینی باشد مانند فروش خودرو که ممکن است مشتری تا سالیان دیگر نخواهد مجدداً از شما خرید کند.

همچنین غریزه نادیده‌گرفتن مشتریان با امتیازات پایین وجود دارد و این نیز اشتباه خواهد بود.

مهم‌ترین مسئله در مورد مدل RFM این فرض است که بهترین خریداران شما همچنان بهترین پاسخ‌دهندگان در کمپین‌های بازاریابی شما خواهند بود. بله، رفتار تاریخی یک نقشه راه برای آینده ارائه می‌دهد، اما واقعاً پیش‌بینی‌کننده نیست. البته این فرض این واقعیت را نادیده می‌گیرد که رفتار مشتری ممکن است در طول زمان تغییر کند یا ممکن است قبلاً تغییر کرده باشد.

مشتریان جدید: امتیاز فرکانس یا تکرار خرید کجاست؟

موضوع دیگر برای تجزیه‌وتحلیل RFM مشتریان جدید است. مشتریان جدید تمایل دارند محصولات ارزان‌قیمت را فقط برای آزمایش خدمات شرکت بخرند.

مشتریان جدید فقط یک‌بار خرید کرده‌اند، بنابراین نمی‌توانند امتیاز خوبی در تعداد دفعات خرید داشته باشند، حتی اگر در امتیازات «آخرین خرید» و «مقدار پولی» عملکرد خوبی داشته باشند. پس چگونه می‌توان آن‌ها را حساب کرد؟ به یاد داشته باشید، F در RFM مخفف فرکانس یا تعداد دفعات خرید است، بنابراین واضح است که این مقدار برای مشتریان جدید قابل استخراج نیست.

برای دورزدن این مانع، تیم دیتاساینتیست‌های ادتواپ با آنالیزها و بررسی‌های بومی و ایرانی لایه‌ای روی تجزیه‌وتحلیل RFM روش‌هایی ایجاد کرده است تا پتانسیل‌های بالقوه را در میان مشتریان جدید شناسایی کند و در نهایت به شناسایی آن دسته از مشتریانی کمک می‌کند که به‌احتمال زیاد به مشتریان باسابقه تبدیل می‌شوند.

تکامل مدل RFM

از زمان شروع آن یعنی بیش از چهل سال پیش، تجزیه‌وتحلیل RFM بارها تکامل‌یافته است.

هر تکرار و تغییر شامل ترکیب اجزای جدید است که برای پیش بینی و بهبود توانایی مدل استفاده می‌شود.

چند نمونه از تجزیه‌وتحلیل rfm: Ya-Yueh Shih و Chung-Yuan Liu (2003) روش‌های دو ترکیبی را پیشنهاد کردند که از یک روش مبتنی بر RFM وزنی روش مبتنی بر WRFM یا روش فیلتر مشارکتی مبتنی بر ترجیح (CF) برای بهبود استفاده کردند. کیفیت توصیه‌های محصول، یافته‌های آن‌ها را نشان داد که روش‌های ترکیبی پیشنهادی نسبت به روش‌های دیگر برتری دارند.

Rust  و Verhoef (2005) یک مدل کاملاً شخصی برای بهینه‌سازی ارائه کردند. این کار با انجام یک آزمون اعتبارسنجی طولی برای مقایسه عملکرد مدل با مدل‌های تقسیم‌بندی مورداستفاده در پیش‌بینی تغییر سود ناخالص میان‌مدت و خاص مشتری انجام شد. این بار از مدل‌های آزمایش شده شامل مدل جمعیت‌شناختی، مدل RFM با ترکیبی از مدل‌های دیگر بود. نتایج آن‌ها نشان می‌دهد که مدل پیشنهادی در پیش‌بینی اثربخشی در میان‌مدت (CRM) از مدل‌های سنتی بهتر عمل می‌کند.

بدون شک، تجزیه‌وتحلیل RFM یک ابزار تجزیه‌وتحلیل بازاریابی و بخش‌بندی ارزشمند برای بسیاری از مشاغل B2B است.

آیا علاقه‌مندید که بدانید تجزیه‌وتحلیل RFM چگونه برای کسب‌وکار شما می‌تواند پیاده‌سازی شود؟ با ما در ارتباط باشید و کارشناسان ما در ادتواپ با شما تماس خواهند گرفت تا کمپین‌های بازاریابی خود را براساس رفتار خرید مشتریان خود به بهترین شکل، بهینه سازی کنید.

هم‌اکنون کلیک کنید

نویسنده

Hamidreza ghaemi

در ابتدا کلمه بود و کلمه نزد خدا بود و کلمه خدا بود. یک بازاریاب محتوا که عاشقِ نقاشی با کلمات است. شناخت پرسونای مخاطب برای ساخت سفری لذت بخش وظیفه من است. مهم‌ترین هدف برای نوشته‌هایم رسیدن به این جمله‌ای است که نیچه گفته: «بلندپروازیِ من آن است که در ده جمله چیزی را بگویم که کسی دیگر در یک کتاب می‌گوید که کسی در یک کتاب هم نمی‌گوید ...»

دیدگاه بگذارید

نشانی ایمیل شما منتشر نخواهد شد.