Comment utiliser des modèles de RFM guidé par les données de marketing

Lorsque le marketing guidé par les données a été la première venue dans la proéminence, les analystes ont développé une technique de ciblage relativement simple qui est encore largement utilisé aujourd'hui. La technique a d'abord été développé pour l'entreprise de vente par catalogue. La motivation était que les catalogues sont coûteux à imprimer et le navire, il est donc important de les envoyer à des gens qui pourraient les utiliser effectivement.

Le cadre RFM dans le marketing guidé par les données

La récence, la fréquence, la technique monétaire, connu sous le nom La modélisation RFM, est basé sur la recherche à trois faits sur les transactions des clients.

• R est pour la récence. Depuis combien de temps le client n'a dernière acheter chez vous?

• F est la fréquence. Combien de fois ou combien de produits ne le client à acheter?

• 
  
  
  
  

  M est pour l'argent. Eh bien, en fait il est pour valeur monétaire mais cela signifie de l'argent. Combien le client at-il dépensé?

L'idée de base est que chacun de ces facteurs est individuellement peu prédictive des taux de réponse. En les combinant rend ces prévisions encore mieux.

RFM modèles sont développés en utilisant les données de transaction résumées. Le nombre de transactions, le total des achats et des dates récentes de transaction sont regroupées dans des plages. Un modèle de RFM simple pourrait ne distinguer élevé, moyen et faible volume de transactions, par exemple.

Chaque client est classé sur chacun des trois attributs. Les clients sont ensuite segmentées en fonction de leur classement combiné. Par exemple, un segment est constitué de clients qui tombent dans la catégorie bas sur les trois attributs. Il ya un autre segment pour très récente, faible volume et la valeur monétaire élevée. Et ainsi de suite.

Le nombre de segments deviendra grand rapide. Si chaque attribut est partagé en trois plages, vous vous retrouvez avec 27 groupes de RFM distinctes. Si vous les séparer dix façons, vous vous retrouvez avec 1000 segments.

Comment construire le modèle RFM dans guidé par les données de commercialisation

L'aperçu réel vient quand vous appliquez ces segments de clients qui ont reçu des campagnes de marketing auprès de vous dans le passé. Vous regardez les taux pour chacun des segments RFM de réponse. Typiquement, certains segments surpassent considérablement autres.

Comme tous les modèles, vous devriez tester des modèles RFM avant de les utiliser dans la définition des publics cibles. La méthode standard de tester un modèle prévoit de séparer les clients vous analysez en deux groupes définis de manière aléatoire.

Vous pourriez être en analysant les taux de 100.000 clients qui ont reçu votre campagne de printemps de réponse. Vous voulez diviser au hasard de ce groupe en deux. Vous utilisez la première moitié pour faire votre analyse et définir vos segments performants. Ensuite, vous utilisez la seconde moitié de confirmer (ou non) que ces segments vraiment ne réussissent mieux que les autres.

Vous pouvez accomplir cette scission aléatoire avec un générateur de nombres aléatoires. Logiciel de base de données, le logiciel analytique, et même des feuilles de calcul ont des fonctions qui vont produire des nombres aléatoires compris entre 0 et 1. L'idée est que vous générez un nombre aléatoire pour chaque fiche client. Si le nombre est inférieur à 0,5, vous mettez le dossier dans votre fichier d'analyse. Le reste des dossiers aller dans votre confirmation ou fichier de test.

En se concentrant futures campagnes sur les segments haute performance, vous pouvez obtenir des taux de réponse plus élevés tout en réduisant les coûts de la campagne. Vous devez tenir compte de certains problèmes techniques lors de la mise en œuvre de tout type de modèle analytique. Pour une chose, vous ne voulez pas de supposer que vos segments se produiront aussi bien dans l'avenir comme ils le faisaient dans le passé.