1. RFM-моделі
2. Історичний аналіз з використанням RFM
3. Інші методи сегментування
4. Малюнок 1. Розгорнуте підміню Classify
5. RFM-аналіз в SPSS Statistics
6. Малюнок 2. Приклад файлу даних у вигляді електронної таблиці
7. Малюнок 3. Файл даних у вікні Data Editor
8. Малюнок 4. Вікно Direct Marketing
9. Малюнок 5. Вибір способу організації даних
10. Малюнок 6. Визначення елементів даних для RFM-моделювання
11. Малюнок 7. Вказівка ​​поля Customer ID
12. Малюнок 8. Вибір кількості категорій на вкладці Binning
13. Малюнок 9. Збереження результату
14. Малюнок 10. Вкладка Output
15. Малюнок 11. Файл output.sav у вікні Data Editor
16. Малюнок 12. Вікно SPSS Statistics Viewer з результатами процесу RFM-моделювання (1 з 3)
17. Малюнок 13. Вікно SPSS Statistics Viewer з результатами процесу RFM-моделювання (2 з 3)
18. Малюнок 14. Вікно SPSS Statistics Viewer з результатами процесу RFM-моделювання (3 з 3)
19. регулярне повторення
20. висновок
21. Ресурси для скачування

Аналіз історії клієнтів із застосуванням RFM-сегментування

Розподіл клієнтів на групи - це природна тенденція. Компанії хочуть знати, які з їхніх клієнтів найбільш або найменш цінні, які перспективні, які нові і так далі. Відділи маркетингу і продажів роблять це регулярно і часто, прагнучи з прийнятними зусиллями добиватися максимальних результатів (в даному випадку обсягів продажів).

Можливо, класифікація і угруповання клієнтів і природна для людей і компаній, проте їх ефективне виконання є предметом вивчення, обговорення і практики. Одним з методів сегментування, вбудованих в майстри IBM SPSS Statistics, є сегментування RFM (recency, frequency, and monetary value - Нещодавно, частота і грошова цінність). Це перевірений і широко використовуваний метод поділу клієнтів на групи на основі їх поведінки. Швидке сканування списку клієнтів при угрупованню за оцінками RFM покаже вам, хто ваші найкращі клієнти, а хто найменш цінні або втрачені.

RFM-моделювання - це не єдиний метод сегментування клієнтів, і він не обов'язково є найкращим. Однак він хороший тим, що будь-який користувач здатний легко його зрозуміти і швидко приступити до його використання.

Корисно знати, як ваші клієнти діляться на групи. Цю інформацію можна використовувати для прогнозування поведінки клієнтів в найближчому майбутньому. Ще корисніше відстежувати зміни RFM-оцінок конкретних клієнтів з плином часу. На основі цих знань можна змінювати бізнес-процеси з метою забезпечення максимально ефективних взаємодій з клієнтом протягом усього його життєвого циклу. І всю цю інформацію може надати простий у використанні майстер в SPSS Statistics.

RFM-моделі

Якщо ви не маркетолог, то ви могли ніколи не чути про RFM-сегментації. Не хвилюйтеся, цей метод легко зрозуміти:

• Recency

  Recency (недавно) - це час, що минув з моменту оформлення клієнтом останнього замовлення. Використання цього показника пояснюється тим, що в багатьох випадках клієнти, які давно нічого не купували, з меншою ймовірністю знову щось замовлять, ніж ті, хто здійснював покупки недавно.

• Frequency

  Frequency (частота) - це кількість замовлень, оформлених клієнтом протягом усього життя. Використання цього показника пояснюється тим, що клієнти, які вчинили одну покупку, зі значно меншою ймовірністю оформлять замовлення знову, в порівнянні з тими, хто купував ваші товари неодноразово. Показник частоти іноді трохи коригується. Виходячи з аналізу та дослідження діяльності вашої компанії ви можете прийти іншому визначенню частоти. Наприклад, можна використовувати кількість замовлень за рік, а не за все життя. Також можна при обчисленні частоти враховувати тільки замовлення на суму, що перевищує певне значення (нехтуючи невеликими замовленнями і впливом, яке деякі клієнти можуть надавати, оформляючи безліч дрібних замовлень, що підвищує витрати на обробку, доставку і розрахунки).

• Monetary value

  Monetary value (грошова цінність) - це грошовий вираз всіх покупок клієнта. У більшості випадків для RFM-аналізу використовується або загальний дохід, або чистий прибуток за все життя клієнта. Що будете використовувати ви - залежить від думки авторитетних співробітників компанії. Можна визначити грошову цінність і по-іншому. Використання суми чистого прибутку в розрахунку на замовлення може привести до іншого результату. Може бути корисно вивчити відмінності в оцінках клієнта при використанні різних показників грошової цінності.

Тепер, визначивши показники недавність (R), частоти (F) і грошової цінності (M), давайте розглянемо модель.

Уявіть собі кожну категорію (R, F або M) як список клієнтів, упорядкований за значенням показника. Розділіть цей список на рівні частини - зазвичай на три або п'ять, але можна використовувати будь-яку кількість. Наприклад, всі клієнти, які роблять покупки найбільш часто, отримають 5 з 5, а клієнти, які оформили тільки одне замовлення, отримають 1 з 5.

Застосуйте таку ж систему ранжирування для інших показників. В результаті кожен клієнт отримає оцінку з трьох цифр, наприклад 114, 352 або 445. У SPSS Statistics за замовчуванням чим менше кожна цифра, тим краще. Незважаючи на простоту результатів, багато галузей використовують RFM-моделі для швидкого і при цьому ефективного сегментування. RFM-моделювання спочатку виникло в секторі прямого маркетингу (згадайте про поштові замовленнях по каталогах). Сучасним еквівалентом таких замовлень є електронна комерція. Компанії використовують RFM-моделювання, щоб відправляти цільові пропозиції по електронній пошті для підтримки повернення клієнтів і впізнаваності марки.

Інший областю галузевого застосування RFM-сегментування є оптова дистрибуція. У цьому випадку компанія може використовувати знання про клієнта для визначення прайс-листів - пропонуючи більше знижок більш активним і цінних клієнтам. Можна також використовувати показник недавність, щоб швидко дізнаватися, коли хороші клієнти перестали оформляти замовлення, щоб підготувати пропозицію з метою повернути їх назад.

Історичний аналіз з використанням RFM

Одна RFM-модель - це знімок в конкретний момент часу. Порівняння декількох моделей з плином часу дає можливість змоделювати життєвий цикл клієнта.

Вивчення переміщень клієнтів протягом їх життя між різними класами RFM надає фахівцям з маркетингу та продажу великі знання про поведінку клієнтів. Найчастіше виявляється кілька характерних шляхів. Розуміння того, як різні типи клієнтів проходять через RFM-модель з плином часу, надає основу для зміни бізнес-процесів, підготовки маркетингових пропозицій або зміщення ресурсів прямих продажів до точки найбільшого впливу.

Наприклад, ви можете побачити, що нові клієнти отримують RFM-оцінку 513 (тобто вони недавні, нечасті і з середньою грошової цінністю, в разі ранжирування від 1 до 5). Їх наступним рухом може бути поліпшення RFM-оцінки до значення 534.

Далі ви можете побачити розщеплення. Одні клієнти можуть знижувати свої RFM-оцінки, а інші підвищувати. Визначення відмінностей між такими клієнтами може привести до розробки поліпшених пропозицій, стимулів або програм обслуговування, які дозволять залучити більшу кількість клієнтів.

Простим способом досягнення цієї мети може стати ведення таблиці з даними, куди ви записуєте RFM-оцінку кожного клієнта при кожному виконанні моделей.

Інші методи сегментування

Перед тим як перейти до використання майстрів SPSS Statistics для створення RFM-моделі, я опишу деякі інші методи сегментації клієнтів в цьому інструменті. Безумовно, існує безліч способів угруповання клієнтів, і SPSS Statistics підтримує безліч статистичних процесів, використовуваних для виконання цього завдання. В меню Analyze (Аналіз) можна знайти кілька загальних категорій статистичного аналізу, включаючи Classify (Класифікація), як показано на малюнку 1 .

Малюнок 1. Розгорнуте підміню Classify

(Подивитися збільшене зображення ).

У підміню Classify показані основні доступні алгоритми. Ці більш розвинені можливості будуть вам корисні, коли ви перейдете до створення спеціальних моделей сегментування ваших клієнтів. Однак для їх ефективного використання потрібно певний рівень статистичних знань, і фактично вам доведеться купувати ці знання в міру того як ви будете адаптувати ці моделі до потреб вашої організації і даними, якими володієте.

RFM-аналіз в SPSS Statistics

Давайте приступимо до справи. Перед тим як почати роботу в SPSS Statistics, необхідно зібрати дані, отримавши їх з систем обробки транзакцій. Тип даних і простоту запиту можуть вас здивувати. Використовуючи найпростіші запити для отримання відомостей про кількість транзакцій і суми платежів до теперішнього часу, зберіть наступні дані:

• номер або інший унікальний ідентифікатор клієнта
• дата останнього замовлення для кожного клієнта
• загальна кількість транзакцій клієнта
• загальна сума грошових коштів, отриманих від клієнта.

Як вже зазначалося, можна використовувати і інші визначення для кількості транзакцій і загального доходу для кожного клієнта. Але наведений вище список є хорошим відправним пунктом.

Зібрані дані повинні виглядати приблизно так, як показано на малюнку 2 . У цьому прикладі дані знаходяться в електронній таблиці, але у вас вони можуть бути в інших форматах. Досить, щоб SPSS Statistics могла прочитати файл відповідного типу.

Малюнок 2. Приклад файлу даних у вигляді електронної таблиці

Підготувавши файл даних, можна приступати до аналізу:

1. Запустіть SPSS Statistics і встановіть з'єднання з файлом даних.

   Ви побачите знайоме вікно Data Editor (Редактор даних) з файлом даних про ваших клієнтів (див. малюнок 3 ).

   Малюнок 3. Файл даних у вікні Data Editor

   

   (Подивитися збільшене зображення ).

2. В меню клацніть по Direct Marketing> Choose Technique (Прямий маркетинг> Виберіть завдання).

   З'явиться вікно Direct Marketing (див. малюнок 4 ).

   Малюнок 4. Вікно Direct Marketing

   
3. Двічі клацніть по елементу Help identify my best contacts (RFM Analysis) (Ідентифікувати кращих клієнтів (RFM-аналіз)).
4. У вікні RFM Analysis: Data Format (RFM-аналіз: формат даних), показаному на малюнку 5 , Виберіть Customer data (Дані про клієнтів) і клацніть по кнопці Continue (Продовжити).

   Малюнок 5. Вибір способу організації даних

   

   У вікні RFM Analysis from Customer Data (RFM-аналіз на основі даних про клієнтів) вкажіть всі параметри для процесу RFM-моделювання.

5. Перейдіть на вкладку Variables (Змінні) (див. рисунок 6 ).

   На цій вкладці є чотири елементи даних, які необхідно визначити для запуску процесу RFM-моделювання. Потрібно повідомити SPSS Statistics, які змінні у вхідних даних (стовпчики в електронній таблиці) відповідають даті останньої транзакції, кількості транзакцій і грошовій сумі.

   Малюнок 6. Визначення елементів даних для RFM-моделювання

   
6. Після зіставлення змінних вхідних даних вкажіть ідентифікатор, щоб модель могла привласнювати оцінку кожного клієнта. В даному прикладі вкажіть поле Customer ID в електронній таблиці (див. рисунок 7 ).

   Малюнок 7. Вказівка ​​поля Customer ID

   
7. Перейдіть на вкладку Binning (Категоризація) і виберіть кількість бажаних категорій для Recency, Frequency і Monetary.

   Категоризація визначає, скільки інтервалів ви хочете задати для кожного показника. За умовчанням встановлено значення 5, яке зазвичай використовується на практиці. Для простоти я налаштував свої приклади на використання трьох інтервалів (див. рисунок 8 ).

   Малюнок 8. Вибір кількості категорій на вкладці Binning

   

   Визначення необхідної кількості категорій

   Визначити кількість категорій, які вам слід використовувати, може бути непросто. Виберете занадто багато (9 і більше) - і створите так багато оцінок, що модель буде важко зрозуміти. Виберете занадто мало - і модель буде марна.

   Зазвичай використовується непарне число, хоча я ніколи не бачив задовільного пояснення для такого вибору. У будь-якому випадку при використанні непарного числа виникає середня категорія, з якою можна порівнювати крайні категорії. Таке пояснення далеко не вирішальне, але я зазвичай дотримуюся традиції використання непарного числа.

8. В поле Binning Method (Метод розбиття на групи) виберіть Nested (Вкладений) або Independent (Незалежний).

   Обраний варіант змінює те, куди поміщаються клієнти, для оцінок частоти і грошової цінності. Не обов'язково один з методів кращий за інший. Кращий шлях до прийняття рішення - створення діаграми відмінностей і обговорення цього процесу з вашими бізнес-користувачами. Вибравши метод, дотримуйтеся його в подальшому моделюванні, щоб можна було проводити порівняння з плином часу.

9. Перейдіть на вкладку Save (Зберегти).
10. Виберіть, куди записати результати моделювання (див. рисунок 9 ). В даному прикладі використовується файл за умовчанням output.sav.

    Зазвичай я вибираю Write a new data file (Зберегти новий файл даних) в поле Location (Положення), і потім натискаю кнопку Browse (Огляд), щоб дати ім'я новому файлу. Єдиним форматом для цього файлу є спеціальний формат SPSS Statistics - .sav.

    Малюнок 9. Збереження результату

    
11. Перейдіть на вкладку Output (Вивід) (див. рисунок 10 ).

    На цій вкладці визначається відображення результату у вікні перегляду SPSS Statistics Viewer. Налаштування та зміни на цій вкладці не впливають на файл результатів, який ви вказали на вкладці Save.

    Малюнок 10. Вкладка Output

    
12. Натисніть OK для запуску RFM-моделі.

    Після завершення процесу моделювання вихідні дані будуть виглядати у вікні Data Editor так, як показано на малюнку 11 .

    Малюнок 11. Файл output.sav у вікні Data Editor

    

    (Подивитися збільшене зображення ).

Після закінчення моделювання модуль перегляду SPSS Statistics Viewer виведе вікна, подібні до тих, що показані на малюнку 12 , малюнку 13 і малюнку 14 . Для перегляду файлу вихідних даних його потрібно завантажити окремо у вікні Data Editor.

Малюнок 12. Вікно SPSS Statistics Viewer з результатами процесу RFM-моделювання (1 з 3)

(Подивитися збільшене зображення ).

Малюнок 13. Вікно SPSS Statistics Viewer з результатами процесу RFM-моделювання (2 з 3)

(Подивитися збільшене зображення ).

Малюнок 14. Вікно SPSS Statistics Viewer з результатами процесу RFM-моделювання (3 з 3)

(Подивитися збільшене зображення ).

Використовуйте ці діаграми і графіки у вікні перегляду, щоб демонструвати результати моделювання вашим аналітикам і відповідальним бізнес-фахівцям. Ці вікна також включають базову статистику - середні значення кожної вхідної змінної і відповідні стандартні відхилення. Подумайте також про створення своїх власних графіків і таблиць, орієнтованих на вашу аудиторію.

Примітка: Ви можете зберігати файл output.sav в інших форматах, і потім вбудовувати його в запити і бази даних, щоб представляти RFM-оцінки клієнтів в інших додатках.

регулярне повторення

Одна RFM-модель - це знімок поведінки ваших клієнтів в минулому на сьогоднішній день. Регулярне виконання моделювання та використання результатів для розуміння переміщень клієнтів між категоріями дозволяє отримувати знання, які не може надати один результат.

Для цього можна створити простий файл даних, який зберігає RFM-оцінки для кожного клієнта по датам. Використовуючи такі ж прості запити, ви можете будувати тимчасові ряди RFM-оцінок для конкретних клієнтів і груп клієнтів. Для підвищення точності аналізу виконуйте RFM-моделювання регулярно і через рівні інтервали часу. Таким чином ви створите основу для аналізу життєвого циклу клієнтів.

Ці дані дозволяють дізнатися багато чого про те, як змінюється купівельна поведінка ваших клієнтів з плином часу. Один з кращих способів - поєднання аналізу з демографічним сегментированием, що дозволяє бачити, як з часом різні групи проходять по RFM-оцінками. Ви можете отримати інформацію для виявлення закономірностей, які вказують на ймовірність відмови клієнта від здійснення покупок (деякі називають це відтоком). Розробка цільових стимулів для таких клієнтів або додаткову увагу до них можуть змінити їх майбутні дії і допомогти в їх утриманні.

висновок

Використання коштів RFM-моделювання в SPSS Statistics - це хороший спосіб привернути інших фахівців для додаткового аналізу. RFM-моделювання можна використовувати для більш глибокого розуміння поведінки ваших клієнтів, в якій би галузі ви не працювали - в роздрібній торгівлі, електронної комерції, дистрибуції або в інших комерційних галузях. Навіть благодійні організації можуть застосовувати цю модель для поліпшення взаємодій з жертводавцями.

RFM-аналіз - це відносно простий для розуміння процес моделювання. Бізнес-користувачі можуть швидко приступити до його ефективному застосуванню. Використовуйте його для розширення можливостей аналізу у вашій організації. Це відмінна відправна точка для пошуку додаткових цікавих способів застосування у вашій компанії технологій поглибленого аналізу даних і предиктивної аналітики.

Ресурси для скачування

Схожі теми

Підпишіть мене на повідомлення до коментарів