ग्राहक विभाजन: RFM, वैयक्तिकरण आणि निष्ठा

नफा:

• आर्टिफिशियल इंटेलिजेंस सपोर्टसह आरएफएम (रिसेंसी-फ्रिक्वेंसी-मॉनेटरी) आणि वर्तणूक विभाग परिभाषित आणि व्याख्या करण्याची क्षमता
• प्रत्येक विभागासाठी वैयक्तिकृत संप्रेषण आणि निष्ठा ऑफर मसुदे तयार करण्याची क्षमता
• विभाजन आणि वैयक्तिकरण मध्ये भेदभाव, गोपनीयता आणि स्पष्ट संमती मर्यादा पाळण्याची क्षमता

सर्व ग्राहक सारखे नसतात. काही दर आठवड्याला येतात आणि भरपूर खर्च करतात; काही एकदा येतात आणि गायब होतात; काही एकनिष्ठ असायचे पण आता थांबत नाहीत. त्या सर्वांना समान संदेश आणि समान ऑफर पाठवणे म्हणजे पैशाचा अपव्यय आहे आणि त्याचे परिणाम मिळत नाहीत. ग्राहक विभाजन म्हणजे ग्राहकांना अर्थपूर्ण गटांमध्ये विभागणे आणि प्रत्येक गटासाठी योग्य दृष्टिकोन स्थापित करणे. या युनिटमध्ये, तुम्ही सहाय्यक म्हणून कृत्रिम बुद्धिमत्तेचा वापर कराल जे ग्राहक डेटामधून विभाग काढतात आणि प्रत्येक विभागासाठी योग्य संवादाचा मसुदा तयार करतात. गंभीर मर्यादा: विभाजन शक्ती देते, परंतु या शक्तीचे भाषांतर भेदभाव आणि गोपनीयतेवर आक्रमण होऊ नये.

विभाजन: ही वर्तन, मूल्ये किंवा गरजांच्या समानतेवर आधारित ग्राहकांना गटांमध्ये विभागण्याची प्रक्रिया आहे.

वैयक्तिकरण: प्रत्येक विभागाला (किंवा व्यक्ती) त्यांच्या आवडी आणि गरजा पूर्ण करणारी सामग्री, ऑफर किंवा अनुभव प्रदान करणे.

RFM: सर्वात व्यावहारिक विभाजन

रिटेलमध्ये सर्वात जास्त वापरलेली पद्धत RFM आहे. हे तीन साधे सिग्नल पाहते:

• R (Recency): ग्राहकाने शेवटचे दुकान कधी केले? अलीकडील = अधिक सक्रिय.
• F (वारंवारता): त्याने एका विशिष्ट कालावधीत किती वेळा खरेदी केली? उच्च = अधिक जोडलेले.
• एम (मॉनेटरी): त्याने एकूण किती खर्च केला? उच्च = अधिक मौल्यवान.

प्रत्येक ग्राहकाला या तीन आयामांवर (उदा. 1-5) स्कोअर दिला जातो आणि स्कोअरचे संयोजन विभाग निश्चित करते. Yapay zeka bu skorlamayı ve segment adlandırmayı hızlıca yapar.

विभाग

RFM प्रोफाइल

दृष्टीकोन

चॅम्पियन्स

उच्च आर, एफ, एम

बक्षीस, लवकर प्रवेश, राजदूत बनवा

निष्ठावंत ग्राहक

उच्च एफ, मध्य एम

अप-विक्री, निष्ठा फायदा

ज्यांना धोका आहे

कमी R, पूर्वी उच्च F/M

परत मोहीम जिंका

नवीन ग्राहक

उच्च आर, कमी एफ

Hoş geldin akışı, ikinci alışverişi teşvik

जे झोपतात

कमी आर, कमी एफ

कमी किमतीचे स्मरणपत्र किंवा ड्रॉप

टीप: प्रत्येकाला सवलत पाठवू नका. चॅम्पियनशिप सवलत म्हणजे मार्जिनचे नुकसान (जे तरीही मिळाले असते); वास्तविक-जोखीम आणि निष्क्रिय विभागासाठी सवलत जतन करा.

वर्तणूक विभाग

RFM च्या पलीकडे, वर्तन देखील विभाग स्थापित करते: श्रेणी प्राधान्य (केवळ बाळ उत्पादने खरेदी करणे), चॅनेल (केवळ ऑनलाइन), किंमत संवेदनशीलता (नेहमी विक्रीवर खरेदी करणे), हंगामीता. कृत्रिम बुद्धिमत्ता डेटामधून हे नमुने काढू शकते आणि "किंमत शिकारी," "प्रीमियम खरेदीदार," "वीकेंड खरेदीदार" सारखे गट सुचवू शकते.

वैयक्तिकरणाच्या मर्यादा: नैतिकता आणि गोपनीयता

विभाजन शक्तिशाली आहे, परंतु तीन ओळी कधीही ओलांडू नका:

• कोणताही भेदभाव नाही: विभाग संरक्षित वैशिष्ट्यांवर आधारित असू शकत नाही (वंश, धर्म, आरोग्य, लैंगिक अभिमुखता); त्यांच्याकडून अप्रत्यक्ष निष्कर्ष काढणे (उदा. पोस्टकोडद्वारे वांशिकतेचा अंदाज लावणे) देखील धोकादायक आहे.
• स्पष्ट संमती: सामान्यतः व्यावसायिक इलेक्ट्रॉनिक संदेश (एसएमएस, ई-मेल) पाठवण्यासाठी ग्राहकाची स्पष्ट संमती आवश्यक असते. संमतीशिवाय, पाठवणे हा कायदेशीर आणि प्रतिष्ठेचा धोका आहे.
• डेटा मिनिमायझेशन: विभाग स्थापित करण्यासाठी आवश्यक असलेल्या कमीतकमी डेटाचा वापर करा; संवेदनशील डेटापासून दूर रहा.

खबरदारी: "हा ग्राहक गर्भवती असू शकतो, चला बाळाच्या उत्पादनाची शिफारस करूया" यासारख्या संवेदनशील जीवनातील घटनांवर आधारित लक्ष्यीकरणामुळे ग्राहकाला त्रास होऊ शकतो आणि गोपनीयतेच्या उल्लंघनाची धारणा निर्माण होऊ शकते. अनुमानित लक्ष्यीकरणासह खूप सावधगिरी बाळगा.

स्टेप बाय स्टेप सेगमेंटेशन

1. निनावी डेटा तयार करा: ग्राहक कोड (नाव नाही), खरेदीची शेवटची तारीख, खरेदीची संख्या, एकूण खर्च, श्रेणी. वैयक्तिक अभिज्ञापक काढा.
2. RFM स्कोअर: R, F, M परिमाणांमध्ये कृत्रिम बुद्धिमत्ता स्कोअर 1-5 ठेवा.
3. नाव विभाग: अर्थपूर्ण गटांमध्ये स्कोअर संयोजन लिंक करा.
4. कृती नकाशा: प्रत्येक विभागासाठी मसुदा उद्दिष्टे, ऑफर आणि संदेश.
5. संमती आणि नैतिकता फिल्टर करा: फक्त संमती देणाऱ्या ग्राहकांना पाठवा, भेदभावपूर्ण लक्ष्यीकरण काढून टाका, परिणाम मोजा.

लहान प्रकरणे

प्रकरण 1 — योग्य विभागासाठी योग्य ऑफर: एक सौंदर्य प्रसाधन साखळी दरमहा 40,000 ग्राहकांना एकसमान 15% सूट एसएमएस पाठवत होती. कृत्रिम बुद्धिमत्ता RFM सह विभागलेले असताना, "चॅम्पियन" (8,500 लोक) आधीच नियमितपणे प्राप्त करत होते. सवलत केवळ 6,200 जोखीम असलेल्या लोकांना पाठविली गेली आणि चॅम्पियन्सना लवकर प्रवेश + गुण पाठवले गेले. मोहिमेचा खर्च 30% ने कमी झाला, तर परत येणाऱ्या जोखीम ग्राहकांची संख्या 18% ने वाढली.

प्रकरण 2 — परत जिंकणे: ऑनलाइन किराणा दुकान 90+ दिवसांत खरेदी न केलेल्या 3,100 पूर्वीच्या निष्ठावान ग्राहकांना त्याच्या "जोखीम" विभागात हलवते. AI वैयक्तिकृत "आम्ही तुम्हाला मिस करतो + तुम्हाला पूर्वी मिळालेल्या श्रेणीतून मोफत शिपिंग" संदेशाचा मसुदा तयार करतो. तो संमतीने 2,400 लोकांना पाठविला जातो; त्यापैकी 410 6 आठवड्यांच्या आत पुन्हा खरेदी करतात.

केस 3 — नैतिक त्रुटी आणि सुधारणा: आर्टिफिशियल इंटेलिजेंसमधून "उच्च खर्चाची क्षमता" विभागाची विनंती करताना स्टोअरला अतिपरिचित माहिती वापरायची आहे. जबाबदार व्यक्तीला हे लक्षात येते की यामुळे अप्रत्यक्ष भेदभाव आणि गोपनीयतेला धोका निर्माण होतो आणि ते शेजारच्या ऐवजी वास्तविक खरेदी वर्तनावर आधारित आहे. विभाग अधिक गोरा आणि अधिक अचूक आहे.

कमकुवत प्रॉम्प्ट / मजबूत प्रॉम्प्ट

कमकुवत प्रॉम्प्ट:

माझ्या ग्राहकांना गटबद्ध करा.

कोणता डेटा, कोणता तर्क, कोणता उद्देश अस्पष्ट आहे.

शक्तिशाली सूचना:

तुमची भूमिका: CRM आणि विभाजन विशेषज्ञ. डेटा: खाली निनावी ग्राहक सारणी आहे (ग्राहक_कोड, शेवटच्या खरेदीच्या दिवसांची संख्या, 12 महिन्यांतील खरेदीची संख्या, एकूण खर्च, सर्वाधिक खरेदी केलेली श्रेणी). कोणतीही वैयक्तिक माहिती नाही. कार्य: (1) ग्राहकांना RFM लॉजिकसह 5 सेगमेंटमध्ये विभाजित करा आणि प्रत्येक सेगमेंटला नाव द्या, (2) प्रत्येक सेगमेंटचा अंदाजे आकार द्या, (3) प्रत्येक सेगमेंटसाठी एक-वाक्य कृती सूचना. नियम: डेटामध्ये फक्त वर्तणूक डेटा वापरा; जिल्हा, नाव किंवा लोकसंख्या यावरून भेदभावपूर्ण निष्कर्ष काढू नका. डेटा: [पेस्ट]

कॉपी करण्यायोग्य प्रॉम्प्ट टेम्पलेट्स

1) RFM विभाजन

RFM लॉजिक (R, F, M साठी 1-5) सह खालील निनावी ग्राहक डेटा स्कोअर करा आणि त्याला अर्थपूर्ण विभागांमध्ये विभाजित करा. प्रत्येक विभागाचा आकार आणि वर्णन द्या. ते टेबल स्वरूपात सादर करा. डेटा: [पेस्ट]

2) विभाग-आधारित संप्रेषण मसुदा

विभागासाठी वैयक्तिकृत एसएमएस आणि ईमेल मसुदा लिहा: [सेगमेंट वर्णन]. टोन आमच्या ब्रँडला बसतो [टोन], प्रस्ताव [ऑफर]. दोन भिन्न शीर्षके सुचवा. दिशाभूल करणारे दावे वापरू नका, जास्तीत जास्त 40 शब्द.

3) Winback मोहीम

90+ दिवसांपासून खरेदी न केलेल्या जुन्या निष्ठावंत ग्राहकांसाठी एक विजयी संदेश तयार करा. मागील श्रेणी प्राधान्यावर आधारित, कमी किमतीचे प्रोत्साहन ऑफर करा. 3 भिन्न दृष्टीकोन द्या.

4) नैतिकता/संमती ऑडिट

खालील लक्ष्यीकरण योजना तपासा: संरक्षित वैशिष्ठ्ये, संवेदनशील जीवन घटना अनुमान, गैर-सहमतीने सबमिशन किंवा वैयक्तिक डेटाचा अनावश्यक वापर यावर आधारित भेदभाव आहे का? जोखीम ध्वजांकित करा आणि पर्याय सुचवा. योजना: [पेस्ट]

सामान्य चुका

• प्रत्येकासाठी समान संदेश: खंडविरहित संप्रेषण म्हणजे पैशाचा आणि लक्षाचा अपव्यय.
• चॅम्पियनशिप अनावश्यक सवलत: आधीपासून खरेदी करणाऱ्या ग्राहकाला सवलत म्हणजे मार्जिनचे नुकसान.
• संमतीशिवाय पाठवणे: एसएमएस/ई-मेलसाठी स्पष्ट संमती आवश्यक आहे.
• संरक्षित वैशिष्ट्यांवर आधारित विभाग: भेदभाव; अप्रत्यक्ष निष्कर्ष देखील धोकादायक आहे.
• संवेदनशील जीवन इव्हेंट लक्ष्यीकरण: गोपनीयतेच्या उल्लंघनाची धारणा निर्माण करते.
• एकदा सेगमेंट सेट करा आणि विसरा: ग्राहक वर्तन बदलते; नियमितपणे अपडेट करा.

सारांशात

सेगमेंटेशन हा योग्य ग्राहकाकडे योग्य दृष्टीकोन स्थापित करण्याचा मार्ग आहे; RFM ही सर्वात व्यावहारिक सुरुवात आहे. AI स्कोअरिंग, सेगमेंट नेमिंग आणि मेसेज ड्राफ्टिंगला गती देते. परंतु स्पष्ट संमती, डेटा कमी करणे आणि भेदभाव न करणे या मर्यादा नॉन-निगोशिएबल आहेत; वर्तणुकीशी संबंधित डेटावर वैयक्तिकरण बेस करा, संवेदनशील हस्तक्षेप टाळा.

अर्ज कार्य

तुमच्या निनावी ग्राहक डेटामधून एक टेबल तयार करा (ग्राहक कोड, शेवटची खरेदी, वारंवारता, खर्च, श्रेणी). "1) RFM सेगमेंटेशनसह 5 सेगमेंट काढा, सर्वात मौल्यवान आणि सर्वात धोकादायक सेगमेंटसाठी "2) सेगमेंट-आधारित कम्युनिकेशन मसुदा तयार करा. तुमची योजना “4) नैतिकता/संमती पुनरावलोकनाद्वारे ठेवा.

चेकलिस्ट

• मी ग्राहक डेटा अनामित केला आहे.
• [ ] मी RFM सह अर्थपूर्ण विभाग तयार केले.
• [ ] मी प्रत्येक विभागासाठी योग्य ऑफर आणि संदेश वेगळे केले आहेत.
• [ ] मी फक्त संमती असलेल्या ग्राहकांना पाठवण्याची योजना आखली आहे.
• [ ] मी संरक्षित मालमत्ता आणि संवेदनशील अनुमान टाळले आहे.
• मी सेगमेंट्स नियमितपणे अपडेट करण्याची योजना बनवली आहे.