SPRZEDAJ
ALBO ZGIŃ!
Istniejący od 1991 roku
MasterPlan jest firmą doradczo-szkoleniową w zakresie relacji z klientami. Od 1995 roku - dodatkowo -
specjalizujemy
się w doradztwie dla call centers i szkoleniach w zakresie posługiwania
się telefonem w sprzedaży i obsłudze klienta. Nasze
przygotowanie zawodowe, a także zebrane w trakcie pracy dla naszych Klientów
doświadczenie pozwala nam oferować doradztwo
i szkolenia
we wszystkich możliwych aspektach funkcjonowania telemarketingu w
naszym kraju, a od 2002 roku także na skalę międzynarodową. >> więcej
Marian J. Kostecki.
Glosariusz terminologii call
center/help desk.
Wydawnictwo Naukowe PWN. 2007. GRATIS >> ściągnij okładkę i zawartość
Marian J. Kostecki. Efektywność
i skuteczność w call center:
Miary skuteczności i efektywności pracy contact center, call center,
help desk (ruch przychodzący). Warszawa: moimzdaniem.pl 2006, 110
stron. GRATIS >> ściągnij
Marian J. Kostecki. Telefoniczna rozmowa handlowa:
Wszystko, co
powinieneś wiedzieć o sprzedaĹźy przez telefon zanim podniesiesz
słuchawkę, w trakcie posługiwania się nią i po jej odłoźeniu. Warszawa:
moimzdaniem.pl 2006, 238 stron. GRATIS >> ściągnij
wiadomości
istotne dla środowiska call center zapowiedzi wydarzeń -- news
-- ogłoszenia o pracy -- gratisy
SAMOUCZEKopisy
przypadków,
które mogą zostać wykorzystane w samokształceniu
pracowników działów obsługi klienta,
handlowców,
webmasterów, telemarketerów::
Zawartość tej internetowej strony jest chroniona prawem autorskim.
Identyfikowanie najlepszych klientów - analiza RFM
Jacek Bazarnik, Identyfikowanie najlepszych klientów - analiza RFM, Modern Marketing, kwiecień 2001
Marketerzy mają do dyspozycji wiele różnych metod identyfikacji i kwalifikacji klientów. Począwszy od bardzo prostych typu: metoda atrybutów, metoda wartości oczekiwanej, metodaABC, metoda pięciu gwiazdek, itp. a skończywszy na wyrafinowanych metodach statystycznych i modelach sieci neuronowych. Jedną z najstarszych i wciąż najefektywniejszych metod identyfikacji najlepszych klientów pozostaje analiza RFM(Recency świeżość, Frequency częstość, Monetary wartość], a więc metoda grupowania naszej bazy danych o klientach na podstawie ich poprzedniego zachowania i wykorzystania tej wiedzy dla przewidywania ich przyszłych zachowań.
CO DECYDUJE O TAKIEJ POPULARNOŚCI RFM?
Analiza RFM jest oparta na teorii zachowania klienta i opiera się na prostej logice:
Jest bardziej prawdopodobne, że kolejnego zakupu dokonają klienci, którzy zakupili coś ostatnio niż ci, którzy przez długi czas nie dokonali żadnego zakupu.
Jest bardziej prawdopodobne, ŻE kolejnego zakupu dokonają klienci, którzy dokonują zakupów z większą częstotliwością niż ci, którzy kupują rzadko.
Bardziej prawdopodobne jest, że w przyszłości pieniądze wydadzą ci klienci, którzy w przeszłości wydawali duże kwoty niż ci, którzy wydawali mniej pieniędzy.1
Innymi słowy, klienci, którzy są "dobrymi klientami" najprawdopodobniej będą nadal dobrymi klientami!
Przyczyną popularności RFM od wielu lat jest to, że RFM jest bardzo mało kosztownym, prostym i użytecznym sposobem klasyfikacji klientów według ich zachowań (w przeciwieństwie do danych demograficzno-społeczno-ekonomicznych). Często jest bardzo dokładnym sposobem przewidzenia liczby klientów, którzy zareagują na szczególne promocje lub oferty, w oparciu o reakcje małej grupy testowej.
Drugą przyczyną przewagi RFM nad metodami opartymi o analizy danych demograficzno-społecznych jest fakt, iż wszystkie składniki RFM są behawioralne: kiedy osoba dokonała zakupu po raz ostatni, jak często kupuje i jak dużo wydaje pieniędzy. Wykorzystujemy te czynniki, które są łatwo dostępne, aby przewidzieć zachowanie klienta, a "przewidywanie zachowania oparte na poprzednim zachowaniu jest dużo dokładniejszą i skuteczniejszą metodą niż przewidywanie zachowania oparte na innych znanych czynnikach".2
Dla wykonania analizy RFM niezbędne jest, by wszystkie zapisy o klientach zawierały pewne dane o historii transakcji i by były właściwie kodowane.
W każdym zapisie o klientach muszą być trzy informacje:
Daty zakupu - wszystkie zakupy dowolnego towaru.
Licznik częstotliwości - ile razy dokonano zakupu lub korzystano z usług. Dla firm handlu detalicznego może to być liczba wszystkich wizyt w placówce handlowej.
Licznik kwoty - całkowita kwota zapłacona przez klienta od początku jego zakupów w firmie.
UTWORZENIE KODU RECENCY
Aby utworzyć kod Recency, sortujemy wszystkich klientów według daty ostatniego zakupu. Następnie dzielimy ich na 5 równych części. W najwyższej grupie (najświeższej) każdemu zapisowi przypisujesz numer 5. W następnej 4 itd. Teraz każdy w naszej bazie danych ma kod Recency 5,4, 3,2 lub 1.
Okazuje się, że wskaźnik reakcji klientów RR (Response Rates, RR = liczba odpowiadających/liczba promowanych) na ewentualną promocję jest bardzo zróżnicowany dla tak wyznaczonych grup klientów.
Rys. 1. Przykładowa reakcja klientów według kodów Recency.3 Dlaczego tak jest? Cóż, niewiele jest pewników w marketingu, ale jeden z nich to, że: największe prawdopodobieństwo odpowiedzi na nową ofertę zachodzi w przypadku osób, które ostatnio dokonały zakupu w danej firmie. "Jest coś takiego w ludzkiej psychice, co sprawią że ludzie chętniej otwierają Twoją kopertę i reagują na to, co jest w środku, jeśli ostatnio przeprowadzili z Tobą satysfakcjonującą transakcję. Sprawdza się to w magazynach handlu detalicznego, firmach sprzedających oprogramowanie, firmach samochodowych, ubezpieczeniowych. Jest to zjawisko uniwersalne. Jeśli nie wierzysz, możesz to sprawdzić niewielkim kosztem. Program wprowadzenia kodu Recency do bazy danych prawie nic nie kosztuje, jeśli masz już bazę danych. Każdy programista może napisać taki program i uruchomić go w pół dnia, nawet jeśli baza danych zawiera miliony zapisów. Wtedy przy następnej tradycyjnej promocji sprawdź reakcję przy pomocy koduRecency. Byłbym zaskoczony, gdybyś nie uzyskał wykresu podobnego do tego powyżej".4
UTWORZENIE KODU FREQUENCY
Kod Frequency tworzy się dokładnie w ten sam sposób. Sortujemy klientów według częstości zakupów w danym okresie i dzielimy ich na pięć równych części. Przypisujemy kod Frequency do każdej grupy tak, aby każdy klient miał kod 5,4,3,2 lub 1. Następnie dopisuje się kod Frequency obok kodu Recency w bazie danych. W efekcie powstał dwucyfrowy kod dla każdego klienta, od 55 (najnowszy i najczęstszy) do 11 (najstarszy i najrzadszy). W każdej grupie będzie dokładnie tyle samo klientów.
Rozkład wskaźnika reakcji RR według kodów Frequency będzie podobny jak na rys.2.
Rys. 2. Przykładowa reakcja klientów według kodów Frequency5. Rys. 3. Przykładowa reakcja klientów według kodów Monetary6. UTWORZENIE KODU MONETARY
Kod Monetary tworzy się dokładnie tak samo jak pozostałe dwa. Tutaj kryterium sortowania jest wielkość sprzedaży, wyrażonej wartościowo.
Rozkład wskaźnika reakcji pokazuje rys. 4.
Rys. 4. Reakcja na podstawie grup RFM10 Gdy zapiszemy kod Monetary obok Freąuency i Recency, każdy klient w bazie danych będzie miał 3-cyfrowy kod od 555do 111. W sumie jest 125 jednostek RFM. Należy aktualizować kody jednostek RFM za każdym razem, kiedy aktualizujemy bazę danych - zazwyczaj co miesiąc. Należy również przewidzieć miejsce w zapisach o klientach dla poprzednich jednostek RFM tak, aby można było śledzić przemieszczanie się klientów między jednostkami.
Teraz, skoro już mamy kody, zobaczmy, co można z nimi zrobić. Aby zilustrować ich działanie załóżmy, że chcemy przedstawić promocyjną ofertę swoim klientom i że baza danych jest wystarczająco duża do przeprowadzenia testu przed właściwą promocją. Przyjmijmy np., że przedstawiamy próbną promocję 40 000 klientów.
Pierwszym krokiem będzie wybranie 40 000 klientów z bazy danych w sposób losowy, ale tak, aby z każdej ze 125. komórek RFM wybrano 320 klientów. Załóżmy, że składamy ofertę tym 40 000. klientów. Powiedzmy, że oferujemy produkt, który kosztuje ok. 120 złotych i że dochód netto od udanej sprzedaży wynosi 35 złotych. Koszt wysyłki (zawierający wytworzenie, drukowanie, adresowanie i wysłanie) wynosi 0,62 zł za sztukę. Oto jak może wyglądać reakcja 20 pierwszych komórek RFM na taką ofertę.
Tabela 1. Reakcja na test
Pozycja komórki
Kod RFM
Ilość wysłanych przesyłek
Liczba odpowiedzi
Wskaźnik reakcji RR
1
555
320
31
9.69%
2
554
320
30
9.38%
3
553
320
28
8.75%
4
552
320
20
6.25%
5
551
320
19
5.94%
6
545
320
26
8.13%
7
544
320
20
6.25%
8
543
320
18
5.63%
9
542
320
16
5.00%
10
541
320
12
3.75%
11
535
320
14
4.38%
12
534
320
10
313%
13
533
320
10
3.13%
14
532
320
9
2.81%
15
531
320
7
2.19%
16
525
320
13
4.06%
17
524
320
10
3.13%
18
523
320
8
2.50%
19
522
320
8
2.50%
20
521
320
7
2.19%
Ostateczne wyniki testu wyglądały następująco: Zareagowało 711 klientów RR wyniósł 711/40 000 x 100% = 1,78%, Koszt promocji 40 000 x 0,62zł = 24 800 zł, Zysk netto ze sprzedaży = 711 x 35zł = 24 885 zł.
Te rezultaty pochodzą z danych o sprzedaży detalicznej.7Promowany produkt to męska i damska odzież sprzedawana po 120 złotych. Wiele osób uznałoby tę promocję za nieudaną. Wydano prawie 25 000 złotych na wysyłkę, a zysk netto wyniósł zaledwie 85 złotych po uregulowaniu wszystkich rachunków. To z pewnością nie pokrywa czasu spędzonego na planowaniu promocji, nawet jeśli pokrywa koszty wysyłki. Jednakże nauczyliśmy się czegoś cennego z tej nieudanej promocji. Poznaliśmy wskaźnik reakcji każdej jednostkiRFM.
Podstawowa teoria kryjąca się za analizą RFM jest taka, że najlepiej przewidzieć przyszłe zachowanie na podstawie dawnego i obecnego zachowania. Jest to z pewnością lepsze od danych demograficznych, psychologicznych, geograficznych czy jakiejkolwiek innej metody. Jeśli jednostki RFM wybrane dla testu będą identyczne z jednostkami RFM całej bazy danych, możemy spokojnie założyć, że klienci, którzy nie otrzymali oferty, odpowiedzieliby na nią w taki sam sposób. Skoro już wiemy, czy dana jednostka odpowie na ofertę czy nie, możemy usunąć nie przynoszące zysku jednostki i skoncentrować się na jednostkach przynoszących zyski. Aby określić, które komórki RFM są zyskowne, wprowadźmy jeszcze dwa wskaźniki ROI(return on investmenf) oraz BE (break even).
Stopę zwrotu na kapitale (ROI) obliczamy przez podzielenie dochodu netto ze sprzedaży przez nakłady na promocję.8
Nasza stopa zwrotu na kapitale wygląda następująco:
ROI= dochód netto / koszty promocji
ROI= 24 885 / 24 800 = 1,0034
Kiedy wartość stopy zwrotu na kapitale wynosi l, to oznacza sytuację, w której pokryte zostały nakłady na promocję z dochodu netto, innymi słowy, tylko "wyszliśmy na czysto". W tej sytuacji zrobiliśmy nieco więcej niż "wyjście na czysto". Zarobiliśmy 0,34 procent na naszej początkowej inwestycji wynoszącej 24 800 złotych.
Współczynnik reakcji pokrywający koszty (BE) to współczynnik reakcji, gdy stopa zwrotu na kapitale (ROI) wynosi 1, czyli dochód netto jest dokładnie równy kosztom promocji.
BE = O gdy ROI = 1 to jest, gdy (dochód netto) = (nakłady na promocję)
dochód netto = (liczba odpowiadających) x (jednostkowy dochód netto) nakłady na promocję=(liczba promowanych) x (jednostkowe nakłady na promocję)
Współczynnik pokrycia nakładów wynosi: (liczba odpowiadających) x (jednostkowy dochód netto) = (liczba promowanych) x (jednostkowe nakłady na promocję)
Dzieląc obie strony równania przez jednostkowy dochód netto i przez liczbę promowanych, otrzymamy:
RR = jednostkowe nakłady na promocję / jednostkowy dochód netto
Powyższa formuła pokazuje nam, przy jakiej wartości wskaźnika reakcji RR, współczynnik pokrycia kosztów BE = 0. Innymi słowy mówiąc, aby nasza akcja promocyjna przyniosła nam zysk, wskaźnik reakcji musi być większy od ilorazu: (koszt jednostkowy promocji) / (jednostkowy dochód netto).9
Przykładowo: jeśli jednostkowy koszt promocji wynosi 0,62zł i dochód netto z przeciętnej sprzedaży wynosi 35 zł, to współczynnik reakcji pokrywający koszty wynosi 1,77%. Należy uzyskać więcej niż 1,77% zadowalających odpowiedzi z tej promocji, aby przynajmniej "wyjść na zero". Za pomocą tej formuły, przedstawiamy wyniki, jakie można uzyskać dzięki wysłaniu promocji do grupy klientów podzielonych na 125 RFM komórek:
Każda jednostka RFM, która ma przewidziany wskaźnik reakcji 1,77% lub wyższy, powinna być wzięta pod uwagę przy promocjach. Oto wykres jednostek przynoszących i nie przynoszących zyski:
Dane do tego wykresu zostały przygotowane poprzez podzielenie wskaźnika reakcji uzyskanego w danej grupie RFM przez wskaźnik przeciętny uzyskany z całego testu, pomnożenie przez 100 i odjęcie 100. Wskaźnik przeciętnej został przedstawiony jako zero. To jest wykaz zyskowności. Każda jednostka RFM z wynikiem powyżej zera będzie przynosiła zyski, te poniżej zera nie przyniosą zysku.
Kiedy dysponujemy danymi dotyczącymi przewidywanych reakcji, należy wysyłać ofertę jedynie do jednostek przynoszących zyski. Jest jednakże jeden wstępny krok, który zapewni pewny sukces. Należy obniżyć wyniki testu.
Wiadomo powszechnie, że w marketingu testy wychodzą zawsze lepiej niż we właściwej promocji. Oznacza to, że jeśli uzyskałeś 2%-owy wskaźnik reakcji na test, otrzymasz mniej niż 2% po wysłaniu całej oferty. Dlaczego tak się dzieje? Jest wiele odpowiedzi, między innymi taka: handlowcy po prostu nie znoszą nieefektywnych testów. Najczęściej podejmą działania, które zapewnią im wysokie wskaźniki reakcji. Sądzą, że jeśli test nie wyjdzie, ich reputacja na tym ucierpi.
Wybierają więc najlepsze listy, najlepszą porę roku, najlepszą ofertę - wielokrotnie są to rzeczy, których nie są w stanie powtórzyć we właściwej promocji. Dlatego zaleca się obniżyć wyniki testu o 15%, obliczając reakcję jednostek RFM na właściwą promocję. Oznacza to, że jeśli masz 2-procentowy wskaźnik reakcji na test w pewnych jednostkachRFM, powinieneś zakładać, że otrzymasz zaledwie 1,7% (2.0 x 0.85) reakcji tych samych jednostek w dużej promocji.11
Można teraz zestawić domniemane wyniki promocji.
Tabela 2. Wyniki promocji
Test
Wszyscy
Wybrane jednostki RFM
Liczba promowanych
40 000
800 000
211 200
Liczba odpowiadających
711
12 104
7293
Wskaźnik reakcji RR
1,78%
1,51%
3,45%
Koszt promocji
24 800
496 000
130 944
Zysk ze sprzedaży
24 885
423 640
255 255
Zysk z promocji
85
-72 360
124 311
Tabela 2. wykazuje, że gdyby promocja została przedstawiona wszystkim z bazy danych, wskaźnik reakcji wyniósłby 1,51% (tzn. 85% wskaźnika testowego 1,78%). Sprzedano by 12 104 produktów z zyskiem netto 35zł za sztukę. To dałoby 432 640 zł. Ale całkowita promocja przyniesie stratę 72 360 zł, po odjęciu kosztów promocji wynoszących 469 000 zł.
Wykorzystując wyniki testu zauważono, że tylko 211 200 klientów znajduje się w jednostkach RFM przynoszących zyski. Wysyłając tylko tych 211 200 ofert zrealizowano 7 293 transakcji sprzedaży z zyskiem netto 255 255 zł. Koszty wysyłki wynoszą tylko 130 944 zł, a zysk netto całej promocji 124 311 zł.
Jak widać z analizy, RFM działa tylko w oparciu o dane historyczne Nie nadaje się do dopiero tworzonej bazy danych. Jeśli natomiast baza danych o klientach zawiera tylko częściowe dane (np. Recency i Frequency, ale nie ma Monetary) prawdopodobnie osiągnie się pewne korzyści, używając tej techniki.
Poza wykorzystywaniem RFM do zidentyfikowania najlepszych adresatów oferty, można go też używać do zidentyfikowania innych grup klientów, wobec których można zastosować inną strategię. Na przykład, klienci, którzy kupują często, ale w małych ilościach mogą być celem ofert zwiększających średnią zamówień. Klienci, którzy przez pewien okres nie dokonali zakupu, mogą otrzymać wiadomość typu "Tęsknimy za Tobą".
"Istotną informacją podczas planowania ofert jest to, ile dany klient wydaje, całościowo lub jednorazowo. Na przykład, przyjmijmy, że agent ubezpieczeniowy ma w ofercie nowe, tanie (suma ubezpieczenia wynosi 50 000 zł) ubezpieczenie na życie. Potencjalnymi klientami, z którymi powinien się skontaktować będą ci, którzy mają stosunkowo mniejszą sumę ubezpieczenia. Mogą oni rozważać dodanie kolejnej polisy do już posiadanej lub, jeśli wynosi ona mniej niż 50 000 zł, zwiększenie jej. Klient, posiadający polisę na l milion zł nie będzie ofertą zainteresowany. Z drugiej jednak strony, jeśli agent ma do zaoferowania ofertę za milion złotych, klient z polisą na 50 000 zł nie będzie nią zainteresowany. Ci, którzy już posiadają milion złotych w polisie mogą rozważać podwojenie swego ubezpieczenia".12 Każda jednostka RFM ma swoją indywidualność. Wszyscy nowi klienci są np. zapisywani jako 511. Są najnowszymi klientami, ale zazwyczaj kupują najrzadziej i płacą najmniej. Po dołączeniu do bazy danych mogą pójść w górę albo w dół zależnie od ich zachowania. Dobrym pomysłem jest prześledzenie, gdzie byli miesiąc temu. Można ustalać cele dla każdej grupyRFM, aby nowi klienci przesunęli się z 511 do 512 w drugim miesiącu a nie np. w dół do 411.
Analiza RFM jest czasami rozszerzona do RFM-P. P może oznaczać albo kategorię produktu(product category), albo zyskowność (profitability). Informacja P dodaje logiczny wymiarRFM, zwłaszcza kiedy oferowane są różne produkty z bardzo różniącymi się marżami. Niektórzy klienci mogą zazwyczaj kupować tylko produkty z dolnej granicy zysków, inni mogą kupować mieszane produkty, a jeszcze inni mogą głównie kupować produkty przynoszące największe zyski. Dla niektórych firm tak samo ważne jest, co klient kupuje, jak i ile klient kupuje. "W wielu przypadkach firma oferuje tak rozmaite linie produktów, że klienci, którzy kupują jedną linię produktów są całkiem inni od klientów, którzy kupują inną linię. W takim przypadku najlepiej jest traktować kupujących różne linie produktów w różny sposób, nawet jeśli ich RFM wynosi tyle samo. Ta zasada sprawdza się zwłaszcza, kiedy jedna linia produktów to produkty konsumpcyjne (np. żywność), a druga to produkty trwałe (np. samochody, meble)".13
Analiza RFM jest z powodzeniem stosowana w marketingu bezpośrednim od ponad 40 lat. Jej popularność wynika z niskich kosztów i prostoty (nie wymaga zatrudnienia ekspertów z zewnątrz). RFM w przeciwieństwie np. do analiz bazujących na danych demograficznych wykorzystuje czytelne fakty. Przewidywanie zachowania oparte na zachowaniu w ostatnim czasie jest o wiele dokładniejszą i mocniejszą metodą niż podobne analizy oparte na jakichkolwiek innych czynnikach.
2. Hughes A. M., Making Your Database Pay Off Using Recency Freąuency and MonetaryAnalysis, Database Marketing Institute, styczeń 2001, http://www.dbmarketing.com/articles /Art104.htm
3. Hughes AM, The Complete Database Marketer,Irwin, Chicago 1996, s.158
4. Hughes AM., Making Your Database Pay Off Using Recency Freąuency and MonetaryAnalysis, Database Marketing In-stitute, styczeń 2001, http://www.dbmarketing.com/artides /Art104.htm
6. Hughes AM., The Complete Database Marketer,Irwin, Chicago 1996, s.160
7. Przykład zaczerpnięto z Hughes AM., Making Your Database Pay Off Using Recency Freąuency and MonetaryAnalysis, Database Marketing Institute, styczeń 2001, http://www.dbmarketing.com/articles/Art104.htm, zamieniając $ na zł.
8. Nash EL, Database marketing; The Ultimate MarketingTool, McGraw-Hitt, Inc., New York 1993
9. Hughes AM., Determining the MinimumTestSize, Database Marketing Institute, http://tiww.dbmarketing.com/articles/Artl57.htm
10. Hughes AM., Making Your Database Pay Off Using Recency Freąuency and MonetaryAnalysis, Database Marketing Institute, styczeń 2001r, http://www.dbmarketing.com/articles/Art104.htm
11. por. Hughes A. M., How to Succeed with RFMAnalysis: A Case Study, Database Marketing Institute, http://www.dbmarketing.com/articles/Artl06.htm
