مدل های مختلف RFM برای دسته بندی مشتریان
3 سال پیش
0
مهمتر از جذب مشتریان، حفظ مشتریان شماست؛ چرا که با از دست دادن مشتریان، جریان خرید که همان مقداری است که یک مشتری در طول عمر خود خرج میکند نیز از دست میرود. تجزیه و تحلیل RFM یک تکنیک محبوب در بازاریابی است که برای تقسیمبندی مشتریان بر اساس سه شاخص رفتار خرید استفاده میشود: Recency (زمان اخیر خرید)، Frequency (تعداد خرید) و Monetary Value (ارزش پولی). مدل RFM اندازهگیری میکند که مشتریان در چه زمانی خرید میکنند، در هر چند وقت یکبار (تناوب) خرید میکنند و چقدر خرید میکنند. با ارزیابی خریدهای قبلی یک مشتری میتوان تا حدی خریدهای بعدیاش را پیشبینی کرد و تشخیص داد کدام مشتریها ارزشمندترند. برای توضیحات کاملتر، مقاله بنیان مدل RFM را مطالعه کنید.
یا میتوانید برای توضیحات ساده و مختصر درباره RFM ویدیو زیر را مشاهده کنید
چرا RFM به مدلهای کاملتر نیاز دارد؟
اگرچه مدل RFM در کسبوکار به شدت کمک میکند، اما ضعفهای خود را نیز دارد؛ با اضافه کردن متغیرهای اضافی برای پیشبینی رفتار مشتری یا توسعه مدلهای جدید برای آزمایش عملکرد بهتر از RFM، قابلیت پیشبینی این مدلها را میتوان بهبود بخشید؛ از جمله اضافه کردن:
- تعداد Number
- دوره Periodicity
- طول Length
RFM + طول ارتباط Length (مدل LRFM)
در مدل LRFM یک بُعد جدید به نام «طول ارتباط» به RFM اضافه میشود و مشتریان بر اساس چهار ویژگی دستهبندی میشوند: طول ارتباط مشتری با مجموعه (L)، تازگی خرید (R)، تکرار خرید (F) و ارزش مالی خرید (M).
برخی از مشاورین این حوزه معتقدند مدل RFM نمیتواند دستهبندی تفکیکشدهای برای مشتریانی که ارتباط بلندمدت یا کوتاه با مجموعه دارند ارائه دهد؛ بنابراین ایده اضافه کردن «طول ارتباط» مطرح شد. آنها معتقدند طول ارتباط مشتری با سودآوری و وفاداری او ارتباط دارد. اگر بتوانید ارتباط بلندمدت با مشتریان حفظ کنید و آنها را به بازگشت و خرید تشویق کنید، وفاداریشان افزایش مییابد. در RFM کلاسیک مشتریانی که در بازههای زمانی کوتاه تناوب خرید بیشتری داشتهاند بهترین مشتریان شناخته میشوند، ولی طول ارتباط مشتریان با مجموعه در این سنجش نادیده گرفته شده است.
RFM + تعداد خریدها Number
یک روش برای بهبود تحلیل RFM، اضافه کردن متغیر تعداد (کالاها/فاکتورهای) خریداریشده است. این معیار به کسبوکارها در درک اینکه مشتریان چقدر اغلب خرید میکنند کمک میکند و در تعیین وفاداری و ارزش کلی مشتری به کار میآید. با دستهبندی مشتریان بر اساس فرکانس خرید، میتوان تلاشهای بازاریابی را بهطور مناسب تنظیم کرد؛ مثلاً مشتریان با خریدهای مکرر میتوانند با برنامههای وفاداری یا پیشنهادات ویژه، برای تشویق به تکرار خرید جذب شوند.
RFM + دوره Periodicity
متغیر دیگری که باید در نظر گرفته شود، دوره یا زمان بین خریدها است. درک الگوهای خرید به کسبوکارها کمک میکند فرصتهای بازاریابی را در زمان مناسب شناسایی کنند. به عنوان مثال، اگر مشتری معمولاً هر ماه یکبار خرید میکند، میتوان به محض نزدیک شدن به آن زمان، کمپینی با محصولات جدید یا پیشنهادات ویژه اجرا کرد تا احتمال خرید افزایش یابد.
RFM + طول ارتباط و دوره و تعداد با هم؛ مدل NLRFMP
ترکیب همه ابعاد — طول ارتباط (L)، تعداد (N)، تازگی (R)، تناوب (F)، ارزش مالی (M) و دوره (P) — مدل NLRFMP را میسازد که نسخه کامل ششبعدی رفتارشناسی مشتری است و امروزه بهصورت خودکار در پلتفرم بینا پیادهسازی شده است. برای مطالعه عمیقتر، مقاله رفتارشناسی مشتری با مدل NLRFMP را از دست ندهید.
شما با اضافه کردن هرکدام از المانهای تعریفشده به تحلیل رفتار مشتریانتان میتوانید به دستهبندیهای جدیدی برسید که اطلاعات دقیقتری از رفتار و علایق آنها میدهد. از این اطلاعات میتوان برای معرفی بهتر خود به مشتریان و یا تبلیغات هدفمند استفاده کرد تا نتیجه بهتری در کمپینها و یا جشنوارههایی که راهاندازی میکنید بگیرید.
دستهبندی کردن مشتریان و داشتن اطلاعات کامل از آنها به شما قدرت عمل بیشتر برای توسعه کسبوکار و یا راهاندازی باشگاه مشتریانی قوی میدهد.








