تحلیل RFM؛ مشتری‌ها را بر پایه رفتار خرید بشناسید

RFM یعنی امتیازدهی به هر مشتری بر اساس سه چیز: چقدر تازه خریده (Recency)، چند بار خریده (Frequency) و چقدر خرج کرده (Monetary). خروجی، تقسیم مشتریان به گروه‌هایی است که هرکدام رفتار متفاوتی می‌خواهند.

تحلیل RFM چیست؟

RFM هر مشتری را با سه عدد امتیاز می‌دهد: تازگی آخرین خرید، تکرار خرید و ارزش مالی آن. ترکیب این سه، مشتری‌ها را به سگمنت‌هایی مثل وفادار، در خطر، خفته و جدید تقسیم می‌کند تا برای هر گروه اقدام متفاوتی انتخاب شود.

سه معیار، و اینکه هرکدام چه می‌گویند

R — تازگی خرید

از آخرین خرید چقدر گذشته. قوی‌ترین سیگنال از میان سه‌تا: کسی که هفته‌ی پیش خریده، خیلی محتمل‌تر از کسی است که پارسال خریده، حتی اگر آن یکی بیشتر خرج کرده باشد.

F — تکرار خرید

چند بار خریده. عادت خرید را نشان می‌دهد؛ مشتری با تکرار بالا رابطه‌ای پایدار دارد، نه یک اتفاق.

M — ارزش خرید

مجموع مبلغی که خرج کرده. می‌گوید از دست دادن این مشتری چقدر گران تمام می‌شود.

هیچ‌کدام به‌تنهایی کافی نیست. مشتری با M بالا و R خیلی پایین، دقیقاً همان کسی است که نباید از دستش داد — و در گزارش فروش کل اصلاً دیده نمی‌شود.

چهار سگمنتی که چاریک می‌سازد

سگمنتالگوی رفتاریکار درست
وفادارتازه خریده، مکرر می‌خرد، ارزش بالاقدردانی و دسترسی زودتر — نه تخفیف؛ او بدون تخفیف هم می‌خرد
در خطرسابقه‌ی خوب، ولی فاصله‌ی خرید در حال بلند شدنیادآوری زودهنگام پیش از اینکه کامل برود
خفتهمدت‌هاست نخریده، ولی قبلاً مشتری بودهپیشنهاد هدف‌دار بر اساس خرید قبلی
جدیدتازه اولین خریدش را کردهتبدیل به خرید دوم — بحرانی‌ترین مرحله

چرا معمولاً کسی RFM را اجرا نمی‌کند

RFM مدل پیچیده‌ای نیست و ده‌ها سال است وجود دارد. مانع، محاسبه نیست — اجراست:

  • داده باید تمیز شود. نام‌های تکراری، شماره‌های با فرمت متفاوت، سفارش‌های لغوشده.
  • آستانه‌ها باید تعیین شوند. «تازه» برای فروشگاه مواد غذایی با لوازم خانگی یکی نیست.
  • خروجی باید به کار تبدیل شود. جدول سگمنت‌ها بدون پیام و پیشنهاد، فقط یک فایل دیگر روی دسکتاپ است.
  • باید تکرار شود. RFM یک‌بار محاسبه‌کردنی نیست؛ ماه بعد سگمنت‌ها عوض می‌شوند.

چاریک هر چهار مرحله را به‌هم وصل می‌کند: تشخیص خودکار ستون‌ها، امتیازدهی، سگمنت‌بندی، و ساخت پیام و کمپین بازگرداندن برای هر سگمنت.

مطالب مرتبط در آرتین‌مگ

این مطالب در آرتین‌مگ، رسانه‌ی تخصصی گروه آرتین، منتشر شده‌اند. خواندنشان کمک می‌کند بفهمید کدام ابزار به کار شما می‌آید.

نقشه راه کامل سری مسیر ایجنت آرتین‌بات — از Sales Brain تا AutoFlow و NL2SQL
چت بات

نقشه راه کامل سری مسیر ایجنت: از Sales Brain تا NL2SQL

راهنمای کامل سری مسیر ایجنت — سه لایه قابلیت آرتین‌بات (Sales Brain، AutoFlow، NL2SQL) و راهنمای اینکه از کدام مقاله شروع کنید.

شناسایی مشتریان وفادار، در خطر ریزش و جدید پرارزش با NL2SQL آرتین‌بات و مدل RFM
چت بات

چطور با NL2SQL مشتریان وفادار فروشگاه خود را شناسایی و حفظ کنیم؟

وفاداری فقط تعداد خرید نیست. با NL2SQL آرتین‌بات و مدل RFM، مشتریان وفادار، در خطر ریزش و پرارزش را شناسایی کنید. مقاله دوازدهم سری مسیر ایجنت.

بهترین زمان و بهترین محصول برای تخفیف با NL2SQL آرتین‌بات — چهار سیگنال داده‌محور
چت بات

چطور با NL2SQL بهترین زمان تخفیف هر محصول را پیدا کنیم؟

تخفیف حسی یا داده‌محور؟ با NL2SQL آرتین‌بات، بهترین زمان و بهترین محصول برای تخفیف را بر اساس داده واقعی فروشگاه پیدا کنید. مقاله یازدهم سری مسیر ایجنت.

گزارش سود و زیان هر محصول با NL2SQL آرتین‌بات — چرا فروش بالا همیشه یعنی سود بالا نیست
آموزش

چطور با NL2SQL گزارش سود و زیان هر محصول را بگیریم؟

فروش بالا لزوماً یعنی سود نیست. با NL2SQL آرتین‌بات، سود خالص هر محصول را بعد از تخفیف، ارسال و مرجوعی محاسبه کنید. مقاله دهم سری مسیر ایجنت.

پنج هشدار خودکار NL2SQL برای مدیریت موجودی انبار فروشگاه اینترنتی
چت بات

چطور با هشدارهای خودکار NL2SQL موجودی انبار را مدیریت کنیم؟

پنج هشدار خودکار NL2SQL برای مدیریت موجودی انبار — از کمبود کالا تا کالای خوابیده — با نمونه سوال و توضیح چرایی هرکدام، مقاله نهم سری مسیر ایجنت.

NL2SQL آرتین‌بات — پرسش زبان طبیعی از دیتابیس فروشگاه با خروجی عدد، جدول، نمودار یا هشدار
چت بات

NL2SQL آرتین‌بات چیست و چطور به تصمیم‌گیری فروشگاه‌ها کمک می‌کند؟

NL2SQL آرتین‌بات چطور به زبان فارسی ساده از دیتابیس واقعی فروشگاه جواب می‌گیرد؟ نمونه سوالات واقعی و انواع خروجی، مقاله هشتم سری مسیر ایجنت.

همه‌ی مطالب در آرتین‌مگ ↗

فایل اکسل کافی است

بدون CRM، بدون کدنویسی و بدون نگاشت دستی ستون‌ها.

شروع کنید

خانواده‌ی آرتین

شرکت هوش گستر فردا آرتین چند محصول هوش مصنوعی فارسی می‌سازد. هر کدام کار خودش را می‌کند — این‌ها را ببینید تا بدانید کدام به کار شما می‌آید.