بخش‌بندی RFM مشتریان کافه؛ از فایل فروش تا کمپین قابل اجرا

RFM چیست و هر حرف چه چیزی می‌گوید؟

R یا Recency: تازگی خرید

تعداد روزهای گذشته از آخرین خرید تکمیل‌شده تا تاریخ مرجع تحلیل است.

`Recency = تاریخ مرجع − تاریخ آخرین خرید`

هرچه تعداد روز کمتر باشد، مشتری تازه‌تر است. در امتیازدهی معمولاً جهت را برعکس می‌کنیم؛ یعنی خرید تازه امتیاز R بالاتر می‌گیرد. تاریخ مرجع را ثبت کنید، چون امتیازها با گذشت زمان تغییر می‌کنند.

F یا Frequency: تکرار خرید

تعداد فاکتور یا نوبت خرید معتبر در یک بازه مشخص است.

`Frequency = تعداد خرید تکمیل‌شده مشتری در دوره تحلیل`

چند آیتم داخل یک فاکتور، چند خرید محسوب نمی‌شود. اگر یک میز مشترک با یک شماره ثبت می‌شود، فرکانس به صاحب آن شناسه نسبت داده خواهد شد؛ این محدودیت باید در تحلیل ذکر شود.

M یا Monetary: مبلغ خرید

مجموع مبلغ خالص پرداخت‌شده مشتری در همان دوره است.

`Monetary = مجموع مبلغ خالص فاکتورهای معتبر`

تخفیف، لغو و بازگشت وجه را طبق تعریف مالی ثابت اعمال کنید. مبلغ فروش لزوماً سود نیست؛ RFM ارزش رفتاری را دسته‌بندی می‌کند و برای تصمیم‌های مالی بهتر است حاشیه مشارکت هر گروه نیز بعداً بررسی شود.

داده را پیش از امتیازدهی تمیز کنید

داده باید شناسه مشتری، فاکتور، تاریخ، وضعیت، مبلغ خالص و شعبه داشته باشد. سپس این موارد را اصلاح کنید:

• فاکتورهای تست، لغوشده یا کاملاً برگشتی
• شماره‌های ساختگی یا متعلق به خود مجموعه
• حساب‌های تکراری یک مشتری، با قاعده مشخص
• سفارش سازمانی که زیر یک شماره ولی برای افراد متعدد است
• خرید کارکنان یا شرکا، اگر رفتارشان با مشتری عادی فرق دارد
• کارت هدیه؛ خرید کارت و مصرف آن نباید دوبار مبلغ بسازد
• اختلاف قالب شماره مانند `۰۹۱۲` و `+۹۸۹۱۲`

اگر فقط بخشی از فاکتورها به مشتری متصل‌اند، خروجی را «RFM مشتریان شناسایی‌شده» بنامید. تحلیل دقیق‌نما روی داده ناقص، از یک گزارش ساده و صادقانه خطرناک‌تر است.

دوره تحلیل و روش امتیازدهی را انتخاب کنید

دوره باید چند چرخه خرید معمول شما را پوشش دهد. برای کافه پرتکرار ممکن است چند ماه داده کافی باشد؛ برای رستوران مناسبتی یا سفارش سازمانی، دوره بلندتری لازم است. هدف این نیست که یک بازه استاندارد اینترنتی را کپی کنید، بلکه باید رفتار خود کسب‌وکار دیده شود.

دو روش ساده برای امتیازدهی:

گروه‌های هم‌اندازه

مشتریان را برای هر متغیر مرتب و به سه یا پنج گروه تقریباً هم‌اندازه تقسیم کنید. در R، مشتریان تازه‌تر امتیاز بالاتر و در F و M، تعداد و مبلغ بیشتر امتیاز بالاتر می‌گیرند. این روش با توزیع داده سازگار است، اما مرزهایش با هر اجرا ممکن است تغییر کند.

آستانه‌های کسب‌وکاری

مرزها را براساس چرخه و ارزش واقعی خودتان تعریف کنید؛ مثلاً «کمتر از فاصله معمول خرید»، «دو تا چهار خرید» یا «بیش از مبلغ مشخص». این روش توضیح‌پذیرتر است، ولی آستانه‌ها باید دوره‌ای بازبینی شوند.

برای شروع، امتیاز ۱ تا ۳ ساده‌تر است. امتیاز ۱ تا ۵ جزئیات بیشتری می‌دهد، اما در پایگاه کوچک ممکن است گروه‌های بسیار کم‌جمعیت بسازد.

سگمنت‌های کاربردی RFM برای کافه

اسم گروه‌ها قراردادی است؛ تعریف و اقدام آن‌ها اهمیت دارد.

مشتری برتر را با تخفیف دائمی شرطی نکنید. این گروه شاید بیش از کاهش قیمت به ثبات محصول، شناخت ترجیح و اولویت خدمات اهمیت بدهد. همچنین مشتری غیرفعال کم‌ارزش الزاماً «بد» نیست؛ شاید فقط گردشگر یا مشتری مناسبتی بوده باشد.

مثال فرضی از امتیاز RFM

مثال فرضی: کافه‌ای داده ۱۸۰ روز گذشته را با امتیاز ۱ تا ۳ تحلیل کرده است. مرزها فرضی‌اند و معیار عمومی نیستند.

برای مشتری «پ» ابتدا سفارش آخر و شکایت احتمالی را بررسی کنید. برای مشتری «ب»، هدف خرید دوم منطقی‌تر از پیام «دلمان برایت تنگ شده» است.

از سگمنت به کمپین قابل سنجش برسید

RFM فقط یک فایل رنگی نیست. برای هر گروه این پنج مورد را بنویسید:

1. ۱مسئله رفتاری گروه چیست؟
2. ۲چه اقدام کوچکی می‌تواند رفتار بعدی را تغییر دهد؟
3. ۳کدام کانال و پیام با رضایت مشتری مناسب است؟
4. ۴موفقیت در چه پنجره‌ای و با چه رویدادی تعریف می‌شود؟
5. ۵گروه کنترل یا خط مبنای مقایسه چیست؟

مثلاً برای «تازه‌وارد امیدوارکننده»، هدف می‌تواند خرید دوم و پیشنهاد، یادآوری محصول مکمل باشد. معیار نتیجه، مشتری افزوده دارای خرید دوم و سود مشارکت اوست. برای گروه «در معرض ریزش» نیز سفارش آخر را بررسی کنید؛ تجربه بد ممکن است در RFM پنهان باشد.

هر چند وقت یک‌بار RFM را تازه کنیم؟

R هر روز تغییر می‌کند و مشتری پس از خرید می‌تواند از گروه در معرض ریزش به فعال منتقل شود. تناوب گزارش را با چرخه تصمیم هماهنگ کنید:

• کافه پرتکرار: بازبینی هفتگی می‌تواند عملی باشد.
• چرخه خرید کندتر: به‌روزرسانی ماهانه ممکن است کافی باشد.
• پیش از ارسال: وضعیت سفارش و لغو پیام دوباره بررسی شود.

امتیاز تاریخی را نگه دارید تا حرکت مشتری میان گروه‌ها دیده شود.

خطاهای رایج تحلیل RFM

• امتیاز R بدون معکوس‌کردن جهت روزها
• استفاده از تعداد آیتم به‌جای تعداد خرید
• شمردن سفارش لغوشده و بازگشتی
• ترکیب سفارش سازمانی با مشتری فردی
• تعریف Monetary با فروش ناخالص یک دوره و خالص دوره دیگر
• ساخت گروه‌های زیاد روی پایگاه کوچک
• فرستادن یک تخفیف برای تمام سگمنت‌ها
• ندیدن رضایت پیام و شکایت باز
• قضاوت درباره شخصیت مشتری از روی سه عدد

RFM فقط رفتار خرید ثبت‌شده را توصیف می‌کند و درباره انگیزه قطعی مشتری چیزی ثابت نمی‌کند.

چک‌لیست اجرای بخش‌بندی RFM مشتریان کافه

• ✓شناسه مشتری، تاریخ، وضعیت و مبلغ خالص قابل اعتماد است.
• ✓تست، لغو، برگشت و حساب تکراری پاک‌سازی شده است.
• ✓دوره تحلیل و تاریخ مرجع ثبت شده‌اند.
• ✓تعریف F بر پایه فاکتور تکمیل‌شده است.
• ✓جهت امتیاز R درست تنظیم شده است.
• ✓مرزهای امتیازدهی از داده خود کافه آمده‌اند.
• ✓هر سگمنت یک مسئله، اقدام و معیار نتیجه دارد.
• ✓رضایت ارتباطی پیش از کمپین دوباره بررسی می‌شود.
• ✓امتیازهای تاریخی برای دیدن جابه‌جایی نگه داشته می‌شوند.

جمع‌بندی

بخش‌بندی RFM مشتریان کافه کمک می‌کند تازه‌وارد، وفادار و در معرض ریزش را یکسان نبینید. با داده تمیز، امتیاز ساده و چند سگمنت قابل توضیح شروع کنید؛ سپس برای هر گروه یک اقدام و معیار مالی بسازید. اگر تهیه این گزارش از فایل‌های پراکنده وقت‌گیر است، فعلاً باید آن را بیرون از پنل بسازید؛ گزارش RFM و بخش‌بندی مشتری جزو پلن‌های فعلی بردینو نیست — فهرست امکانات هر پلن در صفحه‌ی تعرفه‌ها آمده است.

سؤالات متداول

مقاله‌های مرتبط

کمپین تولد مشتریان کافه؛ از جمع‌آوری تاریخ تا سنجش سودباشگاه وفاداری برای کافه و رستوران؛ چطور مشتری را به بازگشت تشویق کنیمنرم‌افزار مدیریت رستوران و کافه؛ از سفارش‌گیری تا باشگاه مشتریاننرخ بازگشت مشتری کافه؛ فرمول درست و راه‌های بهبود آن