નફો:
- આર્ટિફિશિયલ ઇન્ટેલિજન્સ સપોર્ટ સાથે આરએફએમ (રેસન્સી-ફ્રિકવન્સી-મોનેટરી) અને વર્તણૂકના સેગમેન્ટ્સને વ્યાખ્યાયિત અને અર્થઘટન કરવાની ક્ષમતા
- દરેક સેગમેન્ટ માટે વ્યક્તિગત સંચાર અને વફાદારી ઓફર ડ્રાફ્ટ બનાવવાની ક્ષમતા
- વિભાજન અને વૈયક્તિકરણમાં ભેદભાવ, ગુપ્તતા અને સ્પષ્ટ સંમતિ મર્યાદાઓનું અવલોકન કરવાની ક્ષમતા
બધા ગ્રાહકો સરખા નથી હોતા. કેટલાક દર અઠવાડિયે આવે છે અને ઘણો ખર્ચ કરે છે; કેટલાક એકવાર આવે છે અને અદૃશ્ય થઈ જાય છે; કેટલાક વફાદાર હતા પરંતુ હવે અટકતા નથી. તે બધાને સમાન સંદેશ અને સમાન ઑફર મોકલવાથી પૈસાનો વ્યય થાય છે અને પરિણામ મળતું નથી. ગ્રાહક વિભાજન ગ્રાહકોને અર્થપૂર્ણ જૂથોમાં વિભાજિત કરે છે અને દરેક જૂથ માટે યોગ્ય અભિગમ સ્થાપિત કરે છે. આ એકમમાં, તમે સહાયક તરીકે આર્ટિફિશિયલ ઇન્ટેલિજન્સનો ઉપયોગ કરશો જે ગ્રાહક ડેટામાંથી સેગમેન્ટ્સ કાઢે છે અને દરેક સેગમેન્ટ માટે યોગ્ય કોમ્યુનિકેશન ડ્રાફ્ટ બનાવે છે. જટિલ મર્યાદા: વિભાજન શક્તિ આપે છે, પરંતુ આ શક્તિનો ભેદભાવ અને ગોપનીયતાના આક્રમણમાં અનુવાદ થવો જોઈએ નહીં.
વિભાજન: તે વર્તન, મૂલ્યો અથવા જરૂરિયાતોની સમાનતાના આધારે ગ્રાહકોને જૂથોમાં વિભાજીત કરવાની પ્રક્રિયા છે.
વૈયક્તિકરણ: દરેક સેગમેન્ટ (અથવા વ્યક્તિ)ને તેમની રુચિઓ અને જરૂરિયાતોને અનુરૂપ સામગ્રી, ઑફર્સ અથવા અનુભવો પ્રદાન કરવા.
RFM: સૌથી વ્યવહારુ વિભાજન
રિટેલમાં સૌથી વધુ ઉપયોગમાં લેવાતી પદ્ધતિ RFM છે. તે ત્રણ સરળ સંકેતો જુએ છે:
- આર (રેસન્સી): ગ્રાહકે છેલ્લે ક્યારે ખરીદી કરી હતી? તાજેતર = વધુ સક્રિય.
- F (ફ્રીક્વન્સી): તેણે ચોક્કસ સમયગાળામાં કેટલી વાર ખરીદી કરી? ઉચ્ચ = વધુ જોડાયેલ.
- એમ (મોનેટરી): તેણે કુલ કેટલો ખર્ચ કર્યો? ઉચ્ચ = વધુ મૂલ્યવાન.
દરેક ગ્રાહકને આ ત્રણ પરિમાણો (દા.ત. 1-5) પર સ્કોર આપવામાં આવે છે, અને સ્કોર્સનું સંયોજન સેગમેન્ટ નક્કી કરે છે. Yapay zeka bu skorlamayı ve segment adlandırmayı hızlıca yapar.
સેગમેન્ટ
RFM પ્રોફાઇલ
અભિગમ
ચેમ્પિયન્સ
ઉચ્ચ આર, એફ, એમ
પુરસ્કાર, વહેલી પહોંચ, એમ્બેસેડર બનાવો
વફાદાર ગ્રાહકો
ઉચ્ચ F, મધ્ય M
અપ-વેચાણ, વફાદારી લાભ
જેઓ જોખમમાં છે
લો R, અગાઉ ઉચ્ચ F/M
પાછા ઝુંબેશ જીતી
નવા ગ્રાહકો
ઉચ્ચ R, નિમ્ન F
Hoş geldin akışı, ikinci alışverişi teşvik
જેઓ ઊંઘી જાય છે
લો આર, લો એફ
ઓછી કિંમત રીમાઇન્ડર અથવા ડ્રોપ
ટીપ: દરેકને ડિસ્કાઉન્ટ મોકલશો નહીં. ચેમ્પિયનશિપ ડિસ્કાઉન્ટ એ માર્જિનની ખોટ છે (જે તેને કોઈપણ રીતે પ્રાપ્ત થઈ હોત); વાસ્તવિક જોખમ અને નિષ્ક્રિય સેગમેન્ટ માટે ડિસ્કાઉન્ટ સાચવો.
બિહેવિયરલ સેગમેન્ટ્સ
RFM ઉપરાંત, વર્તન પણ વિભાગો સ્થાપિત કરે છે: શ્રેણીની પસંદગી (માત્ર બાળકોના ઉત્પાદનોની ખરીદી), ચેનલ (ફક્ત ઑનલાઇન), ભાવ સંવેદનશીલતા (હંમેશા વેચાણ પર ખરીદવી), મોસમ. આર્ટિફિશિયલ ઇન્ટેલિજન્સ ડેટામાંથી આ પેટર્ન મેળવી શકે છે અને "કિંમત શિકારીઓ," "પ્રીમિયમ ખરીદદારો," "વિકએન્ડ શોપર્સ" જેવા જૂથો સૂચવી શકે છે.
વ્યક્તિગતકરણની મર્યાદા: નૈતિકતા અને ગોપનીયતા
વિભાજન શક્તિશાળી છે, પરંતુ ક્યારેય ત્રણ રેખાઓ પાર કરશો નહીં:
- કોઈ ભેદભાવ નથી: સેગમેન્ટ સુરક્ષિત લાક્ષણિકતાઓ (વંશીયતા, ધર્મ, આરોગ્ય, જાતીય અભિગમ) પર આધારિત હોઈ શકતું નથી; તેમની પાસેથી પરોક્ષ અનુમાન લગાવવું (દા.ત. પોસ્ટકોડ દ્વારા વંશીયતાનો અંદાજ કાઢવો) પણ જોખમી છે.
- સ્પષ્ટ સંમતિ: સામાન્ય રીતે વેપારી ઈલેક્ટ્રોનિક સંદેશાઓ (SMS, ઈ-મેલ) મોકલવા માટે ગ્રાહકની સ્પષ્ટ સંમતિ જરૂરી છે. સંમતિ વિના, મોકલવું એ કાનૂની અને પ્રતિષ્ઠાનું જોખમ છે.
- ડેટા મિનિમાઇઝેશન: સેગમેન્ટ્સ સ્થાપિત કરવા માટે જરૂરી ઓછામાં ઓછા ડેટાનો ઉપયોગ કરો; સંવેદનશીલ ડેટાથી દૂર રહો.
સાવધાન: "આ ગ્રાહક ગર્ભવતી હોઈ શકે છે, ચાલો બાળકના ઉત્પાદનની ભલામણ કરીએ" જેવી સંવેદનશીલ જીવન ઘટનાઓ પર આધારિત લક્ષ્યાંક ગ્રાહકને ખલેલ પહોંચાડી શકે છે અને ગોપનીયતાના ઉલ્લંઘનની ધારણા ઊભી કરી શકે છે. અનુમાનિત લક્ષ્યાંક સાથે ખૂબ કાળજી રાખો.
સ્ટેપ બાય સ્ટેપ સેગ્મેન્ટેશન
- અનામી ડેટા તૈયાર કરો: ગ્રાહક કોડ (નામ નહીં), ખરીદીની છેલ્લી તારીખ, ખરીદીઓની સંખ્યા, કુલ ખર્ચ, શ્રેણી. વ્યક્તિગત ઓળખકર્તાઓ દૂર કરો.
- RFM સ્કોર: R, F, M પરિમાણોમાં આર્ટિફિશિયલ ઇન્ટેલિજન્સ સ્કોર 1-5 રાખો.
- નામ વિભાગો: અર્થપૂર્ણ જૂથોમાં સ્કોર સંયોજનોને લિંક કરો.
- એક્શન મેપ: દરેક સેગમેન્ટ માટે ડ્રાફ્ટ ગોલ, ઑફર્સ અને સંદેશાઓ.
- ફિલ્ટર સંમતિ અને નીતિશાસ્ત્ર: ફક્ત સંમતિ આપતા ગ્રાહકોને મોકલો, ભેદભાવપૂર્ણ લક્ષ્યીકરણ દૂર કરો, પરિણામોને માપો.
નાના કેસો
કેસ 1 - યોગ્ય સેગમેન્ટ માટે યોગ્ય ઓફર: એક કોસ્મેટિક્સ ચેઇન દર મહિને 40,000 ગ્રાહકોને એકસમાન 15% ડિસ્કાઉન્ટ SMS મોકલી રહી હતી. જ્યારે આર્ટિફિશિયલ ઇન્ટેલિજન્સ RFM સાથે વિભાજિત કરવામાં આવે છે, ત્યારે "ચેમ્પિયન્સ" (8,500 લોકો) પહેલેથી જ નિયમિતપણે પ્રાપ્ત કરી રહ્યા હતા. ડિસ્કાઉન્ટ જોખમમાં રહેલા 6,200 લોકોને જ મોકલવામાં આવ્યું હતું અને ચેમ્પિયનને પ્રારંભિક ઍક્સેસ + પોઈન્ટ મોકલવામાં આવ્યા હતા. જ્યારે ઝુંબેશની કિંમતમાં 30% ઘટાડો થયો છે, ત્યારે રિટર્નિંગ રિસ્ક ગ્રાહકોની સંખ્યામાં 18%નો વધારો થયો છે.
કેસ 2 — પાછા જીતવું: ઑનલાઇન કરિયાણાની દુકાન 3,100 અગાઉના વફાદાર ગ્રાહકોને તેના "જોખમ પર" સેગમેન્ટમાં 90+ દિવસમાં ખરીદી ન હોય તેવા ગ્રાહકોને ખસેડે છે. AI વ્યક્તિગત "અમે તમને યાદ કરીએ છીએ + તમે ભૂતકાળમાં પ્રાપ્ત કરેલ શ્રેણીમાંથી મફત શિપિંગ" સંદેશ ડ્રાફ્ટ બનાવે છે. તે સંમતિ સાથે 2,400 લોકોને મોકલવામાં આવે છે; તેમાંથી 410 6 અઠવાડિયાની અંદર ફરી ખરીદી કરે છે.
કેસ 3 — નૈતિક ભૂલ અને સુધારણા: સ્ટોર જ્યારે આર્ટિફિશિયલ ઇન્ટેલિજન્સમાંથી "ઉચ્ચ ખર્ચની સંભાવના" સેગમેન્ટની વિનંતી કરે ત્યારે પડોશી માહિતીનો ઉપયોગ કરવા માંગે છે. જવાબદાર વ્યક્તિ સમજે છે કે આનાથી પરોક્ષ ભેદભાવ અને ગોપનીયતાનું જોખમ ઊભું થાય છે અને તે પડોશીને બદલે વાસ્તવિક શોપિંગ વર્તન પર આધારિત છે. સેગમેન્ટ વધુ વાજબી અને વધુ સચોટ છે.
નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ
નબળા પ્રોમ્પ્ટ:
મારા ગ્રાહકોનું જૂથ બનાવો.
કયો ડેટા, કયો તર્ક, કયો હેતુ અસ્પષ્ટ છે.
શક્તિશાળી પ્રોમ્પ્ટ:
તમારી ભૂમિકા: CRM અને વિભાજન નિષ્ણાત. ડેટા: નીચે અનામી ગ્રાહક કોષ્ટક છે (ગ્રાહક_કોડ, છેલ્લા શોપિંગ દિવસોની સંખ્યા, 12 મહિનામાં ખરીદીઓની સંખ્યા, કુલ ખર્ચ, સૌથી વધુ ખરીદેલી શ્રેણી). કોઈ વ્યક્તિગત માહિતી નથી. કાર્ય: (1) ગ્રાહકોને RFM તર્ક સાથે 5 સેગમેન્ટમાં વિભાજીત કરો અને દરેક સેગમેન્ટને નામ આપો, (2) દરેક સેગમેન્ટનું અંદાજિત કદ આપો, (3) દરેક સેગમેન્ટ માટે એક-વાક્ય ક્રિયા સૂચન કરો. નિયમ: ડેટામાં માત્ર વર્તણૂકીય ડેટાનો ઉપયોગ કરો; જિલ્લા, નામ અથવા વસ્તી વિષયક બાબતો પરથી ભેદભાવપૂર્ણ અનુમાન ન બનાવો. ડેટા: [પેસ્ટ કરો]
નકલ કરી શકાય તેવા પ્રોમ્પ્ટ નમૂનાઓ
1) RFM વિભાજન
નીચેના અનામી ગ્રાહક ડેટાને RFM તર્ક સાથે સ્કોર કરો (R, F, M માટે 1-5) અને તેને અર્થપૂર્ણ ભાગોમાં વિભાજીત કરો. દરેક સેગમેન્ટનું કદ અને વર્ણન આપો. તેને ટેબલ સ્વરૂપમાં રજૂ કરો. ડેટા: [પેસ્ટ કરો]
2) સેગમેન્ટ-આધારિત સંચાર ડ્રાફ્ટ
સેગમેન્ટ માટે વ્યક્તિગત SMS અને ઇમેઇલ ડ્રાફ્ટ લખો: [સેગમેન્ટ વર્ણન]. ટોન અમારી બ્રાન્ડ [ટોન], પ્રસ્તાવ [ઓફર] સાથે બંધબેસે છે.બે અલગ અલગ શીર્ષકો સૂચવો. ભ્રામક દાવાનો ઉપયોગ કરશો નહીં, મહત્તમ 40 શબ્દો.
3) વિનબેક ઝુંબેશ
જૂના વફાદાર ગ્રાહકો કે જેમણે 90+ દિવસમાં ખરીદી કરી નથી તેમના માટે જીત-પાછળનો સંદેશ ડ્રાફ્ટ કરો. ભૂતકાળની કેટેગરીની પસંદગીના આધારે, ઓછા ખર્ચે પ્રોત્સાહન આપો. 3 જુદા જુદા અભિગમો આપો.
4) નૈતિકતા/સંમતિ ઓડિટ
નીચે આપેલ લક્ષ્યીકરણ યોજના તપાસો: શું સંરક્ષિત લાક્ષણિકતાઓ, સંવેદનશીલ જીવન ઘટના અનુમાન, બિન-સંમતિપૂર્ણ સબમિશન અથવા વ્યક્તિગત ડેટાના બિનજરૂરી ઉપયોગ પર આધારિત ભેદભાવ છે? જોખમોને ધ્વજ કરો અને વિકલ્પો સૂચવો. યોજના: [પેસ્ટ કરો]
સામાન્ય ભૂલો
- દરેકને સમાન સંદેશ: સેગમેન્ટલેસ કમ્યુનિકેશન એ પૈસા અને ધ્યાનનો બગાડ છે.
- ચેમ્પિયનશિપ બિનજરૂરી ડિસ્કાઉન્ટ: ગ્રાહકને ડિસ્કાઉન્ટ જે તેને પહેલેથી ખરીદશે તે માર્જિનનું નુકસાન છે.
- સંમતિ વિના મોકલવું: SMS/ઈ-મેલ માટે સ્પષ્ટ સંમતિ જરૂરી છે.
- સંરક્ષિત લાક્ષણિકતાઓ પર આધારિત સેગમેન્ટ: ભેદભાવ; પરોક્ષ અનુમાન પણ જોખમી છે.
- સંવેદનશીલ જીવન ઘટના લક્ષ્યાંક: ગોપનીયતાના ઉલ્લંઘનની ધારણા બનાવે છે.
- એકવાર સેગમેન્ટ સેટ કરો અને તેને ભૂલી જાઓ: ગ્રાહક વર્તન બદલાય છે; નિયમિતપણે અપડેટ કરો.
સારાંશમાં
વિભાજન એ યોગ્ય ગ્રાહક માટે યોગ્ય અભિગમ સ્થાપિત કરવાનો માર્ગ છે; RFM એ સૌથી વ્યવહારુ શરૂઆત છે. AI સ્કોરિંગ, સેગમેન્ટ નેમિંગ અને મેસેજ ડ્રાફ્ટિંગને ઝડપી બનાવે છે. પરંતુ સ્પષ્ટ સંમતિ, ડેટા મિનિમાઇઝેશન અને બિન-ભેદભાવની મર્યાદાઓ બિન-વાટાઘાટપાત્ર છે; વર્તણૂક ડેટા પર આધાર વ્યક્તિગત, સંવેદનશીલ હસ્તક્ષેપ ટાળો.
એપ્લિકેશન કાર્ય
તમારા અનામી ગ્રાહક ડેટા (ગ્રાહક કોડ, છેલ્લી ખરીદી, આવર્તન, ખર્ચ, શ્રેણી)માંથી એક ટેબલ બનાવો. સૌથી મૂલ્યવાન અને જોખમી સેગમેન્ટ માટે "1) RFM સેગ્મેન્ટેશન સાથે 5 સેગમેન્ટ્સ કાઢો, "2) સેગમેન્ટ-આધારિત કમ્યુનિકેશન ડ્રાફ્ટ" બનાવો. તમારી યોજનાને “4) નીતિશાસ્ત્ર/સંમતિ સમીક્ષા દ્વારા મૂકો.
ચેકલિસ્ટ
- [ ] મેં ગ્રાહકનો ડેટા અનામી રાખ્યો છે.
- [ ] મેં RFM સાથે અર્થપૂર્ણ સેગમેન્ટ્સ બનાવ્યાં છે.
- [ ] મેં દરેક સેગમેન્ટ માટે યોગ્ય ઓફર અને સંદેશને અલગ કર્યા છે.
- [ ] મેં ફક્ત સંમતિ આપતા ગ્રાહકોને જ મોકલવાનું આયોજન કર્યું છે.
- [ ] મેં સુરક્ષિત મિલકત અને સંવેદનશીલ અનુમાન ટાળ્યું છે.
- [ ] મેં સેગમેન્ટ્સને નિયમિતપણે અપડેટ કરવાની યોજના બનાવી છે.