فائدہ:
- مصنوعی ذہانت کی مدد کے ساتھ RFM (Recency-Frequency-monetary) اور طرز عمل کے حصوں کی وضاحت اور تشریح کرنے کی صلاحیت
- ہر طبقہ کے لیے ذاتی مواصلات اور وفاداری کی پیشکش کے مسودے تیار کرنے کی صلاحیت
- تقسیم اور شخصی بنانے میں امتیازی سلوک، رازداری اور واضح رضامندی کی حدود کا مشاہدہ کرنے کی اہلیت
تمام گاہک ایک جیسے نہیں ہوتے۔ کچھ ہر ہفتے آتے ہیں اور بہت زیادہ خرچ کرتے ہیں۔ کچھ ایک بار آتے ہیں اور غائب ہوتے ہیں۔ کچھ وفادار ہوتے تھے لیکن اب نہیں رکتے۔ ان سب کو ایک ہی پیغام اور ایک ہی پیشکش بھیجنا پیسے کا ضیاع ہے اور اس کا نتیجہ نہیں نکلتا۔ گاہک کی تقسیم گاہکوں کو بامعنی گروپوں میں تقسیم کر رہی ہے اور ہر گروپ کے لیے ایک مناسب نقطہ نظر قائم کر رہی ہے۔ اس یونٹ میں، آپ مصنوعی ذہانت کو ایک معاون کے طور پر استعمال کریں گے جو صارفین کے ڈیٹا سے سیگمنٹس نکالتا ہے اور ہر طبقہ کے لیے موزوں کمیونیکیشن ڈرافٹ تیار کرتا ہے۔ اہم حد: تقسیم طاقت دیتی ہے، لیکن اس طاقت کو امتیازی سلوک اور رازداری پر حملے میں ترجمہ نہیں کرنا چاہیے۔
تقسیم: یہ رویے، اقدار یا ضروریات کی مماثلت کی بنیاد پر صارفین کو گروہوں میں تقسیم کرنے کا عمل ہے۔
پرسنلائزیشن: ہر طبقہ (یا شخص) کو مواد، پیشکش یا تجربات فراہم کرنا جو ان کی دلچسپیوں اور ضروریات کے مطابق ہو۔
RFM: سب سے زیادہ عملی تقسیم
ریٹیل میں سب سے زیادہ استعمال ہونے والا طریقہ RFM ہے۔ یہ تین سادہ سگنلز کو دیکھتا ہے:
- R (Recency): گاہک نے آخری خریداری کب کی؟ حالیہ = زیادہ فعال۔
- F (تعدد): اس نے ایک مخصوص مدت میں کتنی بار خریداری کی؟ اعلی = زیادہ منسلک۔
- ایم (مالی): اس نے مجموعی طور پر کتنا خرچ کیا؟ اعلیٰ = زیادہ قیمتی۔
ہر صارف کو ان تین جہتوں (مثلاً 1-5) پر ایک سکور دیا جاتا ہے، اور سکور کا مجموعہ طبقہ کا تعین کرتا ہے۔ Yapay zeka bu skorlamayı ve segment adlandırmayı hızlıca yapar.
طبقہ
آر ایف ایم پروفائل
نقطہ نظر
چیمپئنز
ہائی آر، ایف، ایم
انعام، جلد رسائی، سفیر بنائیں
وفادار گاہکوں
ہائی ایف، مڈ ایم
اوپر فروخت، وفاداری کا فائدہ
جو خطرے میں ہیں
کم R، پہلے ہائی F/M
واپس مہم جیتو
نئے گاہکوں
ہائی آر، لو ایف
Hoş geldin akışı، ikinci alışverişi teşvik
وہ لوگ جو سوتے ہیں
کم آر، کم ایف
کم قیمت کی یاد دہانی یا ڈراپ
مشورہ: سب کو رعایتیں نہ بھیجیں۔ چیمپئن شپ ڈسکاؤنٹ مارجن کا نقصان ہے (جو اسے بہرحال مل جاتا)؛ حقیقی خطرے میں اور غیر فعال طبقہ کے لیے رعایت کو محفوظ کریں۔
طرز عمل کے طبقات
RFM سے آگے، طرز عمل طبقات کو بھی قائم کرتا ہے: زمرہ کی ترجیح (صرف بچوں کی مصنوعات خریدنا)، چینل (صرف آن لائن)، قیمت کی حساسیت (ہمیشہ فروخت پر خریدنا)، موسمی۔ مصنوعی ذہانت ان نمونوں کو ڈیٹا سے نکال سکتی ہے اور "قیمت کے شکار،" "پریمیم خریداروں،" "ویک اینڈ شاپرز" جیسے گروپوں کو تجویز کر سکتی ہے۔
ذاتی نوعیت کی حدود: اخلاقیات اور رازداری
تقسیم طاقتور ہے، لیکن کبھی بھی تین لائنوں کو عبور نہ کریں:
- کوئی امتیاز نہیں: طبقہ محفوظ خصوصیات (نسل، مذہب، صحت، جنسی رجحان) پر مبنی نہیں ہو سکتا۔ ان سے بالواسطہ اندازہ لگانا (مثلاً پوسٹ کوڈ کے ذریعے نسل کا اندازہ لگانا) بھی خطرناک ہے۔
- واضح رضامندی: عام طور پر تجارتی الیکٹرانک پیغامات (SMS، ای میل) بھیجنے کے لیے صارف کی واضح رضامندی درکار ہوتی ہے۔ رضامندی کے بغیر بھیجنا ایک قانونی اور شہرت کا خطرہ ہے۔
- ڈیٹا کو کم سے کم کرنا: سیگمنٹس قائم کرنے کے لیے کم سے کم ڈیٹا کا استعمال کریں۔ حساس ڈیٹا سے دور رہیں۔
احتیاط: زندگی کے حساس واقعات کی بنیاد پر ہدف بنانا جیسے کہ "یہ گاہک حاملہ ہو سکتا ہے، آئیے بچے کی مصنوعات کی تجویز کریں" گاہک کو پریشان کر سکتا ہے اور رازداری کی خلاف ورزی کا تاثر پیدا کر سکتا ہے۔ غیر معمولی ہدف سازی کے ساتھ بہت محتاط رہیں۔
مرحلہ وار تقسیم
- گمنام ڈیٹا تیار کریں: کسٹمر کوڈ (نام نہیں)، آخری خریداری کی تاریخ، خریداریوں کی تعداد، کل خرچ، زمرہ۔ ذاتی شناخت کنندگان کو ہٹا دیں۔
- آر ایف ایم سکور: آر، ایف، ایم ڈائمینشنز میں مصنوعی ذہانت کا اسکور 1-5 رکھیں۔
- نام سیگمنٹس: اسکور کے مجموعوں کو بامعنی گروپوں میں جوڑیں۔
- ایکشن کا نقشہ: ہر طبقہ کے لیے اہداف، پیشکش، اور پیغامات کا مسودہ۔
- رضامندی اور اخلاقیات کو فلٹر کریں: صرف رضامندی والے صارفین کو بھیجیں، امتیازی ہدف کو ہٹائیں، نتائج کی پیمائش کریں۔
چھوٹے مقدمات
کیس 1 — صحیح طبقہ کے لیے صحیح پیشکش: ایک کاسمیٹکس چین 40,000 صارفین کو یکساں 15% رعایتی SMS ہر ماہ بھیج رہی تھی۔ جب مصنوعی ذہانت RFM کے ساتھ تقسیم کیا گیا تو، "چیمپیئنز" (8,500 افراد) پہلے ہی باقاعدگی سے وصول کر رہے تھے۔ رعایت خطرے میں صرف 6,200 لوگوں کو بھیجی گئی تھی، اور ابتدائی رسائی + پوائنٹس چیمپئنز کو بھیجے گئے تھے۔ جبکہ مہم کی لاگت میں 30% کی کمی واقع ہوئی ہے، لیکن واپس آنے والے خطرے والے صارفین کی تعداد میں 18% اضافہ ہوا ہے۔
کیس 2 - جیتنا: ایک آن لائن گروسری اسٹور 3,100 سابق وفادار صارفین کو لے جاتا ہے جنہوں نے 90+ دنوں میں خریداری نہیں کی ہے اس کے "خطرے میں" طبقہ میں۔ AI ایک ذاتی نوعیت کا "ہم آپ کو یاد کرتے ہیں + اس زمرے سے مفت شپنگ جو آپ کو ماضی میں موصول ہوا ہے" پیغام کا مسودہ تیار کرتا ہے۔ اسے رضامندی سے 2,400 لوگوں کو بھیجا جاتا ہے۔ ان میں سے 410 6 ہفتوں کے اندر دوبارہ خریداری کرتے ہیں۔
کیس 3 - اخلاقی غلطی اور اصلاح: ایک اسٹور مصنوعی ذہانت سے "زیادہ خرچ کرنے کی صلاحیت" کے حصے کی درخواست کرتے وقت پڑوس کی معلومات استعمال کرنا چاہتا ہے۔ ذمہ دار شخص کو احساس ہوتا ہے کہ اس سے بالواسطہ امتیازی سلوک اور رازداری کے خطرات لاحق ہوتے ہیں اور اس کی بنیاد پڑوس کے بجائے حقیقی خریداری کے رویے پر ہوتی ہے۔ طبقہ زیادہ منصفانہ اور زیادہ درست ہے۔
کمزور فوری / مضبوط اشارہ
کمزور اشارہ:
میرے صارفین کو گروپ کریں۔
کون سا ڈیٹا، کون سی منطق، کون سا مقصد واضح نہیں ہے۔
طاقتور اشارہ:
آپ کا کردار: CRM اور سیگمنٹیشن ماہر۔ ڈیٹا: ذیل میں گمنام کسٹمر ٹیبل ہے (کسٹمر_کوڈ، آخری خریداری کے دنوں کی تعداد، 12 مہینوں میں خریداریوں کی تعداد، کل اخراجات، سب سے زیادہ خریدا جانے والا زمرہ)۔ کوئی ذاتی معلومات نہیں۔ ٹاسک: (1) صارفین کو RFM منطق کے ساتھ 5 حصوں میں تقسیم کریں اور ہر ایک سیگمنٹ کو نام دیں، (2) ہر سیگمنٹ کا تخمینی سائز بتائیں، (3) ہر سیگمنٹ کے لیے ایک جملے کی کارروائی کی تجویز۔ اصول: ڈیٹا میں صرف رویے کا ڈیٹا استعمال کریں۔ ضلع، نام یا آبادی کے لحاظ سے امتیازی اندازے نہ لگائیں۔ ڈیٹا: [پیسٹ کریں]
کاپی کرنے کے قابل پرامپٹ ٹیمپلیٹس
1) آر ایف ایم سیگمنٹیشن
مندرجہ ذیل گمنام کسٹمر ڈیٹا کو RFM منطق کے ساتھ اسکور کریں (R, F, M کے لیے 1-5) اور اسے بامعنی حصوں میں تقسیم کریں۔ ہر طبقے کا سائز اور تفصیل دیں۔ اسے میز کی شکل میں پیش کریں۔ ڈیٹا: [پیسٹ کریں]
2) سیگمنٹ پر مبنی کمیونیکیشن ڈرافٹ
سیگمنٹ کے لیے ایک ذاتی ایس ایم ایس اور ای میل ڈرافٹ لکھیں: [حصہ کی تفصیل]۔ ٹون ہمارے برانڈ [ٹون] کے مطابق ہے، تجویز [پیشکش]۔ دو مختلف عنوانات تجویز کریں۔ گمراہ کن دعوے استعمال نہ کریں، زیادہ سے زیادہ 40 الفاظ۔
3) Winback مہم
پرانے وفادار صارفین کے لیے جیت کا پیغام تیار کریں جنہوں نے 90+ دنوں سے خریداری نہیں کی ہے۔ ماضی کی قسم کی ترجیحات کی بنیاد پر، کم لاگت کی ترغیب پیش کریں۔ 3 مختلف نقطہ نظر دیں۔
4) اخلاقیات/ رضامندی کا آڈٹ
مندرجہ ذیل ھدف بندی کے منصوبے کو چیک کریں: کیا محفوظ خصوصیات، حساس زندگی کے واقعات کا اندازہ، غیر متفقہ جمع کرانے یا ذاتی ڈیٹا کے غیر ضروری استعمال کی بنیاد پر امتیازی سلوک ہے؟ خطرات کو نشان زد کریں اور متبادل تجویز کریں۔ منصوبہ: [پیسٹ کریں]
عام غلطیاں
- سب کے لیے ایک ہی پیغام: قطعہ بندی کے بغیر مواصلات پیسے اور توجہ کا ضیاع ہے۔
- چیمپیئن شپ غیر ضروری رعایت: گاہک کے لیے رعایت جو پہلے ہی اسے خریدے گا مارجن کا نقصان ہے۔
- رضامندی کے بغیر بھیجنا: SMS/ای میل کے لیے واضح رضامندی درکار ہے۔
- محفوظ خصوصیات پر مبنی طبقہ: امتیازی سلوک؛ بالواسطہ اندازہ بھی خطرناک ہے۔
- زندگی کے حساس واقعات کو نشانہ بنانا: رازداری کی خلاف ورزی کا تاثر پیدا کرتا ہے۔
- ایک دفعہ ایک سیگمنٹ سیٹ کریں اور اسے بھول جائیں: کسٹمر کے رویے میں تبدیلی؛ باقاعدگی سے اپ ڈیٹ کریں۔
خلاصہ میں
سیگمنٹیشن صحیح گاہک تک صحیح نقطہ نظر قائم کرنے کا طریقہ ہے۔ RFM سب سے زیادہ عملی آغاز ہے۔ AI اسکورنگ، سیگمنٹ کے نام، اور میسج ڈرافٹنگ کو تیز کرتا ہے۔ لیکن واضح رضامندی، ڈیٹا کو کم سے کم کرنے اور غیر امتیازی سلوک کی حدیں غیر گفت و شنید ہیں۔ رویے کے ڈیٹا پر ذاتی نوعیت کی بنیاد رکھیں، حساس مداخلت سے بچیں۔
درخواست کا کام
اپنے گمنام کسٹمر ڈیٹا (کسٹمر کوڈ، آخری خریداری، فریکوئنسی، خرچ، زمرہ) سے ایک ٹیبل بنائیں۔ "1) RFM سیگمنٹیشن کے ساتھ 5 سیگمنٹ نکالیں، سب سے قیمتی اور خطرناک ترین طبقے کے لیے "2) سیگمنٹ پر مبنی کمیونیکیشن ڈرافٹ تیار کریں۔ اپنا منصوبہ "4) اخلاقیات/ رضامندی کے جائزے کے ذریعے پیش کریں۔
چیک لسٹ
- [ ] میں نے کسٹمر ڈیٹا کو گمنام کر دیا۔
- میں نے RFM کے ساتھ معنی خیز سیگمنٹس بنائے۔
- میں نے ہر طبقہ کے لیے مناسب پیشکش اور پیغام کو الگ کر دیا ہے۔
- میں نے صرف رضامندی والے صارفین کو بھیجنے کا منصوبہ بنایا۔
- [] میں نے محفوظ جائیداد اور حساس اندازے سے گریز کیا ہے۔
- میں نے سیگمنٹس کو باقاعدگی سے اپ ڈیٹ کرنے کا منصوبہ بنایا۔