مدل RFM چیست و ما چطور محاسبهاش میکنیم؟
با سه عددی که همین حالا در تاریخچهٔ فروشت هست میتوانی بفهمی کدام مشتری وفادار است، کدام دارد میرود و کدام فقط یکبار آمده. روش محاسبهاش هم پیچیده نیست.
مدل RFM یک روش سادهٔ سگمنتبندی مشتریان است که هر مشتری را با سه عدد توصیف میکند: تازگی (Recency) یعنی چند روز از آخرین خریدش میگذرد، تکرار (Frequency) یعنی چند بار خرید کرده، و مبلغ (Monetary) یعنی مجموعاً چقدر خرید کرده است. محاسبهاش این است که هر سه عدد را به امتیازی بین ۱ تا ۵ تبدیل میکنیم و بر اساس ترکیبِ این سه امتیاز، مشتریها را در چند دستهٔ معنادار میگذاریم — مثل «قهرمان»، «در حال ریزش» یا «تازهوارد». تمام دادهٔ لازم هم همین حالا در تاریخچهٔ سفارشهای شما هست.
چرا هر سه عدد با هم؟
چون هیچکدام بهتنهایی تصویر درستی نمیدهد. مشتریای که مجموع خریدش بالاست ولی هشت ماه است پیدایش نیست، یک مشتریِ ازدسترفته است نه مشتریِ خوب. مشتریای که دیروز خرید کرده ولی همین یک بار، هنوز مشتری وفادار نیست. تازگی میگوید مشتری هنوز زنده است یا نه، تکرار میگوید عادت خرید شکل گرفته یا نه، و مبلغ میگوید این رابطه چقدر میارزد.
تجربهٔ عملی هم همین را تأیید میکند: از این سه، تازگی معمولاً قویترین پیشبینیکنندهٔ خرید بعدی است. کسی که همین ماه خرید کرده، خیلی بیشتر از کسی که پارسال خرید کرده احتمال دارد دوباره بخرد — هرچقدر هم که آن یکی در گذشته پرخرج بوده باشد.
ما چطور محاسبه میکنیم؟
قدم ۱ — دادهٔ خام و تاریخِ مبنا
از تاریخچهٔ سفارشها شروع میکنیم: شناسهٔ مشتری، تاریخ سفارش و مبلغ نهایی. سه تصمیم را همین اول میگیریم و مکتوب میکنیم، چون بعداً نتیجه را کاملاً عوض میکنند:
- تاریخِ مبنا: امروز، نه تاریخ آخرین رکورد در فایل. اگر دادهٔ شما دو ماه قدیمی باشد، همهٔ تازگیها دو ماه اشتباه میشوند.
- بازهٔ تحلیل: معمولاً ۱۲ ماه گذشته. کوتاهتر از آن، مشتریِ فصلی را ازدسترفته نشان میدهد؛ بلندتر از آن، آدمهایی را زنده حساب میکند که سالهاست رفتهاند.
- سفارشهای معتبر: مرجوعی، لغوشده و پرداختنشده حذف میشوند. این یک قلم، مبلغ بعضی مشتریها را تا حد زیادی جابهجا میکند.
قدم ۲ — سه عدد برای هر مشتری
برای هر مشتری سه مقدار حساب میکنیم: تازگی برابر است با فاصلهٔ روزِ آخرین خرید تا امروز؛ تکرار برابر است با تعداد سفارشهای معتبر در بازهٔ تحلیل؛ و مبلغ برابر است با مجموع خرید در همان بازه.
برای مبلغ، عمداً مجموع را میگیریم نه میانگین را. میانگین، مشتریِ تکخریدِ گران را همرتبهٔ مشتریِ دهبارخرید نشان میدهد و دقیقاً همان چیزی را پنهان میکند که دنبالش هستیم.
قدم ۳ — تبدیل عدد به امتیاز ۱ تا ۵
عددهای خام قابل مقایسه نیستند — «۴۵ روز» برای فروشندهٔ مواد غذایی یعنی مشتری رفته، برای فروشندهٔ لوازم خانگی یعنی کاملاً عادی. برای همین بهجای آستانهٔ ثابت، مشتریها را نسبت به هم رتبهبندی میکنیم: فهرست را مرتب میکنیم و به پنج بخشِ مساوی (پنجک) تقسیم میکنیم.
- تازگی: هرچه کمتر بهتر. ۲۰٪ مشتریانی که تازهترین خرید را دارند امتیاز ۵ میگیرند و ۲۰٪ قدیمیترینها امتیاز ۱.
- تکرار و مبلغ: هرچه بیشتر بهتر. ۲۰٪ بالا امتیاز ۵ و ۲۰٪ پایین امتیاز ۱.
حاصل، یک کدِ سهرقمی برای هر مشتری است؛ مثلاً ۵۵۴ یعنی بهتازگی خرید کرده، جزو پرتکرارترینهاست و در ردهٔ بالای مبلغ. اینجا یک تلهٔ عملی هست: در خیلی از کسبوکارها بیشتر مشتریها فقط یک خرید دارند، پس پنجکِ تکرار عملاً معنا ندارد. در این حالت برای تکرار از آستانهٔ ثابت استفاده میکنیم (مثلاً ۱ خرید، ۲ تا ۳، ۴ تا ۶، و بیشتر) و فقط تازگی و مبلغ را پنجکی نگه میداریم.
قدم ۴ — از ۱۲۵ ترکیب به چند سگمنتِ قابلاستفاده
سه امتیاز ۱ تا ۵ یعنی ۱۲۵ ترکیب — که هیچ تیمی نمیتواند برایشان کمپین بنویسد. پس ترکیبها را در چند دستهٔ کم و روشن جمع میکنیم. این پنجتا برای شروع کافی است:
- قهرمانها (تازگی و تکرار بالا): بهترین مشتریها؛ هدف، قدردانی و دسترسی زودتر — نه تخفیف.
- وفادارهای بالقوه (تازگی بالا، تکرار متوسط): هدف، تبدیلِ خرید دوم به عادت.
- تازهواردها (تازگی بالا، تکرار ۱): هدف، رساندن به خرید دوم؛ حساسترین دسته.
- در معرض ریزش (تکرار و مبلغ بالا، تازگی رو به افت): مهمترین دسته برای اقدام — اینجا پول واقعی در خطر است.
- خوابیدهها (تازگی خیلی پایین): هدف، یک تلاش برای بازگشت؛ اگر جواب نداد، خرجِ بیشتر روی این دسته اتلاف است.
و یک نکتهٔ اجرایی: این محاسبه یکبار انجام نمیشود. مشتری هر روز در حال جابهجایی بین سگمنتهاست، پس امتیازها باید بهصورت خودکار و دورهای (هفتگی یا شبانه) بازمحاسبه شوند. RFMی که در یک فایل اکسل حساب شده و سه ماه دستنخورده مانده، دیگر تحلیل نیست؛ عکسِ یادگاری است.
یک مثال عددی
فرض کنید فروشگاهی ۲٬۰۰۰ مشتری دارد و امروز محاسبه را اجرا میکنیم. سه مشتری را نگاه کنیم:
- 1مشتری الف: آخرین خرید ۱۲ روز پیش، ۹ سفارش، ۴۸ میلیون تومان. امتیاز ۵-۵-۵ — قهرمان.
- 2مشتری ب: آخرین خرید ۱۴۰ روز پیش، ۷ سفارش، ۵۲ میلیون تومان. امتیاز ۲-۵-۵ — در معرض ریزش. این مشتری از نظر ارزش با الف برابر است ولی دارد میرود؛ اگر فقط به مبلغ نگاه میکردید هرگز نمیدیدیدش.
- 3مشتری پ: آخرین خرید ۶ روز پیش، ۱ سفارش، ۹۰۰ هزار تومان. امتیاز ۵-۱-۱ — تازهوارد. هنوز هیچچیز دربارهٔ وفاداریاش نمیدانید؛ کارِ درست، رساندنش به خرید دوم است.
همین سه ردیف نشان میدهد چرا یک پیامکِ یکسان برای هر سه نفر، در بهترین حالت بیاثر است: الف نیازی به تخفیف ندارد، ب به یک دلیلِ برگشت نیاز دارد، و پ اصلاً هنوز شما را نمیشناسد.
چهار اشتباهی که نتیجه را بیاعتبار میکند
- دادهٔ پراکنده: اگر خرید حضوری در یک سیستم و خرید آنلاین در سیستم دیگری باشد، یک مشتری دو بار شمرده میشود و هر دو نسخهاش اشتباه است.
- تخفیف دادن به قهرمانها: پرتکرارترین اشتباه. به کسی که بههرحال میخرید تخفیف دادهاید و حاشیهٔ سودتان را کم کردهاید.
- یکسانگرفتنِ چرخهٔ خرید: در کسبوکاری با چرخهٔ خرید سالانه، ۹۰ روز سکوت اصلاً هشدار نیست. آستانهها باید با چرخهٔ واقعیِ خودتان تنظیم شوند.
- ساختنِ سگمنت بدون اقدام: سگمنتی که هیچ کمپین یا پیامی به آن وصل نیست، فقط یک گزارشِ قشنگ است.
ارزشِ RFM در محاسبهاش نیست؛ در کاری است که بعد از محاسبه با هر سگمنت میکنید.
بعد از سگمنتبندی، قدم بعدی چیست؟
برای هر سگمنت فقط یک اقدام تعریف کنید و یک معیار موفقیت بنویسید — مثلاً برای «در معرض ریزش»، نرخ بازگشت در ۳۰ روز. بعد یک ماه اجرا کنید و فقط یک متغیر را تغییر دهید. تغییرِ همزمانِ چند چیز یعنی هیچوقت نمیفهمید کدام کار کرد. اگر میخواهید بدانید این سگمنتها در عمل به چه چیزی وصل میشوند، مقالهٔ باشگاه مشتریان قدمهای راهاندازیاش را باز کرده است.
در اتوماسیون بازاریابی کایزن، همین محاسبه روی دادهٔ خودتان اجرا میشود و خروجیاش مستقیم به سگمنتساز میرود: شرطها را به زبان خودتان میسازید، همان لحظه میبینید چند نفر داخل سگمنت میافتند، و سناریوی هر سگمنت یکبار طراحی میشود و بعد خودکار اجرا میشود — بدون اینکه کسی هر هفته اکسل بهروز کند.
میخواهید ببینید مشتریهای خودتان در کدام سگمنتها میافتند؟ در یک جلسهٔ کوتاه روی دادهٔ واقعیتان نشانتان میدهیم.
درخواست دموی زنده