آیا می خواهید از هدر دادن دلارهای تبلیغاتی برای مشتریان اشتباه جلوگیری کنید؟ بیاموزید که چگونه تجزیه و تحلیل RFM می تواند هدف گذاری مجدد PPC شما را با شناسایی با ارزش ترین مخاطبان شما – از مشتریان VIP گرفته تا آنهایی که در معرض خطر ریزش هستند – تغییر دهد و کمپین های خود را برای حداکثر بازده سرمایه گذاری تنظیم کنید.
تحلیل RFM چیست؟
به طور خلاصه، تجزیه و تحلیل RFM به شما کمک می کند مشتریان را بر اساس رفتار خرید آنها طبقه بندی کنید.
RFM مخفف:
- تازگی.
- فرکانس.
- ارزش پولی.
تازگی
آخرین خرید مشتری چند وقت پیش بوده است؟ هر چه خرید جدیدتر باشد، مشتری فعال‌تر در نظر گرفته می‌شود و شانس شما برای تعامل مجدد با او افزایش می‌یابد.
فرکانس
این مشتریان در یک دوره معین چند فروش داشته اند؟ باز هم، هرچه فرکانس خرید بیشتر باشد، مشتریان وفادارتر و ارزش طول عمر (LTV) بالاتر می‌رود.
ارزش پولی
این مشتریان به طور متوسط برای هر خرید چقدر هزینه می کنند؟ یک بار دیگر، هر چه این عدد بیشتر باشد، ارزش مشتریان بیشتر می شود.
چرا تقسیم بندی RFM اهمیت دارد؟
در یک دنیای ایده آل، همه مشتریان شما اخیرا، مکرر و با میانگین ارزش سفارش بالا خرید می کنند. با این حال، واقعیت به ندرت با این سناریوی عالی همسو می شود.
اینجاست که تقسیم‌بندی RFM وارد می‌شود – تجزیه و تحلیل تاریخچه خرید مشتریان برای اولویت‌بندی گروه‌های خاص، سفارشی کردن پیام‌ها و ایجاد لیست‌های هدفمند مجدد برای کمپین‌های مؤثرتر.
در اینجا یک مثال از یک تقسیم بندی RFM بسیار ابتدایی آورده شده است:
| بخش ها | تازگی | فرکانس | ارزش پولی |
| افراد VIP | اخیرا خریداری شده است | مکرر خرید کنید | مصرف کننده بالا |
| اولین مشتریان | اخیرا خریداری شده است | قبلا خرید نکردم | متوسط خرج کنید |
| مشتریان بد | اخیرا خرید نکردم | مکرر خرید نکنید | مصرف کننده کم |
از دیدگاه سطح بالا، اجرای تجزیه و تحلیل RFM امکان افزایش شخصی سازی و بهینه سازی را فراهم می کند.
به عنوان مثال، می توانید وفادارترین مشتریان خود را در مقابل آنهایی که در معرض خطر از دست دادن هستند، شناسایی کنید. پس از انجام این کار، می توانید کمپین ها را بر اساس آن سفارشی کنید (مزایای انحصاری، تبلیغات، برنامه های وفاداری و غیره).
از دیدگاه عملی PPC، در اینجا چند نمونه از اقدامات مبتنی بر RFM آورده شده است:
هدفگیری مجدد بخش‌های بهتر مخاطبان
- افراد VIP: به مشتریان اخیر با هزینه و تعداد دفعات بالاتر از حد متوسط (رویدادهای VIP، معاملات انحصاری، انتشار اولیه و غیره) پاداش دهید.
- خریداران مکرر: برای جلوگیری از خستگی نام تجاری و صرفه جویی در بودجه تبلیغات، مشتریان با فرکانس بالا را از کمپین های بیش از حد تهاجمی حذف کنید.
- مشتریان در معرض خطر: مشتریان قبلی را که اخیراً خرید نکرده‌اند (برنده شدن، پیشنهادات ویژه و غیره) دوباره درگیر کنید.
- مشتریان بد: با مشتریان قبلی که خرید را تکرار نکردند (تنوع محصولات و غیره) را آزمایش کنید و به طور بالقوه آنها را حذف کنید.
ارتقاء کپی تبلیغات و خلاقیت
- مشتریان در معرض خطر: برای وادار کردن مشتریان قبلی به خرید مجدد، به زبان مبتنی بر فوریت بیشتر بروید («اکنون فقط با این آگهی 20 درصد تخفیف!»).
- افراد VIP: از لحن گرمتر و قدردانی بیشتری برای مشتریان وفادار استفاده کنید تا یک رابطه خاص حفظ کنید (“فقط برای بهترین مشتریان ما” و غیره).
- مشتریان با ارزش پولی پایین: مشتریان دائماً با ارزش پولی پایین را از کمپین های محصولات ممتاز حذف کنید.
- مشتریان بزرگ: مشتریان بزرگ (نه کاملاً VIP اما نشانه‌های امیدوارکننده‌ای را نشان می‌دهند) به سفیران تبدیل کنید و آنها را تشویق کنید نظرات خود را بنویسند. یا به آنها پیشنهاد دهید وارد یک برنامه وفاداری / معامله عضویت شوند.
لیست های دانه دانه بیشتری ایجاد کنید
- مشتریان بد: مخاطبان Lookalike را بر اساس آن مشتریان حذف کنید.
- افراد VIP: شامل مخاطبان Lookalike بر اساس آن مشتریان باشد.
چه زمانی نه برای استفاده از تحلیل RFM
در حالی که قدرتمند است، درست مانند هر روش دیگری، تجزیه و تحلیل RFM دارای محدودیت هایی است:
محصولات با فرکانس پایین / B2B
فرکانس برای محصولاتی که معمولاً فقط یک بار خریداری می شوند، مانند مراسم تشییع جنازه یا تجهیزات صنعتی تخصصی، نامربوط می شود و تجزیه و تحلیل RFM را برای این موارد نامناسب می کند.
به طور مشابه، چرخه های فروش طولانی B2B، با فرکانس تعامل کمتر، اثربخشی این رویکرد را محدود می کند. در چنین سناریوهایی، روش های تقسیم بندی جایگزین مناسب تر هستند.
محصولات تکراری
برعکس، با خدمات مبتنی بر اشتراک (به عنوان مثال، نتفلیکس)، تازگی و فرکانس نمی تواند مهم باشد زیرا به طور پیش فرض اتفاق می افتد. در عوض، نظارت بر نرخ های تجدید یا استفاده از خدمات ارزش بیشتری خواهد داشت.
به طور مشابه، با محصولات بسیار فصلی (یعنی هدایای کریسمس مانند کارت های هدیه)، تجزیه و تحلیل RFM فاقد عمق خواهد بود. در عوض، شما می خواهید از KPI های فصلی استفاده کنید.
پیش بینی نتایج
تجزیه و تحلیل RFM به داده های تاریخی نگاه می کند و برای پیش بینی رفتار آینده نیست. اگر هدف شما این است، احتمالاً می خواهید تحلیل رگرسیون یا پیش بینی سری های زمانی را اجرا کنید.
اجرای تجزیه و تحلیل RFM: به چه داده هایی نیاز دارید؟
اولین گام در انجام تحلیل RFM جمع آوری داده های لازم است. در هسته آن، تنها چیزی که نیاز دارید یک جدول ساده است که شامل:
- شناسه های مشتری
- تاریخ های معامله
- ارزش معاملات
در حالی که جزئیات اضافی مانند ارزها، دسته بندی محصولات یا مکان ها می تواند مفید باشد، بهتر است با این پایه ساده شروع کنید.
یکی از جنبه های دشوار، تعیین دوره مرجع است. بازه زمانی ایده آل به صنعت، چرخه عمر محصول و عادات خرید مشتری بستگی دارد.
با این حال، از آنجایی که تجزیه و تحلیل RFM به شدت بر فرکانس خرید متکی است، ممکن است برای صنایعی مانند املاک و مستغلات یا فروش خودرو مناسب نباشد.
به طور کلی، شما باید حداقل از یک تا دو سال داده استفاده کنید، به ویژه برای محصولاتی که اغلب خریداری می شوند.
در اینجا نمونه ای از چنین کشش داده برای یک شناسه مشتری منفرد آورده شده است:
دریافت خبرنامه که بازاریابان به آن اعتماد دارند.
نحوه محاسبه امتیازات RFM
زیبایی تحلیل RFM در سادگی آن نهفته است. محاسبه امتیازات RFM بر اساس سه معیار کلیدی ساده است: تازگی، فراوانی و ارزش پولی. در اینجا چند نمونه آورده شده است:
- پایه: امتیاز 1 تا 3 برای هر معیار = 27 سلول مجزا (3 x 3 x 3).
- تا حدودی اصلاح شده: امتیاز 1 تا 5 برای هر معیار = 125 سلول مجزا (5×5×5).
- فوق العاده تصفیه شده: امتیاز 1 تا 10 برای هر معیار = 1000 سلول مجزا (10 x 10 x 10).
- فوق العاده ابتدایی: 5 سلول اصلی (VIP، وفادار، مصرف کنندگان بزرگ، مشتریان جدید، در معرض خطر).
بسته به نیاز شما، تکنیک‌های پیشرفته مانند یادگیری ماشین یا رویکردهای الگوریتمی می‌توانند به تعیین تعداد بهینه بخش‌ها کمک کنند.
با این حال، این تمرکز اصلی تجزیه و تحلیل RFM نیست. ارزش آن در ساده و کاربردی بودن است که به شما امکان می دهد سریع شروع کنید.
روش‌های تقسیم‌بندی تخصصی معمولاً برای خرده‌فروشان در مقیاس بزرگ مانند آمازون یا والمارت استفاده می‌شوند. اما در حال حاضر، اجازه دهید آن را با یک مثال اساسی و ملموس با استفاده از اکسل ساده نگه داریم.
تازگی
جدول خود را بر اساس شناسه مشتری و سپس بر اساس تاریخ (ابتدا جدیدترین) مرتب کنید.
برای تشخیص اینکه آیا این ردیف آخرین خرید است، یک ستون اضافه کنید (یک فرمول ساده IF این ترفند را انجام می دهد). سپس ستون دیگری اضافه کنید تا تعداد روزهای پس از آخرین خرید محاسبه شود.
در نهایت گروه ها را بر اساس پروژه خود تعریف کنید. به عنوان مثال:
- آخرین خرید در 30 روز گذشته: 3
- آخرین خرید بین 30 تا 90 روز پیش: 2
- آخرین خرید قبل از آن: 1
در اینجا چیزی است که ممکن است به نظر برسد:
فرکانس
ستون دیگری («روزهای پس از خرید قبلی») به جدول اصلی خود اضافه کنید: اگر آخرین خرید از آن شناسه مشتری است، از آن صرفنظر کنید.
در غیر این صورت، آخرین تاریخ خرید را از تاریخ خرید بعدی کم کنید. در اینجا چیزی است که ممکن است به نظر برسد:
ستون شناسه مشتری خود را بردارید و آن را در جای دیگری کپی و جایگذاری کنید، سپس آن را کپی کنید.
یک فرمول AVERAGEIF را روی جدول اصلی خود اجرا کنید، به طور میانگین از ستون “روزهای پس از خرید قبلی”. برای شناسه مشتری فوق (6564759437563)، باید 15.75 روز دریافت کنید.
یک بار دیگر، با استفاده از یک تقسیم بندی اولیه، می توانید کاری مانند:
- حداقل یک بار در ماه خرید کنید: 3.
- خرید هر 31 تا 90 روز: 2.
- آخرین خرید قبل از آن: 1.
ارزش پولی
شناسه های مشتری خود را در جای دیگری کپی و جایگذاری کنید، سپس دوباره آنها را کپی کنید.
فرمول AVERAGEIF دیگری را بر روی جدول اصلی خود اجرا کنید، به طور میانگین از ستون “فروش ناخالص (USD)”. برای شناسه مشتری فوق (6564759437563)، باید 87.43 بگیرید.
آخرین بار، با استفاده از یک تقسیم بندی اساسی:
- میانگین ارزش سفارش > 200 دلار: 3.
- میانگین ارزش سفارش بین 150 تا 200 دلار: 2.
- میانگین ارزش سفارش زیر 15 دلار0: 1.
در مورد میانگین ها
من با استفاده از فرمول های متوسط این کار را ساده کردم. به طور طبیعی، بسته به صنعت شما، طول سفر مشتری، اندازه کاتالوگ و غیره، می‌تواند جالب باشد که این مورد را با استفاده از میانه (یا صدک) به جای میانگین (میانگین) اصلاح کنید.
خروجی نهایی چگونه است؟
اکنون که تمام امتیازات RFM خود را محاسبه کرده اید، به سادگی VLOOKUP ها را اجرا کنید تا جدولی از شناسه های منحصر به فرد مشتری + امتیازات RFM آنها را دریافت کنید.
مطمئناً، شما باید با 1 ها بسیار بیشتر از 3 ها پایان دهید. یک جدول محوری اجرا کنید تا به سرعت یک نمای کلی از توزیع امتیازات خود داشته باشید. شما باید چیزی شبیه به این دریافت کنید:
همانطور که می بینید، برخی از بخش ها ممکن است برای هدف گیری موثر بسیار کوچک باشند، بنابراین مهم است که سیستم امتیازدهی خود را به صورت پویا تنظیم کنید تا در پلتفرم هایی مانند Google Ads قابل استفاده تر شود. با این حال، این بخش‌های کوچک‌تر همچنان می‌توانند برای تاکتیک‌های دیگر مانند کمپین‌های ایمیل یا پیامک ارزشمند باشند.
به عنوان مثال، بخش “همه ستاره ها” (رتبه 3 در هر سه معیار RFM) ممکن است فقط از 90 مشتری تشکیل شده باشد، اما هنوز ارزش کاوش را دارد، حتی اگر هدف گذاری مجدد یک گزینه نباشد.
روش دیگر گروه بندی امتیازات RFM با هم است. به عنوان مثال، می‌توانید بخش‌هایی را با امتیاز کل RFM بین 7 تا 9 ترکیب کنید، که می‌تواند گروهی از 4830 شناسه مشتری ایجاد کند. در حالی که این امر جزئیات تجزیه و تحلیل شما را کاهش می دهد، بینش شما را به ویژه برای تبلیغات یا کمپین های VIP قابل اجراتر می کند.
با این سطل های تصفیه شده، امکانات بی پایان است. شما می توانید مخاطبان هدف را تنظیم کنید، پیام های شخصی سازی کنید و کمپین های خود را برای به حداکثر رساندن نتایج تنظیم کنید.
تقسیم‌بندی RFM: کلید هدف‌یابی هوشمندانه‌تر مشتری
تجزیه و تحلیل RFM یک روش ساده و در عین حال موثر برای تقسیم بندی مشتریان بر اساس عادات خرید آنها است.
با استفاده از امتیازهای اخیر، فراوانی و ارزش پولی، می‌توانید کمپین‌های هدفگیری مجدد را، از تقسیم‌بندی گرفته تا کپی تبلیغات و پیشنهادات محصول، افزایش دهید.
اگرچه ممکن است برای هر مدل تجاری مناسب نباشد، RFM ابزاری قابل دسترس و ارزشمند است که ارزش امتحان کردن را دارد.
نویسندگان مشارکت کننده برای ایجاد محتوا برای سرزمین موتورهای جستجو دعوت می شوند و به دلیل تخصص و کمک به جامعه جستجو انتخاب می شوند. همکاران ما تحت نظارت کارکنان تحریریه کار می کنند و مشارکت ها از نظر کیفیت و ارتباط با خوانندگان ما بررسی می شوند. نظراتی که بیان می کنند، نظر خودشان است.