بخش‌بندی مشتریها فرآیندی است که طی آن مشتریها بر اساس رفتارهایشان در گروه‌های مختلفی قرار می‌گیرند. این گروه‌های مشتری در کمپین‌های بازاریابی، پیدا کردن مشتری‌هایی با سود بیشتر و به دست آوردن مشتری‌های وفادار می‌تواند سودمند باشد.
مشتریها را می‌توانیم بر اساس ویژگی‌های زیر گروه‌بندی کنیم:
یکی از محبوب‌ترین، آسان‌ترین و در عین حال موثرترین روش‌های بخش‌بندی بازار تحلیل RFM است که در میان روش‌های «بخش‌بندی رفتاری» جای می‌گیرد. این روش در بازاریابی مدرن و برای کسب‌وکارهای آنلاین بسیار متداول است و به بازاریاب‌ها کمک می‌کند رفتار مشتری را تحلیل کنند.
شاخص RFM مخفف واژه‌های R (Recency) به معنی تازگی، F (Frequency) به معنی دفعات و M (Monetary) به معنی ارزش مالی است. این معیارها شاخص‌های مهمی درمورد رفتار مشتری هستند، چون دفعات و ارزش مالی خرید روی ارزش چرخه عمر مشتری تاثیرگذار است و تازگی روی نگهداری مشتری تاثیر می‌گذارد.
فاکتورهای RFM بیانگر این موارد هستند:
همچنین تحلیل RFM به بازاریاب‌ها کمک می‌کند پاسخ سوالات زیر را پیدا کنند:
همانطور که اشاره شد،RFM به معنای تازگی، تعداد دفعات و ارزش خرید است:
ارزش مالی: به این معنی که مشتری در یک بازه زمانی مشخص چقدر پول خرج کرده است.
تازگی: از آخرین خرید مشتری چقدر زمان می‌گذرد.
تعداد دفعات: مشتری در یک بازه مشخص زمانی چند بار خرید کرده است.
در این مدل ایده اصلی این است که به هر مشتری ۳ عدد یا امتیاز نسبت داده شود که از روی آنها مشخص شود به چه گروهی تعلق دارند. اعدادی که برای امتیاز بندی به هر معیار انتخاب می‌شود عددی بین ۱ تا ۳ است. به این معنی که برای هر مشتری یک مجموعه عدد سه تایی برای معیارهای تازگی، تعداد و ارزش مالی وجود دارد.
برای تقسیم کردن مشتریها به ۵ دسته و اختصاص دادن عددی بین ۱ تا ۵ چندین راه وجود دارد. یکی از روش‌ها این است که مشتریها به ۵ دسته تقریبا مساوی تقسیم شوند. اگر مشتری در ۲۰ درصد بالای مشتریها باشد عدد ۵ و اگر در ۲۰ درصد انتهایی مشتریها باشد عدد ۱ به او اختصاص پیدا می‌کند. به عنوان مثال اگر اعداد RFM مربوط به یک مشتری 512 باشد، به این معنی است که از نظر تعداد تازگی آخرین خرید در ۲۰ درصد برتر مشتریها، اما از نظر ارزش مالی خریدهایش در ۲۰ درصد انتهایی مشتریها قرار دارد. از روی شاخص‌های RFM برای این مشتری می‌توانیم به این نتیجه برسیم، که این مشتری، یک مشتری جدید است که به تازگی اولین خریدش را انجام داده است.
براساس امتیاز RFM، می‌توانیم مشتریها را به ۱۱ بخش تقسیم کنیم:
در دیتاستی که در اختیار داریم، فیچرهای زیر برای در مجموع ۱۲۱۳۱۷ رکورد وجود دارد:
برای خوشه‌بندی داده براساس مدل RFM، لازم است شاخص‌های R، F و M را با استفاده از فیچرهای تعداد محصول خریداری‌شده، قیمت هر واحد کالا و تاریخ خرید استخراج کنیم.
امتیازبندی مشتریها براساس شاخص‌های RFM
برای امتیازبندی مشتریها از همان روش ۲۰درصد که در ابتدا گفته شد استفاده شد. با این استثنا که درمورد تعداد دفعات خرید، به خاطر اینکه تعداد مشتری‌هایی که فقط ۱ بار خرید کرده بودند خیلی بیشتر از مشتری‌هایی بود که دفعات بیشتری خرید کرده‌اند این توازن به هم ریخت.
تعداد و درصد مشتریها برای تعداد خریدهای ۱، ۲، ۳، ۴، ۵ و بیشتر خرید انجام داده‌اند و به‌ترتیب امتیازهای ۱ تا ۵ را دریافت کرده‌اند:
همانطور که پیداست حدود ۶۰درصد مشتریها فقط یک بار خرید انجام داده‌اند. حدود ۳۰درصد مشتریها ۲ بار و ۱۰ درصد مشتریها بیش از ۲ بار خرید کرده‌اند. افرادی که فقط یک بار خرید کرده‌اند، امتیاز ۱، افرادی که دو بار خرید کرده‌اند امتیاز ۲، و به همین ترتیب افرادی که ۵ یا تعداد بیشتری خرید کرده‌اند، امتیاز ۵ دریافت کرده‌اند.
درمورد تازگی آخرین خرید، مشتریها به ۵ قسمت ۲۰ درصدی تقسیم شدند. به‌طوری که افرادی که بین ۱ تا ۷۲ روز از آخرین خریدشان گذشته امتیاز ۵، بین ۷۲ تا ۱۳۱ امتیاز ۴، بین ۱۳۱ تا ۲۰۶ امتیاز ۳، بین ۲۰۶ تا ۲۹۰ امتیاز ۲ و بیش از ۲۹۰ روز امتیاز ۱ را دریافت می‌کنند.
درمورد مجموع خرید هم افرادی که بین ۱.۳۷ دلار تا ۴۰ دلار خرید کرده‌اند امتیاز ۱، افرادی که بین ۴۰ تا ۱۰۰ دلار خرید کرده‌اند امتیاز ۲، افرادی که بین ۱۰۰ تا ۱۲۲۸ دلار خرید کرده‌اند امتیاز ۳، بین ۱۲۲۸ تا ۳۵۷۸ امتیاز ۴ و بین ۳۵۷۸ تا ۸۸۲۲۷۳.۵۳ دلار امتیاز ۵ را دریافت می‌کنند.
حالا که امتیازها را داریم، قدم بعدی استفاده از الگوریتمی مانند K-means برای خوشه‌بندی مشتریها است.
به زبان ساده، نحوه کار الگوریتم K-means به این صورت است که ابتدا از مراکز خوشه‌ها که به صورت رندم انتخاب شده‌اند شروع می‌کند و فاصله بین اعضای هر خوشه با نقطه مرکزی را حساب می‌کند، و بعد با انجام محاسبات تکرارشونده سعی می‌کند مکان مراکز خوشه‌ها و داده‌هایی که به هر خوشه تعلق دارند را بهینه کند.
فرآیند یادگیری زمانی به پایان می‌رسد که مراکز به پایداری رسیده باشند، یعنی دیگر با محاسبات بیشتر تغییری در مکان آنها اتفاق نمی‌افتد و خوشه‌یابی با موفقیت انجام شده است. یا تعداد تعیین‌شده‌ای تکرار اتفاق بیفتد.
در الگوریتم K-means تعداد خوشه‌ها را باید به صورت ورودی تعیین کنیم؛ که در این بررسی تعداد خوشه‌های ۳ تا ۱۱ خوشه آزمایش شد تا براساس بهترین شاخص Silhouette به‌دست آمده و ترجیحی که خود ما نسبت به تعداد مناسب خوشه‌ها داریم، تعداد مطلوب خوشه‌ها انتخاب شود.
برای این خوشه‌بندی از ۸ خوشه استفاده شده و شاخص سیلووت ۴.۷ بوده است.
در این ۸ خوشه، شاخص‌های RFM به صورت زیر می‌باشد:
حالا که در نهایت امتیازهای RFM مشتریها را می‌دانیم و آنها را به ۸ خوشه تقسیم کرده‌ایم، باید تعیین کنیم که هر کدام از این خوشه‌ها مطابق با کدام دسته از مشتریها هستند که در جدول دسته‌بندی مشتری‌های براساس شاخص RFM ذکر شدند.
می‌توانیم خوشه‌های به‌دست آمده را به این شکل با دسته‌بندی مشتریها تطبیق بدهیم:
مدل RFM یک روش بازاریابی قوی است، این روش در دنیایی که تجربه مشتری مهم‌ترین مساله در بازاریابی است، می‌تواند یک برگه برنده باشد.
از طرفی وقتی از مدل RFM به همراه مدل‌ها سنتی بخش‌بندی بازار استفاده کنیم، در واقع به کسب‌وکار کمک کرده‌ایم که نگاه تازه‌ای به مشتریها فعلی و مشتری‌های جدیدش داشته باشد و شرایط بهینه‌ای ایجاد کند که ارزش طول عمر مشتری را به حداکثر برساند. یافتن تعادل مناسب بین تمرکز روی مشتریها جدید و مشتریها فعلی، به همراه تشخیص جزییات رفتار هر کدام از آنها، به کسب‌وکار کمک می‌کند بتواند طرح‌ها و برنامه‌های شخصی‌سازی‌شده برای مشتریها داشته باشد و در نتیجه بتواند اعتماد و وفاداری مشتریها را به دست بیاورد.
