انجمن شرکت‌های صنعت پخش ایران


کاربرد تقسیم بندی مشتریان با روش RFM

روشی نوین در تصمیم های روزانه یک تیم بازاریابی



در بازاری که دست کمی از جنگ اقتصادی ندارد، مدیران بازاریابی ایرانی با چالش پایداری و رشد رو به رو هستند که هرگز قبل از افزایش نرخ ارز، افزایش شدید نرخ تورم، کاهش چشمگیر قدرت خرید مشتریان و تغییر کلی رفتار خرید مصرف کنندگان به دلیل شیوع ویروس کووید-19 شاهد آن نبودند.

برای غلبه بر این معضل، برای مدیران بازاریابی ضروری است که ارتباط نزدیک تری با مشتریان فعال فعلی خود بسازند، تا حس وفاداری آنان را افزایش داده، حساسیت آنان را به قیمت کاهش داده و جریان های جدید درآمدی با استفاده از خدمات و کالاهای جدید ایجاد کنند. به بیان ساده تر، بازاریابی بازگشتی (Retention Marketing) یا بازاریابی وفادارانه امروزه با توجه به شرایط فعلی بازار برای مدیران بازاریابی به یک اولویت تبدیل شده است.

بازاریابی بازگشتی نوع جدیدی از بازاریابی است که تمرکز آن ایجاد مشتریانی است که با تعامل بیشتر با کسب و کار شما دوباره برای خرید به کسب و کار شما باز می گردند. بازاریابی بازگشتی یک تغییر رویکرد از جذب بی شمار مشتری جدید به کسب سود از مشتریان فعلی است. با استفاده از بازاریابی بازگشتی هدف مدیران بازاریابی افزایش احتمال خرید مجدد مشتریان با تمرکز بر افزایش سبد مشتری در هر خرید مجدد است.

این به معنی این نیست که بازاریابی بازگشتی تنها راهی است که مدیران بازاریابی با استفاده از آن می توانند کسب و کار خود را رشد و توسعه بدهند. تیم های بازاریابی همچنان نیازمند سایر روش های بازاریابی برای جذب مشتریان جدید هستند، اما آنها با ترغیب مشتریان برای خرید مجدد می توانند بازگشت سرمایه خود را از هر کدام کانال های بازاریابی افزایش دهند.

با در اولویت قرار گرفتن بازاریابی بازگشتی، درک این موضوع ساده تر می شود که چرا مدل تقسیم بندی RFM به داغ ترین موضوع در بازاریابی تبدیل شده که با بکارگیری تصمیم گیری داده محور کسب و کارهای فعال در حوزه پخش خرده فروشی می توانند به آنچه که بیش از هرچیزی  در کسب و کار خود با اهمیت است دست یابند – یعنی مشتریانی با سبد خرید بیشتر.

مدل دسته بندی RFM ابزاری برای تجزیه و تحلیل بازاریابی است که بهترین مشتریان شرکت را با استفاده از اقدامات مشخصی شناسایی می کند. این اقدامات شامل سه عامل کمی است:

Recency (زمان آخرین خرید): آخرین باری که مشتریان خرید کرده اند چه زمانی بوده است؟

Frequency (دفعات خرید): تعداد خرید مشتریان چقدر بوده است؟

Monetary Value (حجم پولی): مجموع مقدار پولی که مشتریان در خرید ها هزینه کرده اند چقدر بوده است؟

تجزیه و تحلیل RFM با استفاده از سیستم نمره دهی، مشتریان را در این سه بخش اولویت بندی می کند، عموماً از نمره 1 تا 5 برای این منظور استفاده می شود (هرچه نمره بالاتر، نتایج بهتر). بهترین مشتری، مشتری ای است که در هر 3 بخش بالاترین نمره را از آن خود کند.

بیایید نگاهی دقیق تر به هرکدام از اجزای RFM، نحوه کار آن ها و تاثیر آن ها در استراتژی سازمان بیاندازیم،

مثال های زیر را در نظر بگیرید:

الف) مشتریانی که نمره RFM آنها 555 یا اعدادی مشابه است مشتریانی هستند که در گذشته خیلی نزدیک خرید کرده اند، بیشترین دفعات خرید و بیشترین هزینه را در طول عمر خود انجام داده اند. این گروه از مشتریان می توانند عناوینی مثل "قهرمانان" نزد تیم های بازاریابی دریافت کنند و نیازمند بررسی به صورت انفرادی و نظارت عملکردشان هستند.

با شناسایی این مشتریان فعال، تیم های بازاریابی به احتمال زیاد می توانند از ارائه تخفیف های غیر ضروری برای این گروه جلوگیری کرده و بجای آن از روش های دیگری مثل دادن نمونه محصول های رایگان، هدایای فصلی، معرفی خدمات خاص برای قدردانی از آنان استفاده کنند.

ب) از طرفی، مشتریانی که نمره RFM آنان 155 یا اعدادی مشابه است در دسته ای مجزا با عنوانی مثل "از دست ندهید" قرار میگیرند. این مشتریان کسانی هستند که اخیرا خریدی نکرده اند اما با سابقه دفعات خرید و مجموع هزینه ای که انجام داده اند در بین مشتریانی قرار میگیرند که بالاترین نمره ها را کسب کرده اند.

در مورد این گروه از مشتریان، تیم های بازاریابی می توانند تحقیق کنند که چرا بطور ناگهانی از خرید منصرف شدند و بنابراین می توانند پیشنهادی مخصوص آنان ارائه دهند که آنان را به خرید مجدد ترغیب کند.

با بکارگیری سه عامل RFM، تیم های بازاریابی روشی قدرتمند و فوق العاده هوشمند برای استفاده از داده ها در شناسایی گروه های حساس مشتریان در اختیار دارند که هر گروه می تواند با روش بازاریابی مخصوص به خود ترغیب به بازگشت شده و در نهایت درآمد سازمان را افزایش بدهد.

با این حال، برای این که تیم های بازاریابی داده های حاصل از دسته بندی RFM را برای تصمیم های روزانه بکار گیرند، نیازمند یک روش قابل اطمینان برای دسترسی به گزارش های حاوی RFM مرتبط با شاخص های کلیدی عملکرد هستند که به تصمیم های آنان جهت بدهد.

نمونه هایی از کاربرد RFM:

  • محاسبه تعداد مشتریان در هر دسته از RFM
  • تعیین مشتریانی که در هر دسته از RFM ریزش کرده اند
  • محاسبه CLV (ارزش عمر مشتری) هر یک از دسته های RFM
  • تجزیه و تحلیل خرید هر کدام از دسته های RFM

و موارد دیگری که تیم های بازاریابی برای اندازه گیری تجربه مشتریان خود مناسب می دانند.

اگرچه محاسبه و دستیابی به این نوع از محاسبات و تحلیل های پیشرفته، خود چالش های فنی زیادی به همراه دارد.

در طول مدت حضورم در دیجی کالا، برای این که برنامه بازاریابی ای را مبتنی بر مدل تقسیم بندی RFM تعریف کنیم، این فرایند را با استخراج دستی داده های مورد نیاز از مرکز داده ها، انجام محاسبات RFM در کامپیوترهای شخصی و ارائه گزارش های لازم در قالب فایل اکسل برای تصمیم گیرندگان تیم های بازاریابی شروع کردیم، اما زیاد طول نکشید که بفهمیم این فرایند، برای انجام بصورت روزانه مقیاس پذیر و قابل تکرار نیست! در فرایند دستی، کیفیت داده ها هیچوقت کافی نبود، دقت داده ها همیشه زیر سوال می رفت و هزینه تیم فنی داده برای انجام کارهای روزمره تکراری بسیار زیاد بود؛ ما هرگز نتوانستیم تیم بازاریابی ای در اندازه دیجی کالا که نیاز به تصمیم گیری سریع و بهتر داشت را راضی کنیم!

برای یک برنامه بازاریابی که از روش دسته بندی RFM بصورت روزانه برای تصمیم گیری استفاده می کند، داشتن پشتیبانی تکنولوژی بازاریابی یا به اصطلاح مارتک(Martech) یک ضرورت است، که می تواند تجزیه و تحلیل حاصل از داده های فروش را به صورت خودکار، (به منظور تولید داده های RFM) در پنلی ارائه دهد تا مدیران بازاریابی را قادر سازد به سرعت داده های لازم را برای اتخاذ تصمیم های لازم درباره مشتریان تجزیه، تحلیل و استخراج کنند.

همچنین لازم به ذکر است که برای رسیدن به محصولی با این سطح تکنولوژی، نیاز به کمک مهندسین داده برای ایجاد مراکز داده مبتنی بر خط فروش (پایپ لاین) محصول در سازمان، دانشمندان داده برای استفاده از فرمول های ریاضی برای دستیابی به اطلاعات جدید، طراحان UI/UX یا توسعه دهندگان هوش تجاری برای ایجاد داشبوردهای کاربر پسند برای کسب و کارها و مدیران محصول داده که درک کاملی از بازاریابی داشته و قادرند مسائل کسب و کارها را با استفاده از تکنولوژی های داده محور حل کنند دارد که ساختن و تامین هزینه های چنین تیمی از توان بسیاری از شرکت ها خارج است.

همکاری این گروه حرفه ای در کنار هم می تواند منجر به تولید راهکاری مبتنی بر تکنولوژی بازاریابی شود که واقعا می تواند نیازهای تیم های بازاریابی را در بکارگیری مدل دسته بندی RFM در تصمیم های روزانه برطرف کند.

متاسفانه در دیجی کالا، پروژه ما برای دسته بندی RFM ناکام ماند چرا که نتوانستیم پشتیبانی مالی، مدیریتی و فنی را برای ایجاد تیم مناسبی که می توانست چنین پلتفرم تکنولوژی بازاریابی را ایجاد کند جلب کنیم.

در آن زمان شکست تیم ما در ایجاد یک پلتفرم تکنولوژی بازاریابی، در درون تیم دیجی کالا قابل انتظار بود. ما برای موفقیت در پروژه نیازمند ایجاد یک راهکار تکنولوژی محور بازاریابی بودیم، در حالی که ساختار کسب و کار دیجی کالا از جمله تیم تکنولوژی با هدف ایجاد یک پلتفرم تجارت الکترونیک ایجاد شده بود (با در نظر گرفتن پروژه های دیگری مثل مارکت پلیس، دیجی فرش، دیجی پی، دیجی کالا افیلیت، ادرو و موارد دیگر که از قبل آغاز به کار کرده بودند). مسلماً، یک راهکار مبتنی بر تکنولوژی بازاریابی می توانست به دیجی کالا کمک بزرگی کند اما با چه هزینه و کیفیتی؟

مثال مشابه، بسیاری از شرکت های پخش خرده فروشی است که سالها قبل تصمیم گرفتند که نرم افزارهای حسابداری مخصوص خود را توسعه دهند قبل از اینکه بدانند نرم افزارهای موجود در بازار با کیفیت بهتر و قیمت پایین تری موجود است.

مدل دسته بندی RFM نیز به عنوان یک ابزار تجزیه و تحلیل بازاریابی برای بازاریابی بازگشتی همان چالش ها را برای شرکت های پخش خرده فروشی ایجاد می کند – چالش پاسخ به این سوال که برای برطرف کردن نیازهای سازمان کدام یک بهتر است؟ توسعه قابلیت های تکنولوژی بازاریابی به صورت داخلی یا استفاده از یک راهکار تکنولوژی محور بازاریابی موجود در بازار.

ابزار دسته بندی RFM سکان به صورت خودکار مشتریان را به 11 دسته مختلف تقسیم می کند که هر دسته از نظر رفتار خرید گذشته دسته منحصر بفردی محسوب می شوند.

 

در سکان، ما بسیار خرسندیم که به عنوان اولین پلتفرم تجزیه و تحلیل مشتری در ایران، به شرکت های پخش خرده فروشی خدمات خود را ارائه دهیم. یکی از راهکارهای پلتفرم سکان، روش دسته بندی RFM خودکار است که برای کمک به تیم های بازاریابی و فروش به عنوان ابزار تصمیم گیری در کمپین های بازاریابی بازگشتی طراحی شده است. کاربران سکان می توانند فقط با یک کلیک، به همه اطلاعات مربوط به دسته های مختلف خرید با امکانات گزارش دهی مناسب دسترسی داشته و در نتیجه مشتری را در مرکز فرایند تصمیم گیری خود قرار داده و اقداماتی که برای وفادارسازی مشتری در سازمان مورد نیاز است را توسعه دهند.

نتیجه گیری

در شرایط فعلی بازار که حفظ مشتریان فعلی بسیار با اهمیت است، بازاریابی بازگشتی اولویت اصلی مدیران بازاریابی ای است که می خواهند با شرایط بازار مبارزه کنند. تقسیم بندی مشتریان با روش RFM ابزاری عالی برای ایجاد استراتژی های بازاریابی و فروش است؛ استفاده از آن تیم های بازاریابی را قادر می سازد که مشتریان را بر اساس رفتار خرید منحصر بفرد آنان دسته بندی کرده و با هر گروه با پیام مناسب و منحصر به فرد همان گروه ارتباط برقرار کنند. اگرچه، تیم های بازاریابی برای بکارگیری دسته بندی RFM در تصمیم گیری، نیازمند یک تکنولوژی مناسب هستند که با استفاده از داده کاوی حجم بزرگی داده ها را بصورت مکرر پردازش و تجزیه و تحلیل کند. سکان یک ابزار تجزیه و تحلیل مشتری است که دسترسی به داده های لازم برای دسته بندی RFM را با یک کلیک ممکن کرده و ارائه دهنده پنل خودکار تجزیه و تحلیل و جمع آوری داده های مورد نیاز مشتریان برای شاخص های کلیدی عملکرد و  RFM برای مدیران بازاریابی است.

(به قلم هیرمند لشکری، مدیر محصول داده سابق دیجی کالا و راهبر ارشد فعلی سکان، اولین پلتفرم تجزیه و تحلیل مشتری در ایران)