قبلی
تحلیل RFM مشتری

بازاریابی، تحلیل RFM داده‌های مشتریان Customers Data در نرم‌افزار SPSS

تحلیل RFM چیست؟

 RFM Analysis 

آنالیز RFM که نام صحیح و کامل آن Recency, Frequency, Monetary value است، ابزار تحلیل بازاریابی است که برای شناسایی بهترین مشتریان یک شرکت یا سازمان با استفاده از معیارهای خاص استفاده می‌شود. به عبارت دیگر، RFM روشی است که برای تحلیل ارزش مشتری استفاده می‌شود. این روش بیشتر در بازاریابی پایگاه داده Database Marketing و بازاریابی مستقیم Direct Marketing استفاده می‌شود.

 

گراف پد

دریافت مجموع آموزش تحلیل‌های بازاریابی Marketing

شامل 260 دقیقه ویدئو، فایل‌های مثال، دیتا و نتایج SPSS

 

این تکنیک مشتریان فعلی را که به احتمال زیاد به یک پیشنهاد جدید پاسخ می‌دهند، برای ما شناسایی می‌کند. در ابتدا بیایید تعاریف زیر را ببینیم.

تعریف. بازاریابی مستقیم Direct Marketing چیست؟

تجارت فروش محصولات یا خدمات به طور مستقیم به عموم مردم، به عنوان مثال. از طریق ایمیل، سایت، سفارش پستی یا فروش تلفنی.

تعریف. بازاریابی پایگاه داده Database Marketing چیست؟

بازاریابی پایگاه داده نوعی بازاریابی مستقیم است. این شامل جمع‌آوری داده‌های مشتری مانند نام، آدرس، ایمیل، شماره تلفن و تاریخچه تراکنش‌ها، است. سپس این اطلاعات تجزیه و تحلیل می‌شوند و برای ایجاد یک تجربه شخصی برای هر مشتری یا جذب مشتریان جدید استفاده می‌شود.

 

شاخص‌های RFM

 Quantitative Factors 

مدل و آنالیز RFM مبتنی بر سه شاخص کمی و قابل اندازه‌گیری است. در واقع نام آنالیز RFM از این فاکتورها اقتباس شده است. آن‌ها را در ادامه توضیح می‌دهیم.

  • تازگی Recency

چند وقت پیش یک مشتری خرید کرده است؟  How recently a customer has purchased?

مهمترین عامل در شناسایی مشتریانی که به یک پیشنهاد جدید پاسخ می‌دهند، تازگی است. مشتریانی که اخیراً خرید کرده‌اند، نسبت به مشتریانی که در گذشته خرید کرده‌اند، احتمال بیشتری برای خرید مجدد دارند.

در واقع عامل Recency به مفهوم زمان اشاره دارد.

  • فراوانی Frequency

چند وقت یکبار خرید می‌کند؟  How often he purchases?

عامل مهم دیگر فراوانی است. مشتریانی که در گذشته خریدهای بیشتری انجام داده‌اند، نسبت به مشتریانی که خریدهای کمتری انجام داده‌اند، با احتمال بیشتری پاسخ می‌دهند و تمایل به خرید مجدد دارند.

به عبارت دیگر Frequency به مفهوم تعداد و دفعات خرید می‌پردازد.

  • ارزش پولی Monetary Value

چقدر خرید و خرج می‌کند؟  How much does he spend?

سومین عامل مهم، مبلغ هزینه شده است که به آن ارزش پولی می‌گویند. مشتریانی که در گذشته بیشتر (در مجموع برای همه خریدها) خرج کرده‌اند، نسبت به کسانی که کمتر هزینه کرده‌اند، با احتمال بیشتری پاسخ می‌دهند.

به این ترتیب Monetary Value به مفهوم مالی و پولی اشاره دارد.

بنابراین ما در یک مطالعه RFM به بررسی سه ویژگی می‌پردازیم. تازگی، فراوانی و ارزش پولی شاخص‌ها و معیارهای مورد بررسی در تحلیل RFM خواهند بود.

در این متن قصد داریم با استفاده از نرم‌افزار SPSS به بیان و نحوه اجرای آنالیز RFM بپردازیم.

تحلیل RFM در نرم‌افزار SPSS در دو بخش داده‌ها و اطلاعات تراکنش Transaction Data و داده‌ها و اطلاعات مشتری Customer Data انجام می‌شود.

در این متن درباره مبحث Customer Data صحبت خواهیم کرد. موضوع Transaction Data را می‌توانید از این لینک ببینید.

 

مسیر انجام تحلیل RFM

 Customers Data 

 

مسیر انجام آنالیز RFM در نرم‌افزار SPSS به صورت زیر است.

 

Analyze→ Direct Marketing (Choose Technique) → RFM Analysis → Customers Data

 

مسیر انجام تحلیل RFM از نوع Customers Data در نرم‌افزار SPSS

برای انجام یک تحلیل RFM از نوع Customers Data باید یافته‌ها و Variableهای زیر در دسترس و در فایل دیتا، موجود باشد.

  • آخرین تاریخ خرید یا فاصله زمانی از آخرین تاریخ خرید. از این یافته برای محاسبه Recency Score استفاده می‌کنیم.
  • تعداد کل خریدها که از آن برای محاسبه Frequency Score استفاده خواهد شد.
  • آماره‌ای از ارزش پولی برای همه خریدها. از آن برای محاسبه Monetary Score استفاده می‌شود. معمولاً، این آماره مجموع همه خریدها است، اما می‌تواند میانگین، حداکثر خرید (بزرگترین مقدار) و یا سایر آماره‌های توصیفی باشد.

به یک نکته مهم توجه کنید. در فایل دیتا مربوط به Customers Data هر سطر به بیان یافته‌ها و نتایج یک مشتری و اطلاعات مربوط به او، می‌پردازد. به عبارت ساده در این نوع از تحلیل RFM، هر سطر بیانگر یک فرد (مشتری) است.

نکته مهم دیگر این است که هر فرد باید دارای کد و شماره شناسایی یکتا و منحصر به فرد باشد. به معنای اینکه علاوه بر یافته‌های بالا برای هر فرد، ID و مشخصات مخصوص به هر مشتری نیز که تمایز دهنده او از سایر افراد است، وجود داشته باشد.

این ID می‌تواند کدملی، ایمیل، شماره تماس و یا هر چیز منحصر به فرد دیگری باشد.

در نهایت با داشتن این اطلاعات می‌توانیم تحلیل RFM را انجام دهیم.

حال بیایید در ادامه به بیان مثالی در زمینه تحلیل RFM بر مبنای داده‌های تراکنش بپردازیم. فایل این مثال را می‌توانید از اینجا دریافت کنیم.

 

مثال تحلیل RFM بر داده‌ها و اطلاعات تراکنش Customers Data

این مثال، مجموع ارزش مالی، آخرین خرید، تعداد خریدها و فاصله زمانی آخرین خرید، به ازای هر مشتری را نشان می‌دهد. داده‌ها برای 39999 فرد، به دست آمده است.

در تصویر زیر می‌توانید بخشی از داده‌ها را مشاهده کنید. ستونی نیز با نام ID که کد شناساگر برای هر خریدار است، در فایل دیتا دیده می‌شود.

داده های مثال تحلیل RFM بر داده‌ها و اطلاعات خریدار Customers Data

همان‌گونه که بالاتر گفتیم با استفاده از مسیر زیر، به انجام آنالیز RFM در نرم‌افزار SPSS می‌پردازیم.

Analyze→ Direct Marketing (Choose Technique) → RFM Analysis → Customers Data

پس از رفتن به این مسیر، پنجره RFM Analysis from Customers Data برای ما باز می‌شود.

پنجره RFM Analysis from Customers Data

 

تنظیمات نرم‌افزار

  RFM Analysis from Customers Data 

 

در ادامه به تنظیمات پنجره RFM Analysis from Customers Data جهت انجام تحلیل RFM و نحوه ورود اطلاعات به نرم‌افزار SPSS و انتخاب گزینه‌ها صحبت می‌کنیم. در این پنجره با چهار تب روبه‌رو هستیم، به توضیح هر یک از آن‌ها می‌پردازیم.

  • Variables

در این تب لازم است، ستون‌ها و Variableهای فایل دیتا، به درستی وارد تنظیمات نرم‌افزار شوند. در کادر Variables می‌توانید نام و Label هر ستون را مشاهده کنید.

  • در کادر Transaction Date or Interval همان‌گونه که از نام آن پیدا است، Variable مربوط به تاریخ آخرین خرید هر مشتری و یا فاصله روزها تا آخرین خرید هر فرد، قرار می‌گیرد.
  • در کادر Number of Transaction، ستون و Variable مربوط به تعداد تراکنش‌ها و خریدهای هر مشتری، قرار می‌گیرد.
  • در بخش Amount آماره ارزش مالی هر مشتری که می‌تواند شامل مجموع، ماکزیمم، میانگین و یا میانه تراکنش‌ها باشد، قرار خواهد گرفت.
  • در نهایت در کادر Customer Identifiers، ستون مربوط به اطلاعات و کدهای هر خریدار را قرار می‌دهیم.

در تصویر زیر می‌توانید نحوه ورود Variable ها به نرم‌افزار را مشاهده کنید.

تنظیمات تب Variables در پنجره RFM Analysis from Customers Data
  • Binning

در این تب ما به گروه‌بندی و سطح‌بندی خریداران بر مبنای شاخص‌های RFM یعنی تازگی، فراونی و ارزش پولی می‌پردازیم.

در حالت کلی، فرآیند گروه‌بندی تعداد زیادی از مقادیر عددی به تعداد کمی از دسته‌ها، binning نامیده می‌شود. در تجزیه و تحلیل RFM، گروه‌ها یا همان Binها، دسته‌های رتبه‌بندی شده هستند. ما می‌توانیم با استفاده از تب Binning روشی را که برای تخصیص شاخص‌های تازگی، فراونی و ارزش پولی به Binها استفاده می‌شود، انتخاب کنبم.

در ادامه بیایید بخش‌های مختلف این تب را مرور کنیم. در تصویر زیر آن‌ها را آورده‌ایم.

تنظیمات تب Binning در پنجره RFM Analysis from Customers Data

 

تب Binning دارای سه بخش مختلف است و همان‌گونه که گفتیم از تنظیمات آن جهت انتخاب روش و متد اختصاص سطوح مختلف شاخص‌های RFM به هر کدام از خریداران، استفاده می‌کنیم. هر بخش را توضیح می‌دهیم.

  • Binning Method

این بخش شامل دو گزینه Nested به معنای تودرتو و Independent به معنای مستقل است.

گزینه Nested از شاخص تازگی و یا همان Recency شروع می‌کند و بر مبنای این شاخص به هر خریدار یک رتبه اختصاص می‌دهد. سپس به ازای هر رتبه Recency، رتبه فراوانی یا همان Frequency اختصاص می‌دهد. در مرحله آخر نیز به ازای هر رتبه Frequency، رتبه پولی یا همان Monetary اختصاص می‌دهد.

بنابراین نحوه رتبه دادن به هر خریدار، در طول یکدیگر و به صورت تودرتو، قرار دارد. یعنی ابتدا رتبه‌های تازگی داده می‌شود، در هر رتبه تازگی، رتبه‌های فراوانی را می‌دهیم و در هر رتبه فراوانی، رتبه پولی داده می شود. به صورت پیش‌فرض نرم‌افزار SPSS بر روی این گزینه قرار دارد.

در این روش رتبه‌دهی، ارزش و اهمیت بیشتر به شاخص Recency، در مرحله بعد Frequency و در انتها Monetary داده می‌شود. یکی از مزایای این روش این است که توزیع یکنواخت‌تری از فراوانی رتبه‌ها در بین خریداران ایجاد می‌کند.

گزینه Independent به هر شاخص به صورت مستقل از شاخص دیگر نگاه می‌کند. رتبه اختصاص داده شده به هر خریدار در هر شاخص نیز مستقل از شاخص دیگر داده می‌شود. معمولا در تعداد نمونه‌های کم، این روش رتبه‌دهی، توزیع یکنواخت کمتری بر روی فراوانی رتبه‌ها ایجاد می‌کند.

  • Number of Bins

در این بخش به سادگی مشخص می کنیم که به ازای هر کدام از شاخص‌های RFM یعنی Recency و Frequency و همچنین Monetary، چه تعداد گروه و دسته ایجاد کنیم. به صورت پیش‌فرض نرم‌افزار بر روی 5 گروه قرار دارد. در این صورت تعداد کل Binهای ما 75 خواهد بود.

به ازای هر کدام از شاخص‌ها، می‌توان بین 2 تا 9 گروه تشکیل داد. یعنی تعداد Binها حداقل می‌تواند 8 و یا حداکثر 729 باشد.

  • Ties

در این بخش درباره‌ی رفتار با مقادیر یکسان شاخص‌های RFM تصمیم می‌گیریم. مثلا به تراکنش‌هایی که همگی در یک روز بوده و یا ارزش پولی آن‌ها همانند بوده است Tie گفته می شود. در این بخش گزینه‌هایی جهت نحوه تحلیل بر روی Tieها داریم. در ادامه آن‌ها را ببینیم.

گزینه Assign ties to the same bin همان‌گونه که از نام آن برمی‌آید، Tieها را در Bin یکسان قرار می‌أهد. به عبارت ساده یعنی در مواردی که اندازه شاخص‌های RFM یکسان باشد، به آن‌ها گروه‌های RFM یکسان و همانند تعلق می‌گیرد. مثلا اگر تراکنش‌ها در یک روز خاص باشد، برای همه این تراکنش‌ها اندازه Recency Score یکسان خواهیم داشت.

گزینه Randomly assign ties به معنای آن است که در مواردی که ما با Tieها روبه‌رو هستیم، Binها را صورت تصادفی به آن‌ها اختصاص می‌دهد. معمولاً از این روش زمانی استفاده می‌کنیم که تعداد Tieها زیاد باشد. به معنای آنکه ما با تعداد زیادی از تراکنش‌ها با تاریخ، مقدار و فراوانی و ارزش پولی یکسانی روبه‌رو هستیم.

  • Save

خب حال بیایید درباره تب دیگر یعنی Save صحبت کنیم. در تصویر زیر می‌توانید آن را ببینید.

تنظیمات تب Save در پنجره RFM Analysis from Customers Data

 

هنگامی که تحلیل RFM از نوع Customers Data انجام می‌دهیم، یک فایل دیتا جدید برای ما ایجاد می‌شود. در این فایل به ازای هر خریدار، اعداد و اندازه‌های شاخص‌های RFM به دست می‌آید.

ما در تب Save مشخص می‌کنیم که این فایل جدید، شامل چه اطلاعات و ستون‌هایی باشد. همچنین تعیین می‌کنیم که نام و مجل ذخیره این فایل جدید چه و کجا باشد.

در کادر Names of Saved Variable می‌توانیم انتخاب کنیم، اسامی کمیت‌های جدید، چگونه باشد. آیا نرم‌افزار بر مبنای نام شاخص RFM، به صورت اتوماتیک نامگزاری انجام دهد و یا کاربر بتواند به صورت دستی نام مورد علاقه خود را قرار دهد.

حال بیایید ببینیم این فایل جدید شامل چه چیزهایی می‌تواند باشد.

در گام اول بیان می‌کنیم که ستون ID که اطلاعات منحصربه فرد و یکتا به ازای هر خریدار دارد، به صورت اتوماتیک در فایل جدید ذخیره می‌شود. یعنی انتخابی برای آن وجود ندارد و حتماً در فایل جدید تحلیل RFM قرار دارد.

اما می‌توانیم سایر گزینه‌ها و ستون‌ها را جهت نمایش در فایل جدید انتخاب کنیم یا انتخاب نکنیم. این اطلاعات شامل موارد زیر است.

  • Recency score

ستونی با نام Recency_score در فایل جدید ساخته می‌شود. امتیازی که بر اساس آخرین تاریخ تراکنش به هر مشتری اختصاص می‌یابد، در این ستون قرار می‌گیرد.

این امتیاز عددی از 1 تا تعداد Bin ای است که در تب Binning و در بخش Number of Bins انتخاب کردیم. به عنوان مثال در این متن ما تعداد Bin را عدد 5 قرار دادیم. پس در این ستون امتیازها بین 1 تا 5 به هر مشتری، تعلق می‌گیرد. نمرات بالاتر نشان‌دهنده تاریخ تراکنش‌های جدیدتر است.

  • Frequency score

ستونی با نام Frequency_score در فایل جدید ساخته می‌شود. امتیازی که بر اساس تعداد کل تراکنش‌ها به هر مشتری اختصاص می‌یابد، در این ستون می‌آید. نمرات بالاتر نشان‌دهنده تعداد تراکنش‌های بیشتر است. در اینجا نیز امتیازات از عدد 1 تا Bin است.

  • Monetary score

ستونی با نام Monetary_score در فایل جدید ساخته می‌شود. امتیازی که بر اساس آماره انتخاب شده در تب Variables و در کادر Summary Method به ارزش پولی هر مشتری اختصاص می‌یابد، در این ستون قرار می‌گیرد. نمرات بالاتر نشان دهنده ارزش پولی بیشتر است. در اینجا نیز امتیازات از عدد 1 تا Bin است.

  • RFM score

ستونی با نام RFM_score در فایل جدید ساخته می‌شود. اعداد این ستون، اندازه‌ای سه تایی هستند که از به ترتیب کنار هم قرار گرفتن نمرات Recency و Frequency و Monetary به دست می‌آیند.

نکته‌ای که وجود دارد این است که به طور پیش‌فرض همه‌ی گزینه‌های بالا (به جز RFM Score) در فایل داده جدید قرار می‌گیرند. بنابراین مواردی را که نمی‌خواهید، لغو انتخاب کنید.

  • Output

در پنجره RFM Analysis from Customer Data تب دیگری با نام Output دیده می‌شود. در ادامه درباره‌ی آن صحبت می‌کنیم.

پنجره تب Output در پنجره RFM Analysis from Customers Data

 

همان‌گونه که در تصویر بالا دیده می‌شود، تب Output به دو بخش Binned Data و Unbinned Data تفکیک می‌شود. بیایید هر یک را توضیح دهیم.

  • Binned Data

بخش Binned Data چنانچه از نام آن برمی‌آید مربوط به داده‌ها و یافته‌های Bin یا همان سطوح و گروه‌های تشکیل‌دهنده نمرات شاخص‌های RFM است.

در این بخش گزینه‌هایی مانند رسم گراف Heat Map و چارت فراوانی Bin ها قرار دارد. همچنین می‌توانیم یک جدول توافقی از Bin ها به دست بیاوریم.

در واقع نتایج این بخش بر روی ستون‌های فایل جدید دیتا که پس از تحلیل RFM ایجاد می‌شود، انجام می‌گیرد. نام این ستون‌ها را در تب Save به ترتیب Recency_score و Frequency_score و Monetary_score قرار دادیم.

  • UnBinned Data

در بخش Unbinned Data هیستوگرام و نمودار پراکنش برای هر کدام از جفت Variable ها به دست می‌آید. دقت کنید این نتایج بر روی داده‌های Unbinned یعنی تاریخ آخرین تراکنش هر مشتری، مجموع تعداد خریدها و مجموع ارزش پولی خریدها به دست می‌آید.

ما در تب Output همه این گزینه‌ها را انتخاب کرده‌ایم. در خروجی و نتایج نرم‌افزار SPSS می‌توانیم آن‌ها را مشاهده کرده و درباره آن‌ها بیشتر توضیح دهیم.

 

خروجی‌ها و نتایج تحلیل RFM

  Output RFM Analysis 

 

هنگامی که OK می‌کنیم، نتایج و خروجی‌های نرم‌افزار در پنجره Output به دست می‌آید. علاوه بر آن یک فایل دیتا جدید نیز ساخته می‌شود. همان‌گونه که در بخش‌های بالاتر نیز بیان کردیم، این فایل دیتا به ازای هر مشتری، یافته و اطلاعات تراکنش او را به دست می‌دهد.

در تصویر زیر می‌توانید بخشی از این فایل دیتا را مشاهده کنید.

فایل دیتا پس از تحلیل RFM

در تب Save از پنجره تنظیمات RFM Analysis from Customers Data مشخص کردیم که چه ستون‌ها و اطلاعاتی در این فایل جدید قرار گیرد. حتی نام آن‌ها را نیز تعیین کردیم. نتیجه آن تنظیمات را می‌توانید در این فایل مشاهده کنید.

فایل علاوه بر ستون‌ها و Variableهایی که قبلاً داشت، پس از انجام تحلیل RFM دارای اطلاعات و ستون‌هایی جهت نمایش نمره شاخص‌های Recency و Frequency به همراه Monetary و در نهایت RFM Score به ازای هر خریدار است.

همان‌گونه که قبلاً نیز بیان کردیم نمرات بالاتر در شاخص‌های RFM نشان‌دهنده‌ی خریدهای جدیدتر، تعداد بیشتر خریدها و ارزش پولی بالاتر خریدها می‌باشد.

به عنوان مثال فردی که RFM Score او برابر با 555 است، بیانگر این است که او در مقایسه با سایر افراد دارای جدیدترین و تازه‌ترین خریدها، بیشترین خرید و بیشترین ارزش مالی است.

فرد دیگری که RFM Score او 551 است، تازگی و فراوانی خرید مشابهی با فرد قبلی دارد اما ارزش مالی خرید او به شدت کمتر از فرد قبلی است.

قابل توجه است که بهترین افراد برای یک شرکت که البته هدف از آنالیز RFM شناسایی همین افراد بود، کسانی هستند که RFM Score آن‌ها برابر با 555 باشد.

به این نکته بسیار مهم توجه کنید که تاکید ما بر روی عدد 5 به دلیل این است که در تب Binning تعداد Bin ها را برابر با 5 در نظر گرفتیم.

حال به فایل Output و خروجی‌های نرم‌افزار نگاه کنید. در تب Output و پنجره تنظیمات RFM Analysis from Customers Data انتخاب کرده‌ایم که چه جداول و گراف‌هایی را در این فایل می‌توانیم مشاهده کنیم.

در ابتدای خروجی‌ها، نموداری با نام RFM Bin Counts دیده می‌شود.

نمودار تعداد Binها در شاخص‌های RFM

 

در این نمودار به ازای هر کدام از شاخص‌های Frequency، Recency و Monetary تعداد Binها که همان تعداد گروه‌ها و سطوح هر شاخص بودند، آمده است. بهترین مشتریان افرادی هستند که هر سه شاخص برای آن‌ها عدد 5 و در نتیجه RFM_Score برابر با 555 باشد. این افراد در نمودار بالا با فلش سبز مشخص شده‌اند.

بدترین مشتریان نیز که RFM_Score برابر با 111 است، با فلش قرمز رنگ مشخص شده‌اند.

گراف بالا در واقع به بیان تعداد و شمارش هر کدام از شاخص‌ها می‌پردازد. به عنوان مثال کمترین تعداد Bin ها مربوط به Recency با کد 5 (تازه‌ترین خریدارها) و Frequency با کد 2 است. یعنی افرادی که نمره RFM آنها به صورت .52 است.

بیشترین تعداد Bin ها نیز مربوط به Recency با کد 5 (تازه‌ترین خریدارها) و Frequency با کد 3 است. یعنی افرادی که نمره RFM آنها به صورت .53 است.

پس از نمودار RFM Bin Counts جدول با نام Case Processing Summary آمده است.

جدول Case Processing Summary

 

در این جدول به سادگی توضیح داده شده است که تحلیل بر روی 39999 مشتری، انجام شده است. داده کمشده وجود نداشته است و همه داده‌ها موجود بوده‌اند.

جدول بعدی نیز با نام Frequency score * Monetary score * Recency score Crosstabulation به بیان تعداد در هر Bin می‌پردازد. این جدول در واقع همان داده‌های گراف بالا با نام RFM Bin Counts است. بخش‌هایی از این جدول را در شکل زیر می‌توانید ببینید.

جدول توافقی تعداد Binها

 

به عنوان مثال به فلش روی تصویر نگاه کنید. عدد 404 بر روی آن نشان می‌دهد، تعداد افراد با کد یک در شاخص Recency (یعنی قدیمی‌ترین خریدارها) و دارای کد 2 در شاخص Frequency و همچنین کد 3 در شاخص Monetary برابر با 404 نفر بوده است. تعداد Total و مجموع هر کدام از Binها نیز در جدول بالا آمده است.

یک نتیجه و خروجی مفید دیگر در Output نرم‌افزار SPSS، نمودار و گرافی با نام Heat Map است. این نمودار با شدت و ضعف رنگ‌ها به ما در شناسایی بهترین مشتریان و تعداد آن‌ها کمک می‌کند.

Heat Map در تحلیل RFM

 

در این نمودار Frequency در محور X و Recency در محور Y قرار دارد. شاخص دیگر RFM یعنی Monetary به عنوان Legend قرار می‌گیرد.

توجه در نمودار بالا نشان می‌دهد افرادی که بیشترین فراوانی خرید را داشته‌اند، یعنی Frequency Score آن‌ها برابر با 5 بوده و همچنین افرادی که تازه‌ترین خریدها را انجام داده‌اند به معنای اینکه Recency Score آن‌ها نیز برابر با 5 بوده است، پُر رنگ‌ترین خانه‌ها یعنی بیشترین ارزش پولی (میانگین) را هزینه کرده‌اند.

در این میان بیشترین رنگ (بیشترین پرداخت و هزینه) مربوط به خریدارانی است که بیشترین تعداد خریدها را هم انجام داده‌اند. یعنی Frequency Score آن‌ها برابر با 5 بوده است.

به این نکته مهم توجه کنید که رنگ‌ها بر مبنای آماره میانگین ارزش پولی هزینه شده است و نه مجموع ارزش پولی. گراف Heat Map بالا نشان می‌دهد افرادی که زیاد خرید می‌کنند معمولاً خریدهای با قیمت بالا هم انجام می‌دهند.

نرم‌افزار SPSS بر مبنای داده‌های خام و نه Bin شده، هیستوگرام زیر را نیز به دست می‌دهد. آن را ببینید.

هیستوگرام داده‌های خام Frequency، Recency و Monetary

 

این گراف با داده‌های خام و اصطلاحاً Unbinned Data کار می‌کند. در این هیستوگرام می‌توانید آماره‌های میانگین، انحراف معیار و تعداد به ازای هر کدام از شاخص‌های RFM را مشاهده کنید.

به عنوان مثال میانگین تاریخ خرید مشتریان، سوم جولای 2006 و انحراف معیار تاریخ خرید‌ها 131.1 روز بوده است. بخش Recency هیستوگرام بالا بیان می‌کند که تازه‌ترین خریدها دارای تعداد بیشتری نسبت به خریدهای قدیمی‌تر است. این به معنای آن است که شرکت مورد مطالعه توانسته است خریداران جدیدی (بیشتر نسبت به گذشته) جذب کند.

متوسط تعداد تراکنش‌ها توسط مشتریان 9.83 خرید و انحراف معیار آن‌ها 3.13 بوده است. بخش Frequency هیستوگرام بالا نشان می‌دهد که خریدهای با فراوانی کمتر، تعداد بیشتری نسبت به خریدهای با فراوانی بیشتر هستند. به زبان ساده یعنی این‌که افراد این مطالعه معمولا تعداد تراکنش و خریدهای زیادی نداشته‌اند.

میانگین ارزش پولی هزینه شده در این خریدها توسط هر مشتری برابر با 938.5 واحد و انحراف معیار آن 347.5 واحد بوده است. بخش Monetary هیستوگرام نیز نشان می‌دهد که تعداد تراکنش‌های با مبالغ پایین، بیشتر از تعداد تراکنش‌های با مبلغ بالا بوده است.

در ادامه نمودارهای پراکنش بین هر کدام از شاخص‌های RFM با یکدیگر را مشاهده می‌کنید.

نمودار پراکنش داده‌های Unbinned

 

به عنوان مثال نمودار پراکنش بین Recency و Monetary نشان می‌دهد افرادی که تازه‌تر خرید کرده‌اند، پول بیشتری نیز پرداخت کرده‌اند.

به همین ترتیب نمودار پراکنش بین Frequency و Monetary نشان می‌دهد افرادی که تعداد تراکنش‌های بیشتری داشته‌اند، پول بیشتری نیز پرداخت کرده‌اند.

همچنین نمودار پراکنش بین Recency و Frequency نشان می‌دهد افرادی که تازه‌تر خرید کرده‌اند، تعداد خریدهای بیشتری نیز داشته‌اند.

آنچه در این متن بیان شد، آشنایی با تحلیل RFM و شاخص‌های آن به همراه نحوه به دست آوردن آن‌ها در نرم‌افزار SPSS بر روی داده‌های مشتریان و یا اصطلاحاً Customers Data بود.

 

چگونه به این مقاله رفرنس دهیم

GraphPad Statistics (2021). Direct Marketing, RFM analysis of Customers Data in SPSS software. Statistical tutorials and software guides. Retrieved Month, Day, Yearfrom https://graphpad.ir/direct-marketing-rfm-analysis-customers-data/.php

For example, if you viewed this guide on 12th January 2022, you would use the following reference

GraphPad Statistics (2021). Direct Marketing, RFM analysis of Customers Data in SPSS software. Statistical tutorials and software guides. Retrieved January, 12, 2022, from https://graphpad.ir/direct-marketing-rfm-analysis-customers-data/.php

ارایه خدمات تحلیل و مشاوره آماری

گراف پد برای شما خدمات مشاوره و انجام انواع تحلیل‌های آماری را ارایه می‌دهد. جهت دریافت نکات بیشتر بهتر است با ما تماس بگیرید.

    گراف پد جمعی از رتبه‌های برتر آزمون دکترا آمار دانشگاه‌های ایران | برجسته در موسسه بین‌المللی تحقیقات | دارای نماد اعتماد الکترونیک از مرکز توسعه تجارت الکترونیکی ایران و مجوز رسمی ثبت به شماره ۴۱۸۸۱ و شناسه ملی ۱۴۰۰۶۸۳۲۳۱۹