Jak optimalizovat directmailové kampaně pomocí RFM analýzy

Jak optimalizovat directmailové kampaně pomocí RFM analýzy

Pro společnost IKEA jsme vytvořili RFM analýzu hodnotící interakce členů věrnostního programu IKEA FAMILY. V ní se kromě obligátního pohledu na transakční historii uživatelů pohlíží také na jejich emailovou aktivitu (tedy angažovanost prostřednictvím komunikačního kanálu). Výstupy jsou pak založené na kombinaci těchto pohledů.

Kde se protínají nadšenci do bydlení se sběrateli bodů?
Přeci v IKEA FAMILY klubu!

TL;DR

Pokud jste již někdy drželi v ruce plastovou kartičku oranžové barvy, pak víte, co se skrývá za tímto věrnostním programem IKEA. V našem výstupu jsme rozdělili její členy do pěti segmentů. Spojili jsme v nich pohled transakcí s pohledem interakcí prostřednictvím emailu. Tyto skupiny se nyní využívají pro přehled o rozvržení zákaznické báze. Ke každé skupině jsme kromě perfektně rozzařených zákazníků dodali i doporučení, jak s nimi pracovat (reaktivační kampaň, průzkum potřeb pomocí dotazníku atp.).

Všechny stejným dílem?

Hlavním přínosem věrnostních programů je porozumění zákazníkům. Nasbíraná data nám umožňují:

  • Identifikovat typy zákazníků a jejich chování
  • Cíleně oslovovat pomocí zaměřených kampaní
  • Podporovat opakovaný nákup a loajalitu
  • Zabránit odchodu zákazníků

Rozlišení nákupního chování zákazníků umožňuje přizpůsobit se jejich požadavkům a stylu komunikace. To na jedné straně zvyšuje jejich spokojenost a současně vede k úsporám na straně firmy. Zákazníky, kteří už s velkou pravděpodobností nenakoupí, totiž nemá smysl oslovovat, zatímco ty, kteří utrácejí větší částky, můžeme zvát na speciální akce a komunikaci s nimi rozvíjet.

Recency, Frequency & MONEY!

RFM analýza je jedním z nejpoužívanějších nástrojů marketérů pro zjištění hodnoty zákazníků a to ve třech dimenzích:

  • recency: podle času, který uplynul od posledního nákupu
  • frequency: dle četnosti nákupů a
  • monetary: celkové či průměrné peněžní hodnoty všech nákupů daného zákazníka

Naším cílem bylo segmentovat členy IKEA FAMILY pro Českou republiku, Slovensko a Maďarsko. Zkombinovali jsme přitom transakční data (tedy nákupy zákazníka) s daty z emailingového nástroje (interakce prostřednictvím komunikačního kanálu), ve statistickém jazyce R.

Nyní bylo důležité zvolit a aplikovat správně postupy:

  1. Datová hygiena (čištění, ověřování integrity)
  2. Výpočet & vyhodnocení souvislostí
  3. Popis segmentů, aplikace vhodných postupů

Nejprve jsme agregovali hodnoty pro každého člena a ohodnotili emailovou aktivitu pomocí skóre. Zajímala nás informace o zasílání emailů, jejich čtení a navazující aktivita na internetových stránkách. Podobně jsme vyhodnotili i transakční historii.

Všechny členy jsme nemohli klasifikovat z obou aspektů (tedy transakčního i emailového), protože někteří neměli žádnou transakční historii a někteří neměli emailingovou historii.

ikea_data

Segmentace klientů je ve své podstatě zjednodušení pohledu na zákazníky a sjednocení do skupin dle shodných parametrů, se kterými by bylo možné dále pracovat. Klíčové je najít hodnoty zlomu, tedy přechod z jednoho segmentu do druhého. Hodně obecný pohled na segmenty dle RFM může být například následující (rozlišujeme pouze dvě polohy po každou dimenzi):

  1. ↑R↑F↑M Best: to jsou nejlepší zákazníci, jejich poslední nákup proběhl relativně nedávno, nakupují s největší frekvencí a utrácejí nemalé částky
  2. ↑R↓F↑M Valuable: tito zákazníci ve firmě utratili vysoké částky, i přesto mohou být relativně noví, protože nakoupili pouze několikrát
  3. ↑R↑F↓M Shopper: tito zákazníci nakupují často, ale za nižší částky. Jejich poslední nákup proběhl nedávno
  4. ↑R↓F↓M First Time: jedná se o nové zákazníky, jejichž poslední nákup proběhl nedávno a neměli tudíž možnost nakoupit za vysoké částky
  5. ↓R↑F↑M Churn: jejich poslední nákup proběhl před dlouhou dobou, dříve nakupovali často a za vysoké částky
  6. ↓R↑F↓M Frequent: tito zákazníci jsou věrní, ale nakupují za nízké částky
  7. ↓R↓F↑M Spenders: nakupují zřídka, ale za vysoké částky, jejich poslední nákup proběhl před dlouhou dobou
  8. ↓R↓F↓M Dead: jejich poslední nákup proběhl před dlouhou dobou, v malém množství a za nízké částky, je malá šance, že se podaří tyto zákazníky reaktivovat

Toto je ovšem velmi obecné rozčlenění a je doporučeno jej upravit danému kontextu a potřebám byznysu. Je možné rozdělit zákazníky do více segmentů (každá dimenze může nabývat 3 hodnot a více), což umožňuje upřesnění strategie s jednotlivými skupinami.

K čemu jsme došli

V našem případě jsme vytvořili 5 segmentů pro transakční pohled a 5 segmentů pro emailový pohled. Tyto segmenty jsme zkombinovali do 25 segmentů, ve kterých jsme členy rozdělili na finální rozpad:

  1. Zákazníci, kteří čtou a nakupují pravidelně: Tato skupina čte emaily a nakupuje s vysokou frekvencí.
  2. Pravidelní kupující, kteří přestali číst: Členové, kteří přestali číst emaily, ale stále nakupují.
  3. Noví kupující: Noví členové bez ohledu na jejich emailovou angažovanost (čtenost emailů i následná aktivita na stránkách).
  4. Pravidelní čtenáři, ale nenakupují: Přestali nakupovat, ale stále čtou a jsou v kontaktu se značkou.
  5. Bez jakékoliv komunikace: Členové, kteří přestali komunikovat i nakupovat, nebo nikdy nekomunikovali ani nenakupovali.

V průběhu vyhodnocování jsme zjistili, že různí členové obdrželi různé počty emailů a to i přesto, že byli ve věrnostním klubu stejnou dobu. Tomu jsme museli uzpůsobit váhování čtenosti a angažovanosti.

Pro srovnání a přehled o vývoji členské báze doporučujeme několikrát do roka analýzu opakovat. Tímto je možné sledovat životní cyklus zákazníků a jejich přesun v rámci segmentů, stejně tak efektivitu aplikovaných kampaní.

Další možností, jak výstupy upřesnit pro lepší určení strategie, je použití analýzy sentimentu podle reakcí na různé typy nabídek/newsletterů, tedy zda lépe reagují na cenu, kvalitu, atp.

Klíčovým bodem každé správné analýzy je poučení se a využití jejich výstupů a následné vyhodnocení provedených změn. Doufejme, že se nám díky této analýze podařilo zvýšit IKEA míru doručení, umožnit segmentaci emailů, nebo automatizaci rozesílek slevových kupónů.


Komentáře

Vaše emailová adresa nebude zveřejněna. Vyžadované informace jsou označeny *