(R)ecency, (F)requency, (M)onetary value to klasyka analizy marketingowej. Wszyscy to znamy. Wielu z nas korzysta. Każdy z nas rozumie. Czy jednak na pewno? Analiza RFM ma bez wątpienia wiele zalet i dlatego też jest w użyciu już od wielu lat. Warto poznać jednak także jej wady i ograniczenia. Po to by stosować ją właściwie i nie usiłować rozwiązywać przy jej pomocy problemów, których nie jest w stanie rozwiązać.
RFM w praktyce
Podejście RFM jest metodą segmentacji klientów, która opiera się na trzech głównych wskaźnikach:
- Recency (ostatni zakup): określa, jak (nie)dawno klient dokonał zakupu.
- Frequency (częstotliwość zakupów): mierzy, jak często klient dokonuje zakupów.
- Monetary (wartość zakupów): określa, ile klient wydaje podczas każdego zakupu.
Zakładając, że mamy dane o transakcjach klientów, dla każdego z nich obliczamy wartość trzech wymienionych wcześniej wskaźników (R, F, M). Następnie wartości dla każdego wskaźnika dzielimy na grupy (przykładowo 3), gdzie grupa I to czołowa 1/3 klientów pod względem danego wskaźnika, grupa II do środkowa 1/3 klientów, a grupa III to najsłabsza 1/3 klientów. Dla lepszego zrozumienia rozważmy przykład konkretnego klienta. Klient ten ostatnio dokonał zakupu 15 dni temu, a więc całkiem niedawno. Kupuje średnio 2 razy w miesiącu, co w przypadku tej bazy konsumentów jest wysoką częstotliwością. Jego średni paragon jednak to zaledwie 50 zł, co jest na tle innych klientów stanowi bardzo niską wartość.
Nasz przykładowy klient jest zatem w czołowych grupach pod kątem R i F oraz w najsłabszej grupie ze względu na M. Może go zatem oznaczyć R-1, F-1, M-3. Przy takim podziale konsument może trafić do 1 z 27 segmentów (3R x 3F x 3M = 27) Warto zaznaczyć, że dla każdej grupy kategoryzować można również na więcej niż 3 przedziały. Wszystko zależy od tego, ile segmentów RFM chcemy uzyskać. Jak już wspomniałem wcześniej – przy podziale na 3 uzyskujemy 27 segmentów. Przy podziale na 4 mamy 64 segmenty. Jeśli będziemy dzielić na 5 to liczba segmentów wzrośnie aż do 125. Przy podziale na 6 uzyskamy 216 segmentów, a jeśli zakres każdej z 3 zmiennych zdecydujemy się dzielić na 10 przedziałów to łączna liczba segmentów osiągnie aż 1000.
Jakie zalety ma RFM?
Wśród zalet podejścia RFM możemy wskazać m.in.:
- Prostota i łatwość interpretacji – wynika z niewielkiej liczby zmiennych (trzy), prostego do wytłumaczenia sposobu przeprowadzenia analizy i co za tym idzie intuicyjnej interpretacji powstających segmentów.
- Relatywna szybkość przeprowadzenia analizy.
- Brak konieczności posiadania specjalistycznego oprogramowania.
- Stosunkowo niskie wymagania, co do znajomości metod statystycznych.
Do czego prowadzi prostota analizy RFM?
Niestety wymieniona wśród zalet prostota, jest źródłem także jednej z najistotniejszych wad podejścia RFM. Ograniczenie liczby wymiarów do 3 (R,F,M) ułatwia interpretację wyników, ale jednocześnie zawęża powstający w ten sposób profil konsumenta. Podsumowanie aktywności transakcyjnej konsumenta przy pomocy 3 liczb, jest często zbyt daleko idącym uproszczeniem. Może dawać bardzo zniekształcony (a wręcz zafałszowany) obraz klienta. Ilustruje to poniższy przykład.
Diagram pokazuje czterech klientów z zauważalnie różnymi wzorcami zakupowymi, ale identycznymi cechami pod względem ostatniego zakupu, częstotliwości zakupów i stażu (pierwszego zakupu).
Ten sam problem dotyczy także wartości wydatków. Klient, który wydaje zawsze 50 zł i klient, który wydaje raz 1 zł a raz 99 zł, będą mieli taką samą średnią wartość paragonu.
Kolejnym ograniczeniem metody RFM jest pomijanie pozatransakcyjnych aspektów zachowań konsumentów. Chociażby takich jak interakcje z kierowaną do nich komunikacją marketingową, kontakty z różnymi punktami styku z firmą (np. reklamacji, telefonów do call center) czy aspekty demograficzne (np. w niektórych branżach częstotliwość i wydatki mogą się zmieniać wraz z wiekiem).
Wśród ograniczeń RFM warto wskazać również skupienie na historii. RFM podsumowuje zachowania zakupowe konsumentów od pewnego do pewnego momentu. Pomaga posegmentować klientów w oparciu o ich przeszłe transakcje. RFM nie mówi jednak nic o ich przyszłych zachowaniach. Sam w sobie nie ma żadnej mocy predykcyjnej.
Istnieją rozmaite wariacje i rozwinięcia modelu RFM. Dodawane są do niego nowe zmienne (np. RFD, RFE, RFM-I) lub modyfikowany jest sposób ich kalkulacji. Celem jest przezwyciężenie wspomnianych wcześniej ograniczeń. Nie zmieniają one jednak fundamentalnego problemu a więc próby opisania złożonych zachowań konsumentów przy pomocy kilku zagregowanych liczb.
Na czym polega pułapka RFM?
RFM może stać się więc pułapką przede wszystkim, gdy:
- jest głównym (lub wręcz jedynym) narzędziem, jakie wykorzystujemy do analizy oraz planowania strategii i działań komunikacyjnych.
- Wyniki RFM są nadinterpretowane tzn. wyciągane są z nich wnioski, do których metoda ta nie daje podstaw.
W pierwszym przypadku pomijamy istotną część danych o konsumentach jakie można by wykorzystać, pracujemy w oparciu o bardzo wąski obraz konsumenta i ryzykujemy połączenie w ramach jednego segmentu konsumentów o zupełnie odmiennych wzorcach zachowań.
Drugi przypadek dotyczy przede wszystkim wykorzystywania RFM do predykcji przyszłych zachowań konsumentów zwłaszcza na poziomie mikro. Manifestować się to może m.in. w zakładaniu, że konsument osiągający najwyższe wartości wskaźników RFM będzie w przyszłości utrzymywać się w najlepszym „segmencie” . To oczywiście może być prawda. Nie decydują o tym jednak wyłącznie przeszłe zakupy, ale wiele innych czynników, których RFM, co do zasady nie uwzględnia.
Jakie są alternatywy dla RFM?
Jak już zauważyliśmy wcześniej główne ograniczenia wykorzystania podejścia RFM sprowadzają się do:
- Zbyt uproszczonego obrazu konsumenta i tym samym dużego ryzyka błędu segmentacji.
- Braku możliwości predykcji zachowań konsumentów.
Do rozwiązania pierwszego problemu znakomicie nadają się segmentacje wielowymiarowe oparte o uczenie maszynowe. W ich przypadku liczba uwzględnianych czynników może być niemal nieograniczona. Segmenty są definiowane w sposób algorytmiczny. W taki sam sposób przypisywani są też do nich konsumenci. Kosztem większej szczegółowości jest nieco trudniejsza interpretacja. Doświadczony analityk potrafi jednak zwizualizować segmenty w taki sposób, aby były łatwo rozumiane przez menedżerów.
Problem predykcji najlepiej rozwiązywać przy pomocy dedykowanych do tego metod i algorytmów budowy modeli predykcyjnych. Modele takie nie tylko ograniczają się do analizy danych historycznych ale rozpoznają specyficzne wzorce zachowań pozwalające na predykcje przyszłości. Predykcja taka może być prowadzona na poziomie pojedynczego konsumenta (a nie segmentu) i pozwalać na pełną personalizację działań. Wśród konkretnych metod warto tutaj wspomnieć o modelach sekwencji zachowań opartych o głębokie uczenie maszynowe.
Podsumowanie
Znany i popularny model RFM może być bardzo użytecznym narzędziem. Pod warunkiem jednak, że będzie właściwie interpretowany i stosowany ze świadomością jego ograniczeń. To świetne narzędzie, żeby spojrzeć na bazę konsumentów „z lotu ptaka”. Gdy zależy nam jednak na bardziej szczegółowym obrazie oraz predykcji przyszłych zachowań konsumentów, należy zwrócić się w stronę narzędzi wyspecjalizowanych do rozwiązywania tego typu problemów.
