Analisis RFM: Pelajari lebih lanjut tentang pelanggan Anda dan Segmentasi RFM

Dalam artikel ini, kita akan melihat analisis RFM (kebaruan, frekuensi, nilai moneter), yang didasarkan pada perilaku kelompok pelanggan (atau segmen ). Metode analisis ini memungkinkan Anda mempelajari perilaku pengguna dan cara mereka melakukan pembayaran. Hasilnya, Anda akan menerima wawasan berharga untuk pemasaran langsung.

Analisis RFM memungkinkan Anda mengelompokkan pelanggan berdasarkan frekuensi dan nilai pembelian dan mengidentifikasi pelanggan yang menghabiskan uang paling banyak.

• Kekinian – sudah berapa lama sejak pelanggan membeli sesuatu dari Anda
• Frekuensi – seberapa sering pelanggan membeli dari Anda
• Nilai moneter – nilai total pembelian yang telah dilakukan pelanggan

Menurut metrik ini, Anda dapat membagi pelanggan menjadi beberapa kelompok untuk memahami pelanggan mana yang sering membeli banyak barang, yang membeli sedikit tetapi sering, dan yang sudah lama tidak membeli apa pun.

Biasanya, hanya sebagian kecil pelanggan yang menanggapi penawaran promosi umum. RFM adalah metode segmentasi yang sangat baik untuk memprediksi tanggapan pelanggan, meningkatkan interaksi, dan meningkatkan keuntungan. RFM menggunakan data perilaku pelanggan untuk menentukan cara bekerja dengan setiap grup pelanggan.

Inti dari analisis RFM adalah membagi pelanggan ke dalam kelompok berdasarkan seberapa baru mereka melakukan pembelian terakhir, seberapa sering mereka membeli barang, dan nilai rata-rata pesanan mereka. Untuk setiap metrik ini, kami menetapkan pelanggan ke salah satu dari tiga grup, yang diberi nomor dari 1 hingga 3.

Kebaruan:

• 1 – pelanggan lama.
• 2 – pelanggan yang relatif baru.
• 3 – pelanggan baru-baru ini.

Frekuensi:

• 1 – jarang membeli (pesanan tunggal).
• 2 – jarang membeli.
• 3 – sering membeli.

Nilai moneter

• 1 – nilai pembelian yang rendah.
• 2 – nilai rata-rata pembelian.
• 3 – nilai pembelian yang tinggi.

Pelanggan diberi nilai RFM dengan menggabungkan nomor mereka untuk nilai Kekinian, Frekuensi, dan Moneter. Misalnya, pelanggan 111 membuat satu pesanan dengan nilai uang yang rendah sejak lama. Pelanggan 333, di sisi lain, sering membuat pesanan bernilai besar dan melakukan pembelian baru-baru ini. Pelanggan dengan 3 di setiap kategori adalah pelanggan terbaik Anda.

Ada dua cara mudah untuk melakukan analisis RFM: menggunakan OWOX BI dan menggunakan Excel (atau Google Spreadsheet).

Tidak seperti Excel, OWOX BI memungkinkan Anda menghitung RFM secara otomatis .

Sumber data untuk analisis ini adalah tabel atau tampilan di Google BigQuery dengan data tentang setiap pesanan dengan kolom berikut:

• userId – ID pengguna pelanggan di database situs web / ERP.
• pendapatan – pendapatan dari pesanan.
• dibuat – tanggal pembuatan pesanan.

Langkah 1 . Kami merekomendasikan untuk menggunakan data pada pesanan yang dikonfirmasi dari ERP Anda. Anda dapat dengan mudah mengekspor data ini ke BigQuery menggunakan OWOX BI Pipeline.

Langkah 2 . OWOX BI juga memberi Anda kesempatan untuk menyesuaikan pengimporan hasil analisis RFM ke Google Analytics. Ini akan memungkinkan Anda untuk:

• Buat laporan dan segmen khusus baru di Google Analytics untuk analisis audiens yang lebih mendalam menggunakan informasi tambahan tentang pengguna
• Gunakan analisis RFM untuk membuat audiens pemasaran ulang untuk Google Ads, buletin email, dan program loyalitas

Langkah 3 . Menyiapkan pengimporan data analisis RFM ke Google Analytics dari Google BigQuery terdiri dari dua langkah:

1. Menyiapkan sumber daya web Google Analytics.
2. Membuat aliran di OWOX BI Pipeline.

Mari kita lihat lebih dekat dua poin terakhir.

1. Buat Dimensi Kustom di tingkat pengguna untuk menyimpan hasil analisis RFM (Definisi Kustom → Dimensi Kustom → + Dimensi Kustom Baru ):

2. Buat kumpulan data untuk mengimpor data ke Google Analytics (Impor Data → Kumpulan Data Baru) :
   

• Tentukan perilaku impor sebagai waktu Kueri. Ini akan memungkinkan Anda untuk menggabungkan data yang diimpor dengan data historis; jika tidak, data hanya akan digabungkan dengan klik yang dikumpulkan di Google Analytics setelah mengunduh hasil analisis RFM. Perhatikan bahwa Impor waktu kueri hanya tersedia untuk pengguna Google ​

• Selanjutnya, beri nama kumpulan data dan tentukan daftar tampilan tempat data yang diimpor akan tersedia:​
  

• Terakhir, tentukan skema data dan simpan kumpulan data:​

Itu dia. Anda sekarang telah mengonfigurasi setelan properti web Google Analytics untuk mengimpor data. Sekarang Anda dapat melanjutkan untuk mengimpor.

1. Siapkan query SQL yang akan mengembalikan data dalam struktur yang benar .

2. Buat aliran di OWOX BI Pipeline seperti yang diinstruksikan di sini .

Tunggu hingga data muncul di Google Analytics:

Semuanya sudah siap. OWOX BI akan secara otomatis melakukan analisis RFM tanpa memerlukan banyak keterlibatan dari Anda.

1. Untuk menghitung RFM di Excel, mulailah dengan mengunduh data transaksi dari CRM Anda: nama pelanggan, tanggal pembelian, dan jumlah pembelian:​
   

2. Untuk menentukan tanggal pembelian terakhir untuk setiap pelanggan, berapa kali pelanggan telah membeli dari Anda secara total, dan total nilai uang dari semua pesanan tersebut, gunakan tabel pivot.
   

3. Karena beberapa pelanggan di CRM mungkin tidak pernah membeli sesuatu, kami perlu menggabungkan semua transaksi mereka menjadi satu baris. Untuk melakukan ini, kami menambahkan nilai Klien ke dalam Baris .
   

4. Sekarang kita perlu menghitung berapa banyak pesanan yang telah dilakukan setiap pelanggan. Untuk melakukan ini, tambahkan Tanggal Pembelian ke Nilai (jangan lupa untuk menunjukkan COUNTA di kolom Ringkas).

5. Selanjutnya, hitung nilai total semua pesanan untuk setiap pelanggan. Untuk melakukannya, tambahkan Jumlah Pembelian ke Nilai, dan di kolom Ringkas menurut , tunjukkan SUM .
   

6. Sekarang kita harus menghitung tanggal pembelian terakhir untuk setiap pelanggan. Untuk melakukan ini, tambahkan Tanggal Pembelian ke Nilai dan tentukan MAX dalam grafik yang sudah kita ketahui.

Itu saja untuk persiapan analisis. Sekarang kita perlu mentransfer data ini ke halaman baru untuk menghitung nilai RFM.

7. Pertama, ubah nama kolom menjadi Pelanggan , Tanggal pembelian terakhir , Frekuensi pemesanan , Jumlah pesanan , dan Jumlah Pembelian . Sekarang kita melanjutkan ke bagian utama analisis. Menggunakan rumus = HARI INI () - kami menghitung berapa hari yang lalu seorang pelanggan melakukan pembelian terakhir mereka. Ini akan menjadi data untuk nilai R (kebaruan) kami:

8. Pada titik ini, kami memiliki semua data tentang Kekinian, Frekuensi (jumlah pesanan), dan Nilai moneter (jumlah). Sekarang kami akan menetapkan nilai dari 1 hingga 3 (sesuai dengan kriteria yang disebutkan di atas) berdasarkan data ini.

Mari kita mulai dengan nilai untuk Kekinian. Hal pertama yang perlu kita lakukan adalah menghitung berapa lama 33% dan 66% pelanggan kita telah membeli dari kita. Ini mudah dilakukan dengan menggunakan rumus = PERCENTILE.INC (C2: C12; 0.33) dan = PERCENTILE.INC (C2: C12; 0.66) . Kami sekarang mengetahui bahwa 33% pelanggan membeli produk kami kurang dari 61 hari yang lalu, dan 66% membeli lebih dari 93 hari yang lalu.​

9. Oleh karena itu kami menetapkan pelanggan yang membeli kurang dari 61 hari yang lalu nilai tertinggi 3. Mereka yang memesan dari 61 hingga 93 hari yang lalu diberi nilai 2. Sisanya, yang membeli lebih dari 93 hari yang lalu, kami menetapkan nilai 1. Semua ini dapat dihitung secara otomatis dengan rumus = JIKA (C2 <61; 3; JIKA (C2 <93; 2; 1)).

10. Dengan menggunakan prinsip yang sama, kami menghitung nilai untuk F (Frekuensi) dan M (Nilai moneter): pertama, kami menghitung berapa kali 33% dan 66% pelanggan melakukan pembelian dan, berdasarkan hasil, menetapkan nilai dari 1 hingga 3.​

11. Untuk kejelasan yang lebih besar, kami menghitung nilai RFM dengan menggabungkan ketiga nilai untuk setiap pelanggan. Kita bisa melakukannya dengan menggunakan rumus = D2 * 100 + F2 * 10 + H2 .
    

Itu dia. Kami telah membuat semua perhitungan yang diperlukan untuk analisis RFM di Google Spreadsheet (atau Excel). Ingatlah bahwa meskipun rumus ini membantu mengotomatiskan beberapa kesalahan perhitungan, Anda masih harus menghabiskan banyak waktu untuk menghitung RFM.

Tetapi jika Anda menghargai waktu dan waktu karyawan Anda, atau jika Anda memiliki database yang besar, sebaiknya lakukan analisis RFM menggunakan OWOX BI. Jika Anda belum menjadi pengguna OWOX BI, Anda dapat mencoba semua fungsi secara gratis.

Ketika semua perhitungan sudah siap dan Anda telah menyegmentasikan pelanggan Anda, saatnya untuk beralih ke bagian pemasaran.

Dengan mengelompokkan pelanggan berdasarkan nilai RFM, Anda bisa langsung mendapatkan gambaran lengkap tentang apa yang terjadi dengan basis pelanggan Anda. Mari kita lihat contoh beberapa kelompok klien.

Grup 3R-3F-3M – paling aktif, sering beli

Ini adalah pelanggan ideal Anda. Dimungkinkan untuk memperluas keterlibatan Anda dengan mereka dengan meluncurkan program loyalitas, mengundang mereka ke acara khusus, atau bertanya kepada mereka tentang bagaimana mereka ingin perusahaan berkembang. Sangat penting untuk menunjukkan kepada pelanggan ini bahwa mereka dihormati dan menyambut pengguna.

Grup 1R-1F-1M – paling tidak aktif, dibeli sekali / tidak pernah, menghabiskan sedikit

Meskipun pelanggan ini tampaknya paling tidak menjanjikan, Anda tidak boleh mengabaikannya sepenuhnya: mereka menunjukkan minat pada produk Anda setidaknya sekali. Paling sering, pemasar menyiapkan pesan provokatif khusus untuk membagi pelanggan ini menjadi "benar-benar tidak tertarik pada produk" dan "menjanjikan." Pelanggan yang menjanjikan dapat ditransfer ke kategori berikutnya.

1 di salah satu kategori

Beberapa pelanggan Anda mungkin memiliki nilai 122 (Lame Recency). Segmen ini harus diberi sedikit waktu untuk memutuskan kembali kepada Anda. Cobalah untuk menawarkan mereka produk yang biasanya dibeli bersama dengan yang mereka beli sebelumnya untuk membangkitkan minat baru di perusahaan Anda.

3 di salah satu kategori

Pengguna ini adalah segmen yang menjanjikan untuk penelitian Anda. Mereka cukup konsisten bagi Anda untuk bereksperimen dan menemukan cara yang cocok untuk meningkatkan indikator lainnya.

Metodologi RFM jauh dari mutlak, tetapi ini adalah alat yang sangat berguna untuk menganalisis basis pelanggan Anda. Hanya dengan sedikit kerja, Anda akan melihat bagaimana melakukan pendekatan individual kepada pelanggan Anda.

Pada saat yang sama, perlu diingat bahwa data dipengaruhi oleh musim, promosi, dan hari libur. Jika pelanggan dengan riwayat pembelian yang luas untuk bulan ini tidak membeli apa pun bulan depan, ini tidak berarti Anda harus segera mentransfernya ke segmen lain. Mungkin ini hanya efek musiman, dan setelah beberapa saat, mereka akan melanjutkan pembelian.

Jika Anda masih memiliki pertanyaan, tanyakan kami di komentar di bawah :)

Dan jika Anda ingin mempelajari lebih lanjut tentang Google Analytics dan alat analitik lainnya, berlangganan buletin kami. Setiap bulan Anda akan mendapatkan tips berguna untuk pemasar dan analis modern.