Müşteri Segmentasyonu için RFM Analizi Açıklandı

Yararlı bir model oluşturmak için, bir RFM puanını tanımlayan üç farklı değişkeni anlamalısınız. Yenilik (Recency), belirli bir müşterinin son satın alma işlemini yapmasından bu yana ne kadar zaman geçtiğini ölçer. Dün bir şey satın alan bir müşteri, on iki ay önce satın alma yapan bir müşteriden daha yüksek bir yenilik puanına sahiptir. Sıklık (Frequency), bir müşterinin belirli bir süre içinde ne sıklıkla işlem tamamladığını takip eder. Her ay geri dönen tekrar eden alıcı, sadakatin güçlü bir göstergesi olan yüksek etkileşim gösterir. Parasal değer (Monetary), o bireysel müşterinin mağazanızla olan tüm ilişkisi boyunca ürettiği toplam gelire bakar. Bu üç girdinin birleştirilmesi, veritabanınızdaki her müşteriyi etkili bir şekilde derecelendirmenizi sağlayan sayısal bir profil sağlar.

Veritabanı kurulumunuz önemli olsa da, bu puanları hesaplamak karmaşık yazılımlar gerektirmez. Müşteri kimlikleri, satın alma tarihleri ve sipariş toplamları dahil olmak üzere sipariş geçmişinizi dışa aktararak başlarsınız. Her kategori için — Yenilik, Sıklık ve Parasal Değer — tipik olarak 1 ila 5 ölçeğinde bir puan atarsınız. Her kategoride müşterilerinizin en üstteki yüzde 20’si en yüksek puanı alırken, en alttaki yüzde 20’si en düşük puanı alır. Her müşterinin üç metriğin her biri için bir puanı olduğunda, bunları en değerli müşterilerinizi temsil eden 5-5-5 gibi tek bir dizede birleştirirsiniz. Bu basit matematiksel yaklaşım, otomatik kampanya hedeflemesi için doğrudan e-posta hizmet sağlayıcınıza veya CRM platformunuza yükleyebileceğiniz eyleme geçirilebilir segmentler oluşturur.

Kitlenizi RFM analizi aracılığıyla segmentlere ayırmak, her müşteri adayına aynı şekilde davranmanızı engeller. Sık satın alan ancak çok az harcama yapan bir müşteri, altı aydır sitenizi ziyaret etmeyen yüksek harcama yapan bir müşteriden farklı bir pazarlama stratejisi gerektirir. Bu segmentler olmadan, bütçenizi zaten ayrılmış olan kişilere harcayabilir veya en iyi alıcılarınızı alakasız indirim kodlarıyla boğabilirsiniz. Hedefli mesajlaşma kullanarak para tasarrufu yapar ve pazarlama bütçenizin verimliliğini artırırsınız. Veri yönetim tarihine bu pratik yaklaşım, iletişiminizin her müşteri grubunun özel ihtiyaçları ve alışkanlıkları ile ilgili kalmasını sağlar.

Alien Road olarak, ham sipariş geçmişinin eyleme geçirilebilir segmentlere çevrilmesini otomatize ederek müşterilere yardımcı oluyoruz. Örneğin, bir e-ticaret markasıyla tipik bir çalışmada, önce mağaza veritabanlarını analitik araçlarımıza bağlarız. Ardından RFM puanlarını belirli otomasyon iş akışlarına eşleriz. Bir müşteri ‘Risk Altında’ segmentine düşerse, onları siteye geri getirmek için tasarlanmış bir yeniden etkileşim e-posta dizisini tetikleriz. Bir müşteri ‘Şampiyon’ olarak tanımlanırsa, bir sadakat daveti veya özel bir ürün önizlemesi tetikleriz. Müşteri davranışları zaman içinde değiştikçe segmentlerin doğru kalmasını sağlamak için bu segmentleri aylık olarak izleriz.

Büyük bir hata, hiç değişmeyen statik segmentler belirlemektir. Müşteri davranışı akışkandır; altı ay önce şampiyon olan bir müşteri bugün uykuda olabilir. Kampanyalarınızın doğru hedefleri vurduğundan emin olmak için verilerinizi düzenli olarak yenilemelisiniz. Bir başka hata da ürün kataloğunuzdaki farklılıkları görmezden gelmektir. Hem düşük maliyetli aksesuarlar hem de üst düzey elektronikler satıyorsanız, parasal puanlarınız çarpıtılabilir. Kataloğunuzda aşırı fiyat varyasyonları varsa verilerinizi normalleştirmeyi düşünmelisiniz. Ayrıca, aşırı segmentasyon yapma cazibesinden kaçının. Düzinelerce küçük grup oluşturmak yönetimi zorlaştırır ve e-posta platformunuzun net sonuçlar göstermesine yetecek kadar veri toplamasını engeller.

• Son 12 ay için sipariş geçmişi verilerinizi e-ticaret platformunuzdan dışa aktarın.
• Her benzersiz müşteri kimliği için Yenilik, Sıklık ve Parasal değerler için yüzdelik dilim sıralamalarını hesaplayın.
• Bu yüzdelik dilimlere dayanarak her müşteriye 1-5 arası bir puan atayın.
• Birleştirilen puanlara dayanarak dört ila beş birincil segment oluşturun.
• Bu segmentleri hoş geldin, geri kazanım veya sadakat programları gibi belirli e-posta akışlarına eşleyin.
• Müşteri profillerini güncellemek ve bunları segmentler arasında taşımak için aylık bir inceleme süreci planlayın.

Tipik bir hesapta, segmentlerinizi ayda bir kez güncellemeniz yeterlidir. Bu sıklık, aşırı manuel iş yaratmadan müşteri durumundaki anlamlı değişiklikler için yeterli verinin birikmesini sağlar. Günlük satın alımları olan yüksek hacimli mağazalar için, yeniden etkileşim kampanyalarınızın en güncel davranış modellerine göre hareket etmesini sağlamak amacıyla iki haftada bir güncellemeyi düşünebilirsiniz.

Evet, RFM analizi B2B şirketleri için çalışır, ancak sıklık ve parasal eşikler farklı görünecektir. B2B satış döngüleri genellikle daha uzun sürer ve daha büyük, daha az sıklıkta siparişler içerir. Verilere 12 ay yerine 24 ay boyunca bakmak gibi sektörünüzün tipik döngüsünü yansıtacak şekilde zaman pencerelerinizi ayarlamalısınız.

RFM, büyük miktarda işlem verisiyle en etkili olsa da, daha küçük mağazalar için de değer sağlayabilir. Birkaç yüz müşteride bile bunları üst, orta ve alt katmanlara gruplamak, ana destekçilerinizin kim olduğunu anlamanıza yardımcı olur. Veri setiniz oldukça küçükse daha basit bir 3 noktalı ölçekle başlayın.

Excel veya Google Sheets gibi temel e-tablo yazılımlarını kullanarak ilk hesaplamaları gerçekleştirebilirsiniz. Segmentlerinizi tanımladıktan sonra, müşteri listeleri yüklemenize veya API aracılığıyla segmentleri senkronize etmenize olanak tanıyan bir e-posta pazarlama platformuna veya CRM’e ihtiyacınız vardır. Çoğu modern pazarlama otomasyon aracı bu segmentasyona yerel olarak izin verir.