RFM (מחקר שוק)

RFM הוא מודל שיווקי המשמש לאנליזה של נתוני לקוחות, במטרה לזהות את הלקוחות הטובים ביותר ולייעל אסטרטגיות שיווק ומכירות. המודל מתמקד בשלושה פרמטרים עיקריים: עדכניות (Recency) - מתי בפעם האחרונה רכש הלקוח; תדירות (Frequency) - כמה פעמים הלקוח רכש במהלך פרק זמן מסוים; וערך מוניטרי (Monetary value) - כמה כסף הוציא הלקוח ברכישותיו. הוא זכה לתשומת לב מיוחדת בענפי השירותים הקמעונאיים והמקצועיים.^[1]

המודל הבסיסי[עריכת קוד מקור | עריכה]

רכישות של לקוחות עשויות להיות מיוצגות על ידי טבלה עם עמודות עבור שם הלקוח, תאריך הרכישה וערך הרכישה. ישנן גישות רבות להגדרה כמותית של ערכי RFM, והגישות הטובות ביותר יהיו תלויות במסע הלקוח ובמודל העסקי.^[2] גישה אחת ל-RFM היא להקצות ניקוד לכל מימד בסולם מ-1 עד 10. הציון המקסימלי מייצג את ההתנהגות המועדפת וניתן להשתמש בנוסחה כדי לחשב את שלושת הציונים עבור כל לקוח. לדוגמה, עסק מבוסס שירותים יכול להשתמש בחישובים הבאים:

עדכניות = מספר החודשים (או ימים) שחלפו מאז שהלקוח רכש לאחרונה^[2] כאשר ציון 10 מציין שהלקוח רכש בחודש הנוכחי.
תדירות = המקסימום של "מספר הרכישות על ידי הלקוח ב-12 החודשים האחרונים" כאשר ציון 10 יקבל הלקוח שרכש הכי הרבה בחנות
כספי = הערך הגבוה ביותר של כל הרכישות על ידי הלקוח מבוטא ביחס לערך מידה כלשהו כאשר ציון 10 יקבל הלקוח שהוציא הכי הרבה כסף בחנות.

לדוגמה, אם המדד הכספי יקצה ציון של 10 להוצאה שנתית מעל 500 דולר, עבור לקוח שביצע שלוש רכישות בשנה האחרונה, האחרונה הייתה לפני 3 חודשים, והוציא 600 דולר בשנה, הציונים שלו יהיו : R=7; F=3; M=10.^[2] לחלופין, ניתן להגדיר קטגוריות עבור כל מאפיין, למשל, התקופה האחרונה עשויה להתחלק לשלוש קטגוריות: לקוחות עם רכישות במהלך 90 הימים האחרונים; בין 91 ל-365 ימים; ויותר מ-365 ימים. קטגוריות כאלה עשויות להיגזר מחוקים עסקיים או שימוש בטכניקות כריית נתונים כדי למצוא הפסקות משמעותיות.

ברגע שלכל אחת מהתכונות מוגדרות קטגוריות מתאימות, נוצרים פלחים מהצומת של הערכים. אם היו שלוש קטגוריות עבור כל תכונה, אז למטריצה המתקבלת יהיו עשרים ושבעה שילובים אפשריים. גישה מסחרית ידועה אחת משתמשת בחמישה פחים לכל תכונות, מה שמניב 125 מקטעים. ^[3] חברות עשויות גם להחליט לכווץ תת-מקטעים מסוימים, אם ההדרגות נראות קטנות מכדי להיות שימושיות. ניתן לסדר את הפלחים המתקבלים מהערך הגבוה ביותר (העדכניות, התדירות והערך הגבוהים ביותר) לפחות בעלי הערך (העדכניות, התדירות והערך הנמוכים ביותר). זיהוי מקטעי ה-RFM היקרים ביותר יכול לנצל קשרים מקריים בנתונים המשמשים לניתוח זה. מסיבה זו, מומלץ מאוד להשתמש בסט אחר של נתונים כדי לאמת את התוצאות של תהליך פילוח RFM. תומכי טכניקה זו מציינים כי יש לה סגולה של פשטות: אין צורך בתוכנה סטטיסטית מיוחדת, והתוצאות מובנות בקלות לאנשי עסקים. בהיעדר טכניקות מיקוד אחרות, זה יכול לספק עלייה בשיעורי התגובה למבצעים.

שימושים[עריכת קוד מקור | עריכה]

בעידן הדיגיטלי, חברות ממגזרים שונים - מקמעונאות דרך תעשיית התיירות ועד לספקי שירותים פיננסיים - משתמשות במודל RFM כדי להגביר את היעילות של מאמצי השיווק והמכירה שלהם. דוגמאות כוללות קמפיינים ממוקדים לחידוש מנויים, מבצעים מיוחדים ללקוחות נאמנים, ופיתוח מוצרים חדשים המבוססים על העדפות הלקוח. ^[4]

וריאציות[עריכת קוד מקור | עריכה]

RFD - לאחרונה, תדירות, משך היא גרסה שונה של ניתוח RFM שניתן להשתמש בה כדי לנתח התנהגות צרכנים של מוצרים עסקיים מוכווני קהל צופים/קוראים/גלישה. (לדוגמה, משך הזמן שהגולשים בילו בויקיפדיה )

RFE – לאחרונה, תדירות, מעורבות היא גרסה רחבה יותר של ניתוח ה-RFD, שבה ניתן להגדיר מעורבות (Engagement) כך שתכלול את משך הביקור, דפים לכל ביקור או מדדים אחרים מסוג זה.

RFM-I - עדכניות, תדירות, ערך כספי - אינטראקציות היא גרסה של מסגרת RFM ששונתה כדי לקחת בחשבון את העדכניות והתדירות של אינטראקציות שיווקיות עם הלקוח (למשל כדי לשלוט על השפעות הרתעה אפשריות של התקשרויות פרסום תכופות מאוד). ^[5]

RFMTC - עדכניות, תדירות, ערך כספי, זמן, קצב נטישה הוא מודל RFM מוגבר שהוצע על ידי I-Cheng וחב'. (2009). ^[6] המודל משתמש ברצף ברנולי בתורת ההסתברות ויוצר נוסחאות המחשבות את ההסתברות שלקוח יקנה במסע הקידום או השיווק הבא. מודל זה יושם על ידי אלכסנדרוס יואנידיס עבור מערכי נתונים כגון ערכות נתונים של עירוי דם ו-CDNOW. ^[7] ^[8]

יתרונות וחסרונות[עריכת קוד מקור | עריכה]

יתרונות[עריכת קוד מקור | עריכה]

ממוקד ויעיל: מאפשר לחברות למקד את מאמציהן בלקוחות המשפיעים ביותר על הכנסותיהן.
גמישות: ניתן להתאים את המודל למגוון עסקים ותעשיות.
שיפור חווית הלקוח: על ידי פרסונליזציה והתאמה של ההצעות להתנהגות הרכישה של הלקוח.

חסרונות[עריכת קוד מקור | עריכה]

נתונים לא תמיד מושלמים: דורש נתונים מדויקים ומעודכנים, שלא תמיד זמינים.
אתגרי פרטיות: עליה במודעות לפרטיות דורשת ניהול מוקפד של הנתונים.
מורכבות: יישום מלא ויעיל של המודל דורש שימוש בכלים מתקדמים כמו למידת מכונה ואנליטיקה מתקדמת.

קישורים נוספים[עריכת קוד מקור | עריכה]

הערות שוליים[עריכת קוד מקור | עריכה]

^ Fader, P. S., Hardie, B. G., & Lee, K. L. (2005). RFM and CLV: Using iso-value curves for customer base analysis. Journal of Marketing Research, 42(4), 415-430.
^ ¹ ² ³ Boyd, Jennifer (2022-08-29). "What is RFM modeling in marketing?". נבדק ב-27 בפברואר 2023. {{cite web}}: (עזרה)
^ "Reporting on RFM for Ecommerce". 2020-12-12.
^ Brynjolfsson, E., Hu, Y. and Simester, D., Goodbye Pareto Principle, Hello Long Tail: The Effect of Search Costs on the Concentration of Product Sales, last revised 19 June 2014, accessed 27 February 2023
^ Tkachenko, Yegor. Autonomous CRM Control via CLV Approximation with Deep Reinforcement Learning in Discrete and Continuous Action Space. (April 8, 2015). arXiv.org: https://arxiv.org/abs/1504.01840
^ Yeh, I-Cheng, Yang, King-Jang, and Ting, Tao-Ming, "Knowledge discovery on RFM model using Bernoulli sequence", Expert Systems with Applications, 2009.
^ "RFMTC (New Marketing Predictive Model / Bernoulli Sequence ) Using the Blood Transfusion Dataset: It21208/RFMTC-Using-the-Blood-Transfusion-Dataset". 2018-12-17.
^ "GitHub - it21208/RFMTC-Implementation-Using-the-CDNOW-dataset". 2018-12-17.

[1] Fader, P. S., Hardie, B. G., & Lee, K. L. (2005). RFM and CLV: Using iso-value curves for customer base analysis. Journal of Marketing Research, 42(4), 415-430.

[boyd-2] ¹ ² ³ Boyd, Jennifer (2022-08-29). "What is RFM modeling in marketing?". נבדק ב-27 בפברואר 2023. {{cite web}}: (עזרה)

[3] "Reporting on RFM for Ecommerce". 2020-12-12.

[4] Brynjolfsson, E., Hu, Y. and Simester, D., Goodbye Pareto Principle, Hello Long Tail: The Effect of Search Costs on the Concentration of Product Sales, last revised 19 June 2014, accessed 27 February 2023

[5] Tkachenko, Yegor. Autonomous CRM Control via CLV Approximation with Deep Reinforcement Learning in Discrete and Continuous Action Space. (April 8, 2015). arXiv.org: https://arxiv.org/abs/1504.01840

[6] Yeh, I-Cheng, Yang, King-Jang, and Ting, Tao-Ming, "Knowledge discovery on RFM model using Bernoulli sequence", Expert Systems with Applications, 2009.

[7] "RFMTC (New Marketing Predictive Model / Bernoulli Sequence ) Using the Blood Transfusion Dataset: It21208/RFMTC-Using-the-Blood-Transfusion-Dataset". 2018-12-17.

[8] "GitHub - it21208/RFMTC-Implementation-Using-the-CDNOW-dataset". 2018-12-17.

[1]

[2]

[3]

[4]

[5]

[6]

[7]

[8]