بیش از هفتاد درصد کسبوکارهای ایرانی که برای مشاوره تحلیل داده به ما مراجعه میکنند، در گام اول درخواست پیادهسازی مدلهای پیچیده یادگیری ماشین و الگوریتمهای خوشهبندی پیشرفته را دارند. اما واقعیت عملیاتی پروژهها نشان میدهد بیش از هشتاد درصد بازدهی مالی تحلیل رفتاری مشتریان، با یک چارچوب ساده و پنجاهساله به نام تحلیل RFM به دست میآید.
این روش نیازی به زیرساختهای سنگین پردازشی یا تیمهای بزرگ داده ندارد. با داشتن تنها سه داده ساده در دیتابیس فروش شامل شناسه مشتری، تاریخ فاکتور و مبلغ پرداختی، میتوانید ظرف یک هفته مشتریان خود را به دستههای عملیاتی تقسیم کنید و پیام یا پیشنهاد مناسب را به هر گروه بفرستید.
سه متغیر ساده که رفتار خریدار را عریان میکنند
RFM مخفف سه واژه Recency (تازگی آخرین خرید)، Frequency (تکرار خرید) و Monetary Value (ارزش مالی خریدها) است. برای اجرای این تحلیل، کافی است عملکرد هر مشتری را در این سه بعد در یک بازه زمانی مشخص، مثلاً یک سال گذشته، بررسی کنید.
- تازگی (R): چند روز از آخرین سفارش مشتری گذشته است؟ مشتری که دیروز خرید کرده احتمال بیشتری دارد که دوباره خرید کند تا مشتری که شش ماه پیش سفارش داده است.
- تکرار (F): مشتری در بازه زمانی مد نظر چند بار ثبت سفارش کرده است؟
- ارزش مالی (M): مجموع مبلغی که مشتری در این مدت به حساب شما واریز کرده چقدر است؟
پس از استخراج این سه عدد برای هر مشتری، آنها را بر اساس چارکها امتیازدهی میکنید. معمولاً امتیاز ۱ تا ۵ به هر متغیر داده میشود؛ عدد ۵ نشاندهنده بهترین عملکرد و عدد ۱ نشاندهنده ضعیفترین عملکرد است. بنابراین هر مشتری یک کد سه رقمی مانند ۵۵۵ یا ۵۱۱ دریافت میکند.
بخشهای اصلی مشتریان و اقدام عملی برای هر کدام
کدگذاری مشتریان زمانی ارزش پیدا میکند که آنها را به گروههای کاری تقسیم کنید و برای هر گروه برنامه مشخص داشته باشید.
- قهرمانان (امتیاز ۵۵۵ یا ۵۵۴): این افراد تازه خرید کردهاند، زیاد خرید میکنند و پول زیادی میپردازند. به این گروه نباید تخفیف عمومی بدهید، چون بدون تخفیف هم خریدارند. پاسخ درست، ارائه دسترسی زودتر به محصولات جدید، خدمات اختصاصی و پشتیبانی ویژه است.
- مشتریان وفادار در آستانه ریزش (امتیاز ۱۵۵ یا ۲۵۵): افرادی که در گذشته زیاد و با مبالغ بالا خرید کردهاند اما چند ماه است خبری از آنها نیست. این گروه بیشترین خطر مالی را برای شما دارند. بازگرداندن این افراد با تماس مستقیم پشتیبانی یا پیشنهاد بازگشت اختصاصی، بالاترین نرخ بازگشت سرمایه را در بازاریابی ایجاد میکند.
- مشتریان جدید با پتانسیل (امتیاز ۵۱۱ یا ۵۱۲): کسانی که به تازگی اولین یا دومین خرید خود را انجام دادهاند. هدف شما برای این گروه نباید فروش مجدد بلافاصله باشد، بلکه باید آنها را با آموزش استفاده از محصول و معرفی سایر دستهبندیها به مشتری دائمی تبدیل کنید.
- مشتریان ازدسترفته (امتیاز ۱۱۱): کسانی که خیلی وقت پیش خرید کردهاند، تکرار پایینی داشتهاند و مبلغ کمی خرج کردهاند. خرج کردن بودجه پیامک یا تبلیغات برای این دسته معمولاً اتلاف کامل سرمایه است.
چرا RFM از مدلهای پیچیده یادگیری ماشین اغلب بهتر عمل میکند
در بسیاری از پروژههای اجرایی، مدیران مارکتینگ اصرار دارند از الگوریتمهایی مانند K-Means استفاده شود. تجربه ما نشان داده که در بیشتر مواقع، RFM خروجی عملیاتیتری نسبت به این مدلها میدهد.
دلیل اول، قابلیت فهم و تفسیرپذیری است. وقتی به تیم فروش میگویید این لیست شامل مشتریانی است که R آنها ۱ و M آنها ۵ است، همه متوجه میشوند چه کاری باید انجام دهند. اما وقتی خروجی یک الگوریتم خوشهبندی با ۱۰ متغیر پیچیده را تحویل تیم مارکتینگ میدهید، معمولاً نمیدانند با خوشهای که خروجی انتزاعی دارد چه کنند.
دلیل دوم، سرعت پیادهسازی و هزینه پایین است. یک کوئری ساده SQL یا یک اسکریپت پنجاه خطی پایتون میتواند تحلیل RFM را روی چند میلیون رکورد زیر پنج دقیقه اجرا کند. این یعنی بدون نیاز به خرید سرورهای گرانقیمت یا استخدام مهندسان ارشد یادگیری ماشین، ارزش عملیاتی بلافاصله ایجاد میشود.
محدودیتهای RFM؛ چه زمانی این روش پاسخگو نیست
تحلیل RFM نقشه راه همهکاره نیست و در برخی مدلهای کسبوکار به تنهایی جواب نمیدهد.
- کسبوکارهای با چرخه فروش بسیار طولانی: اگر کار شما فروش تجهیزات صنعتی سنگین یا املاک است که مشتری هر چند سال یک بار خرید میکند، متغیر Frequency یا تکرار معنای خود را از دست میدهد.
- عدم توجه به حاشیه سود: RFM مجموع فروش را میسنجد نه سود خالص را. اگر مشتری الف ۱۰۰ میلیون تومان محصول با حاشیه سود ۲ درصد بخرد و مشتری ب ۵۰ میلیون تومان محصول با حاشیه سود ۴۰ درصد بخرد، RFM مشتری الف را ارزشمندتر میداند، در حالی که سودآوری واقعی مشتری ب بیشتر است.
- بیتوجهی به تنوع سبد محصول: این مدل نشان نمیدهد مشتری چه دستهبندی از کالاها را خریده است. برای حل این مشکل، گاهی مجبوریم بُعد چهارمی مانند سودآوری یا تنوع سبد را به مدل اضافه کنیم.
نقشه راه پیادهسازی در دو هفته
برای شروع کار با RFM نیازی به پروژههای چندماهه ندارید. فرایند استاندارد پیادهسازی این تحلیل شامل چهار گام اجرایی است:
- گام اول، استخراج و پاکسازی داده: دادههای فاکتورهای دو سال گذشته را استخراج کنید. فاکتورهای مرجوعی، تست و تخفیفهای ۱۰۰ درصدی را از تحلیل خارج کنید.
- گام دوم، محاسبه متغیرها و امتیازدهی: با پایتون یا حتی اکسل برای زیر ۵۰ هزار مشتری، مقادیر R، F و M را محاسبه کرده و بر اساس چارکها امتیاز ۱ تا ۵ بدهید.
- گام سوم، تعریف گروهها و سناریوهای بازاریابی: با همکاری تیم مارکتینگ، ۵ تا ۷ گروه اصلی را مشخص کنید و پیام، پیشنهاد و کانال ارتباطی هر گروه را بنویسید.
- گام چهارم، اتصال به پنل پیامکی یا CRM: خروجی را طوری تنظیم کنید که به صورت هفتگی بهروزرسانی شود و لیست مشتریان هر بخش خودکار به ابزارهای اجرایی منتقل گردد.
اگر در سازمان خود دیتابیس فروش دارید اما هنوز پیامکهای عمومی یکسان برای همه مشتریان میفرستید، پیشنهاد میکنم قبل از ورود به پروژههای سنگین هوش مصنوعی، ابتدا همین تحلیل RFM را پیادهسازی کنید. این تحلیل ظرف کمتر از یک ماه هزینههای بازاریابی شما را کاهش داده و بازدهی کمپینها را به طور ملموس افزایش میدهد.