Wie man RFM-Modelle in datengesteuertem Marketing verwendet

Als das datengesteuerte Marketing erstmals in den Vordergrund rückte, entwickelten die Analysten ein relativ einfaches Targeting. Technik, die heute noch weit verbreitet ist. Die Technik wurde zunächst für das Katalogvertriebsgeschäft entwickelt. Die Motivation war, dass Kataloge teuer zu drucken und zu versenden sind, deshalb ist es wichtig, sie an Leute zu mailen, die sie tatsächlich benutzen könnten.

Das RFM-Framework im datengetriebenen Marketing

Die Aktualität, Frequenz, monetäre Technik, bekannt als RFM-Modellierung , basiert auf drei Fakten über Kundentransaktionen.

  • R ist für die Aktualität. Wie lange hat der Kunde zuletzt von Ihnen gekauft?

  • F ist für die Frequenz. Wie oft oder wie viele Produkte hat der Kunde gekauft?

  • M ist für Geld. Nun, eigentlich ist es für Geldwert , aber es bedeutet Geld. Wie viel hat der Kunde ausgegeben?

Die Grundidee ist, dass jeder einzelne dieser Faktoren die Reaktionsraten etwas vorhersagt. Sie zu kombinieren macht diese Vorhersagen noch besser.

RFM-Modelle werden unter Verwendung zusammengefasster Transaktionsdaten entwickelt. Die Transaktionsanzahl, die Einkaufssummen und die letzten Transaktionstermine sind in Bereichen gruppiert. Ein einfaches RFM-Modell kann beispielsweise nur hohe, mittlere und niedrige Transaktionsvolumina unterscheiden.

Jeder Kunde wird für jedes der drei Attribute eingestuft. Kunden werden dann basierend auf ihrem kombinierten Ranking segmentiert. Zum Beispiel besteht ein Segment aus Kunden, die in allen drei Attributen in die untere Kategorie fallen. Es gibt ein anderes Segment für die jüngsten Jahre, ein niedriges Volumen und einen hohen Geldwert. Und so weiter.

Die Anzahl der Segmente wird schnell groß. Wenn jedes Attribut in drei Bereiche aufgeteilt wird, erhalten Sie 27 verschiedene RFM-Gruppen. Wenn Sie sie auf zehn Arten teilen, erhalten Sie 1 000 Segmente.

Erstellen des RFM-Modells in datengesteuertem Marketing

Die wirkliche Erkenntnis entsteht, wenn Sie diese Segmente auf Kunden anwenden, die in der Vergangenheit von Ihnen Marketingkampagnen erhalten haben. Sie sehen sich die Antwortquoten für jedes der RFM-Segmente an. In der Regel übertreffen einige Segmente andere dramatisch.

Wie alle Modelle sollten Sie RFM-Modelle testen, bevor Sie sie für die Definition von Zielgruppen verwenden. Die Standardmethode zum Testen eines Modells besteht darin, die analysierten Kunden in zwei zufällig definierte Gruppen aufzuteilen.

Sie analysieren möglicherweise die Rücklaufquoten von 100 000 Kunden, die Ihre Frühjahrskampagne erhalten haben. Sie möchten diese Gruppe nach dem Zufallsprinzip in zwei Hälften teilen. Sie verwenden die erste Hälfte für Ihre Analyse und definieren Ihre leistungsfähigen Segmente.Dann verwenden Sie die zweite Hälfte, um zu bestätigen (oder nicht), dass diese Segmente wirklich besser abschneiden als die anderen.

Sie können diese zufällige Aufteilung mit einem Zufallsgenerator durchführen. Datenbanksoftware, Analysesoftware und sogar Tabellenkalkulationen haben Funktionen, die Zufallszahlen zwischen 0 und 1 erzeugen. Die Idee ist, dass Sie für jeden Kundendatensatz eine Zufallszahl generieren. Wenn die Zahl kleiner ist als. 5, legen Sie den Datensatz in Ihre Analysedatei. Der Rest der Aufzeichnungen geht in Ihre Bestätigung oder Testdatei.

Durch die Fokussierung zukünftiger Kampagnen auf die leistungsstarken Segmente können Sie höhere Antwortraten erzielen und gleichzeitig die Kampagnenkosten senken. Bei der Implementierung eines beliebigen Analysemodells sollten Sie einige technische Probleme berücksichtigen. Zum einen wollen Sie nicht davon ausgehen, dass Ihre Segmente in Zukunft so gut abschneiden wie in der Vergangenheit.

Teilen Sie Mit Ihren Freunden
Vorheriger Artikel
Nächster Artikel