Thật tuyệt vời! Mô hình RFM thực ra có thể được sử dụng theo cách này.

RFM là một mô hình phân tích dữ liệu rất truyền thống. Làm thế nào chúng ta có thể vượt ra ngoài RFM và tiến hành nghiên cứu chuyên sâu về các tình huống của người dùng?

Nhiều sinh viên bày tỏ mong muốn được chứng kiến ​​RFM và hôm nay nó đã có mặt ở đây. RFM là một mô hình phân tích dữ liệu rất truyền thống và được đề cập trong hầu hết các bài viết. Tuy nhiên, trên thị trường vẫn có nhiều trường hợp sử dụng sai mục đích và không chính xác. Hôm nay chúng ta hãy nói về vấn đề này một cách có hệ thống.

1. Nguyên tắc cơ bản của RFM

RFM là viết tắt của ba từ: Recency. Khi thu thập dữ liệu, khoảng thời gian giữa hồ sơ tiêu thụ gần đây nhất và thời điểm hiện tại thường được lấy, chẳng hạn như 7 ngày, 30 ngày hoặc 90 ngày không tiêu thụ tại cửa hàng. Theo trực giác, nếu người dùng không mua sắm tại một cửa hàng trong thời gian quá dài thì chắc chắn có vấn đề và cần phải làm gì đó. Cơ chế đánh thức người dùng của nhiều công ty dựa trên điều này.

Tần suất tiêu thụ trong một khoảng thời gian nhất định (Tần suất). Khi lấy dữ liệu, thông thường sẽ là tần suất sử dụng của người dùng trong một khoảng thời gian. Ví dụ, một năm có bao nhiêu tháng tiêu dùng, một tháng có bao nhiêu ngày đến cửa hàng, v.v. Theo trực giác, người dùng sử dụng càng thường xuyên thì họ càng trung thành. Cơ chế khuyến khích người dùng của nhiều công ty được xây dựng dựa trên cơ sở này. Sau khi mua một lần, họ muốn mọi người mua lần thứ hai.

Số tiền tiêu dùng tích lũy trong một khoảng thời gian nhất định (Tiền tệ) . Khi lấy dữ liệu, thông thường đó là lượng tiêu thụ của người dùng trong một khoảng thời gian. Ví dụ, mức tiêu thụ trong một năm là bao nhiêu. Theo trực giác, người dùng mua càng nhiều thì giá trị càng lớn. Cơ chế VIP của nhiều công ty dựa trên danh hiệu này, chẳng hạn như thẻ bạc có tổng giá trị là 10.000 nhân dân tệ, thẻ vàng có tổng giá trị là 20.000 nhân dân tệ, v.v.

Do đó, ngay cả khi chúng ta xem xét ba chiều này riêng lẻ, tất cả đều rất có ý nghĩa. Tất nhiên, cũng có nhiều cách để xem ba chiều theo chiều ngang (như thể hiện trong hình bên dưới).

Vì RFM liên quan đến thời gian nên nhiều sinh viên sẽ gặp khó khăn trong việc phân chia thời gian khi thu thập dữ liệu. Nói một cách chính xác, doanh nghiệp càng cơ bản và tần suất tiêu dùng càng cao thì thời gian càng phải ngắn. Ví dụ điển hình nhất là thực phẩm tươi sống. Mọi người cần phải ăn mỗi ngày, nếu họ không ăn trong 7 ngày thì có thể sẽ có vấn đề. Bán lẻ hàng tiêu dùng nhanh thông thường có thể mất 30 ngày, trong khi bán lẻ quần áo và cửa hàng bách hóa có thể mất 90 ngày.

Tất nhiên, cách thực hành phổ biến hơn là uống thuốc hàng tháng . Ví dụ, R được tính theo tháng, còn F và M được tính dựa trên các giá trị trong năm gần nhất. Người ta làm như vậy đơn giản vì nó dễ hiểu hơn.

RFM về cơ bản là phương pháp tìm ra tiêu chí đánh giá bằng cách sử dụng ba chiều phân loại. Thông qua phép tính kết hợp của ba chiều, chúng ta có thể xác định người dùng là tốt hay xấu, sau đó thực hiện các biện pháp tương ứng.

Ý nghĩa thực sự của RFM là phương pháp suy ra giá trị người dùng từ dữ liệu giao dịch, do đó rất khả thi! Bạn nên biết rằng nút thắt lớn nhất trong phân tích dữ liệu là thu thập dữ liệu và miễn là một doanh nghiệp bình thường thì phải có dữ liệu giao dịch.

Do đó, chỉ cần công ty thiết lập cơ chế xác thực ID người dùng thống nhất thì có thể liên kết ID người dùng với dữ liệu giao dịch và sử dụng RFM để phân tích người dùng. Có thể thực hiện được ngay cả khi không nhúng điểm, trang web hoặc thông tin cơ bản. Đây là một công cụ tiện lợi và dễ sử dụng.

Tất nhiên, mọi công cụ tiện lợi và dễ sử dụng đều có một số nhược điểm và mô hình RFM cũng không ngoại lệ.

2. Nhược điểm lớn nhất của RFM

Hạn chế lớn nhất của RFM nằm ở khả năng xác thực thống nhất ID người dùng. Đừng đánh giá thấp những từ này vì chúng rất khó đạt được ở nhiều công ty. Ví dụ, khi bạn đến siêu thị, cửa hàng chuỗi hoặc cửa hàng để mua thứ gì đó, nhân viên thu ngân thường sẽ hỏi một cách máy móc: Bạn có thẻ thành viên không? Nếu câu trả lời là không, cô ấy sẽ để bạn đi. Kết quả là nhìn chung 70%-90% đơn hàng tại cửa hàng ngoại tuyến không thể liên kết với ID người dùng, dẫn đến mất toàn bộ dữ liệu người dùng. Áp dụng RFM trực tiếp có thể dễ dàng đánh giá sai hành vi của người dùng.

Đối với những người dùng có nhiều thẻ thành viên để thay phiên nhau được giảm giá, nhiều người dùng sử dụng một thẻ VIP để được giảm giá nhiều nhất và nhân viên cửa hàng sử dụng thẻ của người thân để được giảm giá cho các đơn hàng không cần CMND, những điều này diễn ra liên tục và phổ biến ở cả công ty truyền thống và công ty trực tuyến.

Vì vậy, khi bạn tạo mô hình RFM , nếu bạn thực sự thấy người dùng loại 111, đừng quá vui mừng quá sớm, vì chín trong mười trường hợp đều có vấn đề . Các công ty ngày nay thường hoạt động trên nhiều nền tảng cùng lúc, bao gồm Tmall, JD.com, trung tâm thương mại WeChat của riêng họ, Youzan, v.v., điều này khiến việc chứng nhận thống nhất trở nên khó khăn hơn. Nếu bạn không lập kế hoạch tốt, bạn sẽ dễ rơi vào hố trợ cấp vô tận.

3. Vấn đề sâu xa hơn của RFM

Ngay cả khi xác thực ID người dùng thống nhất được thực hiện, RFM vẫn còn một vấn đề sâu xa hơn.

Chúng ta hãy cùng xem xét ba giả định cơ bản của mô hình RFM:

R: Người dùng ở lại càng lâu thì nguy cơ mất khách hàng càng cao.

F: Tần suất sử dụng càng cao thì họ càng trung thành

M: Người dùng mua càng nhiều thì giá trị càng cao

Đây là một câu hỏi phản biện: Ba giả định này có hợp lệ không? Nếu chúng ta không xem xét nó trong bối cảnh của các ngành công nghiệp cụ thể, sản phẩm cụ thể hoặc hoạt động cụ thể thì điều này có vẻ đúng. Nhưng khi thảo luận chi tiết, chúng ta sẽ thấy rằng nhiều tình huống không đáp ứng được ba giả định này. Do đó: Chỉ nói về RFM mà không kết hợp nó với các sản phẩm và hoạt động thì rất có thể sẽ gây ra lỗi .

R: Người dùng ở lại càng lâu thì nguy cơ mất khách hàng càng cao.

Đối với nhu cầu tiêu dùng theo mùa như quần áo, người dùng thường có khoảng cách 2-3 tháng.

Nếu đó là sản phẩm mới sử dụng điện thoại di động và máy tính bảng, thì khoảng thời gian này về cơ bản sẽ tuân theo chu kỳ cập nhật sản phẩm.

Nếu đó là sản phẩm bền lớn như đồ nội thất, nhà ở hoặc ô tô thì R không có ý nghĩa gì vì người dùng sẽ chỉ mua nó hai lần trong đời.

Nếu là hình thức thanh toán trả trước rồi sau đó là mô hình thẻ quẹt thì R sẽ không tồn tại và cần phải được thay thế bằng dữ liệu xác minh. Do đó, R không nhất thiết có nghĩa là có nguy cơ mất người dùng, đặc biệt là bây giờ chúng ta đã nhúng dữ liệu, hành vi tương tác của người dùng có thể giải thích vấn đề tốt hơn.

F: Tần suất sử dụng càng cao thì họ càng trung thành

Nếu mức tiêu thụ của người dùng được thúc đẩy bởi sự kiện, chẳng hạn như sự kiện, ngày lễ, sinh nhật, cuối tuần...

Nếu mức tiêu dùng của người dùng được thúc đẩy bởi các hoạt động, chẳng hạn như mua hàng khi có giảm giá...

Nếu mức tiêu thụ của người dùng là cố định, ví dụ, lượng thuốc mua là 30 ngày...

Các tình huống trên sẽ dẫn đến giá trị F không ổn định, có thể được tạo ra ngẫu nhiên hoặc bị thao túng một cách nhân tạo. Nhiều công ty triển khai mô hình RFM một cách cứng nhắc và thường đặt ra giá trị F cố định, chẳng hạn như khuyến khích người dùng mua bốn lần, vì dữ liệu cho thấy những người dùng mua hơn bốn lần là những người rất trung thành. Kết quả là người dùng chia tách các đơn hàng một cách giả tạo và cuối cùng giá trị F tăng lên và lợi nhuận giảm xuống.

M: Người dùng mua càng nhiều thì giá trị càng cao

Còn nếu người dùng muốn săn hàng giảm giá và tích trữ khi có đợt giảm giá thì sao?

Nếu người dùng mua nhiều sản phẩm rồi chán hoặc không còn dùng nữa thì sao?

Nếu người dùng mua hàng hóa bền, điều gì sẽ xảy ra nếu họ phải đợi hơn mười hoặc hai mươi năm sau khi đặt hàng? Còn nếu bản thân việc tiêu dùng của người dùng có vòng đời, chẳng hạn như các sản phẩm dành cho bà mẹ và trẻ em hoặc trò chơi, và đã đến cuối vòng đời thì sao?

Trong nhiều trường hợp, việc người dùng đã mua nhiều trong quá khứ không có nghĩa là họ sẽ mua nhiều trong tương lai. Hai cái này không tương đương nhau. Do đó, nếu bạn thực sự thấy khách hàng có số điện thoại 011, 001 hoặc 101, đừng vội gửi phiếu giảm giá. Điều quan trọng là phải tìm ra vấn đề thực sự.

Ngoài những vấn đề xảy ra với từng chiều riêng lẻ, vấn đề cũng có thể xảy ra khi xem xét cả ba chiều cùng nhau. Nguyên nhân là do cấu trúc người dùng của nhiều công ty không theo hình kim tự tháp mà theo hình tháp Eiffel: có quá nhiều người dùng không hoạt động tập trung ở phía dưới và hầu hết người dùng không hoạt động này chỉ có một đơn hàng hoặc bị mất sau vài lần đăng nhập. Do đó, nếu RFM thực sự được chia thành tám loại, tỷ lệ người dùng trên 000 có thể đặc biệt cao.

Điều này có nghĩa là những người dùng còn sống sót hiện tại có thể là kết quả của sự thiên vị người sống sót và 111 hiện tại không phải là tương lai của 000 . Chúng ta cần phân tích sâu hơn lý do tại sao lại có một lượng lớn người dùng không hoạt động và thậm chí thay đổi quy trình từ gốc để giải quyết vấn đề. Đây chỉ là ứng dụng cơ học của RFM. Điều này có thể khiến doanh nghiệp đi vào ngõ cụt.

4. Lạm dụng RFM điển hình

Bản thân RFM không có gì sai cả. Khi dữ liệu khan hiếm (đặc biệt là khi thiếu dữ liệu bị chôn vùi), việc sử dụng RFM sẽ tốt hơn nhiều so với việc không sử dụng nó. Mỗi một trong ba chiều của RFM đều hữu ích. Cấu trúc tổng thể của RFM cũng phù hợp để đánh giá chất lượng chung của hoạt động của người dùng. Sai lầm ở đây là áp dụng RFM một cách máy móc mà không tiến hành phân tích chuyên sâu. Cái sai ở đây là thói quen thiếu suy nghĩ khi gọi khách hàng là "thử thách" khi thấy khách hàng mua hàng với số lượng lớn, và vội vàng phát phiếu giảm giá khi thấy khách hàng không mua. Việc chỉ phân phối phiếu giảm giá không chỉ làm chi phí tiếp thị tăng cao mà còn thu hút thêm nhiều người dùng lợi dụng tình hình, làm gián đoạn hoạt động bình thường chỉ để làm cho giá trị RFM có vẻ tốt hơn.

Cụ thể hơn, điều mà các bài viết trực tuyến và khóa học trực tuyến thích dạy nhất là: theo RFM, mỗi phân đoạn được chia thành 5 phân đoạn, chia thành 5*5*5=125 danh mục, sau đó sử dụng phân cụ K-means để phân cụ chúng thành 5-8 danh mục. Cách tiếp cận này hoàn toàn sai lầm.

Đầu tiên, sau khi phân cụm K-means, ngay cả lợi thế ban đầu của RFM vốn có ý nghĩa rõ ràng cũng không còn nữa. Việc diễn giải 8 loại này rất khó hiểu.

Thứ hai, điều này không tính đến việc cập nhật dữ liệu liên tục. Sau một tuần hoặc một tháng, chỉ báo RFM sẽ thay đổi! Bạn vẫn nhóm tất cả người dùng lại với nhau mỗi ngày chứ?

Thứ ba, phân cụ k-means không phải là phương pháp phân loại ổn định và phân loại không giám sát phù hợp hơn cho phân tích khám phá. Sau một tuần, người dùng được chia thành hai loại hoàn toàn khác nhau, điều này sẽ khiến các nhà hoạch định tiếp thị và vận hành rất bối rối khi triển khai các chính sách: mỗi ngày lại khác nhau, họ nên quảng bá những gì?

Về cơ bản, vì các khóa học trực tuyến và bài viết trực tuyến cung cấp bảng dữ liệu tĩnh được làm sạch hoàn hảo nên không cần phải hợp tác với các phòng ban khác hoặc xem xét các tình huống liên tục, do đó chúng tôi đã chọn phương pháp mô hình + thuật toán. Vâng, việc bạn có sử dụng được hay không cũng không quan trọng, điều quan trọng nhất là phải trông thật tuyệt vời!

5. Làm thế nào để RFM hữu ích hơn

Từ các kịch bản toàn diện về sự thất bại của RFM, chúng ta có thể thấy rằng năm yếu tố chính, cụ thể là tính theo mùa, đặc điểm sản phẩm, hoạt động khuyến mại, sự kiện ngày lễ và vòng đời người dùng, sẽ ảnh hưởng đến hành vi của người dùng. Do đó, điều quan trọng là không chỉ giới hạn ở RFM mà còn phải tiến hành nghiên cứu chuyên sâu về các tình huống của người dùng.

Lưu ý rằng việc nghiên cứu năm yếu tố này không khó như bạn nghĩ. Ví dụ, nhiều sản phẩm có mối tương quan nội tại và bạn có thể hiểu được chúng miễn là bạn hiểu rõ về doanh nghiệp đó. Ví dụ, tính theo mùa và các sự kiện ngày lễ về cơ bản liên quan đến thời gian. Do đó, bằng cách gắn nhãn thời gian người dùng đăng nhập và sử dụng, có thể thực hiện phân tích (như thể hiện trong hình bên dưới). Tương tự như vậy đối với việc khuyến mại. Chương trình khuyến mãi có thể được xác định trực tiếp từ đơn hàng, do đó cũng dễ dàng gắn nhãn người dùng là nhạy cảm với chương trình khuyến mãi.

Vòng đời của người dùng đòi hỏi phải thu thập dữ liệu và chỉ cần thu thập những dữ liệu quan trọng nhất. Vòng đời người dùng điển hình nhất là hoạt động trong ngành sản phẩm dành cho bà mẹ và trẻ sơ sinh. Các công ty chắc chắn sẽ thu thập dữ liệu quan trọng nhất: thai kỳ được bao nhiêu tuần. Các ông bố có thể không hiểu rõ về dữ liệu này, nhưng các bà mẹ chắc chắn rất hiểu rõ về nó. Khi đã biết điểm bắt đầu, bạn có thể tính toán được bước tiếp theo. Các ví dụ tương tự bao gồm chuỗi nhà thuốc thực hiện quản lý bệnh mãn tính, giáo dục K12, v.v.

VI. Bản tóm tắt

Bất kỳ mô hình nào cũng có bối cảnh lịch sử, cơ sở dữ liệu và phạm vi sử dụng riêng và không phải tất cả các mô hình đều hướng tới mục tiêu chính xác. Đơn giản, dễ sử dụng và không gặp sự cố là những yếu tố được cân nhắc nhiều nhất.

Tác giả: Thầy giáo thực tế Chen

Tài khoản công khai WeChat: Giáo viên Chen thực tế