Blog Personalisasi E-niaga

Analisis RFM meningkatkan penjualan eCommerce. Hari ini, kami mengeksplorasi bagaimana kami dapat menggunakan data terkini, frekuensi, dan moneter dari pelanggan kami untuk membuka kunci   pemasaran yang dipersonalisasi dan meningkatkan keterlibatan. Lebih baik lagi, kita akan melihat bagaimana analisis RFM adalah salah satu cara terbaik untuk memaksimalkan analisis kelompok guna meningkatkan retensi .

Untuk melompat ke contoh segmentasi RFM, klik di sini.

Analisis RFM adalah teknik segmentasi perilaku pelanggan yang digerakkan oleh data .

RFM singkatan kebaruan, frekuensi, dan nilai moneter.

Idenya adalah untuk mengelompokkan pelanggan berdasarkan kapan pembelian terakhir mereka, seberapa sering mereka membeli di masa lalu, dan berapa banyak yang telah mereka belanjakan secara keseluruhan. Ketiga ukuran ini telah terbukti menjadi prediktor yang efektif atas kesediaan pelanggan untuk terlibat dalam pesan dan penawaran pemasaran.

Sementara analisis RFM lahir di direct-mail, ini adalah alat yang ampuh untuk toko eCommerce untuk digunakan hari ini.

Di atas adalah ilustrasi yang bagus tentang bagaimana segmentasi pelanggan memberdayakan bisnis untuk berbicara kepada pelanggan tentang nilai-nilai khusus. Sumber gambar: Intercom

Aplikasi analisis RFM pertama yang diketahui adalah dalam industri katalog. Perintis termasuk Land's End, JC Penny's dan lain-lain. Sejak awal, banyak varian RFM telah dikembangkan, termasuk:

Melakukan analisis RFM pada basis pelanggan Anda dan mengirimkan kampanye yang dipersonalisasi ke target bernilai tinggi memiliki manfaat besar bagi toko eCommerce Anda.

Bagaimana seharusnya Anda menghitung kebaruan? Atau frekuensi skor? Berapa ambang batas monetisasi yang baik?

Mendefinisikan ambang batas adalah langkah pertama dalam segmentasi. Di bawah ini kami membahas metrik umum yang dapat digunakan perusahaan eCommerce untuk keterkinian, frekuensi, dan monetisasi.

Kekinian mengukur waktu sejak pembelian terakhir.

Ada dua tantangan bagi toko eCommerce saat menghitung keterkinian.

Pertama, di dunia omnichannel, mungkin sulit untuk menyatukan data pembelian dari setiap saluran.

Kedua, setiap bisnis akan memiliki interpretasi yang berbeda tentang skor kebaruan yang baik. Misalnya, bahan habis pakai memiliki kebutuhan yang melekat untuk pesanan yang sering, membuat waktu yang diperlukan sejak pembelian terakhir lebih pendek untuk memenuhi syarat untuk mendapatkan skor yang lebih tinggi.

Di atas, produk Starbucks biasanya dikonsumsi dalam sehari. Bauran produk mereka memerlukan interpretasi data terkini yang berbeda dibandingkan dengan produk yang bergerak lebih lambat dengan siklus hidup produk yang jauh lebih tinggi.

Kekhawatiran yang sama dalam keterkinian juga muncul dalam analisis frekuensi.

Sekali lagi, siklus hidup produk

Menghitung skor keterkinian, frekuensi, dan monetisasi menghadirkan tantangan serupa. Kenyataannya, setiap bisnis itu unik. Sangat sulit untuk membuat tolok ukur yang akurat.

Untungnya, ada beberapa pendekatan umum untuk menetapkan metrik RFM dengan benar.

Mungkin cara termudah untuk membuat skor RFM, analisis kuartil memungkinkan Anda untuk dengan cepat dan adil menetapkan skor berdasarkan kinerja relatif.

Setiap kuartil akan memberikan skor, 1 sampai 4. Segmentasi RFM akhir akan menggunakan skor ini bersama-sama.

Berikut adalah ikhtisar sederhana yang bagus untuk menggunakan kuartil untuk menentukan segmen RFM Anda menggunakan Python.

Kredit Gambar

Segmentasi RFM tidak harus rumit.

Di bawah ini kami akan menunjukkan bagaimana Anda dapat membuat model RFM di Excel. Kami melakukan langkah demi langkah, dan menyertakan tangkapan layar sehingga Anda dapat dengan mudah meniru modelnya.

Ingatlah bahwa merek eCommerce Anda unik.

Ini tidak akan menjadi cara terbaik untuk bisnis khusus Anda, tetapi ini akan menjadi template yang bagus untuk Anda ulangi.

Mari kita mulai.

Sebelum dapat memulai, Anda perlu menentukan satu KPI yang paling penting bagi bisnis Anda untuk setiap vektor segmentasi: keterkinian, frekuensi, dan monetisasi.

Untuk melakukan ini, Anda harus menghubungkan riwayat pembelian Anda ke setiap pelanggan, dan memilih kerangka waktu yang ingin Anda tangani.

Untuk contoh kita, kita akan menggunakan KPI dan kerangka waktu berikut.

Kekinian: Tanggal Terakhir Pembelian
Frekuensi: Jumlah Total Pesanan
Monetisasi: Nilai Pesanan Rata-rata
Jangka waktu: 2 tahun

Seperti yang akan Anda lihat, analisis RFM adalah proses yang lurus ke depan. Tujuannya adalah untuk secara sistematis menilai setiap pelanggan menurut keterkinian, frekuensi, dan monetisasi. Kami melakukannya dengan mengurutkan peringkat pertama semua pelanggan di seluruh metrik pilihan kami, dan kemudian menilai mereka berdasarkan seberapa baik kinerja mereka dibandingkan dengan pelanggan lain di database Anda.

Ada sejumlah KPI yang dapat Anda gunakan untuk Kekinian. Contoh KPI termasuk:

Untuk penelusuran ini, kami akan menggunakan hari dari pembelian terakhir sebagai metrik utama.

Anda harus secara intuitif mengetahui metrik mana yang paling masuk akal untuk bisnis Anda. Kemungkinannya adalah jika Anda adalah toko eCommerce tradisional, tanggal pembelian terakhir akan menjadi metrik pilihan Anda juga.

Pertama, kami ingin mengunduh informasi klien Anda dengan KPI yang Anda tentukan. Di sini, kami cukup mengunduh informasi ini langsung dari Barilliance, dan mengunggahnya ke Google Sheet.

Selanjutnya, kami ingin membersihkan lembar sedikit.

Saya menghapus beberapa kolom yang tidak diinginkan yang lupa saya tutup: Sessions, Last Seen, First Seen, First Ordered, dan AOV.

Selanjutnya, Anda akan menambahkan tiga kolom untuk skor RFM Anda. Beri judul di bagian atas "Kebaruan", "Frekuensi", dan "Monetisasi".

Terakhir, saya menerapkan filter pada data untuk membuatnya sangat mudah untuk disortir. Jika Anda tidak tahu cara menerapkan filter, prosesnya mudah. Pilih semua data Anda termasuk judul Anda (Anda dapat melakukannya dengan cepat dengan menahan shift+command+panah).

Setelah semua data Anda dipilih, klik data->filter.

Setelah Anda selesai, lembar Anda akan terlihat seperti ini.

Arahkan ke KPI Kekinian Anda, dan urutkan daftar dalam urutan yang sesuai. Dalam kasus kami, kami pergi ke "Hari dari pembelian terakhir" dan mengurutkan secara menurun.

Terakhir, nilai setiap pelanggan sesuai dengan posisinya.

Meskipun ada beberapa metodologi untuk melakukan ini, saya menemukan yang paling mudah dan paling membantu dengan kuartil.

Ambil jumlah total pelanggan Anda dibagi empat. Selanjutnya, berikan setiap kuartil skor yang mencerminkan posisinya.

Kuartil Pertama: 1

Kuartil Kedua: 2

Kuartil Ketiga: 3

Kuartil Keempat: 4

Jangan terlalu khawatir tentang mendapatkan segalanya "sempurna". Misalnya, di sini kami memiliki dua pelanggan yang keduanya memesan dalam tiga hari terakhir. Saya hanya memberi mereka skor kebaruan 1, meskipun itu menempatkan 5 pelanggan dengan skor 1 dan tiga dengan skor 2.

Pada titik ini, lembar Anda akan terlihat seperti di bawah ini.

Prosesnya sangat mirip untuk Frekuensi dan Monetisasi.

Meskipun kami menggunakan jumlah total pesanan selama dua tahun terakhir sebagai KPI Frekuensi kami, ada sejumlah metrik bersaing yang dapat Anda pilih. Beberapa di antaranya adalah:

Seperti yang disebutkan sebelumnya, kami akan menggunakan # pesanan sebagai KPI Frekuensi kami. Ulangi langkah 2.b dan 2.c, harap gunakan KPI Frekuensi Anda sebagai metrik pemandu Anda. Setelah mencetak gol, lembar Anda akan terlihat seperti di bawah ini.

Akhirnya, Anda siap untuk mengalahkan skor Monetisasi.

KPI monetisasi termasuk

Seperti sebelumnya, ulangi langkah 2.b dan 2.c, harap gunakan KPI Monetisasi Anda sebagai metrik panduan Anda. Setelah mencetak gol, lembar Anda akan terlihat seperti di bawah ini.

Luar biasa!

Pada titik ini Anda telah melakukan analisis. Berikutnya adalah bagian yang menyenangkan - benar-benar menggunakan wawasan baru ini untuk mengidentifikasi segmen yang menguntungkan.

Ada banyak cara pemasar menggunakan segmentasi ini untuk membantu memandu pemasaran mereka. Berikut adalah beberapa ide untuk memilih dari ceri.

Skor RFM: 111

Siapa Mereka: Pelanggan yang sangat terlibat yang telah membeli yang terbaru, paling sering, dan menghasilkan pendapatan paling banyak.

Strategi Pemasaran: Fokus pada program loyalitas dan pengenalan produk baru. Pelanggan ini telah terbukti memiliki kemauan membayar yang lebih tinggi, jadi jangan gunakan harga diskon untuk menghasilkan penjualan tambahan. Sebaliknya, fokuslah pada penawaran nilai tambah melalui rekomendasi produk berdasarkan pembelian sebelumnya.

Di atas, Uber menargetkan segmen pelanggan RFM "inti" mereka, memperkenalkan penawaran Uber Eats baru mereka.

Skor RFM: X1X

Siapa Mereka: Pelanggan yang paling sering membeli dari toko Anda.

Strategi Pemasaran: Program loyalitas efektif untuk pengunjung berulang ini. Program dan ulasan advokasi juga merupakan strategi X1X yang umum. Terakhir, pertimbangkan untuk memberi penghargaan kepada pelanggan ini dengan Pengiriman Gratis atau manfaat serupa lainnya.

Di sini, Costco melengkapi model bisnis keanggotaan mereka dengan kartu kredit khusus untuk lebih meningkatkan tingkat pembelian berulang dan memperluas pembagian dompet.

Skor RFM: XX1

Siapa Mereka: Pelanggan yang menghasilkan pendapatan paling banyak untuk toko Anda.

Strategi Pemasaran: Pelanggan ini telah menunjukkan kemauan membayar yang tinggi. Pertimbangkan penawaran premium, tingkat langganan, produk mewah, atau nilai tambah cross/up-sell untuk meningkatkan AOV . Jangan buang margin pada diskon.

Skor RFM: X13, X14

Siapa Mereka: Pelanggan yang sering kembali, tetapi tidak menghabiskan banyak uang.

Strategi Pemasaran: Anda sudah berhasil menciptakan loyalitas. Fokus pada peningkatan monetisasi melalui rekomendasi produk berdasarkan pembelian sebelumnya dan insentif yang terkait dengan ambang pembelanjaan (dipatok ke AOV toko Anda).

Di atas adalah contoh Target menggunakan pemasaran siklus hidup pada segmen RFM tertentu. Perhatikan bagaimana mereka memasangkan diskon finansial dengan ambang pengeluaran untuk mendorong pembelian berulang dan meningkatkan profitabilitas pelanggan.

Contoh lain datang dari AirBnb. Di sini, mereka mengirim pesan yang dipicu berdasarkan aktivitas melihat pelanggan untuk meminta pemesanan.

Skor RFM: 14X

Siapa Mereka: Pembeli pertama kali di situs Anda.

Strategi Pemasaran: Sebagian besar pelanggan tidak pernah lulus menjadi loyal. Memiliki strategi yang jelas untuk pembeli pertama kali seperti email selamat datang yang dipicu akan membayar dividen.

Starbucks sangat baik dalam menggerakkan pelanggan di seluruh segmen RFM. Di atas, mereka menggunakan email untuk membawa pelanggan ke program penghargaan loyalitas mereka. Anda dapat melihat studi kasus lengkap kami di Starbucks di sini.

Skor RFM: 44X

Siapa Mereka: Pelanggan hebat yang sudah lama tidak membeli.

Strategi Pemasaran: Pelanggan pergi karena berbagai alasan. Bergantung pada situasi Anda, penawaran harga, peluncuran produk baru, atau strategi retensi lainnya .

Barilliance memberdayakan Anda untuk tidak hanya menciptakan pengalaman yang dipersonalisasi untuk setiap segmen RFM. Ini juga memberi Anda kemampuan untuk membuat tes ab multivarian.

Anda dapat dengan cepat melihat penawaran mana yang paling sesuai dengan segmen tertentu, menemukan konten apa yang menghasilkan penjualan, dan banyak lagi.

Salah satu tantangan signifikan dengan Analisis RFM (dan segmentasi secara umum) adalah menciptakan pandangan 360 derajat penuh dari pelanggan. Pembelanja omnichannel hari ini tidak jauh berbeda dari dunia surat langsung RFM lahir. RFM masih merupakan model yang sangat kuat.

Tetapi efektivitasnya ditentukan oleh kualitas data yang Anda miliki.

Di sinilah Barilliance bersinar. Ini menciptakan pandangan pelanggan holistik, di seluruh perangkat, sesi belanja, dan saluran. Anda dapat melihat halaman mana yang berinteraksi dengan pelanggan, waktu sejak pembelian terakhir, volume pesanan, keterlibatan merek, dan lainnya.

Dengan kata lain, Anda memiliki kemampuan untuk membuat segmen yang sangat detail, termasuk semua yang telah kita bicarakan di atas, melalui satu antarmuka sederhana.

Mengambil tindakan.

RFM adalah cara yang jelas dan mapan untuk mendapatkan lebih banyak dari daftar klien Anda.

Tetapi...

Jika Anda ingin membawa RFM ke tingkat berikutnya, Anda perlu mempertimbangkan Retensi Barilliance. Ini meningkatkan analisis RFM tradisional dalam dua cara mendasar.

Pertama , ini menghubungkan pembelian online dan offline, perilaku web, dan data demografis Anda di satu tempat - memungkinkan Anda membuat segmentasi yang lebih akurat.

Kedua , ini memungkinkan Anda mengotomatiskan kampanye ke segmen yang ditentukan. Ini terhubung ke Personalisasi Web dan rekomendasi produk email individu untuk menyesuaikan setiap interaksi tidak pada tingkat segmen, tetapi pada tingkat individu.

Minta demo untuk Retensi di sini .