Tέλος οι “αρπαχτές” με τυχαιους πελάτες. Βρείτε σε ποιους πελάτες αξίζει να επενδύσετε με μία ανάλυση RFM της βάσης δεδομένων του ηλεκτρονικού σας καταστήματος.
“Περίμενε, Γιώργο. Εννοείς πώς η βάση δεδομένων των παραγγελιών δεν είναι απλά για να στέλνουμε τα σωστά προϊόντα στη σωστή διεύθυνση;”
Μερικά από τα πράγματα που θα μάθετε:
- Τι είναι αυτή η “ανάλυση RFM” που συνεχώς αναφέρω – τι σημαίνει ανάλυση RFM και γιατί R F M με αυτή τη σειρά;
- Γιατί κάθε άνθρωπος που ασχολείται με το ηλεκτρονικό εμπόριο θα πρέπει να χρησιμοποιεί ή τουλάχιστον να γνωρίζει για την ανάλυση RFM.
- Πώς να κάνετε μια ανάλυση RFM στο excel, βαθμολογώντας τους πελάτες σας από τον καλύτερο στον χειρότερο (ο «σωστός» τρόπος).
- Πώς να εφαρμόσετε την λογική της ανάλυσης RFM απευθείας στο Google Analytics (μία λιγότερο «σωστή» μέθοδος, που εξακολουθεί όμως να είναι αποτελεσματικότατη).
- Τι ακριβώς να κάνετε αφού υπολογίσετε τις βαθμολογίες RFM των πελατών σας.
- Εισαγωγή στην κατάτμηση των πελατών βάσει της συμπεριφοράς τους.
- Δείγματα στρατηγικών για τα τμήματα πελατών που έχετε εντοπίσει.
- Μερικές σκέψεις σχετικά με τα όρια μιας ανάλυσης RFM
Μια ανάλυση RFM της βάσης δεδομένων του ηλεκτρονικού μας καταστήματος είναι ο καλύτερος τρόπος για να σταματήσουμε τις “αρπαχτές” με τους πελάτες μας.
Shocking I know.
Aς δούμε όμως τί εννοώ. Οι περισσότεροι επιχειρηματίες ηλεκτρονικού εμπορίου έχουν μια αόριστη μόνο εικόνα των πελατών τους. Κατ ‘επέκταση, το μάρκετινγκ και ή διαφήμιση που κάνουν είναι γενικόλογα και ασαφή. Ψεκάζω και προσεύχομαι. Η προσέγγιση της “αρπαχτής.”
Ωστόσο, όπως εξήγησα στον άρθρο μου για την στρατηγική marketing ηλεκτρονικού εμπορίου, το να πιάνουμε πελάτη όποιον βρίσκουμε δεν είναι ορθολογικό επειδή δεν είναι όλοι οι πελάτες ίδιοι. Η σταθερή, ορθολογική ανάπτυξη της επιχείρισης μας ξεκινάει με τον εντοπισμό, την απόκτηση, και την διατήρηση πελατών υψηλής αξίας.
Μια ανάλυση RFM είναι ο απλούστερος, πιο κομψός και ευκολότερος τρόπος για να καταλάβουμε ποιοι ακριβώς είναι οι πελάτες μας και πώς συμπεριφέρονται. Μας επιτρέπει με μεγάλη αποτελεσματικότητα να εντοπίσουμε τα τμήματα υψηλής αξίας του πελατολόγιου μας και να τα γαλουχήσουμε. Με άλλα λόγια, η RFM ανάλυση είναι η προσέγγιση του “γάμου” ή τουλάχιστον της “μακροχρόνιας σχέσης.”
Σε αυτό το σύντομο οδηγό, θα σας καθοδηγήσουμε σε όλα όσα πρέπει να ξέρετε για να αρχίσετε να επωφελείστε από την ανάλυση RFM. Αλλά πρώτα…
Σας φαίνονται μήπως Γνώριμες οι παρακάτω ερωτήσεις;
Γιατί μερικοί πελάτες σας ξοδεύουν περισσότερα χρήματα από άλλους; Τι κάνει τους περισσότερους ανθρώπους να αγοράζουν μόνο μία φορά; Τι κάνει ορισμένους ανθρώπους να επιστρέφουν και να αγοράζουν ξανά και ξανά;
Πώς πρέπει να δίνουμε προτεραιότητα στις ενέργειες μάρκετινγκ; Ποιά είναι τα πιο κερδοφόρα μας κανάλια; Tί είναι η τμηματοποίηση και πώς μπορούμε να τμηματοποιήσουμε τις επικοινωνίακές μας στρατηγικές ώστε να μεγιστοποιήσουμε το κέρδος μας;
Πόσους πελάτες πρόκειται να χάσουμε και πότε θα τους χάσουμε; Τι θα μπορούσαμε να κάνουμε για να τους διατηρήσουμε; Πόσους έχουμε ήδη χάσει; Πότε θα πρέπει να σταματήσουμε να ξοδεύουμε το marketing budget μας σε αυτούς;
Συν τοις άλλοις, έχετε ποτέ ευχηθεί, κρυφά ή δημόσια, η απόδοση του μάρκετινγκ σας, ευρώ-σε-ευρώ, να ήταν καλύτερη;
Όλες αυτές οι ερωτήσεις μπορούν να απαντηθούν άμεσα ή έμμεσα από την ανάλυση RFM.
Aς δούμε τι είναι η RFM.
Η ανάλυση RFM είναι μια εγκληματικά υποχρηστευμένη μέθοδος ανάλυσης αξίας των πελατών. Είναι μία μεθοδολογία που έχει προέλευση στο μάρκετινγκ βάσεων δεδομένων, πολύ πριν από το διαδίκτυο, στην δεκαετία του ’30.
RFM σημαίνει Recency, Frequency και Monetary Value.
Recency (R) σημαίνει, “Πόσο πρόσφατα έχει κάνει ένας πελάτης μια αγορά;” Οι πελάτες που έχουν αγοράσει πιο πρόσφατα είναι πολύ πιο πιθανό να αγοράσουν ξανά από τους χρήστες που έκαναν μια αγορά πριν πολύ καιρό.
Συχνότητα (F) σημαίνει, “Πόσο συχνά έχει κάνει ένας πελάτης μια αγορά;” Ομοίως, οι άνθρωποι που αγοράζουν συχνά είναι πολύ πιο πιθανό να αγοράσουν και πάλι από τους ανθρώπους που αγοράζουν λιγότερο συχνά ή μόνο μία φορά.
Νομισματική αξία (M) σημαίνει, “Πόσα έχει ξοδέψει ο πελάτης;” Όσο υψηλότερη είναι η συνολική δαπάνη ενός πελάτη, τόσο μεγαλύτερη είναι η πιθανότητα να αγοράσει ξανά στο μέλλον σε σύγκριση με τους πελάτες που έχουν δαπανήσει λιγότερα.
Εφαρμογή της RFM στο Google Analytics
Θα εξηγήσω πώς και γιατί μπορούμε να εφαρμόσουμε την RFM στο Google Analytics λίγο παρακάτω. Εάν αποφασίσετε να εφαρμόσετε την RFM στο Google Analytics, απλά να θυμάστε ότι θα πρέπει να ορίσουμε τα R και F ως εξής.
Recency: “Ημέρες από την τελευταία επίσκεψη.”
Συχνότητα: “Αριθμός αγορών.”
Αυτoί οι τρεις δείκτες αποτελούν ένα εξαιρετικά χρήσιμο πλαίσιο για τον κατακερματισμό μιας βάσης δεδομένων, την κατανόηση της αξίας των πελατών μας, αλλά και την πρόβλεψη της συμπεριφοράς των μελλοντικών μας πελατών.
Οι τρεις δείκτες γράφονται κατά την σειρά της ισχύος τους. Αυτό σημαίνει ότι η Recency είναι πιο σημαντική από την Frequency, ενώ τόσο η Recency όσο και η Frequency είναι πιο σημαντικές από την Monetary Value.
H ανάλυση RFM λειτουργεί ως εξής. Χωρίζουμε τη βάση δεδομένων των πελατών μας σε πέντε ίσα μέρη (quintiles). Ύστερα, δίνουμε σε κάθε πελάτη μία βαθμολογία από το ένα έως το πέντε στους τρεις δείκτες βάσει της συμπεριφοράς τους.
Το πέντε είναι το υψηλότερο και το ένα είναι το χαμηλότερο. Για παράδειγμα, ένας πελάτης με βαθμολογία R5, βαθμολογία F5 και βαθμολογία M5 ανήκει στο τμήμα πελατών υψηλότερης αξίας. Πρόκειται για ένα άτομο που αγόρασε πρόσφατα, αγοράζει συχνά, και έχει δαπανήσει πολλά χρήματα μαζί μας. Οι ενέργειες marketing μας πρέπει να προσανατολίζονται στο να αποκτούμε περισσότερα άτομα σαν αυτό.
Ένας πελάτης με βαθμολογία R1, βαθμολογία F1 και βαθμολογία M1 είναι ακριβώς το αντίθετο. Ένας πελάτης χαμηλής αξίας. Είναι ο τύπος του πελάτη που αγόρασε τελευταία φορά πριν από πολύ καιρό, αγόρασε μία μόνο φορά, και συνολικά ξόδεψε ένα πολύ μικρό ποσό. Ανήκει σε μία κατηγορία ανθρώπων στην οποία δεν θα πρέπει να δώσουμε προτεραιότητα με το marketing μας.
H ανάλυση RFM είναι καταπληκτική για το ηλεκτρονικό εμπόριο
Είμαι οπαδός της RFM, επειδή είναι μία απλή μέθοδος που έχει όμως σημαντικές επιπτώσεις. Προτού προχωρήσουμε στο πώς μπορούμε να πραγματοποιήσουμε την ανάλυση στο Excel και στο Analytics, παραθέτω ενδεικτικά ορισμένα πιθανά οφέλη μίας ανάλυσης RFM για μία επιχείρηση ηλεκτρονικού εμπειρίου κάθε μεγέθους.
Υψηλότερη παραγωγικότητα μάρκετινγκ. Αν καθόρισουμε ποια είναι η αξία των πελατών μας σε βάθος χρόνου μπορούμε να εντοπίσουμε ποια κανάλια τείνουν να δημιουργούν πελάτες χαμηλής αξίας και ποια κανάλια τείνουν να δημιουργούν πελάτες μεγάλης αξίας.
Αυτό σημαίνει ότι μπορούμε να επανεπενδύσουμε σωστά το marketing budget μας ώστε να αποκτήσουμε περισσότερους αγοραστές υψηλής αξίας και λιγότερους αγοραστές χαμηλής αξίας. Έτσι, η κερδοφορία μας, ευρώ σε ευρώ, θα αυξηθεί. Το μάρκετινγκ μας γίνεται αμέσως πιο παραγωγικό. Με απλά λόγια, σπαταλάμε λιγότερα, άρα κερδίζουμε περισσότερα.
Υψηλότερα ποσοστά διατήρησης. Η ανάλυση RFM μας επιτρέπει να κατανοήσουμε πώς συμπεριφέρονται οι πελάτες μας. Μας επιτρέπει, επομένως, να καταλάβουμε πότε είναι η κατάλληλη στιγμή να επικοινωνήσουμε μαζί τους με μία προσφορά. Πότε θα είναι πιο δεκτικοί στα μηνύματα μας. Πότε πρέπει να ενεργήσουμε γιατί κινδυνεύουμε να τους χάσουμε από πελάτες.
Σε βάθος χρόνου, αυτό σημαίνει πώς μπορούμε να δημιουργήσουμε αυτοματοποιημένα συστήματα σχεδιασμένα ώστε να εκπαιδεύουν τους νέους αγοραστές μας σε «συμπεριφορές υψηλής αξίας.» Με άλλα λόγια, η ανάλυση RFM μας υποδεικνύει πώς μπορούμε να διατηρήσουμε και να εκμεταλλευτούμε σε βάθος χρόνου το πελατολόγιο μας.
Πιο σχετικό marketing. Όταν καταλάβουμε ποιοι ακριβώς είναι οι αγοραστές υψηλής αξίας μας, είμαστε στην τέλεια θέση να επανασανατολίσουμε την επιχείρησή μας ώστε να τους εξυπηρετούμε καλύτερα. Αυτό περιλαμβάνει τα πάντα από τα προϊόντα μας όσο και τα διαφημιστικά μας μηνύματα ή τις όποιες άλλες ενέργειες marketing.
Εν τέλει, η ανάλυση RFM μας δίνει την γνώση που χρειαζόμαστε για να επικοινωνήσουμε με τους πελάτες μας με έναν τρόπο που θα εκτιμήσουν περισσότερο. Μπορεί να μας βοηθήσει στην αύξηση των πωλήσεων των προϊόντων μας, την ενίσχυση της απόδοσης οποιουδήποτε καναλίου marketing, την μείωση του κόστος μας, και την δραματική αύξηση της κερδοφορίας μας.
Αν δεν είστε ενθουσιασμένοι σε αυτό το σημείο, μάλλον δεν δίνεται την δέουσα προσοχή! 😃 Αλλά ας περάσουμε στην υλοποίηση.
Πώς να κάνουμε ανάλυση RFM στο Excel (ή στο Google Sheets)
Η ομορφιά της RFM είναι ότι δεν χρειαζόμαστε φανταχτερά ή πληρωμένα εργαλεία ανάλυσης για να κάνουμε την δουλειά μας. Αρκεί ένα απλό υπολογιστικό φύλλο. Για να ξεκινήσουμε, πρέπει να εξάγουμε την βάση δεδομένων των πελατών μας σε μορφή .csv και να την ανοίξουμε στο Excel ή το Google Sheets. Μπορούμε να βρούμε την βάση δεδομένων μας εντός του e-shop μας (WooCommerce, Shopify etc.).
Πριν κάνουμε οποιαδήποτε ανάλυση, πρέπει πρώτα να καθαρίσουμε τα δεδομένα μας. Επομένως, πρέπει να αφαιρέσουμε άσχετα πράγματα, όπως λανθασμένες παραγγελίες, καταχωρήσεις μή πελατών κ.ο.κ από το σύνολο των δεδομένων μας.
Ύστερα πρέπει να προσθέσουμε 7 επιπλέον στήλες στο υπολογιστικό φύλλο μας. Από αριστερά προς τα δεξιά, ας τις ονομάσουμε ως εξής, “Τελευταία ημερομηνία αγοράς”, “R”, “# αγορών”, “F”, “Συνολική δαπάνη” και “M” και “RFM.”
Τώρα πρέπει να συγκεντρώσουμε τα δεδομένα παραγγελιών μας σε μία μόνο εγγραφή ανά πελάτη. Για να το κάνουμε αυτό, μπορούμε να χρησιμοποιήσουμε τη διεύθυνση ηλεκτρονικού ταχυδρομείου του κάθε πελάτη.
Έτσι, αν η ίδια διεύθυνση ηλεκτρονικού ταχυδρομείου (δηλαδή ο ίδιος πελάτης) έχει τοποθετήσει τρεις παραγγελίες, θα πρέπει να τις αθροίσουμε σε μία εγγραφή και να επισημάνουμε το “# των Αγορών” ως 3. Εάν ένας πελάτης έχει κάνει μόνο μία παραγγελία, θα πρέπει να συμπληρώσουμε τη στήλη “# αγορών” με τον αριθμό 1.
Στη στήλη “Ημερομηνία τελευταίας αγοράς”, ας προσθέσουμε την ημερομηνία της τελευταίας αγοράς κάθε πελάτη, ενώ στη στήλη “Συνολική δαπάνη”, ας αθροίσουμε τη χρηματική αξία όλων των παραγγελιών που έχει κάνει ο πελάτης.
Σχεδόν τελειώσαμε με την προετοιμασία του υπολογιστικού μας. Για να υπολογίσουμε τις βαθμολογίες RFM, πρέπει να ταξινομήσουμε τις στήλες “Τελευταία ημερομηνία αγοράς”, “# αγορών” και “Συνολική δαπάνη” από το υψηλότερο στο χαμηλότερο, μία προς μία, και να διασπάσουμε τη βάση δεδομένων μας σε quintiles, δηλαδή σε 5 ίσα μέρη.
(Μην ξεχνάτε πώς όταν πρόκειται για την “Τελευταία Ημερομηνία Αγοράς” και την βαθμολόγηση της R (recency) οι πιο πρόσφατες ημερομηνίες θεωρούνται πο καλύτερες. Άρα οι πρόσφατες ημερομηνίες παίρνουν 5 και οι πιο παλιές παίρνουν 1.)
Έτσι, αν έχουμε 5000 πελάτες συνολικά, και ταξινομήσουμε την στήλη “# των αγορών” από το υψηλότερο στο χαμηλότερο, τότε οι πρώτες 1000 εγγραφές θα πάρουν F βαθμολογία 5. Οι επόμενες 1000 θα πάρουν μια βαθμολογία F 4, και ούτω καθεξής, μέχρι οι τελευταίες 1000 εγγραφές να πάρουν βαθμολογία F1.
Έχουμε όμως ένα ακόμα βήμα πριν τελειώσουμε την ανάλυση RFM. Aς συνενώσουμε (concatenate) τους αριθμούς των στηλών R, F και M και ας τους προσθέσουμε στη στήλη “RFM”. Το τελικό αποτέλεσμα θα πρέπει να είναι ένας συνδυασμός των τριών μετρήσεων μας. Για παράδειγμα, 555, 554, 545, 544, 543, και ούτω καθεξής.
Τα καταφέραμε. Χωρίσαμε τους πελάτες μας σε τμήματα μέσω της RFM. Αυτό δεν είναι όμως παρά μόνο το πρώτο βήμα.
Απλοποιημένη ανάλυση RFM στο Google Analytics
Πριν συζητήσουμε για το πώς μπορούμε να επωφεληθούμε από την τμηματοποίηση που κάναμε, να κάνω αυτή την σύντομη παρένθεση για όσους δεν νιώθουν άνετα στα υπολογιστικά φύλλα.
Αν το προηγούμενο τμήμα δεν ήταν ιδιαίτερα κατανοητό, υπάρχει τρόπος να εφαρμόσουμε την λογική της RFM κατ ‘ευθείαν στο Google Analytics.
Όπως ανέφερα νωρίτερα στο πράσινο πλαίσιο βοήθειας, σε αυτή την περίπτωση, τότε θα πρέπει να ορίσουμε την Recency ως “ημέρες από την τελευταία επίσκεψη” και τη Frequency ως “αριθμός αγορών.”
Έτσι, εγκαταλείπουμε τη μέθοδο της τμηματοποίησης και βαθμολογίας των πελατών σε 5 ίσα τμήματα. Σε αυτή την προσέγγιση, ένα τμήμα F2 σημαίνει ότι “αυτοί οι πελάτες έχουν κάνει δύο αγορές.” Ένα τμήμα R10 σημαίνει ότι αυτοί οι πελάτες επισκέφθηκαν την ιστοσελίδα μας μέσα στις τελευταίες 10 ημέρες και ούτω καθεξής. Ένα τμήμα F1+ αναφέρεται σε όλους μας τους πελάτες που έχουν κάνει περισσότερες από μία αγορές.
Ας δούμε όμως πώς να τα εφαρμόσουμε όλα αυτά στο Google Analytics. Πρώτα, θα πάμε στην επιλογή Audience > Overview και θα προσθέσουμε ένα segment “Made a Purchase.” Αυτός είναι ο συνολικός αριθμός των αγοραστών μας, ή, με άλλα λόγια, “βάση δεδομένων πελατών μας.”
Πώς δημιουργούμε τμήματα R (Recency). Χρειαζόμαστε ένα νέο custom segment. Πρέπει να πάμε στo behavior, conditions (κάτω απ’το “Advanced”). Ύστερα επιλέγουμε το φίλτρο για “Users”, επιλέγουμε “Session Date”, και ύστερα επιλέγουμε “is on or after.”
Αν θέσουμε, παραδείγματος χάριν, τις τελευταίες 30 ημέρες, έχουμε ένα τμήμα recency R30, δηλαδή όλους τους άνθρωπους που επισκέφθηκαν την ιστοσελίδα μας κατά τις προηγούμενες 30 ημέρες. Μπορούμε επίσης να δημιουργήσουμε R7, R14, R60 τμήματα, και ούτω καθεξής.
Πώς δημιουργούμε τμήματα F (Frequency). Δημιουργούμε νέο custom segment χρησιμοποιώντας ως παράμετρο τις “συναλλαγές ανά χρήστή” (ξανά στο behavior). Έτσι, ένα τμήμα F1 είναι ένα τμήμα που έχει οριστεί ως “Συναλλαγές ανά χρήστη = 1.” Μπορούμε εύκολα να δημιουργήσουμε F2, F3 ή F1+ για να εντοπίσουμε τους συχνούς αγοραστές μας.
Απαραίτητα F τμήματα είναι F1, F1+, και ύστερα, ένα “VIP” τμήμα το οποίο περιλαμβάνει ανθρώπους που έχουν κάνει έναν πολύ καλό αριθμό παραγγελιών (διαφέρει ανάλογα την επιχείρηση).
Πώς δημιουργούμε τμήματα M (Monetary Value). Για να δημιουργήσουμε τμήματα M, πρέπει πρώτα να μεταβούμε στην ενότητα Conversions > E-commerce > Overview. Ας διαλέξουμε το AOV μας. AOV σημαίνει μέση τιμή παραγγελίας.
Έτσι μπορούμε πολύ εύκολα να δημιουργήσουμε δύο επιπλέον τμήματα, ένα που να ονομάζεται AOV+ και ένα που να ονομάζεται AOV-. Θα θέσουμε παραμέτρους που βασίζονται στα έσοδα. Το AOV+ θα οριστεί ως “[Store-AOV] >” και AOV- θα οριστεί ως “< [“Store-AOV].”
Τί έχουμε καταφέρει ώς τώρα και τί πρέπει να κάνουμε την συνέχεια
Ας δούμε τι έχουμε καταφέρει ως τώρα.
Εάν χρησιμοποιήσατε τη μεθοδολογία υπολογιστικού φύλλου, έχετε ταξινομήσει τους πελάτες βάσει των R, F, και M σε πέντε ίσα τμήματα, από το 1 έως το 5. Έτσι, έχετε ένα τμήμα R5, F5, M5 (555) και ένα τμήμα R1, F1, M1 (111) καθώς και φυσικά τα ενδιάμεσα τμήματα.
Αν χρησιμοποιήσατε τη μεθοδολογία του Google Analytics, έχετε τμήματα F (F1, F2, F3, F1+, κ.λπ.), τμήματα R (R7, R14, R30, R60) και τρία τμήματα M (AOV+, AOV και AOV-).
Αυτό σημαίνει ότι είμαστε, με τον ένα ή τον άλλο τρόπο, σε θέση να καθορίσουμε τους αγοραστές υψηλότερης αξίας μας. Δηλαδή το τμήμα 555 ή, με άλλα λόγια, το τμήμα των ανθρώπων που αγόρασαν πρόσφατα, έχουν ιστορικά αγοράσει πολλές φορές, και έχουν ξοδέψει συνολικά πολλά χρήματα.
Είμαστε επίσης σε θέση να εντοπίσουμε ένα τμήμα πιστών πελατών, δηλαδή άτομα που έχουν δαπανήσει ένα καλό χρηματικό ποσό, αγοράζουυν συχνά, αλλά δεν έχουν αγοράσει πρόσφατα ή με κορυφαία συχνότητα. Αυτοί οι άνθρωποι μπορούν με λίγη προσπάθεια να κινητοποιηθούυν ώστε να αγοράσουυν ξανά.
Μπορούμε να εντοπίσουμε επίσης ένα τμήμα πιθανών πιστών πελατών. Δηλαδή τους πελάτες που έχουν δαπανήσει περισσότερα από το μέσο όρο (AOV+) και έχουν αγοράσει περισσότερες από μία φορές. Αυτοί οι άνθρωποι θα μπορούσαν να στοχευθούν ώστε να εισθέλθουν, με τον καιρό, στο τμήμα των πιστών πελατών μας.
Μπορούμε να εντοπίσουμε επίσης τους πρόσφατους πελάτες (υψηλό R) – δηλαδή πελάτες που εκτέλεσαν την τελευταία τους αγορά πριν από πολύ λίγο καιρό. Μην ξεχνάμε πώς δείκτης recency είναι ο πιο ισχυρός. Συνεπώς αυτό το τμήμα πελατών προσφέρεται για νέες προσφορές.
Ας δούμε όμως και την αντίθετη πλευρά. Έχουμε επίσης εντοπίσει, ή είμαστε σε θέση να εντοπίσουμε, τα λιγότερο πολύτιμα τμήματα των πελατών μας. Ξεκινώντας από το χαμένο τμήμα – οι άνθρωποι που δεν έχουν δαπανήσει πολλά, δεν έχουν αγοράσει πολλές φορές, και η τελευταία αγορά ήταν μήνες ή χρόνια πριν.
Μπορούμε να εντοπίσουμε ένα τμήμα κινδύυνου. Δηλαδή τους ανθρώπους που κάποτε δαπανούσαν πολλά, αγόραζαν συχνά, αλλά για κάποιο καιρό δεν έχουν αγοράσει πρόσφατα. Αυτό είναι ένα τμήμα που πρέπει να επανενεργοποιήσουμε.
Φυσικά, υπάρχουν πολλά άλλα τμήματα που μπορούμε να δημιουργήσουμε, και φυσικά, το πώς τα αποκαλούμε είναι δική μας υπόθεση, αλλά το σημαντικό takeaway εδώ είναι το ακόλουθο.
Κάθε ένα από αυτά τα τμήματα χρήζει τις δικής του επικοινωνιακής και εμπορικής στρατηγικής
Αυτό που έχουμε καταφέρει ως τώρα είναι μεγαλειώδες και έχει τεράστιες προεκτάσεις.
Mε την εξαίρεση προηγμένων μοντέλων data science, η ανάλυση RFM είναι ίσως ο πιο αποτελεσματικός τρόπος ώστε να εξασφαλίσουμε ότι η επικοινωνία μας είναι κατάλληλη, έγκαιρη, και αποτελεσματική. Μας επιτρέπει να κινηθούμε στρατηγικά, ελεγχόμενα, έξυπνα.
Το μόνο που έχουμε να κάνουμε είναι να εντοπίσουμε τα πρότυπα συμπεριφοράς των πελατών μας και ύστερα να χτίσουμε τις ενέργειες του marketing μας ώστε να είναι σύμφωνες με αυτά.
Έαν, για παράδειγμα, προσδιορίσουμε ότι οι υψηλής αξίας αγοραστές μας τείνουν να κάνουν την δεύτερη αγορά τους μετά από 15 μέρες απ’την πρώτη αγορά τους, μπορούμε να στήσουμε μία αυτόματη προσφορά μέσω email, SMS, διαφήμισης, messenger (δεν έχει σημασία) πρός όλους τους νέους μας αγοραστές την 16 έκτη μέρα.
Έτσι ούτε χρήματα χάνουμε προσφέροντας εκπτώσεις σε άτομα που ούτως ή άλλως θα αγόραζαν, και εκπαιδεύουμε τους νέους πελάτες μας σε συμπεριφορές “υψηλής αξίας” κατά το πρότυπο των καλύτερων πελατών μας.
Αυτό φυσικά δεν είναι παρά ένα παράδειγμα. Οι προεκτάσεις είναι τεράστιες.
Μπορούμε, παραδείγματος χάριν, να στήσουμε νέες αυτόματες επικοινωνίες που ξεκινούν αμέσως μόλις ένας “πιστός” πελάτης αρχίζει και μπαίνει στην κατηγορία των “επικίνδυνων” πελατών. Αυτό μπορεί να συμβαίνει έαν δεν έχει υποβάλλει νέα αγορά τις τελευταίες 45 ημέρες.
Όλα αυτά μπορούμε να τα εντοπίσουμε με την ανάλυση RFM και την συμπεριφορική μελέτη των πελατών μας.
Ποια τα ελαττώματα της RFM ανάλυσης;
Αν αυτή είναι η πρώτη φορά που έχετε εκτεθεί σε αυτές τις έννοιες, η ανάλυση RFM μπορεί να ακούγεται σαν κάτι απίστευτο. Κάτι μαγικό. Και ειλικρινά, είναι, ως επί το πλείστον.
Αλλά έχει και κάποιους εγγενείς περιορισμούς.Ο κύριος περιορισμός είναι ότι η RFM δεν είναι εξαιρετικά χρήσιμη στην ανάλυση των 111 πελατών. Δηλαδή τους πελάτες που δεν έχουν αγοράσει πρόσφατα, που έχουν αγοράσει μόνο μία φορά, και που δεν έχουν δαπανήσει πολλά χρήματα.
Το επιχείρημα RFM είναι ότι θα πρέπει να οικοδομούμε την επιχείρησή μας για να εξυπηρετήσουμε καλύτερα τους 555s μας, ξοδεύοντας όσο το δυνατόν λιγότερο χρόνο με τους 111s. Και είναι ένα στιβαρό επιχείρημα. Ως επί το πλείστον, θα πρέπει να επικεντρωθούμε στους καλύτερους πελάτες μας.
Αλλά τι κάνουμε με τους 111; Και τί κάνουμε αν οι 111 είναι περισσότεροι από το 20% των πελατών μας; Σύμφωνα με τη λογική RFM, πρέπει είτε να τους αφαιρέσουμε με τον καιρό από τη βάση δεδομένων μας είτε να πάψουμε να τους στοχεύουμε στο μάρκετινγκ μας.
Προσωπικά το θεωρώ βιαστικό. Αμφιβάλλω πώς οι 111 είναι τόσο ομοιογενείς όσο η RFM θα μας έκανε να πιστεύουμε, ιδιαίτερα αν αποτελούν μεγάλο τμήμα της βάσης των δεδομένων μας (κάτι που ισχύει για τις περισσότερες επιχειρήσεις).
Ευτυχώς, υπάρχουν τρεις πρόσθετες μεταβλητές που μπορούμε να χρησιμοποιήσουμε για να αναλύσουμε καλύτερα τους 111. Το ένα είναι ο ταχυδρομικός κώδικας, που μας βοηθάει να εξάγουμε πληροφοριές σχετικά με το εισόδημα, το επάγγελμα και πολλά άλλα για τον πελάτη.
Ο δεύτερος τύπος μεταβλητής είναι τα δεδομένα συναλλαγών. Μέσα από ποια κανάλια αποκτήσαμε τον πελάτη; Τι προϊόν αγόρασαν; Τι μέγεθος; Τι χρώμα; Ποιο ήταν η τιμή;
Τρίτον, μπορούμε να εισάγουμε δημογραφικά στοιχεία όπως είναι το φύλο, η ηλικία.
Σε κάθε περίπτωση μπορούμε να ταξινομήσουμε τους 111 με βάση αυτές τις μεταβλητές και να τους τμηματοποιήσουμε σε μικρότερες ομάδες, ανακαλύπτωντας χρήσιμες πληροφορίες στη διαδικασία.
Είστε έτοιμοι να ξεκινήσετε με την Ανάλυση RFM.
Σε αυτό το σημείο, ελπίζω να σας έχω πείσει πως η ανάλυση RFM είναι ένα φανταστικό εργαλείο για οποιαδήποτε επιχείρηση ηλεκτρονικού εμπορίου (και όχι μόνο).
Η RFM μας βοηθά να κατανοήσουμε πώς συμπεριφέρονται οι πελάτες μας, γεγονός που μας βοηθά να κάνουμε το μάρκετινγκ μας πιο παραγωγικό, να διατηρήσουμε περισσότερους πελάτες και, τελικά, να δημιουργήσουμε έγκαιρες προσφορές και σχετικότερες επικοινωνιακές στρατηγικές.
Αν όλα αυτά είναι νέα για εσάς, ο καλύτερος τρόπος για να εξοικειωθείτε με αυτές τις έννοιες είναι να μπείτε στο Google Analytics και να αρχίσετε να δημιουργείτε τμήματα R, F και M. Αφού δημιουργήσετε τα τμήματα, αρχίστε να κάνετε ερωτήσεις.
Πώς διαφέρουν τα τμήματα υψηλής αξίας με τον μέσο επισκέπτη; Τι προϊόντα αγοράζουν; Από ποια κανάλια προέρχονται; Τι δημογραφικά στοιχεία έχουν;
Ελπίζω να βρήκατε το άρθρο τόσο χρήσιμο όσο εγώ το βρήκα διασκεδαστικό να γράψω.