روش RFM رویکردی برای تحلیل، امتیازدهی و بخشبندی مشتریان براساس سه شاخص تازگی خرید، تکرار خرید و ارزش پولی خرید است. این روش در حوزه دادهکاوی، تحلیل مشتری و ارزش طول عمر مشتری کاربرد دارد و به کسبوکارها کمک میکند مشتریان ارزشمندتر و فعالتر خود را شناسایی کنند. نظر به اهمیت موضوع در این مقاله، «روش RFM» و مدلهای توسعهیافته آن مفهومسازی و تشریح خواهند شد.
تعریف روش RFM
روش RFM از حروف نخست سه متغیر زیر تشکیل شده است:
- تازگی خرید (Recency)
- تکرار خرید (Frequency)
- ارزش پولی خرید (Monetary)
روش دادهکاوی RFM
این مدل رفتار گذشته مشتری را براساس زمان آخرین خرید، تعداد دفعات خرید و میزان هزینهکرد او بررسی میکند. هدف اصلی آن شناسایی تفاوت مشتریان و دستهبندی آنها براساس الگوی تعامل مالی با کسبوکار است.
مدل RFM در بازاریابی مستقیم و مدیریت پایگاه داده مشتریان رواج زیادی پیدا کرد و بهویژه از دهه ۱۹۹۰ بهعنوان یک چارچوب عملی برای تحلیل مشتریان مورد استفاده قرار گرفت.
تازگی خرید
تازگی خرید (Recency) نشاندهنده مدت زمانی است که از آخرین خرید یا تعامل مشتری گذشته است. اگر Recency بهصورت «تعداد روزهای گذشته از آخرین خرید» محاسبه شود، مقدار کمتر مطلوبتر است. برای نمونه مشتریای که پنج روز پیش خرید کرده، از نظر تازگی خرید وضعیت بهتری از مشتریای دارد که ۲۰۰ روز از آخرین خرید او گذشته است. به همین دلیل، در سیستمهای امتیازدهی RFM معمولاً به مشتریان تازهتر امتیاز R بالاتری داده میشود.
تکرار خرید
تکرار خرید (Frequency) تعداد دفعاتی است که مشتری در یک بازه زمانی مشخص خرید یا تعامل مالی داشته است. هرچه تعداد خریدهای مشتری بیشتر باشد، مقدار فراوانی و معمولاً امتیاز F او نیز بیشتر خواهد بود. این شاخص میتواند نشاندهنده میزان فعالیت و استمرار رابطه مشتری با کسبوکار باشد.
ارزش پولی خرید
ارزش پولی (Monetary) نشاندهنده مجموع یا متوسط مبلغی است که مشتری در یک دوره معین برای خرید محصولات یا خدمات هزینه کرده است. مشتریانی که مبلغ بیشتری صرف کردهاند، معمولاً امتیاز M بالاتری دریافت میکنند.
روش دادهکاوی RFM روش دادهکاوی RFM
تفسیر مدل RFM
در مدل RFM، مشتری مطلوب معمولاً کسی است که:
- اخیراً خرید کرده باشد؛
- دفعات خرید بالایی داشته باشد؛
- مبلغ بیشتری هزینه کرده باشد.
بنابراین در یک سیستم امتیازدهی پنجسطحی، مشتری با امتیاز 555 معمولاً از بهترین مشتریان از منظر RFM محسوب میشود. بااینحال باید میان «مقدار خام Recency» و «امتیاز Recency» تمایز قائل شد. مقدار خام Recency هرچه کمتر باشد بهتر است، اما در امتیازدهی RFM معمولاً هرچه مشتری تازهتر باشد امتیاز بیشتری دریافت میکند.
منطق اصلی مدل این است که الگوی گذشته رفتار مشتری میتواند تا حدی برای پیشبینی رفتار آینده او مفید باشد. مشتریانی که اخیراً خرید کردهاند، خریدهای بیشتری دارند و مبلغ بیشتری هزینه کردهاند، معمولاً احتمال بیشتری برای پاسخ به پیشنهادهای بازاریابی آینده دارند. بااینحال این فرض همواره صادق نیست. تغییر نیاز مشتری، رقابت، تغییر قیمت، شرایط اقتصادی یا تجربه منفی میتواند رفتار آینده را از الگوی گذشته متفاوت کند. بنابراین RFM یک ابزار تصمیمیار است، نه یک پیشبینی قطعی.
امتیازدهی و بخشبندی مشتریان با RFM
برای استفاده عملی از مدل RFM روشهای مختلفی وجود دارد. سه رویکرد متداول عبارتاند از:
- امتیازدهی مستقل متغیرها؛
- تقسیمبندی سلولی؛
- امتیازدهی وزنی.
امتیازدهی مستقل متغیرها
در این روش مشتریان برای هر یک از سه متغیر R، F و M بهصورت جداگانه رتبهبندی میشوند. برای نمونه، مشتریان براساس تازگی خرید به پنج گروه تقسیم میشوند. مشتریانی که جدیدترین خرید را داشتهاند امتیاز ۵ و مشتریانی که مدت بیشتری از آخرین خرید آنها گذشته است امتیاز ۱ دریافت میکنند.
همین فرایند برای تکرار خرید و مبلغ خرید نیز انجام میشود. در صورت استفاده از پنج سطح برای هر متغیر، هر مشتری یک کد سهرقمی مانند 135، 354 یا 555 خواهد داشت و در مجموع ۱۲۵ ترکیب ممکن ایجاد میشود. مشتری با کد 555 از نظر هر سه شاخص در بالاترین گروه قرار دارد، اما این به معنای مناسببودن یک اقدام بازاریابی یکسان برای همه صنایع نیست.
تقسیمبندی سلولی
در روش سلولی، مشتریان ابتدا براساس یکی از متغیرها تقسیم میشوند و سپس هر گروه براساس متغیر دوم و سوم مجدداً بخشبندی میشود. برای مثال ابتدا مشتریان برحسب تازگی خرید به پنج گروه تقسیم میشوند. سپس هر گروه براساس Frequency و در نهایت براساس Monetary تفکیک میشود. این رویکرد میتواند بخشهای بسیار دقیقی ایجاد کند، اما در پایگاههای داده کوچک ممکن است برخی سلولها تعداد مشتری بسیار کمی داشته باشند.
امتیازدهی وزنی
در برخی کاربردها اهمیت سه متغیر یکسان فرض نمیشود. برای نمونه ممکن است در یک صنعت تازگی خرید نقش بیشتری در پیشبینی خرید آینده داشته باشد و وزن بالاتری دریافت کند. در این حالت یک امتیاز ترکیبی به صورت زیر قابل تعریف است:
RFM Score = wR × R + wF × F + wM × M
که در آن وزن هر متغیر براساس ویژگی صنعت، دادههای تاریخی یا نتایج تحلیل آماری تعیین میشود. وزندهی نباید صرفاً براساس قضاوت ذهنی انجام شود. در صورت وجود داده کافی میتوان وزنها را با استفاده از مدلهای پیشبینی، آزمون تجربی یا تحلیل رفتار واقعی مشتریان تعیین کرد.
خوشهبندی مشتریان با RFM
RFM بهخودیخود یک الگوریتم خوشهبندی نیست. این مدل سه متغیر توصیفی از رفتار مشتری تولید میکند که میتوان آنها را در الگوریتمهای خوشهبندی استفاده کرد. برای نمونه، مقادیر R، F و M میتوانند بهعنوان ورودی تکنیک K-Means در نظر گرفته شوند. الگوریتم سپس مشتریانی را که الگوهای رفتاری مشابهی دارند در یک خوشه قرار میدهد.
این رویکرد میتواند به شناسایی گروههایی مانند مشتریان ارزشمند، مشتریان جدید، مشتریان در معرض ریزش، مشتریان کمفعالیت یا مشتریان دارای خرید زیاد ولی کمتکرار کمک کند.
در استفاده از K-Means بهتر است متغیرهای RFM پیش از خوشهبندی مقیاسبندی یا استاندارد شوند؛ زیرا مقادیر Monetary ممکن است از نظر دامنه بسیار بزرگتر از Recency یا Frequency باشند و بر نتیجه خوشهبندی غلبه کنند.
دادهکاوی به روش LRFM
مدل LRFM گسترش مدل RFM است که در آن متغیر طول رابطه مشتری (Length) با سازمان نیز افزوده میشود.
طول رابطه (Length) مدت استمرار رابطه مشتری با شرکت را نشان میدهد. این متغیر معمولاً براساس فاصله زمانی میان آغاز رابطه یا نخستین خرید و یک نقطه مرجع محاسبه میشود؛ در برخی پژوهشها نیز فاصله میان نخستین و آخرین خرید مبنای محاسبه قرار گرفته است. به همین دلیل مدل LRFM میتواند برای تحلیل مشتریان در مدیریت ارتباط با مشتری مفید باشد.
روش دادهکاوی LRFM
منطق افزودن این شاخص آن است که RFM بهتنهایی ممکن است نتواند تفاوت میان مشتری قدیمی و مشتری تازهواردی را که اخیراً خریدهای زیادی داشته است، بهخوبی نشان دهد. برای نمونه ممکن است دو مشتری از نظر R، F و M وضعیت مشابهی داشته باشند، اما یکی پنج سال و دیگری تنها سه ماه با شرکت ارتباط داشته باشد. در مدل LRFM این تفاوت آشکار میشود.
مدلهای NLRFM و LRFMP
مدل RFM در مطالعات مختلف با افزودن متغیرهای جدید توسعه یافته است.
در مدل NLRFM متغیر Number یا تعداد اقلام خریداریشده به مدل LRFM افزوده میشود.
در مدل LRFMP نیز متغیر Periodicity یا تناوب زمانی خرید به مدل LRFM اضافه میشود.
رویکرد توسعه یافته RFM
متغیر Periodicity به نظم زمانی خریدهای مشتری توجه دارد. برای مثال ممکن است دو مشتری تعداد خرید برابری داشته باشند، اما یکی در فواصل زمانی منظم و دیگری بهصورت نامنظم خرید کند.
افزودن چنین متغیرهایی میتواند مدل را برای برخی صنایع دقیقتر کند، اما افزایش تعداد شاخصها همیشه به معنای بهبود مدل نیست. انتخاب متغیرها باید با ماهیت کسبوکار، نوع رابطه با مشتری و هدف تحلیل سازگار باشد.
کاربردهای بازاریابی RFM
RFM میتواند در تصمیمهای مختلف بازاریابی استفاده شود. مهمترین کاربردهای آن عبارتاند از شناسایی مشتریان ارزشمند، هدفگیری کمپینهای بازاریابی، شناسایی مشتریان غیرفعال، طراحی برنامههای وفاداری و شخصیسازی پیشنهادها.
برای نمونه، مشتریانی که Recency خوبی دارند ولی Frequency آنها هنوز پایین است ممکن است مشتریان جدید و امیدوارکننده باشند. در مقابل، مشتریانی که در گذشته Frequency و Monetary بالایی داشتهاند اما مدت زیادی از آخرین خرید آنها گذشته است، میتوانند در گروه مشتریان در معرض ریزش قرار گیرند.
به این ترتیب، ارزش اصلی RFM تنها در رتبهبندی مشتریان نیست، بلکه در تبدیل دادههای تراکنشی به اطلاعات قابل استفاده برای تصمیمهای بازاریابی است.
سخن پایانی
روش RFM چارچوبی ساده و کاربردی برای تحلیل رفتار مشتریان براساس تازگی خرید، تکرار خرید و ارزش پولی است. در این مدل مشتریانی که اخیراً خرید کردهاند، دفعات خرید بیشتری دارند و مبلغ بیشتری هزینه کردهاند معمولاً ارزش رفتاری بالاتری دارند. RFM را میتوان بهصورت امتیازدهی مستقل، سلولی یا وزنی اجرا کرد و همچنین متغیرهای آن را بهعنوان ورودی الگوریتمهای خوشهبندی مانند K-Means به کار برد. مدلهای LRFM، NLRFM و LRFMP نیز با افزودن اطلاعاتی مانند طول رابطه، تعداد اقلام و تناوب خرید، دامنه تحلیل را گسترش میدهند. بااینحال RFM جایگزین کامل ارزش طول عمر مشتری نیست و باید آن را ابزاری برای بخشبندی و پشتیبانی از تصمیمهای مدیریت ارتباط با مشتری دانست.
منبع: حبیبی، آرش؛ سرآبادانی، مونا. آموزش کاربردی SPSS. ناروندانش.
نگارنده: پشتیبانی پارسمدیر | 
