Blog personalizacji e-commerce

Analiza RFM zwiększa sprzedaż w eCommerce. Dzisiaj badamy, w jaki sposób możemy wykorzystać dane dotyczące aktualności, częstotliwości i pieniędzy od naszych klientów, aby odblokować   spersonalizowany marketing i zwiększenie zaangażowania. Co więcej, zobaczymy, jak analiza RFM jest jednym z najlepszych sposobów maksymalizacji analizy kohortowej w celu zwiększenia retencji .

Aby przejść do przykładów segmentacji RFM, kliknij tutaj.

Analiza RFM to oparta na danych technika segmentacji zachowań klientów .

RFM oznacza aktualność, częstotliwość i wartość pieniężną.

Chodzi o to, aby podzielić klientów na segmenty na podstawie daty ostatniego zakupu, tego, jak często dokonywali zakupów w przeszłości i ile łącznie wydali. Wszystkie te trzy miary okazały się skutecznymi predyktorami chęci klienta do zaangażowania się w komunikaty marketingowe i oferty.

Chociaż analiza RFM narodziła się w direct-mail, jest potężnym narzędziem, z którego mogą dziś korzystać sklepy eCommerce.

Powyżej jest doskonałą ilustracją tego, w jaki sposób segmentacja klientów umożliwia firmom przemawianie do klientów określonych wartości. Źródło obrazu: domofon

Pierwsze znane zastosowania analizy RFM dotyczyły branży katalogowej. Pionierzy to Land's End, JC Penny's i inni. Od samego początku powstało wiele wariantów RFM, w tym:

Przeprowadzanie analizy RFM na bazie klientów i wysyłanie spersonalizowanych kampanii do celów o wysokiej wartości ma ogromne korzyści dla Twojego sklepu eCommerce.

Jak obliczyć ostatnią datę? Lub częstotliwość punktacji? Jaki jest dobry próg monetyzacji?

Zdefiniowanie progów to pierwszy krok w segmentacji. Poniżej omawiamy typowe wskaźniki, których firmy eCommerce mogą używać do określania czasu odświeżenia, częstotliwości i zarabiania.

Czas od ostatniego zakupu mierzy czas od ostatniego zakupu.

Sklepy eCommerce mają do czynienia z dwoma wyzwaniami podczas obliczania czasu aktualności.

Po pierwsze, w świecie wielokanałowym powiązanie danych zakupowych z każdego kanału może być trudne.

Po drugie, każda firma będzie miała różne interpretacje tego, czym jest dobry wynik od niedawna. Na przykład materiały eksploatacyjne mają nieodłączną potrzebę częstych zamówień, co skraca wymagany czas od ostatniego zakupu, aby kwalifikować się do uzyskania wyższego wyniku.

Powyżej produkty Starbucks są zazwyczaj spożywane w ciągu jednego dnia. Ich asortyment produktów wymaga innej interpretacji ostatnich danych w porównaniu z wolniejszymi produktami o znacznie dłuższych cyklach życia.

Te same obawy w ostatnich latach pojawiają się również w analizie częstotliwości.

Ponownie, cykl życia produktu

Obliczanie aktualności, częstotliwości i monetyzacji stanowi podobne wyzwanie. W rzeczywistości każdy biznes jest wyjątkowy. Niezwykle trudno jest stworzyć dokładne benchmarki.

Na szczęście istnieje kilka typowych metod prawidłowego przypisywania metryk RFM.

Być może najłatwiejszy sposób tworzenia wyników RFM, analiza kwartylowa pozwala szybko i uczciwie przypisywać wyniki na podstawie względnej wydajności.

Każdy kwartyl da wynik od 1 do 4. Ostateczna segmentacja RFM użyje tych wyników razem.

Oto świetny, prosty przegląd wykorzystania kwartyli do definiowania segmentów RFM za pomocą Pythona.

Kredyt obrazu

Segmentacja RFM nie musi być skomplikowana.

Poniżej pokażemy, jak stworzyć model RFM w Excelu. Idziemy krok po kroku i dołączamy zrzuty ekranu, abyś mógł łatwo odtworzyć model.

Pamiętaj, że Twoja marka eCommerce jest wyjątkowa.

Nie będzie to najlepszy sposób dla Twojej firmy, ale będzie to świetny szablon do iteracji.

Zaczynajmy.

Zanim zaczniesz, musisz zdefiniować jeden KPI, który ma największe znaczenie dla Twojej firmy dla każdego wektora segmentacji: czas od poprzedniej segmentacji, częstotliwość i monetyzacja.

Aby to zrobić, musisz połączyć historię zakupów z każdym klientem i wybrać ramy czasowe, z którymi chcesz pracować.

W naszym przykładzie użyjemy następujących wskaźników KPI i ram czasowych.

Aktualność: Data ostatniego zakupu
Częstotliwość: całkowita liczba zamówień
Zarabianie: średnia wartość zamówienia
Ramy czasowe: 2 lata

Jak zobaczysz, analiza RFM to prosty proces. Celem jest systematyczne ocenianie każdego klienta według czasu odbycia, częstotliwości i monetyzacji. Robimy to, porządkując wszystkich klientów w wybranym przez nas metryce na pierwszym miejscu, a następnie oceniając ich na podstawie tego, jak dobrze radzą sobie w stosunku do innych klientów w Twojej bazie danych.

Istnieje wiele wskaźników KPI, których możesz użyć w przypadku aktualności. Przykładowe KPI obejmują

W tym przeglądzie jako podstawowe dane wykorzystamy dni od ostatniego zakupu.

Powinieneś intuicyjnie wiedzieć, który wskaźnik ma największy sens dla Twojej firmy. Są szanse, że jeśli jesteś tradycyjnym sklepem eCommerce, data ostatniego zakupu będzie również Twoim wyborem.

Najpierw chcemy pobrać informacje o kliencie z określonymi przez Ciebie KPI. Tutaj po prostu pobraliśmy te informacje bezpośrednio z Barilliance i przesłaliśmy je do Arkusza Google.

Następnie chcemy trochę posprzątać arkusz.

Usuwam niektóre niechciane kolumny, które zapomniałem zamknąć: Sesje, Ostatnio widziane, Pierwsze widziane, Pierwsze zamówienie i AOV.

Następnie dodasz trzy kolumny do wyników RFM. Nadaj im tytuły na górze „Częstotliwość”, „Częstotliwość” i „Zarabianie”.

Na koniec nakładam filtr na dane, aby ułatwić sortowanie. Jeśli nie wiesz, jak zastosować filtr, proces jest łatwy. Wybierz wszystkie dane, w tym nagłówki (możesz to zrobić szybko, przytrzymując klawisze Shift+polecenie+strzałki).

Po wybraniu wszystkich danych kliknij dane->filtr.

Gdy skończysz, twój arkusz powinien wyglądać mniej więcej tak.

Przejdź do wskaźnika KPI ostatnich lat i posortuj listę w odpowiedniej kolejności. W naszym przypadku przechodzimy do „Dni od ostatniego zakupu” i sortujemy malejąco.

Na koniec oceń każdego klienta zgodnie z jego pozycją.

Chociaż istnieje kilka metodologii, aby to zrobić, uważam, że najłatwiejszą i najbardziej pomocną jest posługiwanie się kwartylami.

Podziel łączną liczbę klientów przez cztery. Następnie daj każdemu kwartylowi ocenę odzwierciedlającą pozycję.

Pierwszy kwartyl: 1

Drugi kwartyl: 2

Trzeci kwartyl: 3

Czwarty kwartyl: 4

Nie przejmuj się zbytnio, aby wszystko było „doskonałe”. Na przykład tutaj mamy dwóch klientów, którzy złożyli zamówienie w ciągu ostatnich trzech dni. Po prostu przypisałem im obojgu ostatni wynik równy 1, mimo że daje to 5 klientom z wynikiem 1 i trzem z wynikiem 2.

W tym momencie twój arkusz powinien wyglądać podobnie do tego poniżej.

Proces jest bardzo podobny zarówno w przypadku częstotliwości, jak i monetyzacji.

Chociaż jako naszego wskaźnika KPI częstotliwości używamy łącznej liczby zamówień z ostatnich dwóch lat, istnieje wiele konkurencyjnych wskaźników, które możesz wybrać. Niektóre z nich to:

Jak wspomniano wcześniej, jako nasz wskaźnik KPI częstotliwości będziemy używać liczby zamówień. Powtórz kroki 2.b i 2.c, oczekuj, że użyj swojego wskaźnika KPI częstotliwości jako wskaźnika przewodniego. Po punktacji Twój arkusz powinien wyglądać podobnie do poniższego.

Wreszcie jesteś gotowy, aby wyeliminować wyniki monetyzacji.

Kluczowe wskaźniki monetyzacji obejmują

Tak jak poprzednio, powtórz kroki 2.b i 2.c, oczekuj, że użyj swojego KPI monetyzacji jako wskaźnika przewodniego. Po punktacji Twój arkusz powinien wyglądać podobnie do poniższego.

Niesamowite!

W tym momencie masz wykonaną analizę. Następnie nadchodzi zabawna część – faktyczne wykorzystanie tych nowo odkrytych informacji do identyfikacji dochodowych segmentów.

Istnieje wiele sposobów, w jakie marketerzy wykorzystują tę segmentację do kierowania marketingiem. Oto kilka pomysłów do wyboru.

Wynik RFM: 111

Kim są: Bardzo zaangażowani klienci, którzy kupowali najnowsze, najczęściej i generowali największe przychody.

Strategie marketingowe: Skoncentruj się na programach lojalnościowych i wprowadzaniu nowych produktów. Klienci ci wykazali większą gotowość do płacenia, więc nie używaj cen z rabatem do generowania przyrostowej sprzedaży. Zamiast tego skup się na ofertach o wartości dodanej poprzez rekomendacje produktów na podstawie wcześniejszych zakupów.

Powyżej, Uber kieruje swoją ofertę do „podstawowego” segmentu klientów RFM, wprowadzając nową ofertę Uber Eats.

Wynik RFM: X1X

Kim są: Klienci, którzy najczęściej kupują w Twoim sklepie.

Strategie marketingowe: Programy lojalnościowe są skuteczne w przypadku tych powracających gości. Programy rzecznicze i recenzje są również powszechnymi strategiami X1X. Na koniec rozważ nagrodzenie tych klientów bezpłatną wysyłką lub innymi podobnymi korzyściami.

Tutaj Costco uzupełnia swój model biznesowy członkostwa z niestandardową kartą kredytową, aby jeszcze bardziej zwiększyć odsetek powtarzających się zakupów i zwiększyć udział w portfelu.

Wynik RFM: XX1

Kim są: Klienci, którzy wygenerowali największe przychody dla Twojego sklepu.

Strategie marketingowe: Ci klienci wykazali wysoką gotowość do płacenia. Aby zwiększyć AOV , rozważ oferty premium, poziomy subskrypcji, produkty luksusowe lub sprzedaż krzyżową z wartością dodaną . Nie marnuj marży na rabaty.

Wynik RFM: X13, X14

Kim są: Klienci, którzy często wracają, ale nie wydają dużo.

Strategie marketingowe: Udało Ci się już stworzyć lojalność. Skoncentruj się na zwiększeniu przychodów dzięki rekomendacjom produktów opartym na wcześniejszych zakupach i zachętom związanym z progami wydatków (powiązanymi z AOV Twojego sklepu).

Powyżej znajduje się przykład Target wykorzystujący marketing cyklu życia w określonych segmentach RFM. Zwróć uwagę, jak łączą rabaty finansowe z progami wydatków, aby zwiększyć powtarzalność zakupów i zwiększyć rentowność klientów.

Kolejny przykład pochodzi z AirBnb. Tutaj wysyłają wyzwalane wiadomości w oparciu o aktywność oglądania przez klienta, aby zachęcić do rezerwacji.

Wynik RFM: 14X

Kim są: kupujący po raz pierwszy w Twojej witrynie.

Strategie marketingowe: Większość klientów nigdy nie przechodzi na lojalność. Posiadanie jasnych strategii dla kupujących po raz pierwszy, takich jak wyzwalane e-maile powitalne, przyniesie dywidendę.

Starbucks doskonale radzi sobie z przenoszeniem klientów między segmentami RFM. Powyżej używają poczty e-mail, aby zachęcić klientów do programu lojalnościowego. Tutaj możesz zobaczyć nasze pełne studium przypadku dotyczące Starbucks.

Wynik RFM: 44X

Kim są: Wspaniali klienci z przeszłości, którzy nie kupowali od jakiegoś czasu.

Strategie marketingowe: Klienci odchodzą z różnych powodów. W zależności od sytuacji oferty cenowe, premiery nowych produktów lub inne strategie utrzymania .

Barilliance umożliwia nie tylko tworzenie spersonalizowanych doświadczeń dla każdego segmentu RFM. Daje również możliwość tworzenia wielowymiarowych testów ab.

Możesz szybko sprawdzić, które oferty najbardziej pasują do danego segmentu, dowiedzieć się, jakie treści prowadzą do sprzedaży i nie tylko.

Jednym z istotnych wyzwań związanych z analizą RFM (i ogólnie z segmentacją) jest stworzenie pełnego, 360-stopniowego widoku klienta. Dzisiejszy klient omnichannel nie różni się zbytnio od świata direct mail, z którego narodziło się RFM. RFM to wciąż niesamowicie potężny model.

Ale jego skuteczność zależy od jakości posiadanych danych.

Tu właśnie świeci Barilliance. Tworzy całościowy obraz klienta na różnych urządzeniach, sesjach zakupowych i kanałach. Możesz zobaczyć, z którymi stronami klienci wchodzą w interakcję, czas od ostatniego zakupu, wielkość zamówienia, zaangażowanie marki i nie tylko.

Innymi słowy, masz możliwość tworzenia bardzo szczegółowych segmentów, w tym wszystkich, o których mówiliśmy powyżej, za pomocą jednego prostego interfejsu.

Podejmij działanie.

RFM to sprawdzony, jasny sposób na lepsze wykorzystanie listy klientów.

Ale...

Jeśli chcesz przenieść RFM na wyższy poziom , musisz wziąć pod uwagę retencję Barilliance. Ulepsza tradycyjną analizę RFM na dwa zasadnicze sposoby.

Po pierwsze , łączy zakupy online i offline, zachowanie w sieci i dane demograficzne w jednym miejscu, co pozwala na dokładniejsze segmentacje.

Po drugie , pozwala zautomatyzować kampanie do zdefiniowanych segmentów. Łączy się z personalizacją internetową i indywidualnymi rekomendacjami produktów e-mail, aby dostosować każdą interakcję nie na poziomie segmentu, ale na poziomie indywidualnym.

Poproś o demo dla retencji tutaj .