V dnešním článku se rozepíši o využití pokročilých analytických metod pro analýzu zákaznických dat. Víte, kdo jsou vaši nejdůležitější zákazníci, jaká je jejich Customer lifetime value, o jaké produkty mají zájem a kdy naposledy interagovali s vaším businessem ?
Nacházíme se ve světě s rostoucím počtem dat, sbíráme informace o zákaznících z mnoha různých kanálů, včetně fyzických obchodů, elektronického obchodu, kampaňových systémů, e-mailingu, sociálních médií, dat od obchodníků atd. Pokročilá analytika je tedy na místě – vytvořením komplexních zákaznických profilů z těchto dat můžete získat přehled o chování zákazníků a poskytovat tak personalizovanější prostředí.
Jak vaše podnikání roste, segmentace zákazníků může výrazně zlepšit vaši marketingovou výkonnost, učinit vaše kampaně relevantnějšími pro zákaznická publika a v konečném důsledku zvýšit míru odezvy a prodeje.
Co je to RFM analýza?
Častou otázkou, kterou slýchám od vedení firem, je: „Který z mých zákazníků je nejcennější?“. Ačkoliv je to relativně jednoduchá otázka s přímočarou odpovědí, tak existují i pokročilé způsoby, jak na to odpovědět. Jak například firma definuje „hodnotného zákazníka“? Mohou to být zákazníci, kteří utratí celkem nejvíce, nebo zákazníci, kteří mají velký počet transakcí. Vedle toho existují další úvahy, například nedávný poslední nákup nebo průměrná velikost nákupního košíku.
Naštěstí můžeme použít tzv. RFM analýzu – tedy rámec aktuálnosti, frekvence a měny, který nám pomůže identifikovat zákazníkovu transakční historii a kompletní zákaznickou bázi rozdělit do patřičných segmentů.
Co to je RFM (Recency – Frequency – Monetary)?
Recency (aktuálnost) – Kolik času uběhlo od posledního nákupu zákazníka? Zákazníci, kteří nedávno provedli nákup, budou mít produkt stále na mysli. Je větší pravděpodobnost, že si produkt znovu koupí nebo ho naopak znovu budou potřebovat (například u pravidelných objednávek typu krmiva, kdy jsme schopni přibližně predikovat období další objednávky). Firmy často měří aktuálnost ve dnech. V závislosti na produktu jej však mohou měřit v týdnech, měsících nebo dokonce hodinách.
Frequency (frekvence) – Jak často tento zákazník uskutečnil nákup v daném období? Zákazníci, kteří nakoupili jednou, častěji nakupují znovu. Kromě toho mohou být zákazníci poprvé dobrým cílem následné reklamy, která by je konvertovala na častější zákazníky.
Monetary (hodnota) – Kolik peněz zákazník v daném období utratil? Zákazníci, kteří utratí spoustu peněz, s větší pravděpodobností utratí peníze v budoucnosti a mají pro firmu vysokou hodnotu. Firmy, které nepřijímají přímé platby od zákazníků, mohou při své analýze použít jakékoliv jiné faktory. Například behaviorální data z webu/aplikace, kde hodnotí, jak si cení čtenářů, počtu zhlédnutí nebo interakce. Místo standardní nominální hodnoty transakce lze využít hodnoty interakce k provedení analýzy RFE (aktuálnost, frekvence, zapojení – engagement).
RFM krok za krokem
1) Jaká data potřebujeme na vstupu RFM analýzy?
Pro RFM analýzu budeme potřebovat kompletní transakční data na úrovni konkrétní objednávky/zákazníka. Zpravidla využíváme vstupní data ze CRM systémů, případně transakční data z e-shopů. Dataset musí obsahovat datum uskutečnění objednávky, identifikátor objednávky a identifikátor zákazníka a také nominální hodnotu provedených transakcí. Doporučuji RFM analýzu provádět nad kompletními transakčními daty obsahujícími informaci o zakoupených produktech, nákupních cenách produktů, produktové klasifikaci apod. Pro poskytnutí holistického přehledu o chování zákaznické báze a následnou aplikaci výstupů z RFM analýzy doporučuji transakční data obohatit o marketingová data (primárně data z e-mailing automation nástrojů + web tracking jako je například Google Analytics, případně dalších atribuční nástroje).
Mnoho firem teprve zavádí iniciativy datové demokratizace, ve smyslu centralizace datových zdrojů na centrální úložiště, provázanosti jednolivých marketingových systému, správné implementace analytických nástrojů apod. Dnešní dynamické prostředí digitálního světa vyžaduje pravidelné přepočítávání segmentů a automatizaci vstupních dat pro zajištění aktuálnosti klasifikace zákazníků a pro další aplikaci v komunikačních kanálech. Ačkoliv základní RFM analýzu lze exekuovat i v excelu, při větším objemu dat doporučuji využít Python či jiný BI/ETL nástroj pro transformaci dat a následné vizualizace v Power BI či Tableau pro interní reporting. Nejčastěji se výstupy RFM analýzy zobrazují v cohort reprezentaci, dvoudimenzionální teplotní mapě v matici nebo histogramu.
2) Nastavení pravidel pro zákaznické segmenty
Analýza RFM hodnotí zákazníky u každého ze tří hlavních faktorů. Zpravidla se využívá skóre od 1 do 5, přičemž řekněme, že 5 je nejvyšší. Různé implementace analytického frameworku RFM však mohou používat odlišné hodnoty nebo změnu měřítka.
Uvedeme si na příkladu:
Zákazníkům je přiřazeno skóre aktuálnosti na základě data posledního nákupu nebo časového intervalu od posledního nákupu. Toto skóre je založeno na jednoduchém seřazení hodnot aktuálnosti do malého počtu clusterů. Pokud například použijete pět kategorií, zákazníci s nejnovějšími daty nákupu získají hodnocení aktuálnosti 5 a zákazníci s daty nákupu nejdále v minulosti získají hodnocení aktuálnosti 1.
Podobným způsobem je pak zákazníkům přiřazen žebříček frekvencí, přičemž vyšší hodnoty představují vyšší frekvenci nákupů. Například v systému hodnocení pěti kategorií dostávají zákazníci, kteří nakupují, nejčastěji hodnocení frekvence 5.
Nakonec jsou zákazníci seřazeni podle peněžní hodnoty, přičemž nejvyšší hodnoty získávají nejvyšší peněžní hodnoty. Pokud budeme pokračovat v příkladu s pěti kategoriemi, zákazníci, kteří utratili nejvíce, získají peněžní hodnocení 5.
Kolekce tří hodnot pro každého zákazníka nazýváme kombinované RFM skóre. V jednoduchém systému organizace tyto hodnoty průměrují dohromady, poté třídí zákazníky od nejvyšší po nejnižší, aby našly ty nejcennější. Některé firmy místo toho, aby tyto tři hodnoty jednoduše zprůměrovaly, váží hodnoty odlišně. Při nastavování mantinelů pro zákaznickou segmentaci vždy vycházíme z povahy typu podnikání a potřeb klienta. Osobně doporučuji pro každého zákazníka používat 5 indexů – R- recency, F- frequency, M- monetary + kombinované RFM skóre, přičemž RFM kombinované skóre je složenina jednotlivých indexů. (Při využívání 5 clusterů pro R,F,M – množina výsledků nabývá až 125 kombinací (5x5x5), maximální hodnota složeného indexu je 555, minimální 111) + finální RFM skóre (průměr přes R,F,M)
Na začátku celého procesu je nutné stanovit mantinely, hraniční body pro definici mezí. Uvedeme si na příkladu:
Frekvence musí být vždy omezená časovým úsekem (například posledních 12 měsíců). Obdobně dle interní logiky se nastaví i segmenty pro nominální hodnotu zákazníka. Clustery pro nominální hodnotu zákazníka lze definovat staticky, případně i dynamicky na základě klientem definovaných pravidel, případně vynést závislost hodnoty objednávky v závislosti na připravených R,F clusterech. Pro každého zákazníka získáme tady přesně definované indexy ve všech různých pohledech. Uvedu několik příkladů, jak definované segmenty mohou vypadat:
Nejlepší zákazníci – tato skupina se skládá z těch zákazníků, kteří se nacházejí v R-segmentu-5, F-segmentu-5 a M-segmentu-5, což znamená, že transakce proběhly nedávno, často nakupují a utrácejí více než ostatní zákazníci. Zkrácený zápis pro tento segment je 555.
Noví zákazníci s vysokými výdaji – tato skupina se skládá z těchto zákazníků v 515 a 514. Jedná se o zákazníky, kteří obchodovali pouze jednou, ale velmi nedávno a hodně utratili.
Nejnižší výdaje aktivních věrných zákazníků – tato skupina se skládá z těchto zákazníků v segmentech 551 a 552 (nedávno obchodovali a často to dělají, ale utrácejí nejméně).
„Odpadlíci z nejlepších zákazníků“ – tento segment se skládá ze zákazníků ve skupinách 155, 154, 145 a 144 (často obchodovali a hodně utráceli, ale už je to dlouho od jejich poslední aktivity)
Na základě výsledného RFM skóre se definují RFM segmenty, které jsou pak aplikovány napříč interním reportingem firmy.
Jak využít výstupy RFM v praxi?
RFM Analýza dat může ve firmách pomoci od personalizace marketingové prezentace pro individuálního zákazníka až po identifikaci a zmírnění rizik pro podnikání. Podívejme se na několik výhod používání RFM analýzy v marketingu.
1) Využití RFM segmentace v e-mail marketingu
Rozšiřte svou stávající mailingovou databázi o segmentaci RFM a posuňte svůj e-mailingový marketing na nový level. Zde se dostáváme k bodu, kdy zhodnotíme mojí zmínku o výhodách holistického datasetu pro pokročilejší využití, nejen v RFM. V případě, kdy máme kompletní informace webtrackingu z e-mail automation tool na úrovni konkrétního kontaktu obsahujícího informace o chování zákazníka (doručené e-maily, open rate, prokliky, které produkty navštívil na webu atd.) + informaci a kompletní transakční historii přepočtenou v rámci RFM segmentů, cílení našich dalších kampaní je hračka. V pokročilých implementacích lze tyto informace obohatit o další metriky z Google Analytics, případně jiná CRM data pro definování přesné logiky automatizačních pravidel pro zcela personalizovaný a automatizovaný e-mailing.
2) Využití RFM segmentů pro lookalike publika v rámci cílení na sociálních sítích
Pomocí automatické segmentace s RFM si můžete automatizovaně definovat publika pro retargeting v rámci sociálních sítí. Díky tomu budete schopni neustále rozšiřovat publika o nové zákazníky a cílit vždy na relevantní zákazníky dle jejich CLV a konkrétního zájmu o produkty.
3) Rozšířená RFM pro optimalizaci/strategii s využitím informace o detailu objednávek
Základní RFM analýza řeší segmentaci pouze na úrovni transakce, ve smyslu jak často zákazník nakupuje, kdy naposledy a v jaké hodnotě nakoupil. Pro úplný 360° pohled je nutné se ponořit o úroveň hlouběji do samotného detailu zákaznických transakcí. Jedná se o jednu z největších výzev analýzy RFM (a segmentace obecně), jak vytvořit úplný 360° pohled na zákazníka.
Ze znalosti konkrétních produktů zakoupených v rámci jednotlivých transakcí jsme schopni identifikovat nejen zakoupené produkty, ale i z jakých kategorií byly produkty zakoupeny, jaká byla nákupní vs. prodejní cena zakoupených produktů, kolik z celkové hodnoty objednávky tvoří daň, typ zvolené dopravy, zvolená platební metoda atd.
Aplikace RFM se stává velmi efektivní v okamžiku, kdy výstupy RFM propojíme s výstupy z analýzy nákupního košíku zákazníka. Analýza nákupního košíku je jednou z klíčových technik používanou velkými i malými hráči v e-commerce k odhalení asociací mezi položkami. Funguje tak, že se hledá kombinace položek, které se v transakcích často společně vyskytují. Jinými slovy, analýza umožňuje identifikovat vztahy mezi položkami, které si lidé současně kupují, a položkami z jakých kategorií. Zpravidla tyto asociační pravidla vypočítávám jak pro konkrétní objednávky, tak i pro všechny zakoupené produkty za lifetime konkrétního zákazníka.
Jelikož máme kompletní informace o objednávce, jsme schopni přesně definovat akční kroky pro rozvoj businessových rozhodnutí a formovat optimalizační strategie – např. vliv slevových kuponů na bonitu zákazníka. Také vyhodnocovat profitabilitu = identifikovat posun v rámci RFM segmentace. Analýza dává detailní vhled pro vytváření produktových setů/balíčků jako samostatného produktu. Případně umožňuje rozhodnout, jaké sady společně tvořit v rámci Facebook produktových sbírek; jak spárovat související produkty v rámci e-shopu nebo jak tvořit upsell v košíku a mnoho dalších scénářů.
Analýza nákupního košíku vydá na samotný článek o kterém se rozepíšu zase někdy příště.
Závěrem
V článku se snažím nastínit pouze přístup, samotná RFM analýza je relativně snadná a účinná metoda pro segmentaci zákazníků, ale aby byla naprosto účinná pro další rozhodování, doporučuji ji vždy propojit s co nejvíce detailními informacemi o vašich zákaznících. To vám usnadní businessová rozhodnutí. (interakce s kampaní, preference, reakce, data z webové analytiky atd.).
RFM segmentace je osvědčená metoda k zlepšení míry konverze, profitability a personalizované nabídky. RFM používá zcela historická data k odhalení, kde se vaše firma právě nachází. Data lze použít k předpovědi konkurenceschopné reakce a probíhajících změn v nákupním chování. Na základě pravidelného přepočítávání zákaznických segmentů pokročilé nástroje umožňují lepší prediktivní analýzu a poskytují přehled o probíhajících změnách. Firmy tak mohou reagovat rychleji a přesněji definovat plány a prognózy budoucího rozvoje businessu.
Pokud vás zaujalo toto téma, ozvěte se nám. Jsme připraveni vám pomoci s růstem vaší datové maturity.
Jiří Kohutka – externí partner Aitom Digital
ZAJÍMAJÍ VÁS MOŽNOSTI, JAK LÉPE SEGMENTOVAT PRÁVĚ VAŠE ZÁKAZNÍKY?