Ανάλυση RFM

Η ανάλυση RFM προέρχεται από την πρακτική του άμεσου μάρκετινγκ σε εταιρείες πωλήσεων καταλόγων τη δεκαετία του 1960. Η ανάλυση αυτή προβλέπει μια τμηματοποίηση των πελατών στη βάση δεδομένων της εταιρείας με βάση τη συμπεριφορά του παρελθόντος. (Hughes, 2000) &(Coussement et al. 2014).

Πώς λειτουργεί

Ορίζεται ως Recently-χρόνος (πόσο πρόσφατα έγινε η αγορά από τον πελάτη) Frecuency-συχνότητα (πόσο συχνά γίνονται αγορές από τον πελάτη) Money-χρήμα (ποια η χρηματική αξία της αγοράς του πελάτη) προσδιορίζοντας έτσι τους πελάτες που είναι πιο πιθανό να αγοράσουν ξανά. Οι επιχειρήσεις αναπτύσσουν εξισώσεις για να εντοπίσουν τους "καλύτερους πελάτες" (συχνά το 20 % της πελατειακής βάσης) αποδίδοντας μια βαθμολογία στις εγγραφές πελατών στη βάση δεδομένων σχετικά με το πόσο συχνά, πόσο πρόσφατα και πόσο έχουν ξοδέψει. Στη συνέχεια, οι πελάτες κατατάσσονται για να καθοριστεί ποιοι από αυτούς μετακινούνται στην κορυφή του καταλόγου και ποιοι κατεβαίνουν στη κατάταξη. Η κατάταξη παρέχει τη βάση για τη μεγιστοποίηση των κερδών, διότι επιτρέπει στην επιχείρηση να χρησιμοποιήσει τις πληροφορίες της βάσης δεδομένων των πελατών της για να επιλέξει εκείνα τα άτομα που έχουν αποδειχθεί καλές πηγές εσόδων (Lamb et al. 2011) .

Μοντέλο ανάλυσης RFM

Το μοντέλο που προτάθηκε από τον Hughes (2000), πρωτοπόρο στον τομέα του μάρκετινγκ βάσεων δεδομένων, τους Tsiptsis και Chorianopoulos (2009), αλλά και τους Blattberg et al.(2008) 24 ορίζουν πως οι μεταβλητές RFM μετατρέπονται σε διακριτές τιμές {1, 2, 3, 4, 5}. Έτσι, κάθε πελάτης λαμβάνει μια τιμή για κάθε μεταβλητή RFM. Αναλυτικότερα, οι αποδιδόμενες τιμές προέρχονται από την ακόλουθη διαδικασία. Το πρώτο βήμα συνοψίζει το ιστορικό αγορών των πελατών σε μεταβλητές RFM. Αυτές οι πληροφορίες αγοραστικού ιστορικού μπορούν εύκολα να προκύψουν από τη βάση δεδομένων συναλλαγών μιας εταιρείας, στην οποία καταγράφονται όλες οι αγορές των πελατών. Το δεύτερο βήμα ταξινομεί τους πελάτες µε βάση την επικαιρότητα (πόσο πρόσφατη ήταν η τελευταία τους αγορά), και τους χωρίζει σε 5 ίσες ομάδες πελατών και τους αποδίδει μία από τις πέντε διακριτές τιμές. Για παράδειγμα, το 20% των πελατών που αγόρασαν πιο πρόσφατα λαμβάνουν τον κωδικό 5. Το τρίτο βήμα, εντός κάθε ομάδας επικαιρότητας, ταξινομεί τους πελάτες με βάση τη συχνότητα αγορών τους, αποδίδοντας τους τιμές με παρόμοιο τρόπο. Τέλος, το τέταρτο βήμα ταξινομεί κάθε ομάδα συχνότητας με βάση τη χρηματική αξία των αγορών τους και αποδίδει και πάλι τιμές στα υποσύνολα. Από αυτή τη διαδικασία, κάθε πελάτης λαμβάνει τρεις τιμές που υποδηλώνουν την ένταξη σε μία από τις 125 (5×5×5) ομάδες ίσου μεγέθους, όπως φαίνεται και από το σχήμα 4 των Tsiptsis και Chorianopoulos (2009). Αυτή η κατάταξη επιτρέπει στους υπεύθυνους λήψης αποφάσεων μάρκετινγκ να διαμορφώσουν ένα σύνολο κανόνων που βοηθούν στον εντοπισμό των πελατών τους οποίους θα πρέπει να στοχεύσει μια μελλοντική εκστρατεία άμεσου μάρκετινγκ(ΑΜ).

Παραπομπές

Μεταπτυχιακή διπλωματική Εργασία Κωσταντίνος Ρήγας https://polynoe.lib.uniwa.gr/xmlui/bitstream/handle/11400/3006/Rigas_20042.pdf?sequence=1&isAllowed=y

Πανεπιστήμιο Μακεδονίας μάθημα : Πληροφοριακά Συστήματα