Segmentasi Pelanggan: RFM, Pemperibadian dan Kesetiaan

Keuntungan:

• Keupayaan untuk mentakrif dan mentafsir segmen RFM (Recency-Frequency-Monetary) dan tingkah laku dengan sokongan kecerdasan buatan
• Keupayaan untuk menghasilkan draf tawaran komunikasi dan kesetiaan yang diperibadikan untuk setiap segmen
• Keupayaan untuk memerhatikan diskriminasi, kerahsiaan dan had persetujuan yang jelas dalam pembahagian dan pemperibadian

Tidak semua pelanggan adalah sama. Ada yang datang setiap minggu dan berbelanja banyak; ada yang datang sekali dan hilang; Ada yang dulu setia tapi tak singgah lagi. Menghantar mesej yang sama dan tawaran yang sama kepada mereka semua adalah pembaziran wang dan tidak membuahkan hasil. Segmentasi pelanggan membahagikan pelanggan kepada kumpulan yang bermakna dan mewujudkan pendekatan yang sesuai untuk setiap kumpulan. Dalam unit ini, anda akan menggunakan kecerdasan buatan sebagai pembantu yang mengekstrak segmen daripada data pelanggan dan menghasilkan draf komunikasi yang sesuai untuk setiap segmen. Had kritikal: pembahagian memberikan kuasa, tetapi kuasa ini tidak sepatutnya diterjemahkan kepada diskriminasi dan pencerobohan privasi.

Segmentasi: Ia adalah proses membahagikan pelanggan kepada kumpulan berdasarkan persamaan tingkah laku, nilai atau keperluan.

Pemperibadian: Menyediakan setiap segmen (atau orang) dengan kandungan, tawaran atau pengalaman yang sesuai dengan minat dan keperluan mereka.

RFM: pembahagian yang paling praktikal

Kaedah yang paling banyak digunakan dalam runcit ialah RFM. Ia melihat tiga isyarat mudah:

• R (Recency): Bilakah pelanggan terakhir membeli-belah? Terbaru = lebih aktif.
• F (Kekerapan): Berapa kali dia membeli-belah dalam tempoh tertentu? Tinggi = lebih berhubung.
• M (Monetari): Berapakah jumlah perbelanjaannya? Lebih tinggi = lebih berharga.

Setiap pelanggan diberi skor pada tiga dimensi ini (cth. 1-5), dan gabungan markah menentukan segmen. Yapay zeka bu skorlamayı ve segmen adlandırmayı hızlıca yapar.

segmen

profil RFM

Pendekatan

Juara

R, F, M tinggi

Ganjaran, akses awal, jadikan duta

pelanggan setia

Tinggi F, pertengahan M

Kelebihan jualan, kesetiaan

mereka yang berisiko

R Rendah, F/M tinggi dahulu

kempen menang balik

pelanggan baru

R tinggi, F rendah

Hoş geldin akışı, ikinci alışverişi teşvik

mereka yang tertidur

R rendah, F rendah

Peringatan atau penurunan kos rendah

Petua: Jangan hantar diskaun kepada semua orang. Diskaun kejuaraan ialah kehilangan margin (yang akan diterimanya juga); Simpan diskaun untuk segmen sebenar berisiko dan tidak aktif.

Segmen tingkah laku

Di luar RFM, tingkah laku juga membentuk segmen: keutamaan kategori (membeli produk bayi sahaja), saluran (dalam talian sahaja), kepekaan harga (membeli sentiasa dijual), kemusim. Kecerdasan buatan boleh mengekstrak corak ini daripada data dan mencadangkan kumpulan seperti "pemburu harga", "pembeli premium", "pembeli hujung minggu".

Had pemperibadian: etika dan privasi

Segmentasi adalah berkuasa, tetapi jangan sekali-kali melintasi tiga baris:

• Tiada diskriminasi: Segmen tidak boleh berdasarkan ciri-ciri yang dilindungi (etnik, agama, kesihatan, orientasi seksual); Membuat kesimpulan tidak langsung daripada mereka (cth. menganggarkan etnik mengikut poskod) juga berisiko.
• Persetujuan eksplisit: Persetujuan eksplisit pelanggan biasanya diperlukan untuk menghantar mesej elektronik komersial (SMS, e-mel). Tanpa persetujuan, penghantaran adalah risiko undang-undang dan reputasi.
• Pengurangan data: Gunakan data paling sedikit yang diperlukan untuk mewujudkan segmen; Jauhi data sensitif.

Awas: Penyasaran berdasarkan peristiwa kehidupan yang sensitif seperti "Pelanggan ini mungkin hamil, mari mengesyorkan produk bayi" boleh mengganggu pelanggan dan mewujudkan persepsi pelanggaran privasi. Berhati-hati dengan penyasaran inferens.

Pembahagian langkah demi langkah

1. Sediakan data tanpa nama: Kod pelanggan (bukan nama), tarikh beli-belah terakhir, bilangan pembelian, jumlah perbelanjaan, kategori. Alih keluar pengecam peribadi.
2. Skor RFM: Dapatkan skor kecerdasan buatan 1-5 dalam dimensi R, F, M.
3. Segmen nama: Pautkan kombinasi skor ke dalam kumpulan yang bermakna.
4. Peta tindakan: Draf matlamat, tawaran dan mesej untuk setiap segmen.
5. Tapis persetujuan dan etika: Hantar hanya kepada pelanggan yang bersetuju, alih keluar penyasaran diskriminasi, ukur keputusan.

kes mini

Kes 1 — Tawaran yang tepat kepada segmen yang betul: Rangkaian kosmetik telah menghantar SMS diskaun seragam 15% kepada 40,000 pelanggan sebulan. Apabila dibahagikan dengan kecerdasan buatan RFM, "juara" (8,500 orang) sudah pun menerima secara tetap. Diskaun dihantar hanya kepada 6,200 orang yang berisiko, dan akses awal + mata telah dihantar kepada juara. Walaupun kos kempen menurun sebanyak 30%, bilangan pelanggan berisiko kembali meningkat sebanyak 18%.

Kes 2 — Menang kembali: Sebuah kedai runcit dalam talian memindahkan 3,100 pelanggan setia yang dahulunya yang tidak membeli-belah dalam 90+ hari ke dalam segmen "berisiko". AI menghasilkan draf mesej "kami merindui anda + penghantaran percuma daripada kategori yang anda terima pada masa lalu" yang diperibadikan. Ia dihantar kepada 2,400 orang dengan persetujuan; 410 daripadanya membeli-belah semula dalam masa 6 minggu.

Kes 3 — Ralat dan pembetulan etika: Sebuah kedai ingin menggunakan maklumat kejiranan apabila meminta segmen "potensi perbelanjaan tinggi" daripada kecerdasan buatan. Orang yang bertanggungjawab menyedari bahawa ini menimbulkan diskriminasi tidak langsung dan risiko privasi dan mendasarkannya pada tingkah laku membeli-belah sebenar dan bukannya kejiranan. Segmen adalah lebih adil dan lebih tepat.

Gesaan lemah / Gesaan kuat

Gesaan yang lemah:

Kumpulan pelanggan saya.

Data mana, logik mana, tujuan mana yang tidak jelas.

Gesaan kuat:

Peranan anda: CRM dan pakar segmentasi. Data: Di bawah ialah jadual pelanggan tanpa nama (customer_code, bilangan hari beli-belah terakhir, bilangan pembelian dalam 12 bulan, jumlah perbelanjaan, kategori paling banyak dibeli). Tiada maklumat peribadi. Tugas: (1) bahagikan pelanggan kepada 5 segmen dengan logik RFM dan namakan setiap segmen, (2) berikan anggaran saiz setiap segmen, (3) cadangan tindakan satu ayat untuk setiap segmen. Peraturan: Gunakan hanya data tingkah laku dalam data; Jangan membuat inferens diskriminasi daripada daerah, nama atau demografi. Data: [tampal]

Templat gesaan yang boleh disalin

1) Pembahagian RFM

Skor data pelanggan tanpa nama berikut dengan logik RFM (1-5 untuk R, F, M) dan bahagikannya kepada segmen yang bermakna. Berikan saiz dan penerangan setiap segmen. Bentangkan dalam bentuk jadual. Data: [tampal]

2) Draf komunikasi berasaskan segmen

Tulis SMS diperibadikan dan draf e-mel untuk segmen: [huraian segmen]. Nada sesuai jenama kami [nada], cadangan [tawaran].Cadangkan dua tajuk berbeza. Jangan gunakan dakwaan yang mengelirukan, maksimum 40 patah perkataan.

3) Kempen menang balik

Draf mesej menang kembali untuk pelanggan setia lama yang tidak membeli-belah dalam 90+ hari. Berdasarkan keutamaan kategori lepas, tawarkan insentif kos rendah. Berikan 3 pendekatan yang berbeza.

4) Audit etika/persetujuan

Semak pelan penyasaran berikut: adakah terdapat diskriminasi berdasarkan ciri yang dilindungi, inferens peristiwa kehidupan yang sensitif, penyerahan tanpa persetujuan atau penggunaan data peribadi yang tidak perlu? Tandakan risiko dan cadangkan alternatif. Pelan: [tampal]

Kesilapan biasa

• Mesej yang sama kepada semua orang: Komunikasi tanpa segmen adalah pembaziran wang dan perhatian.
• Diskaun yang tidak diperlukan kejuaraan: Diskaun kepada pelanggan yang sudah akan membelinya ialah kehilangan margin.
• Menghantar tanpa kebenaran: Keizinan eksplisit diperlukan untuk SMS/e-mel.
• Segmen berdasarkan ciri yang dilindungi: Diskriminasi; Inferens tidak langsung juga berisiko.
• Penyasaran peristiwa kehidupan yang sensitif: Mencipta persepsi pelanggaran privasi.
• Tetapkan segmen sekali dan lupakan: Tingkah laku pelanggan berubah; Kemas kini dengan kerap.

Secara ringkasnya

Segmentasi ialah cara untuk mewujudkan pendekatan yang betul kepada pelanggan yang betul; RFM adalah permulaan yang paling praktikal. AI mempercepatkan pemarkahan, penamaan segmen dan penggubalan mesej. Tetapi had persetujuan yang jelas, pengurangan data dan tanpa diskriminasi tidak boleh dirunding; Dasar pemperibadian pada data tingkah laku, elakkan gangguan sensitif.

Tugasan permohonan

Buat jadual daripada data pelanggan tanpa nama anda (kod pelanggan, pembelian terakhir, kekerapan, perbelanjaan, kategori). Ekstrak 5 segmen dengan "1) segmentasi RFM", menghasilkan "2) draf komunikasi berasaskan segmen" untuk segmen yang paling bernilai dan paling berisiko. Letakkan rancangan anda melalui "4) Semakan etika/persetujuan.

senarai semak

• [ ] Saya menamakan data pelanggan.
• [ ] Saya mencipta segmen yang bermakna dengan RFM.
• [ ] Saya telah mengasingkan tawaran dan mesej yang sesuai untuk setiap segmen.
• [ ] Saya bercadang untuk menghantar hanya kepada pelanggan yang bersetuju.
• [ ] Saya telah mengelakkan harta yang dilindungi dan inferens sensitif.
• [ ] Saya membuat rancangan untuk mengemas kini segmen dengan kerap.