รู้จักกับ RFM Analysis
เทคนิคการแบ่งกลุ่มลูกค้าเพื่อวางกลยุทธ์การตลาด พร้อมวิธีทำใน 3 ขั้นตอน
ในการทำธุรกิจต่าง ๆ โดยเฉพาะธุรกิจที่ต้องจัดการกับข้อมูลลูกค้า เช่น การขาย การที่เราสามารถนำข้อมูลของลูกค้าที่มีอยู่มาวิเคราะห์ จะช่วยให้เราพัฒนาการทำงานได้มีประสิทธิภาพมากขึ้น ในบทความนี้จะแนะนำให้ผู้อ่านรู้จักการวิเคราะห์ข้อมูลลูกค้าแบบที่มีวิธีการไม่ซับซ้อนที่เรียกกันว่า RFM Analysis
RFM Analysis คืออะไร
RFM เป็นคำย่อที่มาจากคีย์เวิร์ด 3 คำได้แก่ Recency, Frequency และ Monetary สำหรับงานทางด้านการขาย สามารถให้ความหมายได้ดังนี้
- ●Recency (R) คือ ลูกค้าซื้อสินค้าล่าสุดเมื่อไหน ลูกค้าที่ซื้อครั้งสุดท้ายไปเมื่อไม่นานนี้ ก็จะมีแนวโน้มที่จะยังกลับมาซื้ออยู่
- ●Frequency (F) คือ ลูกค้าซื้อบ่อยแค่ไหน ยิ่งซื้อบ่อยแปลว่าเป็นลูกค้าขาประจำ
- ●Monetary (M) คือ ลูกค้าซื้อไปมูลค่าเท่าใด ยิ่งซื้อมากก็ยิ่งเป็นลูกค้าที่มีมูลค่ามากที่ต้องรักษาไว้
การทำ RFM Analysis ก็คือการนำ 3 ปัจจัยนี้ มาวิเคราะห์เพื่อแบ่งกลุ่มลูกค้า (Customer Segmentation) ออกเป็นกลุ่มเพื่อตอบโจทย์ทางธุรกิจของเรา
ทำไมต้องแบ่งกลุ่มลูกค้า
หากเราเป็นเจ้าของร้านโชห่วยที่มีลูกค้าขาประจำเราก็คงจำได้ว่ารายไหนมาซื้อบ่อย ซื้อของเยอะ เราอาจจะลดแลกแจกแถมเพื่อรักษาคนนี้ไว้ หรือศึกษาพฤติกรรมว่าเขามาซื้ออะไรจากร้านเรา แต่หากเราเป็นธุรกิจขนาดใหญ่ เราคงไม่สามารถจำได้หมดว่าคนไหนเป็นลูกค้าประจำ คนไหนเป็นลูกค้าที่ซื้อเยอะ เราจึงต้องใช้ข้อมูลที่เรามีจากการขายนั้น มาแบ่งกลุ่มลูกค้าเป็นกลุ่มต่าง ๆ เพื่อให้เราสามารถดูแลลูกค้าชั้นดีของเราได้อย่างทั่วถึง ซึ่งลูกค้าแต่ละกลุ่มอาจจะต้องการการดูแลด้วยวิธีที่แตกต่างกัน
การทำ RFM Analysis เป็นหนึ่งในวิธีที่นิยมที่สุดในการแบ่งกลุ่มลูกค้า เพราะใช้เพียงแค่ข้อมูลการขายที่จัดเก็บมาทำการวิเคราะห์ โดยการวิเคราะห์เองก็ทำได้ไม่ยาก ใช้เพียง Excel ก็ทำได้แล้ว และยังสามารถตีความผลการวิเคราะห์เพื่อนำมาใช้จริงได้ง่ายอีกด้วย
คำนวณ ค่า RFM ได้อย่างไร
ในการทำ RFM Analysis นั้นจะต้องมีสององค์ประกอบคือ (1) ต้องสามารถระบุตัวลูกค้าได้ โดยที่เราไม่จำเป็นต้องระบุตัวตนลูกค้าว่าเป็นใครชื่ออะไร เพียงแค่สามารถบอกได้ว่าลูกค้าที่มาซื้อของเราในแต่ละครั้งเป็นคน ๆ เดียวกัน ซึ่งสามารถทำได้จากการที่ลูกค้าทำบัตรสะสมแต้ม หรือการให้สร้างบัญชีลูกค้า นั่นเป็นสาเหตุว่าทำไมหลาย ๆ ธุรกิจจึงมีบัตรสะสมแต้ม (Loyalty card) เพราะจะได้สามารถเก็บข้อมูลลูกค้ามาวิเคราะห์ได้
และ (2) มีการบันทึกข้อมูลการซื้อขายในระบบ ในการซื้อขายแต่ละครั้ง จะต้องมีการบันทึกข้อมูลการซื้อขายที่เพียงพอในการคำนวณค่า RFM เช่น วันที่ซื้อขาย และมูลค่าการซื้อขาย
เมื่อข้อมูลพร้อมแล้ว ก็สามารถนำมาวิเคราะห์ ได้ตามตัวอย่าง
1. เตรียมข้อมูลการซื้อขาย
เริ่มจากข้อมูลการซื้อขายแต่ละรายการ (Transaction)
2. คำนวณค่า Recency, Frequency และ Monetary
สำหรับลูกค้าแต่ละคน (ในตัวอย่างนี้จำแนกด้วย Customer ID) อาจจะคำนวณค่า RFM ได้ตามนี้ (สามารถปรับใช้ตามความเหมาะสมหรือตามวัตถุประสงค์ของแต่ละธุรกิจ)
- ●Recency = จำนวนวันนับจาก Transaction ล่าสุด
- ●Frequency = จำนวน Transaction ในช่วงเวลา 1 ปีที่ผ่านมา
- ●Monetary = จำนวนมูลค่ารวมของ Transaction ในช่วงเวลา 1 ปีที่ผ่านมา
3. คำนวณคะแนน RFM
ปรับค่า RFM เป็นคะแนนที่สามารถตีความได้ง่าย ๆ วิธีที่นิยมคือการหาค่าควินไทล์ (Quintile) ของแต่ละตัว เพื่อตัดเป็นคะแนนเป็น 1 – 5 ตามตำแหน่ง Quintile โดย Quintile ที่ 5 คือคนที่มี RFM ดีที่สุด 20% แรก หรืออาจจะ กำหนดเกณฑ์การให้คะแนนตามความเหมาะสม ของธุรกิจนั้น ๆ ก็ได้ เช่น M อาจทำเป็นลำดับขั้น เช่น 0-100 เป็น 1, 100-500 เป็น 2, 500-2000 เป็น 3, 2000-10000 เป็น 4, มากกว่า 10000 เป็น 5 เป็นต้น
จะได้ RFM Score สำหรับลูกค้าแต่ละคน
ตัวอย่างการใช้งานการวิเคราะห์ RFM เพื่อแบ่งกลุ่มลูกค้า
เราสามารถนำคะแนน RFM มาตีความและแบ่งกลุ่มลูกค้าได้ ซึ่งมีหลากหลายวิธี ตัวอย่างเช่น
ซึ่งต้องอาศัยการตีความของแต่ละธุรกิจในการสร้างกลุ่ม เมื่อแบ่งกลุ่มแล้ว เราอาจจะสามารถทำการตลาดตามความเหมาะสมในแต่ละกลุ่ม โดยอาจจะเป็นการตลาดทางตรง (Direct Marketing) เช่น ติดต่อโดยตรงเพื่อเสนอโปรโมชันไปยังลูกค้าในกลุ่มนั้น หรือโดยการตลาดทางอ้อม (Indirect Marketing) เช่น วิเคราะห์ Demographic ของแต่ละกลุ่ม เพื่อส่งโฆษณาไปยังคนที่ลักษณะตรงกับกลุ่มนั้น (Customer Look-a-like)
RFM โดยใช้ Excel
ตัวอย่างการคำนวณ RFM โดยใช้ Excel สามารถดาวน์โหลดไฟล์ตัวอย่างได้จากลิงก์นี้
RFM Analysis with Excel
ข้อจำกัด
RFM Analysis เป็นการวิเคราะห์ที่มีวิธีการที่ไม่ซับซ้อนและสามารถสร้างมูลค่าให้กับการวางแผนการตลาดได้ อย่างไรก็ตามก็ยังมีข้อจำกัดอยู่หลายประการ เช่น
• RFM Analysis ไม่ได้นำข้อมูลทางด้าน Demographic ของลูกค้า เช่น อายุ เพศ มาใช้ในการวิเคราะห์ ซึ่งหากต้องการนำข้อมูลเหล่านี้มาวิเคราะห์ร่วมด้วย อาจจะต้องใช้เทคนิคอย่าง K-means ซึ่งเป็น 1 ใน 4 ประเภทของการแบ่งกลุ่มข้อมูล (Clustering) มาช่วยในการวิเคราะห์เพิ่มเติม
• เป็นการวิเคราะห์ข้อมูลพฤติกรรมในอดีต แต่อาจจะไม่สามารถพยากรณ์พฤติกรรมในอนาคตได้ อาจจะต้องใช้เทคนิควิธีการทาง Predictive Analytics มาช่วยในการวิเคราะห์เพิ่มเติม ตัวอย่างการใช้ Big Data เพื่อส่งเสริมการลงทุน
• ไม่สามารถจำแนกชนิดสินค้าที่ซื้อขาย อาจจะต้องใช้เทคนิควิธีการอื่น เช่น Basket Analysis มาช่วยในการวิเคราะห์เพิ่มเติม มาทำความรู้จัก Association Rule: เครื่องมือเพื่อการวิเคราะห์ตะกร้าตลาด กัน!
แหล่งที่มา
RFM Analysis for Customer Segmentation | NotifyVisitors
What is RFM (recency, frequency, monetary) analysis and how does it work? (techtarget.com)
แปลและเรียบเรียงโดย นนทวิทย์ ชีวเรืองโรจน์
ตรวจทานและปรับปรุงโดย ดวงใจ จิตคงชื่น
โฆษณา
- ดาวน์โหลดแอปพลิเคชัน
- © 2024 Blockdit
