自从Mindbox首次引入机器学习以来，“ 绿色大按钮”已成为一个共同目标。 全屏就是这样一个按钮，单击该按钮，一切都会独立运行并获利。
在分析项目“ RFM”中，目标不那么雄心勃勃- 一个绿色的小按钮 。 单击后，数据库将自动划分为多个段，例如，按这些段开始发送电子邮件。
为了实现该目标，我们编写了一个自动RFM分段器，并开发了一份特殊报告以可视化结果。
我们告诉这一切是怎么发生的以及为什么现在有可能 免除分析师 将更多的时间投入到较少的琐碎任务中。
什么是RFM分析？
电子邮件时事通讯的结果取决于受众的范围和时事通讯本身的质量。 无穷大不能无限增加，这意味着必须提高质量。 为此，您需要个性化时事通讯，因为所有人都不一样，每个人都需要不同的东西。
通常有很多消费者；很难为每个消费者写一封信。 为了解决这个问题，营销人员将消费者分为几类-部分。
您可以用不同的方式分享。 一种选择是RFM分析 。
也就是说，RFM分析是一种细分方式。 细分称为不相交的消费群体。 RFM分析为每个客户建议了三个属性：
- R（新近度）-客户最后一次下单的时间。
- F（频率）-客户下达的订单数。
- M（货币）-客户花费了多少钱。
许多营销公司制作和使用RFM分析。 我们包括在内。 在一篇关于RFM细分的文章中，他们讲述了我们可以做什么样的报告，以及它如何帮助营销人员。
现有的RFM分析方法
RFM分析的现有方法对于每个人都大致相同。
根据每个特征将客户分为几组。 通常，此类组不超过五个。 组相交称为线段。
例如，当针对三个特征中的每一个划分为四个组时，将形成64个（4x4x4）消费者细分，而对于五个-已经是125个细分而言。
主要困难在于确定组的边界，因为关于如何执行此操作没有特定的规则。
以一个客户群为例，考虑最流行的方法：
在这里，为了便于理解，我们仅使用三个维度（R和M）中的两个。
在我们的示例中：
- 购买金额在0到1.5万卢布之间。
- 处方期从1小时到240天不等。
方法1.按值范围划分成相等的部分
通过这种方法，分离是基于特征值的。 在我们的案例中，我们将支出分为三类：最多5千卢布，从5到1万卢布和从1万卢布。 根据购买日期的规定分为三组：最长80天，从80到160天，从160天开始。
我们得到九个细分：
该方法的优点：
- 易于自动化。
- 您可以确定“最高”：那些购买最多，最频繁并且没有购买最长的那些。
方法的缺点：
- 组之间的分布不均匀：在该示例中，一个细分市场中有86％的消费者，第二个细分市场中为13％，其余7个细分市场中有1％。
- 每个属性的组数相同。
- 细分很多（记住，即使根据每个属性分为3个部分，也会有27个细分）。
方法2.按消费者数量分成相等的部分
通过这种方法，每个特征都被分离出来，从而使相同数量的消费者归为一组。
这就是我们示例中的买方分布的方式（像以前一样，我们将每个属性分为三部分）：
该方法的优点：
方法的缺点：
- “特殊”客户表现不佳。
在该示例中，有一个细分市场的消费者购买了1000卢布和1.5万卢布。 同时，那些大量购买的人并没有在一个单独的群体中脱颖而出（与以前的方法不同）。 - 每个属性的组数相同。
- 许多细分。
方法3.手动
分析人员检查数据库并选择正确的分区。
该方法的优点：
方法的缺点：
具有机器学习功能的一键式RFM报告
我们决定摆脱旧方法的缺点。 为此，我不得不求助于机器学习算法。
使用聚类方法，我们可以自动确定数据库中实际有多少消费者细分以及这些细分是什么。 在决策树的帮助下，我们将这些段变成易于感知的形式。 如何工作，我们在另一篇文章中介绍了设备分段器 。
对于上面的示例，我们得到了以下结果：
为了使所有这些对于营销人员而言都方便且易于理解，我们已经开发了一份报告，在该报告中方便且清楚地描述了细分结果（在我们看来）。
要获得它，只需单击一个按钮-系统将自行完成所有操作。
该报告放在一页上，由三个表组成。
第1部分。评估基础状态
第一个表是摘要。 它包含有关数据库所有部分的信息，这些信息是根据RFM分析获得的。 关键指标：该细分市场中的消费者活动及其价值。
活动由上次购买的处方决定，价值由花费的金额决定。
每个细分都属于其中一个类别。 每个类别可以有多个细分，也可以根本没有。 单元格指示该类别所有细分中的消费者总数。
指标“活动”和“价值”形成九个类别的细分。 另一类：“从未购买”
PS在这里，“外流”和“外流风险”一词是“很久以前不购买客户”和“过去平均时间购买了客户的客户”的缩写，从字面上的意义上讲，并不意味着外流 。 同样，“有效”是“最近购物的客户”的名称。
在上面的示例中，80％的客户没有购物，几乎三分之一的高价值客户流出，而另外三分之一则属于风险组。
评估数据库的状态有助于您选择最重要的类别。
为了说明如何使用该报告，我们选择了价值较高的客户，即花费最多的客户。
第2部分。细分的研究
报告的第二张表显示：细分市场规模，营业额（即细分市场中所有消费者花费的金额）和平均支票。
所有消费者细分都由一个列表表示。 例如，以下是进行购买的买方细分的列表：
为了只报告高价值的消费者，我们使用了过滤器。
应用过滤器的结果是，我们获得了七个具有较高价值的消费者群体。
基于此信息，可以得出各种结论。
例如，第2部分的营业额比平均费用中等的其他营业额要大得多。 这表明该细分市场中的大量消费者购买以及他们的高忠诚度。 不用担心客户外流，您可以向他们发送信件并告诉他们有关新产品的信息。
现在，让我们注意平均检查：平均检查次数最多的第7个细分受众群流入，而风险检查组中第二大平均值的第9个细分受众群流入。 这些细分市场的消费者准备购买大量商品，但是很长一段时间都没有购买。 鼓励他们采用促销代码或新闻通讯可能是有意义的。
为了了解哪些片段值得努力工作，有必要对片段进行研究。
上一张表显示了每个特性（R，F，M）的线段边界以及它们的平均值。
该表显示第2部分的消费者实际购买的商品比其他消费者多-平均12
我们需要先选择要处理的细分。 假设我们对平均收入最高的细分市场感兴趣：第7位和第9位。 让我们更详细地考虑它们。
在第7段中，客户将近一年没有购物-退货并不容易。 但也许值得一试，因为该细分市场的消费者平均购买了2.1次-这意味着首次购买并不会令他们失望。 良好的折扣可能会帮助他们再次对品牌产生积极的兴趣。
使用第9个细分受众群，操作起来更容易-平均向客户购买商品的处方仅三个月，而平均购买次数为2.8。 这些客户很可能非常忠诚，不需要针对自己采取任何行动。 但是您可以发送带有广告或小折扣的电子邮件来提醒该品牌。
选择进一步操作的细分后，您可以运行必要的营销活动。
目前的“ 绿色按钮”很少
我们创建了一个自动RFM细分工具，并对此感到满意-花费20秒的时间才能获得细分受众群的分布。
我们将自动进行细分市场营销活动的设置，这样一个人就不必浪费时间了。
当然，很可惜没有其他人需要我们的报告，但是技术进步并不能使任何人幸免。