การวิเคราะห์ RFM: เรียนรู้เพิ่มเติมเกี่ยวกับลูกค้าและการแบ่งกลุ่ม RFM

ในบทความนี้ เราจะมาดูการวิเคราะห์ RFM (ความใหม่ ความถี่ มูลค่าเงิน) ซึ่งอิงตามพฤติกรรมของกลุ่มลูกค้า (หรือ กลุ่ม ) วิธีการวิเคราะห์นี้ทำให้คุณสามารถศึกษาพฤติกรรมของผู้ใช้และวิธีการชำระเงิน ด้วยเหตุนี้ คุณจะได้รับข้อมูลเชิงลึกอันมีค่าสำหรับการตลาดแบบตรง

การวิเคราะห์ RFM ช่วยให้คุณสามารถแบ่งกลุ่มลูกค้าตามความถี่และมูลค่าของการซื้อ และระบุลูกค้าที่ใช้จ่ายเงินมากที่สุด

• ความใหม่ – นานแค่ไหนแล้วที่ลูกค้าซื้อของจากคุณ
• ความถี่ – ความถี่ที่ลูกค้าซื้อจากคุณ
• มูลค่าเงิน – มูลค่ารวมของการซื้อที่ลูกค้าทำ

ตามตัวชี้วัดเหล่านี้ เป็นไปได้ที่จะแบ่งลูกค้าของคุณออกเป็นกลุ่มๆ เพื่อทำความเข้าใจว่าลูกค้ารายใดซื้อของจำนวนมากบ่อยๆ ซึ่งซื้อของเพียงเล็กน้อยแต่บ่อยครั้ง และแบบที่ไม่ได้ซื้ออะไรมาเป็นเวลานาน

ตามกฎแล้ว มีลูกค้าเพียงไม่กี่เปอร์เซ็นต์เท่านั้นที่ตอบสนองต่อข้อเสนอโปรโมชันทั่วไป RFM เป็นวิธีการแบ่งส่วนที่ยอดเยี่ยมสำหรับการคาดการณ์การตอบสนองของลูกค้า การปรับปรุงการโต้ตอบ และเพิ่มผลกำไร RFM ใช้ข้อมูลพฤติกรรมของลูกค้าเพื่อกำหนดวิธีการทำงานกับกลุ่มลูกค้าแต่ละกลุ่ม

สาระสำคัญของการวิเคราะห์ RFM คือการแบ่งลูกค้าออกเป็นกลุ่มๆ โดยพิจารณาจากว่าพวกเขาทำการซื้อครั้งล่าสุดเมื่อใด บ่อยแค่ไหนที่พวกเขาซื้อของ และมูลค่าเฉลี่ยของคำสั่งซื้อของพวกเขา สำหรับแต่ละตัวชี้วัดเหล่านี้ เรากำหนดลูกค้าให้กับหนึ่งในสามกลุ่ม ซึ่งกำหนดตัวเลขตั้งแต่ 1 ถึง 3

ความใหม่:

• 1 – ลูกค้าที่มีมายาวนาน
• 2 – ลูกค้าที่ค่อนข้างใหม่
• 3 – ลูกค้าล่าสุด

ความถี่:

• 1 – ซื้อน้อยครั้ง (คำสั่งเดียว)
• 2 – ซื้อไม่บ่อยนัก
• 3 – ซื้อบ่อย

มูลค่าของเงินตรา

• 1 – มูลค่าการซื้อต่ำ
• 2 – มูลค่าเฉลี่ยของการซื้อ
• 3 – มูลค่าการซื้อสูง

ลูกค้าจะได้รับค่า RFM โดยการต่อตัวเลขของพวกเขาสำหรับค่าความใหม่ ความถี่ และมูลค่าทางการเงิน ตัวอย่างเช่น ลูกค้าหมายเลข 111 ทำการสั่งซื้อด้วยมูลค่าตัวเงินต่ำเมื่อนานมาแล้ว ในทางกลับกัน ลูกค้า 333 มักจะทำการสั่งซื้อที่มีมูลค่าสูงและทำการซื้อเมื่อเร็วๆ นี้ ลูกค้าที่มี 3 ในทุกประเภทคือลูกค้าที่ดีที่สุดของคุณ

มีสองวิธีที่สะดวกในการวิเคราะห์ RFM: การใช้ OWOX BI และการใช้ Excel (หรือ Google ชีต)

OWOX BI ต่างจาก Excel ตรงที่ให้คุณคำนวณ RFM ได้ โดยอัตโนมัติ

แหล่งข้อมูลสำหรับการวิเคราะห์นี้คือตารางหรือข้อมูลพร็อพเพอร์ตี้ใน Google BigQuery พร้อมข้อมูลเกี่ยวกับคำสั่งซื้อแต่ละรายการพร้อมช่องต่อไปนี้

• userId – รหัสผู้ใช้ของลูกค้าในฐานข้อมูลเว็บไซต์ / ERP
• รายได้ – รายได้จากการสั่งซื้อ
• สร้าง – วันที่สร้างคำสั่ง

ขั้นตอนที่ 1 . เราขอแนะนำให้ใช้ข้อมูลเกี่ยวกับคำสั่งซื้อที่ยืนยันแล้วจาก ERP ของคุณ คุณสามารถส่งออกข้อมูลนี้ไปยัง BigQuery ได้อย่างง่ายดายโดยใช้ OWOX BI Pipeline

ขั้นตอนที่ 2 . OWOX BI ยังเปิดโอกาสให้คุณปรับแต่งการนำเข้าผลการวิเคราะห์ RFM ไปยัง Google Analytics สิ่งนี้จะช่วยให้คุณ:

• สร้างรายงานและกลุ่มที่กำหนดเองใหม่ใน Google Analytics เพื่อการวิเคราะห์ผู้ชมในเชิงลึกยิ่งขึ้นโดยใช้ข้อมูลเพิ่มเติมเกี่ยวกับผู้ใช้
• ใช้การวิเคราะห์ RFM เพื่อสร้างผู้ชมรีมาร์เก็ตติ้งสำหรับ Google Ads จดหมายข่าวทางอีเมล และโปรแกรมความภักดี

ขั้นตอนที่ 3 การตั้งค่าการนำเข้าข้อมูลการวิเคราะห์ RFM ไปยัง Google Analytics จาก Google BigQuery ประกอบด้วยสองขั้นตอน:

1. การตั้งค่าทรัพยากรบนเว็บ Google Analytics
2. การสร้างสตรีมใน OWOX BI Pipeline

มาดูสองประเด็นสุดท้ายกันดีกว่า

1. สร้างมิติข้อมูลที่กำหนดเองที่ระดับผู้ใช้เพื่อเก็บผลลัพธ์ของการวิเคราะห์ RFM (คำจำกัดความที่กำหนดเอง → มิติข้อมูลที่กำหนดเอง → + มิติข้อมูลที่กำหนดเองใหม่ ):

2. สร้างชุดข้อมูลเพื่อนำเข้าข้อมูลเข้าสู่ Google Analytics (การนำเข้าข้อมูล → ชุดข้อมูลใหม่) :
   

• ระบุพฤติกรรมการนำเข้าเป็นเวลาสืบค้น สิ่งนี้จะช่วยให้คุณสามารถรวมข้อมูลที่นำเข้ากับข้อมูลในอดีต มิฉะนั้น ข้อมูลจะถูกรวมเฉพาะกับ Hit ที่รวบรวมใน Google Analytics หลังจากดาวน์โหลดผลลัพธ์ของการวิเคราะห์ RFM โปรดทราบว่าการนำเข้าเวลาสืบค้นจะใช้ได้เฉพาะกับผู้ใช้ Google ​

• ถัดไป ตั้งชื่อชุดข้อมูลและกำหนดรายการมุมมองที่จะมีข้อมูลที่นำเข้า:​
  

• สุดท้าย กำหนด data schema และบันทึก data set:​

แค่นั้นแหละ. คุณได้กำหนดการตั้งค่าพื้นที่เว็บของ Google Analytics สำหรับการนำเข้าข้อมูลแล้ว ตอนนี้คุณสามารถดำเนินการนำเข้า

1. เตรียม แบบสอบถาม SQL ที่จะส่งคืนข้อมูลใน โครงสร้างที่ถูกต้อง

2. สร้างสตรีมใน OWOX BI Pipeline ตามคำแนะนำที่นี่

รอจนกว่าข้อมูลจะปรากฏใน Google Analytics:

ทุกอย่างพร้อมแล้ว. OWOX BI จะทำการวิเคราะห์ RFM โดยอัตโนมัติโดยที่คุณไม่ต้องมีส่วนร่วมมากนัก

1. ในการคำนวณ RFM ใน Excel ให้เริ่มต้นด้วยการดาวน์โหลดข้อมูลธุรกรรมจาก CRM ของคุณ: ชื่อลูกค้า วันที่ซื้อ และจำนวนเงินที่ซื้อ:​
   

2. ในการระบุวันที่ของการซื้อครั้งล่าสุดสำหรับลูกค้าแต่ละราย จำนวนครั้งที่ลูกค้าซื้อจากคุณทั้งหมด และมูลค่าเงินรวมของคำสั่งซื้อทั้งหมด ให้ใช้ตาราง Pivot
   

3. เนื่องจากลูกค้าบางรายใน CRM อาจไม่เคยซื้ออะไรมาก่อน เราจึงต้องรวมธุรกรรมทั้งหมดของพวกเขาเป็นบรรทัดเดียว ในการดำเนินการนี้ เราเพิ่มค่า Client ลงใน Rows .
   

4. ตอนนี้เราต้องนับจำนวนคำสั่งซื้อที่ลูกค้าแต่ละรายสั่งซื้อ ในการดำเนินการนี้ ให้เพิ่ม วันที่ซื้อ ลงใน ค่า (อย่าลืมระบุ COUNTA ในคอลัมน์สรุป)

5. ถัดไป คำนวณมูลค่ารวมของคำสั่งซื้อทั้งหมดสำหรับลูกค้าแต่ละราย ในการดำเนินการนี้ ให้เพิ่ม จำนวนการซื้อ ลงในมูลค่า และในคอลัมน์ สรุปตาม ให้ระบุ SUM .
   

6. ตอนนี้เราต้องคำนวณวันที่ซื้อครั้งสุดท้ายสำหรับลูกค้าแต่ละราย ในการดำเนินการนี้ ให้เพิ่ม วันที่ซื้อ ลงใน ค่า และระบุ MAX ในกราฟที่เราทราบแล้ว

เพียงเท่านี้ก็เพื่อการเตรียมการวิเคราะห์ ตอนนี้เราจำเป็นต้องถ่ายโอนข้อมูลนี้ไปยังหน้าใหม่เพื่อคำนวณค่า RFM

7. ขั้นแรก เปลี่ยนชื่อคอลัมน์เป็น ลูกค้า วันที่ซื้อครั้งล่าสุด ความถี่ ในการสั่งซื้อ จำนวนคำสั่งซื้อ และ จำนวนเงิน ที่ซื้อ ในตอนนี้ เราไปยังส่วนหลักของการวิเคราะห์ โดยใช้สูตร = TODAY () - เราคำนวณจำนวนวันที่ลูกค้าทำการซื้อครั้งล่าสุด นี่จะเป็นข้อมูลสำหรับค่า R (ความใหม่) ของเรา:

8. ณ จุดนี้ เรามีข้อมูลทั้งหมดเกี่ยวกับความใหม่ ความถี่ (จำนวนคำสั่งซื้อ) และมูลค่าเงิน (จำนวนเงิน) ตอนนี้เราจะกำหนดค่าตั้งแต่ 1 ถึง 3 (ตามเกณฑ์ที่กล่าวถึงข้างต้น) ตามข้อมูลนี้

เริ่มต้นด้วยค่าความใหม่ สิ่งแรกที่เราต้องทำคือคำนวณระยะเวลาที่ลูกค้า 33% และ 66% ซื้อจากเรา ทำได้ง่ายๆ โดยใช้สูตร = PERCENTILE.INC (C2: C12; 0.33) และ = PERCENTILE.INC (C2: C12; 0.66) ตอนนี้เราทราบแล้วว่าลูกค้า 33% ซื้อผลิตภัณฑ์ของเราน้อยกว่า 61 วันที่ผ่านมา และ 66% ซื้อมากกว่า 93 วันที่ผ่านมา​

9. ดังนั้นเราจึงกำหนดลูกค้าที่ซื้อน้อยกว่า 61 วันที่ผ่านมามูลค่าสูงสุด 3 บรรดาผู้ที่สั่งซื้อจาก 61 ถึง 93 วันที่ผ่านมาจะได้รับการกำหนดค่าเป็น 2 ส่วนที่เหลือผู้ซื้อมากกว่า 93 วันที่ผ่านมาเรากำหนด ค่า 1 ทั้งหมดนี้สามารถคำนวณได้โดยอัตโนมัติด้วยสูตร = IF (C2 <61; 3; IF (C2 <93; 2; 1))

10. โดยใช้หลักการเดียวกันนี้ เราคำนวณค่าสำหรับ F (ความถี่) และ M (มูลค่าเงิน): ขั้นแรก เราคำนวณจำนวนครั้งที่ลูกค้าทำการซื้อ 33% และ 66% และกำหนดค่าตั้งแต่ 1 ถึง 1 ถึงตามผลลัพธ์ 3.​

11. เพื่อความชัดเจนยิ่งขึ้น เราคำนวณค่า RFM โดยเชื่อมค่าทั้งสามสำหรับลูกค้าแต่ละรายเข้าด้วยกัน เราสามารถทำได้โดยใช้สูตร = D2 * 100 + F2 * 10 + H2 .
    

แค่นั้นแหละ. เราได้ทำการคำนวณที่จำเป็นทั้งหมดสำหรับการวิเคราะห์ RFM ใน Google ชีต (หรือ Excel) จำไว้ว่าแม้ว่าสูตรเหล่านี้จะช่วยทำให้การคำนวณผิดพลาดเป็นไปโดยอัตโนมัติ แต่คุณก็ยังต้องใช้เวลาอีกมากในการคำนวณ RFM

แต่ถ้าคุณให้คุณค่ากับเวลาและเวลาของพนักงานของคุณ หรือถ้าคุณมีฐานข้อมูลขนาดใหญ่ เราแนะนำให้ทำการวิเคราะห์ RFM โดยใช้ OWOX BI หากคุณยังไม่ได้เป็นผู้ใช้ OWOX BI คุณสามารถลองใช้ฟังก์ชันทั้งหมดได้ฟรี

เมื่อการคำนวณทั้งหมดพร้อมและคุณได้แบ่งกลุ่มลูกค้าแล้ว ก็ถึงเวลาย้ายไปยังส่วนการตลาด

การจัดกลุ่มลูกค้าตามค่า RFM ช่วยให้คุณเห็นภาพที่สมบูรณ์ของสิ่งที่เกิดขึ้นกับฐานลูกค้าของคุณได้ทันที มาดูตัวอย่างกลุ่มลูกค้าบางกลุ่มกัน

Group 3R-3F-3M – แอคทีฟที่สุด ซื้อบ่อย

เหล่านี้คือลูกค้าในอุดมคติของคุณ เป็นไปได้ที่จะขยายการมีส่วนร่วมของคุณกับพวกเขาด้วยการเปิดตัวโปรแกรมความภักดี เชิญพวกเขาเข้าร่วมกิจกรรมพิเศษ หรือถามพวกเขาว่าพวกเขาต้องการให้บริษัทพัฒนาอย่างไร การแสดงให้ลูกค้าเหล่านี้ได้รับความเคารพและยินดีต้อนรับผู้ใช้เป็นสิ่งสำคัญ

Group 1R-1F-1M – ใช้งานน้อย ซื้อครั้งเดียว / ไม่เคย ใช้น้อย

แม้ว่าลูกค้าเหล่านี้ดูเหมือนจะมีแนวโน้มน้อยที่สุด แต่คุณไม่ควรตัดพวกเขาออกทั้งหมด: พวกเขาแสดงความสนใจในผลิตภัณฑ์ของคุณอย่างน้อยหนึ่งครั้ง บ่อยครั้งที่นักการตลาดเตรียมข้อความยั่วยุพิเศษเพื่อแบ่งลูกค้าเหล่านี้ออกเป็น "ไม่สนใจผลิตภัณฑ์" และ "มีแนวโน้ม" ลูกค้าที่สัญญาสามารถโอนไปยังหมวดหมู่ถัดไปได้

1ในหนึ่งหมวด

ลูกค้าของคุณบางคนอาจมีค่าเท่ากับ 122 (ความซ้ำซากจำเจ) ส่วนนี้ควรให้เวลาเล็กน้อยในการตัดสินใจกลับมาหาคุณ พยายามเสนอผลิตภัณฑ์ที่มักจะซื้อพร้อมกับที่พวกเขาซื้อก่อนหน้านี้เพื่อกระตุ้นความสนใจในบริษัทของคุณ

3 ในหมวดใดหมวดหนึ่ง

ผู้ใช้เหล่านี้เป็นกลุ่มที่น่าสนใจสำหรับการวิจัยของคุณ มีความสม่ำเสมอเพียงพอสำหรับคุณในการทดสอบและค้นหาวิธีที่เหมาะสมในการเพิ่มตัวชี้วัดอื่นๆ

วิธีการ RFM นั้นยังห่างไกลจากความสมบูรณ์ แต่เป็นเครื่องมือที่มีประโยชน์อย่างยิ่งในการวิเคราะห์ฐานลูกค้าของคุณ ด้วยการทำงานเพียงเล็กน้อย คุณจะเห็นวิธีเข้าถึงลูกค้าแบบรายบุคคล

ในขณะเดียวกัน โปรดทราบว่าข้อมูลจะได้รับอิทธิพลจากฤดูกาล โปรโมชั่น และวันหยุด หากลูกค้าที่มีประวัติการซื้อจำนวนมากในเดือนปัจจุบันไม่ซื้ออะไรในเดือนหน้า ไม่ได้หมายความว่าคุณควรโอนพวกเขาไปยังกลุ่มอื่นทันที บางทีนี่อาจเป็นเพียงผลของฤดูกาล และหลังจากนั้นไม่นาน พวกเขาก็จะกลับมาซื้อต่อ

หากคุณยังคงมีคำถามถามเราในความคิดเห็นด้านล่าง :)

และหากคุณต้องการเรียนรู้เพิ่มเติมเกี่ยวกับ Google Analytics และเครื่องมือวิเคราะห์อื่นๆ โปรดสมัครรับจดหมายข่าวของเรา ทุกเดือน คุณจะได้รับคำแนะนำที่เป็นประโยชน์สำหรับนักการตลาดและนักวิเคราะห์ยุคใหม่