Sejak Machine Learning pertama kali diperkenalkan di Mindbox, Big Green Button telah menjadi tujuan bersama. Ini adalah tombol di layar penuh, ketika diklik, semuanya bekerja dengan sendirinya dan menghasilkan keuntungan.

Dalam proyek analitis "RFM" tujuannya kurang ambisius - Tombol hijau kecil . Anda mengklik, dan basis data secara otomatis dibagi menjadi beberapa segmen tempat pengiriman email dimulai (misalnya).

Untuk mencapai tujuan, kami menulis segmenter RFM otomatis dan mengembangkan laporan khusus untuk memvisualisasikan hasil.

Kami memberi tahu bagaimana semua itu terjadi dan mengapa sekarang ini mungkin membuang analis meluangkan lebih banyak waktu untuk tugas-tugas yang kurang sepele

Apa itu analisis RFM?

Hasil buletin email tergantung pada jangkauan audiens dan kualitas buletin. Infinity tidak dapat ditingkatkan tanpa batas, yang berarti bahwa kualitas harus ditingkatkan. Untuk melakukan ini, Anda perlu mempersonalisasikan buletin, karena semua orang berbeda dan semua orang membutuhkan sesuatu yang berbeda.

Biasanya ada banyak konsumen, sulit untuk membuat surat individual untuk masing-masing. Untuk mengatasi masalah tersebut, pemasar membagi konsumen menjadi kelompok - segmen.

Anda dapat berbagi dengan berbagai cara. Salah satu opsi adalah analisis RFM .

Artinya, analisis RFM adalah cara segmentasi. Segmen disebut kelompok konsumen terpisah. Analisis RFM menyarankan tiga atribut untuk setiap pelanggan:

• R (Kekinian) - berapa lama pelanggan membuat pesanan terakhir.
• F (Frekuensi) - berapa banyak pesanan yang dibuat klien.
• M (Moneter) - berapa banyak uang yang dihabiskan klien.

Banyak perusahaan pemasaran membuat dan menggunakan analisis RFM. Kami termasuk. Dalam sebuah artikel tentang segmentasi RFM, mereka memberi tahu jenis laporan apa yang bisa kita lakukan, dan bagaimana hal itu dapat membantu pemasar.

Pendekatan Analisis RFM Yang Ada

Pendekatan yang ada untuk analisis RFM kira-kira sama untuk semua orang.

Klien dibagi menjadi kelompok sesuai dengan karakteristik masing-masing. Biasanya tidak ada lebih dari lima kelompok seperti itu. Persimpangan grup disebut segmen.

Sebagai contoh, ketika membagi menjadi empat kelompok untuk masing-masing dari tiga karakteristik, 64 (4x4x4) segmen konsumen terbentuk, dan untuk lima - sudah 125 segmen.

Kesulitan utama adalah menentukan batas-batas kelompok, karena tidak ada aturan khusus tentang cara melakukan ini.

Pertimbangkan pendekatan yang paling populer pada contoh satu basis pelanggan:

Di sini kita hanya menggunakan dua dari tiga dimensi (R dan M) untuk kemudahan persepsi.

Dalam contoh kita:

• Jumlah pembelian terletak pada kisaran 0 hingga 15 ribu rubel.
• Periode resep berkisar dari 1 jam hingga 240 hari.

Pendekatan 1. Pembagian menjadi bagian yang sama dengan rentang nilai

Dengan pendekatan ini, pemisahan didasarkan pada nilai-nilai karakteristik. Dalam kasus kami, kami membedakan tiga kelompok dengan menghabiskan: hingga 5 ribu rubel, dari 5 hingga 10 ribu dan dari 10 ribu. Dan tiga kelompok sesuai dengan resep tanggal pembelian: hingga 80 hari, dari 80 hingga 160 hari, dari 160 hari.

Kami mendapatkan sembilan segmen:

Keuntungan dari metode ini:

• Mudah diotomatisasi.
• Anda dapat mengidentifikasi "paling-paling": mereka yang membeli paling banyak, paling sering dan yang tidak membeli paling lama.

Kontra dari metode:

• Distribusi antar kelompok tidak merata: dalam contoh, 86% konsumen dalam satu segmen, 13% di segmen kedua, 1% didistribusikan di tujuh segmen sisanya.
• Jumlah grup untuk setiap atribut adalah sama.
• Banyak segmen (ingat bahwa walaupun dibagi menjadi 3 bagian sesuai dengan setiap atribut, akan ada 27 segmen).

Pendekatan 2. Pembagian menjadi bagian yang sama dengan jumlah konsumen

Dengan pendekatan ini, pemisahan masing-masing karakteristik dilakukan sehingga jumlah konsumen yang sama masuk dalam kelompok.
Ini adalah cara pembeli dari contoh kami didistribusikan (seperti sebelumnya, kami membagi menjadi tiga bagian untuk setiap atribut):

Keuntungan dari metode ini:

• Mudah diotomatisasi.
• Biasanya, tidak ada ketidakseimbangan yang kuat antara kelompok.

Kontra dari metode:

• Pelanggan “istimewa” sangat buruk.
  Dalam contoh, dalam satu segmen ada konsumen yang membeli 1.000 rubel dan 15 ribu. Pada saat yang sama, mereka yang membeli dalam jumlah sangat besar tidak menonjol dalam kelompok yang terpisah (tidak seperti metode sebelumnya).
• Jumlah grup untuk setiap atribut adalah sama.
• Banyak segmen.

Pendekatan 3. Manual

Analis memeriksa basis data dan memilih partisi yang benar.

Keuntungan dari metode ini:

• Segmentasi yang baik.

Kontra dari metode:

• Butuh seorang spesialis.
• Butuh banyak waktu.

Laporan RFM Satu-Tombol dengan Pembelajaran Mesin

Kami memutuskan untuk menyingkirkan kekurangan dari pendekatan lama. Untuk melakukan ini, saya harus menggunakan algoritma Machine Learning .

Dengan menggunakan metode pengelompokan, kami secara otomatis menentukan berapa banyak sebenarnya segmen konsumen dalam database dan apa segmen ini. Dan dengan bantuan pohon keputusan, kami membawa segmen ini ke bentuk yang nyaman untuk persepsi. Cara kerjanya, kami memberi tahu dalam artikel terpisah tentang segmentator perangkat .

Untuk contoh di atas, kami mendapatkan hasil ini:

Untuk membuat semua ini nyaman dan mudah dipahami bagi pemasar, kami telah mengembangkan laporan di mana hasil segmentasi dijelaskan dengan mudah dan jelas (seperti yang terlihat bagi kami).

Untuk mendapatkannya, cukup klik satu tombol - dan sistem akan melakukan semuanya sendiri.
Laporan ditempatkan pada satu halaman dan terdiri dari tiga tabel.

Bagian 1. Penilaian kondisi pangkalan

Tabel pertama adalah ringkasan. Ini berisi informasi tentang semua segmen dari database, diperoleh berdasarkan analisis RFM. Indikator kunci: aktivitas konsumen di segmen dan nilainya.

Aktivitas ditentukan oleh resep pembelian terakhir, dan nilainya ditentukan oleh jumlah yang dihabiskan.

Setiap segmen termasuk dalam salah satu kategori. Setiap kategori dapat memiliki beberapa segmen atau tidak sama sekali. Sel-sel menunjukkan jumlah total konsumen dari semua segmen kategori.

Indikator "Aktivitas" dan "Nilai" membentuk sembilan kategori segmen. Kategori lain: "Tidak pernah membeli"

PS Di sini ungkapan "Outflow" dan "Outflow risk" digunakan sebagai singkatan untuk "Lama tidak membeli pelanggan" dan "Pelanggan yang membeli jumlah rata-rata waktu yang lalu" dan tidak berarti outflow dalam arti harfiah kata itu. Demikian pula, "Aktif" adalah sebutan untuk "Pelanggan yang baru-baru ini melakukan pembelian."

Dalam contoh di atas, 80% pelanggan tidak memiliki pembelian, hampir sepertiga dari nilai tinggi ada dalam arus keluar, dan sepertiga lainnya berada dalam kelompok risiko.

Menilai kondisi basis data membantu Anda memilih kategori yang penting untuk bekerja.

Untuk menunjukkan cara menggunakan laporan, kami mengambil pelanggan dengan nilai tinggi, yaitu pelanggan yang menghabiskan paling banyak uang.

Bagian 2. Studi segmen

Tabel kedua laporan ini menampilkan: ukuran segmen, omset, yaitu jumlah yang dihabiskan oleh semua konsumen di segmen itu, dan rata-rata cek.

Semua segmen konsumen diwakili oleh daftar. Misalnya, berikut adalah daftar segmen pembeli yang melakukan pembelian:

Untuk melaporkan hanya konsumen dengan nilai tinggi, kami menggunakan filter.

Sebagai hasil dari penerapan filter, kami mendapatkan tujuh segmen konsumen dengan nilai tinggi.

Berdasarkan informasi ini, berbagai kesimpulan dapat ditarik.

Misalnya, segmen No. 2 memiliki omset jauh lebih besar daripada yang lain dengan tagihan rata-rata sedang. Ini menunjukkan sejumlah besar pembelian konsumen di segmen ini dan loyalitas tinggi mereka. Tanpa takut akan keluarnya pelanggan, Anda dapat mengirimi mereka surat dan memberi tahu, misalnya, tentang produk baru.

Sekarang mari kita perhatikan cek rata-rata: segmen No. 7 dengan cek rata-rata terbesar dalam aliran keluar, dan segmen No. 9 dengan cek rata-rata terbesar kedua berada di kelompok risiko. Konsumen dari segmen ini siap membeli dalam jumlah besar, tetapi belum membeli dalam waktu yang lama. Mungkin masuk akal untuk mendorong mereka untuk bertindak dengan kode promosi atau buletin.

Studi segmen diperlukan untuk memahami segmen mana yang layak bekerja keras.

Bagian 3. Informasi segmen terperinci

Tabel terakhir menunjukkan batas-batas segmen untuk setiap karakteristik (R, F, M) dan nilai rata-rata untuk mereka.

Tabel ini menunjukkan bahwa konsumen dari segmen 2 sebenarnya memiliki lebih banyak pembelian daripada yang lain - rata-rata 12

Kita harus memilih segmen mana yang ingin kita kerjakan terlebih dahulu. Katakanlah kita tertarik pada segmen dengan penerimaan rata-rata terbesar: No. 7 dan No. 9. Mari kita pertimbangkan secara lebih detail.

Di segmen 7, pelanggan tidak melakukan pembelian selama hampir setahun - tidak akan mudah mengembalikannya. Tapi mungkin patut dicoba, karena rata-rata konsumen dari segmen ini membeli 2,1 kali - ini berarti bahwa pembelian pertama tidak mengecewakan mereka. Kemungkinan diskon yang bagus akan membantu mereka kembali tertarik secara aktif pada merek.

Dengan segmen No. 9 itu lebih mudah - resep rata-rata pembelian dari pelanggan hanya tiga bulan, dan jumlah rata-rata pembelian adalah 2,8. Kemungkinan besar, klien ini cukup loyal dan tidak memerlukan tindakan apa pun sehubungan dengan diri mereka sendiri. Tetapi Anda dapat mengirim email dengan iklan atau diskon kecil untuk mengingatkan tentang merek.

Ketika segmen untuk tindakan lebih lanjut dipilih, Anda dapat menjalankan kampanye pemasaran yang diperlukan.

Ada sangat sedikit untuk Tombol Hijau ini

Kami membuat segmenter RFM otomatis dan puas - butuh 20 detik waktu seseorang untuk mendapatkan distribusi basis pelanggan berdasarkan segmen.

Kami akan mengotomatiskan pengaturan kampanye pemasaran untuk segmen, sehingga seseorang tidak perlu membuang waktu untuk hal ini.

Tentu saja, akan sangat disayangkan bahwa tidak ada orang lain yang akan membutuhkan laporan kami, tetapi kemajuan teknologi tidak menyayangkan siapa pun.