مدل RFM روشی برای دستهبندی مشتریان براساس سه داده واقعی است: آخرین زمان خرید، تعداد دفعات خرید و مجموع مبلغ خرید. اگر فروشگاه تاریخ تراکنشها و شناسه مشتری را درست ثبت کند، با استفاده از مدل RFM میتوان مشتریان وفادار، تازهوارد، در معرض ریزش و کمفعال را از یکدیگر جدا کرد. دادههای ثبتشده در باشگاه مشتریان فروشگاهی نیز زمانی ارزشمند میشوند که از آنها برای چنین تحلیلهایی استفاده شود.
کاربرد مدل RFM فقط تهیه یک گزارش نیست؛ خروجی آن باید مشخص کند برای هر گروه از مشتریان چه پیشنهاد، پیام یا برنامه وفاداری مناسبتر است. به همین دلیل، این مدل میتواند مبنایی برای هدفمندکردن کمپینها و افزایش فروش فروشگاههای زنجیرهای باشد؛ البته به شرط آنکه دادهها پاکسازی شوند و امتیازها متناسب با چرخه خرید همان کسبوکار تعریف گردند.
مدل RFM چیست و چه چیزی را اندازه میگیرد؟
RFM از حرف اول سه واژه Recency، Frequency و Monetary ساخته شده است. این سه شاخص بهترتیب تازگی خرید، تکرار خرید و ارزش پولی خرید مشتری را نشان میدهند.
| شاخص RFM | پرسش اصلی | روش محاسبه |
| Recency یا تازگی خرید | چند روز از آخرین خرید مشتری گذشته است؟ | تاریخ تحلیل منهای تاریخ آخرین خرید |
| Frequency یا تکرار خرید | مشتری در بازه بررسی چند بار خرید کرده است؟ | تعداد فاکتورهای معتبر یا سفارشهای تکمیلشده |
| Monetary یا ارزش پولی | مشتری در این بازه چه مبلغی خرید کرده است؟ | مجموع مبلغ خالص خرید پس از کسر مرجوعی و تخفیف |
در مقدار خام Recency، عدد کمتر بهتر است؛ زیرا مشتری بهتازگی خرید کرده است. در مقابل، مقدار بیشتر Frequency و Monetary معمولاً نشانه تعامل و ارزش خرید بالاتر است. پس از تبدیل مقادیر خام به امتیاز، میتوان قرارداد را طوری تعریف کرد که عدد ۵ بهترین و عدد ۱ ضعیفترین وضعیت باشد.
چرا مدل RFM مبنای تقسیمبندی مشتری است؟
تقسیمبندی براساس سن، شهر یا جنسیت توضیح میدهد مشتری چه ویژگیهایی دارد، اما لزوماً نشان نمیدهد چگونه خرید میکند. مدل RFM مبنای تقسیمبندی مشتری را بر تراکنش واقعی قرار میدهد. برای نمونه، دو مشتری ممکن است مجموع خرید یکسانی داشته باشند، اما یکی طی ماه گذشته چند بار خرید کرده و دیگری شش ماه است بازنگشته باشد. تحلیل RFM این تفاوت را آشکار میکند تا پیام و بودجه بازاریابی برای همه مشتریان یکسان نباشد.
محاسبه RFM چگونه انجام میشود؟
1. بازه تحلیل و تاریخ مرجع را تعیین کنید
ابتدا دوره بررسی را مشخص کنید؛ برای مثال شش ماه یا یک سال. بازه باید با چرخه خرید هماهنگ باشد. برای سوپرمارکت، بازه کوتاهتر مناسب است، اما برای لوازم خانگی نباید از مشتری انتظار خرید ماهانه داشت.
2. دادههای لازم را آماده کنید
دادههای لازم شامل شناسه یکتای مشتری، شماره فاکتور، تاریخ خرید و مبلغ خالص است. فاکتورهای لغوشده، تراکنشهای تکراری و مرجوعیها باید حذف یا اصلاح شوند. در فروشگاه چندشعبهای نیز خریدهای هر مشتری باید زیر یک شناسه واحد تجمیع شود.
3. سه مقدار خام را به دست آورید
برای هر مشتری، سه مقدار زیر محاسبه میشود:
R = فاصله تاریخ مرجع تا آخرین خرید
F = تعداد فاکتورهای معتبر در بازه تحلیل
M = مجموع مبلغ خالص خرید در همان بازه
Frequency را براساس تعداد فاکتور محاسبه کنید، نه تعداد ردیف کالا؛ وگرنه یک فاکتور دهقلمی، ده خرید شمرده میشود.
4. مشتریان را امتیازدهی کنید
یکی از روشهای رایج، تقسیم مشتریان به پنج گروه هماندازه است. تازهترین ۲۰ درصد امتیاز R برابر ۵ میگیرند. برای F و M، بیشترین تکرار و مبلغ امتیاز ۵ دریافت میکند.
در بعضی منابع عدد ۱ بهترین سطح در نظر گرفته میشود. هیچکدام ذاتاً غلط نیست؛ مهم این است که قرارداد امتیازدهی در تمام گزارشها یکسان باشد. اگر عدد بالاتر را بهتر تعریف کنید، کد ۵۵۵ بهترین وضعیت را نشان میدهد.
5. کد RFM و گروه مشتری را بسازید
سه امتیاز در کنار هم یک کد میسازند. امتیاز ۵۴۵ یعنی مشتری بهتازگی خرید کرده، تکرار خرید بالایی دارد و مبلغ خرید او نیز زیاد است. میتوان امتیاز وزنی هم ساخت؛ برای کالاهای پرتکرار R و F و برای کالاهای گران و کمتکرار M ممکن است وزن بیشتری بگیرد.
مثال ساده از تقسیمبندی مشتریان براساس تحلیل RFM
فرض کنید پس از امتیازدهی، پنج مشتری به نتایج زیر رسیدهاند:
| مشتری | امتیاز RFM | تفسیر | اقدام پیشنهادی |
| الف | ۵۵۵ | قهرمان؛ تازه، پرتکرار و باارزش | دسترسی زودتر به محصولات و مزایای اختصاصی |
| ب | ۴۵۴ | وفادار | پیشنهاد مکمل و برنامه ارتقای سطح |
| پ | ۵۲۳ | تازه و امیدوارکننده | تشویق به خرید دوم بدون تخفیف سنگین |
| ت | ۲۴۴ | باارزش اما در معرض ریزش | پیام بازگشت و پیشنهاد متناسب با سابقه خرید |
| ث | ۱۱۱ | غیرفعال یا ازدسترفته | کمپین محدود بازفعالسازی یا حذف از ارسالهای پرهزینه |
مرز گروهها را نباید از یک جدول آماده کپی کرد؛ قواعد باید با توزیع داده، فصل فروش و فاصله طبیعی میان خریدها هماهنگ شوند.
مهمترین گروههای مشتری در مدل RFM
تقسیمبندی مشتریان براساس تحلیل RFM معمولاً به چند گروه اجرایی تبدیل میشود:
- قهرمانان: در هر سه شاخص امتیاز بالایی دارند؛ مزایای اختصاصی از تخفیف عمومی برایشان مناسبتر است.
- مشتریان وفادار: دفعات خریدشان زیاد است؛ پیشنهاد کالای مکمل و برنامه سطحبندیشده برای آنها مناسب است.
- مشتریان تازه و امیدوارکننده: بهتازگی خرید کردهاند، اما هنوز تکرار خرید ندارند؛ هدف، تبدیل خرید اول به خرید دوم است.
- مشتریان در معرض ریزش: قبلاً تکرار یا مبلغ خرید خوبی داشتهاند، ولی مدتی است بازنگشتهاند.
- مشتریان غیرفعال: در هر سه شاخص امتیاز پایینی دارند و ارسال مداوم تخفیف برایشان میتواند هزینهزا باشد.
باشگاه مشتریان باران داده رفتار خرید را کنار سیاستهای وفاداری قرار میدهد؛ هر گروه نیز باید کمپین متناسب خودش را داشته باشد.
شناسایی مشتریان سودآور براساس مدل RFM
امتیاز M میزان خرید را نشان میدهد، نه سود خالص را. مشتری کالاهای کمحاشیه یا دارای تخفیف سنگین ممکن است مبلغ خرید بالایی داشته باشد، اما الزاماً سودآورترین مشتری نیست.
برای شناسایی دقیقتر مشتریان سودآور، بهتر است M را براساس فروش خالص محاسبه کرده و در تحلیل تکمیلی حاشیه سود کالا، هزینه تخفیف، مرجوعی و هزینه خدمترسانی را نیز وارد کنید. بنابراین مدل RFM ابزار خوبی برای شناسایی مشتریان باارزش است، ولی برای سنجش سودآوری واقعی باید کنار دادههای مالی و هوش تجاری در فروشگاههای زنجیرهای استفاده شود.
روش RFM و LRFM چه تفاوتی دارند؟
در روش LRFM، شاخص Length یا طول رابطه به سه شاخص اصلی اضافه میشود و معمولاً فاصله میان نخستین و آخرین خرید مشتری را نشان میدهد.
| مدل | شاخصها | کاربرد مناسب |
| RFM | تازگی، تکرار و مبلغ خرید | تحلیل سریع رفتار خرید و طراحی کمپین |
| LRFM | طول رابطه بهعلاوه سه شاخص RFM | تشخیص مشتریان باسابقه از مشتریان تازه اما پرخرید |
مشتری جدید ممکن است در مدتی کوتاه چند خرید بزرگ انجام دهد و امتیاز بالایی بگیرد، اما هنوز وفاداری بلندمدتش ثابت نشده باشد. LRFM این تفاوت را بهتر نشان میدهد؛ RFM نیز برای اجرای سریعتر، سادهتر است.
اجرای مدل RFM در نرم افزار فروشگاهی باران
برای اجرای مدل، داده فروش باید در سطح مشتری قابل ردیابی باشد. اطلاعات صندوق، باشگاه و شعب نیز نباید جدا بماند. دادههای نرم افزار صندوق باران و نرم افزار فروش باران زمانی ورودی مناسبی هستند که شناسه مشتری، تاریخ و مبلغ خالص فاکتور کامل ثبت شود.
در مجموعهای که از نرم افزار باران استفاده میکند، اتصال اطلاعات عملیاتی و گزارشگیری متمرکز برای تحلیل رفتار مشتری اهمیت دارد. برنامه باران یا سامانه باران جای الگوریتم RFM را نمیگیرد؛ بلکه داده لازم را برای گزارشگیری، باشگاه مشتریان یا لایه تحلیلی فراهم میکند.
اگر مشتری در شعب مختلف با شناسههای متفاوت ثبت شود، R، F و M اشتباه خواهند بود. بنابراین پیش از کمپین باید کیفیت داده در نرم افزار فروشگاهی باران و قواعد شناسایی مشتری بررسی شود.
اشتباهات رایج در تحلیل RFM
- انتخاب یک بازه زمانی ثابت برای کالاهایی با چرخه خرید متفاوت
- محاسبه Frequency براساس ردیف کالا بهجای فاکتور معتبر
- نادیدهگرفتن مرجوعی، لغو سفارش و تخفیف در Monetary
- ثبت یک مشتری با چند شماره یا شناسه متفاوت
- ترکیبنکردن خریدهای حضوری، آنلاین و شعب مختلف
- ارسال یک پیشنهاد مشابه برای تمام گروههای RFM
- یکسان دانستن “مبلغ خرید بالا” با “سودآوری بالا”
- اجرای تحلیل فقط یکبار و بهروزرسانینکردن امتیازها
مدل باید متناسب با سرعت تغییر رفتار مشتری، ماهانه یا فصلی دوباره محاسبه شود. روند تغییر امتیاز گاهی از امتیاز فعلی ارزشمندتر است.
جمعبندی
مدل RFM نشان میدهد چه کسی اخیراً خرید کرده، چند بار بازگشته و چه مبلغی پرداخته است. ارزش آن در تبدیل امتیازها به اقدام برای حفظ مشتریان ارزشمند و بازگرداندن افراد در معرض ریزش است.
اجرای دقیق مدل به داده یکپارچه، شناسه مشتری صحیح و اتصال اطلاعات فروش، صندوق و باشگاه مشتریان نیاز دارد. برای بررسی زیرساخت مناسب، دریافت دمو یا دسترسی به شماره پشتیبانی نرم افزار باران میتوانید با ارقام نگار اندیشه در ارتباط باشید.
پرسشهای متداول درباره مدل RFM
اگر مقیاس ۱ تا ۵ باشد و عدد بالاتر وضعیت بهتر را نشان دهد، امتیاز ۵۵۵ بهترین ترکیب است. بااینحال، بعضی سازمانها عدد ۱ را بهترین سطح تعریف میکنند؛ بنابراین راهنمای امتیازدهی گزارش باید بررسی شود.
بله. برای دادههای محدود میتوان R، F و M را با جدول محوری و توابع رتبهبندی در اکسل محاسبه کرد. برای دادههای پرتراکنش یا چندشعبهای، اجرای خودکار خطای کمتری دارد.
RFM تکرار و تازگی خرید را نشان میدهد، اما رضایت یا احتمال قطعی خرید آینده را مستقیماً اندازه نمیگیرد. طول رابطه، حاشیه سود و نرخ پاسخ به کمپین باید جداگانه بررسی شوند.