تقسیم بندی مشتری: RFM، شخصی سازی و وفاداری

سود:

• امکان تعریف و تفسیر RFM (تأیید-فرکانس-پول) و بخش های رفتاری با پشتیبانی هوش مصنوعی
• توانایی ایجاد ارتباطات شخصی و پیش نویس پیشنهادات وفاداری برای هر بخش
• توانایی رعایت تبعیض، محرمانه بودن و محدودیت های رضایت صریح در تقسیم بندی و شخصی سازی

همه مشتریان یکسان نیستند. برخی هر هفته می آیند و خرج زیادی می کنند. برخی یک بار می آیند و ناپدید می شوند. بعضی ها قبلاً وفادار بودند، اما دیگر کنار نمی آیند. ارسال یک پیام و پیشنهاد یکسان به همه آنها هدر دادن پول است و نتیجه ای ندارد. تقسیم بندی مشتری، تقسیم مشتریان به گروه های معنادار و ایجاد یک رویکرد مناسب برای هر گروه است. در این واحد، شما از هوش مصنوعی به عنوان دستیار استفاده می‌کنید که بخش‌هایی را از داده‌های مشتری استخراج می‌کند و پیش‌نویس ارتباطی مناسب برای هر بخش تولید می‌کند. حد بحرانی: تقسیم بندی قدرت می دهد، اما این قدرت نباید به تبعیض و تجاوز به حریم خصوصی تبدیل شود.

تقسیم بندی: فرآیند تقسیم مشتریان به گروه ها بر اساس شباهت رفتار، ارزش ها یا نیازها است.

شخصی سازی: ارائه محتوا، پیشنهادات یا تجربیاتی که متناسب با علایق و نیازهای هر بخش (یا شخص) باشد.

RFM: عملی ترین بخش بندی

پرکاربردترین روش در خرده فروشی RFM است. به سه سیگنال ساده نگاه می کند:

• R (تأخر): آخرین بار مشتری کی خرید کرده است؟ اخیر = فعال تر
• ف (فرکانس): در یک دوره معین چند بار خرید کرده است؟ بالا = بیشتر متصل است.
• م (پولی): در مجموع چقدر هزینه کرد؟ بالاتر = با ارزش تر

به هر مشتری در این سه بعد امتیاز داده می شود (مثلاً 1-5)، و ترکیب امتیازات بخش را تعیین می کند. Yapay zeka bu skorlamayı ve segment adlandırmayı hızlıca yapar.

بخش

مشخصات RFM

رویکرد

قهرمانان

R، F، M بالا

پاداش، دسترسی زودهنگام، ایجاد سفیران

مشتریان وفادار

F بالا، اواسط M

افزایش فروش، مزیت وفاداری

کسانی که در معرض خطر هستند

R پایین، قبلاً F/M بالا

کمپین برنده شدن

مشتریان جدید

R بالا، F پایین

هوش گلدین آکیشی، ایکینجی آلیشوریشی تشویک

کسانی که به خواب می روند

R پایین، F پایین

یادآوری یا افت هزینه کم

نکته: برای همه تخفیف ارسال نکنید. تخفیف قهرمانی از دست دادن حاشیه است (که به هر حال دریافت می کرد). تخفیف را برای بخش واقعی در معرض خطر و غیر فعال ذخیره کنید.

بخش های رفتاری

فراتر از RFM، رفتار بخش‌هایی را نیز ایجاد می‌کند: اولویت دسته (فقط خرید محصولات کودک)، کانال (فقط آنلاین)، حساسیت قیمت (خرید همیشه در فروش)، فصلی بودن. هوش مصنوعی می‌تواند این الگوها را از داده‌ها استخراج کند و گروه‌هایی مانند «شکارچیان قیمت»، «خریداران ممتاز»، «خریداران آخر هفته» را پیشنهاد کند.

محدودیت های شخصی سازی: اخلاق و حریم خصوصی

تقسیم بندی قدرتمند است، اما هرگز از سه خط عبور نکنید:

• بدون تبعیض: این بخش نمی تواند بر اساس ویژگی های محافظت شده (قومیت، مذهب، سلامت، گرایش جنسی) باشد. استنتاج غیرمستقیم از آنها (به عنوان مثال تخمین قومیت با کد پستی) نیز خطرناک است.
• رضایت صریح: معمولاً برای ارسال پیام های الکترونیکی تجاری (پیامک، ایمیل) رضایت صریح مشتری لازم است. بدون رضایت، ارسال یک خطر قانونی و اعتباری است.
• به حداقل رساندن داده ها: از حداقل داده های مورد نیاز برای ایجاد بخش ها استفاده کنید. از داده های حساس دوری کنید.

احتیاط: هدف گذاری بر اساس رویدادهای حساس زندگی مانند "این مشتری ممکن است باردار باشد، بیایید یک محصول کودک را توصیه کنیم" ممکن است باعث ایجاد مزاحمت در مشتری و ایجاد تصور نقض حریم خصوصی شود. در مورد هدف گیری استنباطی بسیار مراقب باشید.

تقسیم بندی مرحله به مرحله

1. داده های ناشناس را تهیه کنید: کد مشتری (نه نام)، آخرین تاریخ خرید، تعداد خرید، کل هزینه، دسته بندی. شناسه های شخصی را حذف کنید
2. امتیاز RFM: امتیاز هوش مصنوعی 1-5 را در ابعاد R، F، M داشته باشید.
3. بخش‌های نام: ترکیب‌های امتیاز را به گروه‌های معنادار پیوند دهید.
4. نقشه اقدام: پیش نویس اهداف، پیشنهادات و پیام ها برای هر بخش.
5. فیلتر رضایت و اصول اخلاقی: ارسال فقط برای مشتریان رضایت‌دهنده، حذف هدف‌گیری تبعیض‌آمیز، اندازه‌گیری نتایج.

موارد کوچک

مورد 1 - پیشنهاد مناسب به بخش مناسب: یک زنجیره لوازم آرایشی پیامک یکنواخت تخفیف 15 درصدی را برای 40000 مشتری در ماه ارسال می کرد. وقتی با RFM هوش مصنوعی تقسیم بندی شد، "قهرمانان" (8500 نفر) قبلاً به طور منظم دریافت می کردند. این تخفیف فقط برای 6200 نفر در معرض خطر ارسال شد و امتیازات دسترسی زودهنگام + برای قهرمانان ارسال شد. در حالی که هزینه کمپین 30 درصد کاهش یافت، تعداد مشتریان ریسک بازگشتی 18 درصد افزایش یافت.

مورد 2 - برنده شدن: یک فروشگاه مواد غذایی آنلاین، 3100 مشتری وفادار قبلی را که بیش از 90 روز خرید نکرده اند را به بخش "در معرض خطر" خود منتقل می کند. هوش مصنوعی یک پیش نویس پیام شخصی «دلم برات تنگ شده + ارسال رایگان از دسته ای که در گذشته دریافت کرده ای» را تولید می کند. برای 2400 نفر با رضایت ارسال می شود. 410 نفر از آنها ظرف 6 هفته دوباره خرید می کنند.

مورد 3 - خطای اخلاقی و تصحیح: یک فروشگاه می خواهد از اطلاعات محله هنگام درخواست بخش "پتانسیل هزینه بالا" از هوش مصنوعی استفاده کند. فرد مسئول متوجه می شود که این امر تبعیض غیرمستقیم و خطرات حریم خصوصی را به همراه دارد و آن را بر اساس رفتار خرید واقعی به جای محله استوار می کند. بخش هم منصفانه تر و هم دقیق تر است.

اعلان ضعیف / اعلان قوی

اعلان ضعیف:

مشتریان من را گروه بندی کنید.

کدام داده، کدام منطق، کدام هدف نامشخص است.

اعلان قدرتمند:

نقش شما: متخصص CRM و بخش بندی. داده ها: در زیر جدول مشتریان ناشناس (مشتری_کد، تعداد آخرین روزهای خرید، تعداد خرید در 12 ماه، کل هزینه، دسته بندی بیشترین خرید) آمده است. بدون اطلاعات شخصی وظیفه: (1) مشتریان را با منطق RFM به 5 بخش تقسیم کنید و هر بخش را نام ببرید، (2) اندازه تقریبی هر بخش را ارائه دهید، (3) پیشنهاد اقدام یک جمله ای برای هر بخش. قانون: فقط از داده های رفتاری در داده ها استفاده کنید. از منطقه، نام یا جمعیت استنباط تبعیض آمیز خودداری کنید. داده ها: [چسباندن]

الگوهای درخواستی قابل کپی

1) تقسیم بندی RFM

داده های مشتری ناشناس زیر را با منطق RFM (1-5 برای R، F، M) امتیاز دهید و آن را به بخش های معنی دار تقسیم کنید. اندازه و توضیحات هر بخش را بیان کنید. آن را به شکل جدول ارائه دهید. داده ها: [چسباندن]

2) پیش نویس ارتباط مبتنی بر بخش

یک پیامک شخصی و یک پیش نویس ایمیل برای بخش بنویسید: [شرح بخش]. تن متناسب با نام تجاری ما [تن]، پیشنهاد [پیشنهاد]. دو عنوان مختلف پیشنهاد کنید. از ادعاهای گمراه کننده، حداکثر 40 کلمه استفاده نکنید.

3) کمپین Winback

برای مشتریان وفادار قدیمی که بیش از 90 روز خرید نکرده‌اند، پیامی برنده پیش‌نویس کنید. بر اساس اولویت دسته قبلی، یک انگیزه کم هزینه ارائه دهید. 3 رویکرد مختلف ارائه دهید.

4) حسابرسی اخلاقی/ رضایت

طرح هدف گیری زیر را بررسی کنید: آیا تبعیض بر اساس ویژگی های محافظت شده، استنتاج حساس رویدادهای زندگی، ارسال بدون توافق یا استفاده غیرضروری از داده های شخصی وجود دارد؟ خطرات را علامت گذاری کنید و جایگزین پیشنهاد کنید. طرح: [چسباندن]

اشتباهات رایج

• پیام یکسان برای همه: ارتباطات بدون بخش هدر دادن پول و توجه است.
• تخفیف غیر ضروری قهرمانی: تخفیف به مشتری که قبلاً آن را خریداری می کند، از دست دادن حاشیه است.
• ارسال بدون رضایت: رضایت صریح برای پیامک/ایمیل الزامی است.
• بخش بر اساس ویژگی های محافظت شده: تبعیض. استنباط غیرمستقیم نیز مخاطره آمیز است.
• هدف گذاری رویدادهای زندگی حساس: درک نقض حریم خصوصی را ایجاد می کند.
• یک بخش را یک بار تنظیم کنید و آن را فراموش کنید: رفتار مشتری تغییر می کند. به طور منظم به روز کنید.

به طور خلاصه

تقسیم بندی راهی برای ایجاد رویکرد صحیح به مشتری مناسب است. RFM عملی ترین شروع است. هوش مصنوعی امتیازدهی، نامگذاری بخش و پیش نویس پیام را سرعت می بخشد. اما محدودیت‌های رضایت صریح، به حداقل رساندن داده‌ها و عدم تبعیض غیرقابل مذاکره هستند. شخصی سازی را بر اساس داده های رفتاری قرار دهید، از تداخل حساس اجتناب کنید.

وظیفه کاربردی

یک جدول از داده های مشتری ناشناس خود (کد مشتری، آخرین خرید، تعداد دفعات، هزینه، دسته بندی) ایجاد کنید. 5 بخش را با "1) تقسیم بندی RFM استخراج کنید، "2) پیش نویس ارتباطی مبتنی بر بخش" را برای ارزشمندترین و پرخطرترین بخش تولید کنید. طرح خود را از طریق "4) بررسی اخلاقی/رضایتی مطرح کنید.

چک لیست

• [ ] من اطلاعات مشتری را ناشناس کردم.
• [ ] من بخش های معناداری را با RFM ایجاد کردم.
• [ ] من پیشنهاد و پیام مناسب را برای هر بخش جدا کرده ام.
• [ ] من قصد داشتم فقط برای مشتریانی که رضایت دارند ارسال کنم.
• [ ] من از اموال محافظت شده و استنباط حساس اجتناب کرده ام.
• [ ] من برنامه ای برای به روز رسانی منظم بخش ها انجام دادم.