🛒 Segmentator Klientów — Analiza RFM na Żywo

RFM oznacza Recency (jak niedawno klient dokonał zakupu), Frequency (jak często kupuje) i Monetary value (ile wydaje). Zespoły marketingowe korzystają z tego, ponieważ zamienia to surową historię transakcji w zwarty, trzyliczbowy odcisk palca każdego klienta, który silnie koreluje z przyszłym prawdopodobieństwem zakupu i wartością życiową, bez potrzeby wytrenowanego modelu uczenia maszynowego. To jedna z najstarszych i najszerzej stosowanych technik segmentacji klientów w marketingu bezpośrednim i e-commerce, ceniona za to, że jest prosta do obliczenia, łatwa do wyjaśnienia interesariuszom i bezpośrednio możliwa do wykorzystania — każdy segment odpowiada konkretnemu działaniu retencyjnemu lub odzyskującemu klienta.

Dla każdego symulowanego klienta model przechowuje rzeczywistą historię zakupów ze znacznikami czasu transakcji. Recency to liczba symulowanych dni od ostatniego zakupu klienta. Frequency to liczba zakupów mieszczących się w wybranym oknie czasowym (od 30 do 365 dni). Monetary to łączna kwota wydana w tym samym oknie. Te trzy surowe liczby są przeliczane co każdy takt bezpośrednio na podstawie strumienia zdarzeń zakupowych na żywo — nie są z góry zaplanowane, naprawdę zmieniają się wraz z napływem nowych zakupów i wypadaniem starych zakupów z okna.

System ze stałym progiem mógłby powiedzieć "więcej niż 5 zakupów oznacza wynik częstotliwości 5" niezależnie od tego, jak zachowuje się reszta bazy klientów. Punktacja kwantylowa zamiast tego sortuje całą aktualną populację klientów według każdej metryki i dzieli ją na pięć równych grup (kwintyli) przy dowolnych wartościach granicznych, jakie faktycznie wynikają z bieżących danych. Klient z 3 zakupami może uzyskać wynik 5 w wolnym kwartale i 2 w szybkim. Ta symulacja wykonuje to sortowanie i obliczanie granic od nowa przy każdej aktualizacji, więc punkty odcięcia naprawdę przesuwają się wraz z rzeczywistym rozkładem populacji, zamiast być zakodowanymi na sztywno stałymi.

Każdy klient otrzymuje wynik R, F i M od 1 (najgorszy kwintyl) do 5 (najlepszy kwintyl), a tabela reguł łączy te trzy wartości w etykietę segmentu. Czempioni mają najwyższe wyniki na wszystkich trzech osiach — niedawni, częsti, wysoko wydający klienci. Lojalni Klienci osiągają dobre wyniki w częstotliwości i wartości pieniężnej przy przyzwoitej świeżości. Klienci Zagrożeni kiedyś kupowali często, ale ich świeżość znacznie się pogorszyła. Hibernujący i Straceni klienci mają niskie wyniki na wszystkich osiach. Nowi Klienci mają doskonałą świeżość, ale jeszcze niewielką historię zakupów. Dokładna tabela reguł jest stosowana na nowo do aktualnych wyników każdego klienta przy każdym takcie.

Przy każdym takcie zmieniają się dwie rzeczy: indywidualne historie klientów zyskują nowe zdarzenia zakupowe (lub ich najnowszy zakup przesuwa się dalej w przeszłość), a granice kwantyli w całej populacji przesuwają się, ponieważ są przeliczane na podstawie aktualnych wartości wszystkich. Klient może zmienić segment albo dlatego, że zmieniło się jego własne zachowanie (właśnie coś kupił, więc jego świeżość się poprawiła), albo dlatego, że zachowanie wszystkich innych przesunęło punkty odcięcia wokół niego, nawet jeśli ten klient nic nie zrobił. Oba efekty są prawdziwymi konsekwencjami punktacji kwantylowej na żywo, względnej wobec populacji.

RFM patrzy wyłącznie na historię transakcji, więc nie widzi sygnałów zamiaru, takich jak zachowanie podczas przeglądania, zgłoszenia do wsparcia czy odpowiedzi w ankietach, i traktuje jednorazowy duży zakup tak samo jak stałe powtarzające się wydatki, jeśli sumy się zgadzają. Zakłada też, że przeszłe wzorce zakupowe przewidują przyszłe, co zawodzi w przypadku produktów wysoce sezonowych lub kupowanych jednorazowo. Ponieważ wyniki są względne wobec populacji, segment klienta może się zmienić wyłącznie dlatego, że zmieniła się reszta bazy klientów, a nie dlatego, że ten klient zrobił coś inaczej — osobliwość, którą ta symulacja celowo czyni widoczną.