บล็อกการปรับแต่งอีคอมเมิร์ซ

การวิเคราะห์ RFM เพิ่มยอดขายอีคอมเมิร์ซ วันนี้ เราสำรวจว่าเราจะใช้ข้อมูลความใหม่ ความถี่ และการเงินจากลูกค้าเพื่อปลดล็อกได้อย่างไร   การตลาดส่วนบุคคล และ เพิ่มการมีส่วนร่วม ยิ่งไปกว่านั้น เราจะมาดูกันว่าการวิเคราะห์ RFM เป็น วิธีที่ดีที่สุดวิธีหนึ่งในการเพิ่มการวิเคราะห์ตามการได้มาเพื่อเพิ่มการรักษา ลูกค้าได้อย่างไร

หากต้องการข้ามไปยังตัวอย่างการแบ่งกลุ่ม RFM คลิกที่นี่

การวิเคราะห์ RFM เป็น เทคนิคการแบ่งส่วนพฤติกรรมของลูกค้า ที่ขับเคลื่อนด้วย ข้อมูล

RFM ย่อมาจากความใหม่ ความถี่ และมูลค่าเงิน

แนวคิดคือการ แบ่งกลุ่มลูกค้า โดยพิจารณาจากเวลาที่ซื้อครั้งล่าสุด ความถี่ที่พวกเขาซื้อในอดีต และจำนวนเงินที่พวกเขาใช้ไปโดยรวม มาตรการทั้งสามนี้ได้รับการพิสูจน์แล้วว่าเป็นตัวทำนายที่มีประสิทธิภาพของความเต็มใจของลูกค้าในการเข้าร่วมในข้อความทางการตลาดและข้อเสนอ

แม้ว่าการวิเคราะห์ RFM จะเกิดขึ้นจากการส่งเมลโดยตรง แต่เป็นเครื่องมือที่มีประสิทธิภาพสำหรับร้านค้าอีคอมเมิร์ซในปัจจุบัน

ด้านบนเป็นภาพประกอบที่ดีว่าการแบ่งส่วนลูกค้าช่วยให้ธุรกิจสามารถพูดคุยกับลูกค้าถึงค่านิยมเฉพาะได้อย่างไร ที่มาของภาพ: อินเตอร์คอม

การใช้งานการวิเคราะห์ RFM ที่เป็นที่รู้จักครั้งแรกนั้นอยู่ในอุตสาหกรรมแค็ตตาล็อก ผู้บุกเบิก ได้แก่ Land's End, JC Penny's และอื่นๆ ตั้งแต่เริ่มก่อตั้ง RFM ได้มีการพัฒนารูปแบบต่างๆ มากมาย รวมถึง

การวิเคราะห์ RFM บนฐานลูกค้าของคุณและส่งแคมเปญส่วนบุคคลไปยังเป้าหมายที่มีมูลค่าสูงนั้นมีประโยชน์มากมายสำหรับร้านค้าอีคอมเมิร์ซของคุณ

คุณควรคำนวณความใหม่อย่างไร? หรือคะแนนความถี่? เกณฑ์การสร้างรายได้ที่ดีคืออะไร?

การกำหนดเกณฑ์เป็นขั้นตอนแรกในการแบ่งส่วน ด้านล่างนี้ เราจะพูดถึงเมตริกทั่วไปที่บริษัทอีคอมเมิร์ซสามารถใช้เพื่อความใหม่ ความถี่ และการสร้างรายได้

ความใหม่จะวัดเวลาตั้งแต่การซื้อครั้งล่าสุด

มีสองความท้าทายสำหรับร้านค้าอีคอมเมิร์ซเมื่อคำนวณความใหม่

ประการแรก ในโลกของ omnichannel อาจเป็นเรื่องยากที่จะเชื่อมโยงข้อมูลการซื้อจากแต่ละช่องทางเข้าด้วยกัน

ประการที่สอง แต่ละธุรกิจจะมีการตีความที่แตกต่างกันว่าคะแนนความใหม่ที่ดีคืออะไร ตัวอย่างเช่น วัสดุสิ้นเปลืองมีความจำเป็นโดยธรรมชาติสำหรับการสั่งซื้อบ่อยครั้ง ทำให้เวลาที่กำหนดตั้งแต่การซื้อครั้งล่าสุดสั้นลงเพื่อให้มีคุณสมบัติสำหรับคะแนนที่สูงขึ้น

ข้างต้น ปกติแล้วผลิตภัณฑ์ของสตาร์บัคส์จะถูกบริโภคภายในหนึ่งวัน การผสมผสานผลิตภัณฑ์ของพวกเขาต้องการการแทรกข้อมูลความใหม่ที่แตกต่างออกไป เมื่อเทียบกับผลิตภัณฑ์ที่เคลื่อนไหวช้ากว่าซึ่งมีวงจรชีวิตของผลิตภัณฑ์สูงกว่ามาก

ความกังวลเดียวกันในความใหม่นำเสนอตัวเองในการวิเคราะห์ความถี่เช่นกัน

อีกครั้ง วงจรชีวิตผลิตภัณฑ์

การคำนวณความใหม่ ความถี่ และคะแนนการสร้างรายได้ทำให้เกิดความท้าทายที่คล้ายคลึงกัน ความจริงก็คือ แต่ละธุรกิจมีเอกลักษณ์เฉพาะตัว เป็นเรื่องยากอย่างเหลือเชื่อที่จะสร้างการวัดประสิทธิภาพที่แม่นยำ

โชคดีที่มีวิธีการทั่วไปสองสามวิธีในการกำหนดเมตริก RFM อย่างเหมาะสม

บางทีวิธีที่ง่ายที่สุดในการสร้างคะแนน RFM การวิเคราะห์ควอร์ไทล์ช่วยให้คุณกำหนดคะแนนได้อย่างรวดเร็วและเป็นธรรมตามประสิทธิภาพที่เกี่ยวข้อง

แต่ละควอร์ไทล์จะให้คะแนน 1 ถึง 4 การแบ่งส่วน RFM สุดท้ายจะใช้คะแนนเหล่านี้ร่วมกัน

นี่คือภาพรวมที่ยอดเยี่ยมและเรียบง่ายสำหรับการใช้ควอไทล์เพื่อกำหนดเซ็กเมนต์ RFM ของคุณโดยใช้ Python

เครดิตภาพ

การแบ่งส่วน RFM ไม่จำเป็นต้องซับซ้อน

ด้านล่างเราจะแสดงวิธีที่คุณสามารถสร้างแบบจำลอง RFM ใน Excel เราดำเนินการทีละขั้นตอน และรวมภาพหน้าจอเพื่อให้คุณสามารถจำลองแบบจำลองได้อย่างง่ายดาย

โปรดทราบว่าแบรนด์อีคอมเมิร์ซของคุณมีเอกลักษณ์เฉพาะตัว

นี่ไม่ใช่วิธีที่ดีที่สุดสำหรับธุรกิจของคุณ แต่จะเป็นเทมเพลตที่ยอดเยี่ยมสำหรับคุณในการทำซ้ำ

เอาล่ะ.

ก่อนที่คุณจะสามารถเริ่มต้น คุณต้องกำหนด KPI หนึ่ง ที่ สำคัญที่สุดสำหรับธุรกิจของคุณสำหรับเวกเตอร์การแบ่งส่วนแต่ละส่วน: ความใหม่ ความถี่ และการสร้างรายได้

ในการทำเช่นนี้ คุณจะต้องเชื่อมต่อประวัติการซื้อของคุณกับลูกค้าแต่ละราย และเลือกกรอบเวลาที่คุณต้องการใช้งาน

ตัวอย่างเช่น เราจะใช้ KPI และกรอบเวลาต่อไปนี้

ความ ใหม่: วันที่ซื้อครั้งล่าสุด
ความถี่: จำนวนคำสั่งซื้อทั้งหมด
การสร้างรายได้: มูลค่าการสั่งซื้อเฉลี่ย
กรอบเวลา: 2 ปี

อย่างที่คุณเห็น การวิเคราะห์ RFM เป็นกระบวนการที่ตรงไปตรงมา เป้าหมายคือให้คะแนนลูกค้าแต่ละรายอย่างเป็นระบบตามความใหม่ ความถี่ และการสร้างรายได้ เราทำโดยอันดับแรกในการสั่งซื้อลูกค้าทั้งหมดตามตัวชี้วัดที่เราเลือก จากนั้นให้คะแนนโดยพิจารณาจากประสิทธิภาพที่พวกเขาทำเมื่อเทียบกับลูกค้ารายอื่นๆ ในฐานข้อมูลของคุณ

มี KPI จำนวนมากที่คุณสามารถใช้สำหรับความใหม่ได้ ตัวอย่าง KPI ได้แก่

ในการดำเนินการนี้ เราจะใช้จำนวนวันนับจากการซื้อครั้งล่าสุดเป็นเมตริกหลัก

คุณควรทราบโดยสัญชาตญาณว่าเมตริกใดเหมาะสมที่สุดสำหรับธุรกิจของคุณ โอกาสคือถ้าคุณเป็นร้านค้าอีคอมเมิร์ซแบบดั้งเดิม วันที่ซื้อครั้งล่าสุดจะเป็นตัวชี้วัดที่คุณเลือกด้วย

อันดับแรก เราต้องการดาวน์โหลดข้อมูลลูกค้าของคุณด้วย KPI ที่คุณกำหนด ที่นี่ เราเพียงแค่ดาวน์โหลดข้อมูลนี้โดยตรงจาก Barilliance และอัปโหลดลงใน Google ชีต

ต่อไป เราต้องการทำความสะอาดแผ่นงานเล็กน้อย

ฉันลบคอลัมน์ที่ไม่ต้องการบางคอลัมน์ที่ฉันลืมปิด: เซสชัน เห็นครั้งสุดท้าย เห็นครั้งแรก เรียงลำดับก่อน และ AOV

ต่อไป คุณจะต้องเพิ่มสามคอลัมน์สำหรับคะแนน RFM ของคุณ ตั้งชื่อพวกเขาว่า "ความใหม่" "ความถี่" และ "การสร้างรายได้" ด้านบน

สุดท้าย ฉันใช้ตัวกรองกับข้อมูลเพื่อให้ง่ายต่อการจัดเรียง หากคุณไม่ทราบวิธีการใช้ตัวกรอง ขั้นตอนก็ง่าย เลือกข้อมูลทั้งหมดของคุณรวมทั้งหัวเรื่องของคุณ (คุณสามารถทำได้อย่างรวดเร็วโดยกด shift+command+ลูกศรค้างไว้)

เมื่อเลือกข้อมูลทั้งหมดแล้ว ให้คลิก data->filter

หลังจากทำเสร็จแล้ว แผ่นงานของคุณควรมีลักษณะดังนี้

นำทางไปยัง KPI ความใหม่ และเรียงลำดับรายการตามลำดับที่เหมาะสม ในกรณีของเรา เราจะไปที่ "วันจากการซื้อครั้งล่าสุด" และเรียงลำดับจากมากไปน้อย

สุดท้าย ให้คะแนนลูกค้าแต่ละรายตามตำแหน่งของพวกเขา

แม้ว่าจะมีวิธีการสองสามวิธีในการทำเช่นนี้ แต่ฉันพบว่าวิธีที่ง่ายที่สุดและมีประโยชน์มากที่สุดในควอร์ไทล์

นำจำนวนลูกค้าทั้งหมดของคุณหารด้วยสี่ ถัดไป ให้คะแนนแต่ละควอร์ไทล์ที่สะท้อนตำแหน่ง

ควอร์ไทล์ที่หนึ่ง: 1

ควอร์ไทล์ที่สอง: 2

ควอร์ไทล์ที่สาม: 3

ควอร์ไทล์ที่สี่: 4

อย่ากังวลมากเกินไปกับการทำทุกอย่างให้ "สมบูรณ์แบบ" ตัวอย่างเช่น เรามีลูกค้าสองรายที่สั่งซื้อทั้งสองรายการในช่วงสามวันที่ผ่านมา ฉันเพียงแค่ให้คะแนนความใหม่ให้พวกเขาทั้งคู่เป็น 1 แม้ว่านั่นจะทำให้ลูกค้า 5 คนได้คะแนน 1 และสามคนด้วยคะแนน 2

ณ จุดนี้ แผ่นงานของคุณควรมีลักษณะคล้ายกับด้านล่าง

กระบวนการนี้คล้ายกันมากสำหรับทั้งความถี่และการสร้างรายได้

ในขณะที่เราใช้จำนวนคำสั่งซื้อทั้งหมดในช่วงสองปีที่ผ่านมาเป็น KPI ความถี่ของเรา มีเมตริกการแข่งขันจำนวนมากที่คุณสามารถเลือกได้ บางส่วน ได้แก่ :

ตามที่กล่าวไว้ก่อนหน้านี้ เราจะใช้ # ของคำสั่งซื้อเป็น KPI ความถี่ของเรา ทำซ้ำขั้นตอนที่ 2.b และ 2.c คาดว่าจะใช้ KPI ความถี่เป็นตัวชี้วัดแนวทางของคุณ หลังจากให้คะแนนแล้ว แผ่นงานของคุณควรมีลักษณะคล้ายกับด้านล่าง

สุดท้าย คุณพร้อมที่จะเอาชนะคะแนนการสร้างรายได้

KPI ของการสร้างรายได้ ได้แก่

เช่นเคย ทำซ้ำขั้นตอนที่ 2.b และ 2.c คาดว่าจะใช้ KPI การสร้างรายได้เป็นตัวชี้วัดแนวทางของคุณ หลังจากให้คะแนนแล้ว แผ่นงานของคุณควรมีลักษณะคล้ายกับด้านล่าง

สุดยอด!

ณ จุดนี้คุณทำการวิเคราะห์เสร็จแล้ว ต่อมาคือส่วนที่สนุก นั่นคือ การใช้ข้อมูลเชิงลึกที่ค้นพบใหม่เหล่านี้เพื่อระบุกลุ่มที่ทำกำไรได้

มีหลายวิธีที่นักการตลาดใช้การแบ่งส่วนนี้เพื่อช่วยแนะนำการตลาดของตน ต่อไปนี้เป็นแนวคิดบางประการที่เชอร์รี่เลือก

คะแนน RFM: 111

พวกเขาเป็นใคร: ลูกค้าที่มีส่วนร่วมสูงที่ซื้อล่าสุด บ่อยที่สุด และสร้างรายได้มากที่สุด

กลยุทธ์ทางการตลาด: เน้นที่โปรแกรมความภักดีและการแนะนำผลิตภัณฑ์ใหม่ ลูกค้าเหล่านี้ได้พิสูจน์แล้วว่ามีความตั้งใจที่จะจ่ายสูงกว่า ดังนั้นอย่าใช้ราคาส่วนลดเพื่อสร้างยอดขายที่เพิ่มขึ้น ให้เน้นที่ข้อเสนอมูลค่าเพิ่มผ่าน คำแนะนำผลิตภัณฑ์ ตามการซื้อครั้งก่อน

ด้านบน Uber กำหนดเป้าหมายกลุ่มลูกค้า RFM "หลัก" ของพวกเขา โดยแนะนำข้อเสนอ Uber Eats ใหม่ของพวกเขา

คะแนน RFM: X1X

พวกเขาเป็นใคร: ลูกค้าที่ซื้อจากร้านค้าของคุณบ่อยที่สุด

กลยุทธ์ทางการตลาด: โปรแกรมความภักดี มีประสิทธิภาพสำหรับผู้เยี่ยมชมซ้ำเหล่านี้ โปรแกรมการสนับสนุนและการทบทวนยังเป็นกลยุทธ์ X1X ทั่วไปอีกด้วย สุดท้ายนี้ พิจารณาให้รางวัลแก่ลูกค้าเหล่านี้ด้วยการจัดส่งฟรีหรือผลประโยชน์อื่นๆ ที่คล้ายคลึงกัน

ที่นี่ Costco ชมรูปแบบธุรกิจสมาชิกของพวกเขาด้วยบัตรเครดิตที่กำหนดเองเพื่อเพิ่มอัตราการซื้อซ้ำและขยายส่วนแบ่งกระเป๋าเงิน

คะแนน RFM: XX1

พวกเขาเป็นใคร: ลูกค้าที่สร้างรายได้ให้กับร้านค้าของคุณมากที่สุด

กลยุทธ์ทางการตลาด: ลูกค้าเหล่านี้แสดงความเต็มใจจ่ายสูง พิจารณาข้อเสนอระดับพรีเมียม ระดับการสมัครรับข้อมูล สินค้าฟุ่มเฟือย หรือการเพิ่มมูลค่า/การขายต่อเพื่อ เพิ่ม AOV อย่าเสียส่วนต่างกับส่วนลด

คะแนน RFM: X13, X14

พวกเขาเป็นใคร: ลูกค้าที่กลับมาบ่อยแต่ไม่ใช้จ่ายมาก

กลยุทธ์ทางการตลาด: คุณประสบความสำเร็จในการสร้างความภักดีแล้ว มุ่งเน้นที่การเพิ่มการสร้างรายได้ผ่านการ แนะนำผลิตภัณฑ์ ตามการซื้อที่ผ่านมาและสิ่งจูงใจที่เชื่อมโยงกับเกณฑ์การใช้จ่าย (อ้างอิงจาก AOV ร้านค้าของคุณ)

ด้านบนคือตัวอย่างของ Target โดยใช้การตลาดแบบวงจรชีวิตในกลุ่ม RFM เฉพาะ สังเกตว่าพวกเขาจับคู่ส่วนลดทางการเงินกับเกณฑ์การใช้จ่ายเพื่อกระตุ้นการซื้อซ้ำและเพิ่มผลกำไรของลูกค้าได้อย่างไร

อีกตัวอย่างหนึ่งมาจาก AirBnb ที่นี่ พวกเขาส่งข้อความที่ทริกเกอร์ตามกิจกรรมการดูของลูกค้าเพื่อแจ้งการจอง

คะแนน RFM: 14X

พวกเขาเป็นใคร: ผู้ซื้อครั้งแรกบนไซต์ของคุณ

กลยุทธ์ทางการตลาด: ลูกค้าส่วนใหญ่ไม่เคยเปลี่ยนไปสู่ความภักดี การมีกลยุทธ์ที่ชัดเจนสำหรับผู้ซื้อครั้งแรก เช่น อีเมลต้อนรับที่เรียกใช้จะจ่ายเงินปันผล

Starbucks เป็นเลิศในการย้ายลูกค้าข้ามกลุ่ม RFM ข้างต้น พวกเขาใช้อีเมลเพื่อนำลูกค้าเข้าสู่โปรแกรมรางวัลความภักดี คุณสามารถดูกรณีศึกษาฉบับเต็มเกี่ยวกับสตาร์บัคส์ได้ที่นี่

คะแนน RFM: 44X

พวกเขาเป็นใคร: ลูกค้าเก่าที่ยอดเยี่ยมที่ไม่ได้ซื้อมาซักพักแล้ว

กลยุทธ์ทางการตลาด: ลูกค้าลาออกด้วยเหตุผลหลายประการ ขึ้นอยู่กับสถานการณ์ของคุณ ข้อเสนอราคา การเปิดตัวผลิตภัณฑ์ใหม่ หรือ กลยุทธ์การรักษา ลูกค้าอื่น ๆ

Barilliance ช่วยให้คุณไม่เพียงแต่สร้างประสบการณ์ส่วนบุคคลสำหรับแต่ละกลุ่ม RFM นอกจากนี้ยังช่วยให้คุณสามารถสร้างการทดสอบ ab แบบหลายตัวแปรได้

คุณสามารถดูได้อย่างรวดเร็วว่าข้อเสนอใดตรงใจกลุ่มหนึ่งมากที่สุด ค้นหาเนื้อหาที่นำไปสู่การขาย และอื่นๆ

หนึ่งในความท้าทายที่สำคัญของการวิเคราะห์ RFM (และการแบ่งส่วนโดยทั่วไป) คือการสร้างมุมมอง 360 องศาเต็มรูปแบบของลูกค้า นักช้อปจาก Omnichannel ในปัจจุบันไม่ได้แตกต่างจากโลกของจดหมายตรงที่ RFM ถือกำเนิดมากนัก RFM ยังคงเป็นโมเดลที่ทรงพลังอย่างเหลือเชื่อ

แต่ประสิทธิภาพจะขึ้นอยู่กับคุณภาพของข้อมูลที่คุณมี

นี่คือที่ที่ Barilliance ส่องแสง สร้างมุมมองลูกค้าแบบองค์รวม ข้ามอุปกรณ์ เซสชันการช็อปปิ้ง และช่องทางต่างๆ คุณสามารถดูหน้าที่ลูกค้าโต้ตอบด้วย เวลาตั้งแต่การซื้อครั้งล่าสุด ปริมาณการสั่งซื้อ การมีส่วนร่วมกับแบรนด์ และอื่นๆ

กล่าวอีกนัยหนึ่ง คุณมีความสามารถในการสร้างกลุ่มที่มีรายละเอียดสูง รวมถึงกลุ่มทั้งหมดที่เราพูดถึงข้างต้น ผ่านอินเทอร์เฟซที่เรียบง่ายเพียงส่วนเดียว

เริ่มปฏิบัติ.

RFM เป็นวิธีการที่ชัดเจนและชัดเจนในการดึงรายชื่อลูกค้าของคุณออกมาให้มากขึ้น

แต่...

หากคุณต้องการนำ RFM ไปสู่อีกระดับ คุณต้องพิจารณาการเก็บรักษาของ Barilliance ปรับปรุงการวิเคราะห์ RFM แบบดั้งเดิมในสองวิธีพื้นฐาน

ประการแรก จะเชื่อมต่อการซื้อออนไลน์และออฟไลน์ พฤติกรรมเว็บ และข้อมูลประชากรในที่เดียว - ช่วยให้คุณสามารถแบ่งกลุ่มได้อย่างแม่นยำมากขึ้น

ประการที่สอง ช่วยให้คุณสามารถทำให้แคมเปญเป็นอัตโนมัติไปยังกลุ่มที่กำหนดไว้ได้ มันเชื่อมต่อกับ Web Personalization และ คำแนะนำผลิตภัณฑ์อีเมลแต่ละรายการ เพื่อปรับแต่งการโต้ตอบแต่ละครั้งไม่ได้อยู่ที่ระดับเซ็กเมนต์ แต่ในระดับบุคคล

ขอตัวอย่างการเก็บรักษา ที่ นี่