بخش‌بندی مشتری‌ها چیست؟ بخش‌بندی مشتری‌ها فرآیندی است که طی آن مشتری‌ها بر اساس‌ رفتارهایشان در گروه‌های مختلفی قرار می‌گیرند. این گروه‌های مشتری در کمپین‌های بازاریابی، پیدا کردن مشتری‌هایی با سود بیشتر و به دست آوردن مشتری‌های وفادار می‌تواند سودمند باشد.

انواع متداول بخش‌بندی مشتری‌ها

مشتری‌ها را می‌توانیم بر اساس ویژگی‌های زیر گروه‌بندی کنیم:

  • بخش‌بندی جغرافیایی
  • بخش‌بندی جمعیت شناختی
  • بخش‌بندی رفتاری
  • بخش‌بندی روانشناسی
  • بخش‌بندی براساس مسیر خرید

تحلیل RFM

یکی از محبوب‌ترین، آسان‌ترین و در عین حال موثرترین روش‌های بخش‌بندی بازار تحلیل RFM است که در میان روش‌های «بخش‌بندی رفتاری» جای می‌گیرد. این روش در بازاریابی مدرن و برای کسب‌وکارهای آنلاین بسیار متداول است و به بازاریاب‌ها کمک می‌کند رفتار مشتری را تحلیل کنند.

شاخص RFM مخفف واژه‌های R (Recency) به معنی تازگی، F (Frequency) به معنی دفعات و M (Monetary) به معنی ارزش مالی است. این معیارها شاخص‌های مهمی درمورد رفتار مشتری هستند، چون دفعات و ارزش مالی خرید روی ارزش چرخه عمر مشتری تاثیرگذار است و تازگی روی نگهداری مشتری تاثیر می‌گذارد.

فاکتورهای RFM بیانگر این موارد هستند:

  • هرچه از آخرین خرید مشتری زمان کمتری گذشته باشد، مشتری پاسخگویی بیشتری به پروموشن خواهد داشت.
  • هرچه تعداد دفعات خرید مشتری بیشتر باشد، مشتری با شما تعامل بیشتری دارد و راضی‌تر است.
  • ارزش مالی، مشتری‌هایی که پول زیادی خرج می‌کنند را از مشتری‌هایی با ارزش مالی پایین‌تر تفکیک می‌کند.

همچنین تحلیل RFM به بازاریاب‌ها کمک می‌کند پاسخ سوالات زیر را پیدا کنند:

  • چه کسانی بهترین مشتری‌های شما هستند؟
  • کدام مشتری‌ها احتمالا شما را ترک خواهند کرد؟
  • کدام مشتری‌ها این پتانسیل را دارند که به مشتری‌های ارزشمندی تبدیل شوند؟‌
  • کدام مشتری‌ها را می‌توانید حفظ کنید؟
  • کدام مشتری‌ها با احتمال بیشتری به کمپین‌های تعاملی شما پاسخ خواهند داد؟‌

امتیازبندی RFM

همانطور که اشاره شد،RFM به معنای تازگی، تعداد دفعات و ارزش خرید است:

ارزش مالی: به این معنی که مشتری در یک بازه زمانی مشخص چقدر پول خرج کرده است.

تازگی: از آخرین خرید مشتری چقدر زمان می‌گذرد.

تعداد دفعات: مشتری در یک بازه مشخص زمانی چند بار خرید کرده است‌.

در این مدل ایده اصلی این است که به هر مشتری ۳ عدد یا امتیاز نسبت داده شود که از روی آنها مشخص شود به چه گروهی تعلق دارند. اعدادی که برای امتیاز بندی به هر معیار انتخاب می‌شود عددی بین ۱ تا ۳ است. به این معنی که برای هر مشتری یک مجموعه عدد سه تایی برای معیارهای تازگی، تعداد و ارزش مالی وجود دارد.

اختصاص دادن امتیازها چگونه انجام می‌شود؟

برای تقسیم کردن مشتری‌ها به ۵ دسته و اختصاص دادن عددی بین ۱ تا ۵ چندین راه وجود دارد. یکی از روش‌ها این است که مشتری‌ها به ۵ دسته تقریبا مساوی تقسیم شوند. اگر مشتری در ۲۰ درصد بالای مشتری‌ها باشد عدد ۵ و اگر در ۲۰ درصد انتهایی مشتری‌ها باشد عدد ۱ به او اختصاص پیدا می‌کند. به عنوان مثال اگر اعداد RFM مربوط به یک مشتری ۵۱۲ باشد، به این معنی است که از نظر تعداد تازگی آخرین خرید در ۲۰ درصد برتر مشتری‌‌ها، اما از نظر ارزش مالی خریدهایش در ۲۰ درصد انتهایی مشتری‌ها قرار دارد. از روی شاخص‌های RFM برای این مشتری می‌توانیم به این نتیجه برسیم، که این مشتری، یک مشتری جدید است که به تازگی اولین خریدش را انجام داده است.

دسته‌بندی مشتری‌ها بر اساس شاخص‌های RFM

براساس امتیاز RFM، می‌توانیم مشتری‌ها را به ۱۱ بخش تقسیم کنیم:

دسته‌بندی مشتری‌ها بر اساس شاخص‌های RFM

شناخت دیتاست مورد مطالعه

در دیتاستی که در اختیار داریم، فیچرهای زیر برای در مجموع ۱۲۱۳۱۷ رکورد وجود دارد:

شناخت دیتاست مورد مطالعه

  • آی‌دی مشتری
  • آی‌دی‌ خرید
  • آی‌دی محصول
  • تعداد محصول خریداری شده
  • قیمت هر واحد کالا
  • سود واحد هر واحد کالا
  • تاریخ خرید

آماده‌سازی داده‌ها و ساختن شاخص‌ها RFM

برای خوشه‌بندی داده براساس مدل RFM، لازم است شاخص‌های R، F و M را با استفاده از فیچرهای تعداد محصول خریداری‌شده، قیمت هر واحد کالا و تاریخ خرید استخراج کنیم.

  • شاخص R: فاصله آخرین خرید مشتری تا آخرین روزی که داده‌ ثبت‌شده داریم.
  • شاخص F : تعداد دفعاتی که هر مشتری خرید انجام داده است (چون هر آیتم در هر بار خرید به صورت مجزا آورده شده است، لازم است روی آیتم‌ها هر بار خرید تجمیع انجام شود).
  • شاخص M: جمع کل خریدهای مشتری.

امتیازبندی مشتری‌ها براساس شاخص‌های RFM

برای امتیازبندی مشتری‌ها از همان روش ۲۰درصد که در ابتدا گفته شد استفاده شد. با این استثنا که درمورد تعداد دفعات خرید، به خاطر اینکه تعداد مشتری‌هایی که فقط ۱ بار خرید کرده بودند خیلی بیشتر از مشتری‌هایی بود که دفعات بیشتری خرید کرده‌اند این توازن به هم ریخت.

تعداد و درصد مشتری‌ها برای تعداد خریدهای ۱، ۲، ۳، ۴، ۵ و بیشتر خرید انجام داده‌اند و به‌ترتیب امتیازهای ۱ تا ۵ را دریافت کرده‌اند:

امتیازبندی مشتری‌ها براساس شاخص RFM

همانطور که پیداست حدود ۶۰درصد مشتری‌ها فقط یک بار خرید انجام داده‌اند. حدود ۳۰درصد مشتری‌ها ۲ بار و ۱۰ درصد مشتری‌ها بیش از ۲ بار خرید کرده‌اند. افرادی که فقط یک بار خرید کرده‌اند، امتیاز ۱،‌ افرادی که دو بار خرید کرده‌اند امتیاز ۲، و به همین ترتیب افرادی که ۵ یا تعداد بیشتری خرید کرده‌اند، امتیاز ۵ دریافت کرده‌اند.

درمورد تازگی آخرین خرید، مشتری‌ها به ۵ قسمت ۲۰ درصدی تقسیم شدند. به‌طوری که افرادی که بین ۱ تا ۷۲ روز از آخرین خریدشان گذشته امتیاز ۵، بین ۷۲ تا ۱۳۱ امتیاز ۴، بین ۱۳۱ تا ۲۰۶ امتیاز ۳، بین ۲۰۶ تا ۲۹۰ امتیاز ۲ و بیش از ۲۹۰ روز امتیاز ۱ را دریافت می‌کنند.

 تازگی آخرین خرید

درمورد مجموع خرید هم افرادی که بین ۱.۳۷ دلار تا ۴۰ دلار خرید کرده‌اند امتیاز ۱، افرادی که بین ۴۰ تا ۱۰۰ دلار خرید کرده‌اند امتیاز ۲، افرادی که بین ۱۰۰ تا ۱۲۲۸ دلار خرید کرده‌اند امتیاز ۳، بین ۱۲۲۸ تا ۳۵۷۸ امتیاز ۴ و بین ۳۵۷۸ تا ۸۸۲۲۷۳.۵۳ دلار امتیاز ۵ را دریافت می‌کنند.

مجموع خرید مشتری ها در شاخص RFM

حالا که امتیازها را داریم، قدم بعدی استفاده از الگوریتمی مانند K-means‌ برای خوشه‌بندی مشتری‌ها است.

الگوریتم K-means

به زبان ساده، نحوه کار الگوریتم K-means به این صورت است که ابتدا از مراکز خوشه‌ها که به صورت رندم انتخاب شده‌اند شروع می‌کند و فاصله بین اعضای هر خوشه با نقطه مرکزی را حساب می‌کند، و بعد با انجام محاسبات تکرارشونده سعی می‌کند مکان مراکز خوشه‌ها و داده‌هایی که به هر خوشه تعلق دارند را بهینه کند.

خوشه‌بندی توسط الگوریتم K-means

فرآیند یادگیری زمانی به پایان می‌رسد که مراکز به پایداری رسیده باشند، یعنی دیگر با محاسبات بیشتر تغییری در مکان آنها اتفاق نمی‌افتد و خوشه‌یابی با موفقیت انجام شده است. یا تعداد تعیین‌شده‌ای تکرار اتفاق بیفتد.

در الگوریتم K-means تعداد خوشه‌ها را باید به صورت ورودی تعیین کنیم؛ که در این بررسی تعداد خوشه‌های ۳ تا ۱۱ خوشه آزمایش شد تا براساس بهترین شاخص Silhouette به‌دست آمده و ترجیحی که خود ما نسبت به تعداد مناسب خوشه‌ها داریم، تعداد مطلوب خوشه‌ها انتخاب شود.

خوشه‌بندی توسط الگوریتم K-means

برای این خوشه‌بندی از ۸ خوشه استفاده شده و شاخص سیلووت ۴.۷ بوده است.

خوشه‌بندی توسط الگوریتم K-means

در این ۸ خوشه، شاخص‌های RFM به صورت زیر می‌باشد:

حالا که در نهایت امتیازهای RFM مشتری‌ها را می‌دانیم و آنها را به ۸ خوشه تقسیم‌ کرده‌ایم، باید تعیین کنیم که هر کدام از این خوشه‌ها مطابق با کدام دسته از مشتری‌ها هستند که در جدول دسته‌بندی مشتری‌های براساس شاخص RFM ذکر شدند.

می‌توانیم خوشه‌های به‌دست آمده را به این شکل با دسته‌بندی مشتری‌ها تطبیق بدهیم:

خوشه های به دست آمده

نمایش Tree Map خوشه‌های مشتری‌ها

نمایش Tree Map خوشه‌های مشتری‌ها

نمودار میله‌ای خوشه‌های مشتری‌ها

نمودار میله‌ای خوشه‌های مشتری‌ها

نتیجه‌‌گیری

مدل RFM یک روش بازاریابی قوی است، این روش در دنیایی که تجربه مشتری مهم‌ترین مساله‌ در بازاریابی است، می‌تواند یک برگه برنده باشد.

از طرفی وقتی از مدل RFM به همراه مدل‌ها سنتی بخش‌بندی بازار استفاده کنیم، در واقع به کسب‌وکار کمک کرده‌ایم که نگاه‌ تازه‌ای به مشتری‌ها فعلی و مشتری‌های جدیدش داشته باشد و شرایط بهینه‌ای ایجاد کند که ارزش طول عمر مشتری را به حداکثر برساند. یافتن تعادل مناسب بین تمرکز روی مشتری‌ها جدید و مشتری‌ها فعلی، به همراه تشخیص جزییات رفتار هر کدام از آنها، به کسب‌وکار کمک می‌کند بتواند طرح‌ها و برنامه‌های شخصی‌سازی‌شده برای مشتری‌ها داشته باشد و در نتیجه بتواند اعتماد و وفاداری مشتری‌ها را به دست بیاورد.

این مطلب اولین بار در ویرگول منتشر شده است.

ارسال یک پاسخ

لطفا دیدگاه خود را وارد کنید!
لطفا نام خود را در اینجا وارد کنید