تحلیل RFM از نگاه نزدیک

یکی از اقداماتی که هر کسب و کاری باید انجام دهد، طبقه بندی مشتریان هست. چرا؟

چون شما یک منابع محدود مالی و زمانی دارید و نیاز دارید که بین مشتریان اولویت بندی کنید، در این حالت با توجه به نوع مشتری کیفیت سرویس فرق می کند.

علاوه بر این، تقسیم بندی مشتری ها در روش ارتباطی شما با آن ها هم تاثیر میگذارد.

برای مثال، مشتریانی که از طریق دیوایس موبایل وارد سایت شما می شوند، تبلیغات هایی که در درون موبایل اجرا شده است، مشاهده می کنند، پس این در کیفیت ارتباط شما با آن ها تاثیر گذار است.

اما RFM چیست

اگر از جنبه دیتا، بخواهیم بررسی کنیم، تحلیل RFM روش طبقه بندی مشتری ها بر اساس امتیازی است که به آن ها داده می شود.

اما این امتیازها چیست و چگونه داده می شود؟

در روش RFM، ما سه پارامتر R-F-M داریم که مشتری با توجه به رفتار خریدی که دارد، این امتیاز را دریافت می کند.

R=Recency به بررسی آخرین باری که مشتری خرید کرده، می پردازد.

F=Frequnecy به بررسی تعداد خرید مشتری می پردازد.

M=monetary به میزان حجم خریدی که مشتری کرده است، می پردازد.

در نهایت مشتری های مختلف، با توجه به این 3 پارامتر  که معمولا برای یک بازه 1 ساله در نظر گرفته می شود، امتیازهای مختلفی می گیرند  (معمولا از 1 تا 5 ) و در گروه های مختلفی دسته بندی می شوند.

مشکلات روش RFM

روش RFM معایبی هم دارد، که روش های مکملی برای بهبود آن ارائه شده است.

برای مثلا مدت زمانی که مشتری در سیستم ما بوده، در نظر گرفته نمی شود و این پارامتر ممکن است در یک کسب و کار بسیار با اهمیت باشد، بنابراین روش LRFM این جا گزینه بهتری است. که زمان را هم در نظر میگیرد. L=length طول ارتباط مثلا این مشتری 2 ساله که با من کار میکند.

همچنین ممکن است در یک فروشگاه- تعداد کالای خریداری شده هم بسیار مهم باشد، این جا روش مکمل NLRFM پیشنهاد میشود که N=number برابر با تعداد کالای خریداری شده است.