Tomorrow Marketers – Mỗi khách hàng sẽ có phản ứng với những thông điệp khác nhau. Giả sử, một khách hàng nhạy cảm về giá sẽ có khả năng phản hồi cao với các chương trình ưu đãi khuyến mại, trong khi những khách hàng mua vì thói quen thì không quá hào hứng và quan tâm tới những hoạt động đó. Vì vậy, thay vì tiếp cận tất cả đối tượng với cùng một thông điệp, bạn cần phân khúc khách hàng và có những tương tác khác nhau.
Đây là lúc bạn cần ứng dụng dữ liệu giao dịch của khách hàng và kỹ thuật phân tích RFM. Vậy phân tích RFM (RFM Analysis) là gì, làm thế nào để áp dụng trong việc phân khúc khách hàng và cần sử dụng công cụ hỗ trợ nào? Cùng tìm hiểu câu trả lời trong bài viết sau nhé!
1. RFM Analysis (Phân tích RFM) là gì?
Phân tích RFM (Recency, Frequency, Monetary) là một mô hình phân tích và phân khúc khách hàng theo các đặc điểm hành vi tiêu dùng dựa trên các dữ liệu giao dịch trong lịch sử.
Cụ thể, RFM là viết tắt của:
- Recency: Khoảng thời gian giữa giao dịch gần nhất tới hiện tại là bao lâu? Khoảng thời gian này càng lớn thì khách hàng càng có khả năng cao rời bỏ công ty (churn customer), đồng nghĩa với việc công ty sẽ mất càng nhiều thời gian để chăm sóc và thuyết phục họ quay lại. Ngược lại, khoảng thời gian này càng nhỏ thì khả năng tiếp cận và upsell, cross-sell sẽ càng cao.
- Frequency: Tần suất giao dịch của khách hàng với doanh nghiệp là bao nhiêu? Khách hàng mua hàng càng thường xuyên sẽ càng có khả năng phản hồi với các chiến dịch của thương hiệu và trở thành khách hàng trung thành. Khách hàng mua sản phẩm hàng tuần hoặc hàng tháng thì khả năng bán upsell sẽ cao hơn những khách hàng 3 tháng mua hàng 1 lần. Tần suất giao dịch cũng đo lường mức độ mối quan hệ của khách hàng với doanh nghiệp.
- Monetary: Tổng số tiền khách hàng đã chi tiêu cho thương hiệu trong một khoảng thời gian cụ thể là bao nhiêu? Mức độ chi tiêu sẽ cho biết khả năng chi tiêu của khách hàng cho thương hiệu nằm ở đâu. Dựa vào con số này và tần suất giao dịch, bạn cũng có thể tính được chi tiêu trung bình của mỗi giao dịch của khách hàng. Thông thường, những khách hàng đã mua nhiều lần, có sự tin tưởng nhất định vào thương hiệu mới có thể mạnh tay mua những đơn giá trị cao.
2. Tầm quan trọng của việc phân tích RFM
Phân khúc khách hàng dựa trên RFM có thể giúp bạn đánh giá hành trình khách hàng (customer journey) dựa trên nhiều yếu tố, từ nhiều góc nhìn. Phân tích RFM có thể giúp trả lời một số câu hỏi như:
- Đâu là những khách hàng chi tiêu nhiều và trung thành nhất?
- Đâu là những khách hàng có khả năng cao rời bỏ công ty?
- Đâu là những khách hàng mới và làm thế nào để tăng khả năng mua hàng định kỳ?
- Đâu là những khách hàng có tiềm năng có thể chuyển đổi để trở thành khách hàng có mức chi tiêu cao hơn?
- Đâu là những khách hàng đã rời bỏ thương hiệu và ít có khả năng trở lại nhất?
- Đâu là những khách hàng cần được chăm sóc và giữ chân trước khi trở thành khách hàng rời bỏ?
- Những phân khúc khách hàng khác nhau cần có hoạt động chăm sóc, ưu đãi và marketing khác nhau như nào?
Phân tích RFM giúp bạn xây dựng các thông điệp, chiến dịch và chương trình ưu đãi khác nhau cho từng nhóm khách hàng, dựa trên hành vi tiêu dùng và mối quan hệ của họ với công ty. Mỗi chỉ số RFM này đã được chứng minh là có hiệu quả trong việc dự đoán hành vi của khách hàng trong tương lai và tăng doanh thu. Những khách hàng đã mua hàng trong quá khứ gần đây có nhiều khả năng sẽ làm như vậy trong tương lai gần.
Dựa vào đây, các hoạt động marketing có thể tăng tỷ lệ phản hồi, tăng khả năng giữ chân khách hàng (retention rate), sự hài lòng của khách hàng và giá trị vòng đời của khách hàng (CLTV).
Nói tóm lại, phân tích RFM có thể giúp bạn đạt được một số lợi ích như:
- Tăng hiệu quả email marketing: Phân khúc khách hàng theo RFM sẽ giúp bạn điều chỉnh thông điệp marketing theo từng trạng thái của khách hàng trong vòng đời mua hàng, từ đó nâng cao hiệu quả kêu gọi hành động của thông điệp và hạn chế trải nghiệm tiêu cực của khách hàng với công ty. Bạn có thể phân nhóm tệp email trước khi chạy các automatic drip campaign theo từng nhóm đối tượng trên các công cụ MailChimp, Campaign Monitor,… Với kỹ thuật phân tích RFM, bạn có thể biến tấu bằng cách đánh giá các tiêu chí quan trọng với một chiến dịch email như tỷ lệ mở (open rate), tỷ lệ nhấp chuột (click rate) của email và số lượt mua hàng qua email.
- Cải thiện giá trị vòng đời của khách hàng (CLTV): RFM có thể hỗ trợ giảm tỷ lệ rời bỏ, upsell và cross-sell cho các phân khúc khách hàng có khả năng phản hồi cao, tăng mức độ trung thành và referral,..
- Phân khúc khách hàng cho giới thiệu sản phẩm mới: Nhóm khách hàng trung thành có khả năng cao sẽ tiếp nhận, sử dụng và có phản hồi tích cực với sản phẩm mới của công ty. Nhóm khách hàng này cũng có khả năng cao hơn trong việc giới thiệu sản phẩm với vòng tròn quan hệ (WOM), có tác động tích cực đến nhận thức về sản phẩm của các khách hàng khác, từ đó nâng cao hiệu quả awareness và mở rộng cơ sở khách hàng của sản phẩm mới.
- Tăng sự trung thành và tăng tương tác với khách hàng: Nhóm khách hàng mới là đối tượng đặc biệt quan trọng khi công ty thực hiện một chương trình chăm sóc khách hàng. Bạn cần đảm bảo rằng nhóm đối tượng này trải nghiệm ban đầu của họ với sản phẩm/thương hiệu là tích cực và đáng nhớ.
- Giảm tỷ lệ khách hàng rời bỏ doanh nghiệp: Các nhóm khách hàng đã lâu không quay lại và sức mua trước đó cũng không lớn sẽ cần được chú ý bởi khả năng rời bỏ doanh nghiệp là rất lớn. Phân khúc theo RFM có thể giúp bạn dự đoán được những khách hàng này.
- Tối ưu chi phí marketing và cải thiện ROI: Phân tích RFM giúp nhắm chọn chính xác đối tượng mục tiêu, từ đó cải thiện giá trị vòng đời của khách hàng, nâng cao hiệu quả giới thiệu sản phẩm mới, mức độ tương tác và lòng trung thành nổi bật của người dùng, tỷ lệ rời bỏ thấp hơn, ROI tốt hơn trong các chiến dịch marketing,… Tập trung vào một phân khúc khách hàng nhỏ hơn sẽ giảm đáng kể chi phí, cho phép bạn thực hiện nhiều thử nghiệm hơn và đưa ra quyết định dựa trên dữ liệu.
- Nâng cao hiệu quả của các chiến dịch remarketing / retargeting: Remarketing là chiến thuật hiển thị quảng cáo hoặc các chương trình khuyến mại tối những đối tượng đã từng truy cập và tương tác với trang web ít nhất một lần. Những quảng cáo này có thể tiếp cận tới những đối tượng này trên các trang web khác mà họ đang truy cập, nhờ vậy cải thiện tỷ lệ nhấp chuột (click rate) và hiệu quả tổng thể của chiến dịch.
3. Làm thế nào để phân tích RFM cho phân khúc khách hàng hiệu quả?
Bước 1: Tính giá trị R – F – M
Để tính giá trị và điểm số RFM, bạn sẽ cần có một số dữ liệu chi tiết của các khách hàng:
- ID / Email / Họ và tên: các thông tin định danh của khách hàng
- Recency (R) – khoảng thời gian tính từ lần cuối giao dịch tới hiện tại, được tính bằng cách lấy ngày khách hàng mua hàng cuối cùng trừ đi ngày khách hàng thực hiện giao dịch đầu tiên.
- Frequency (F) – tần suất giao dịch, được tính bằng cách lấy tổng số lần mua hàng chia cho khoảng thời gian giữa lần đầu và lần cuối mua hàng.
- Monetary (M) – tổng số tiền khách hàng đã chi trả cho công ty trong suốt vòng đời mua hàng của họ, được tính bằng cách cộng gộp giá trị của tất cả số tiền khách hàng đã thanh toán cho công ty.
Bước 2: Chia các giá trị thành các khoảng trên thang điểm từ 1-5
Sau khi đã có các giá trị RFM, bạn sẽ tiếp tục phân khoảng các giá trị này và gán cho chúng một mức điểm số trên thang 1-5 điểm, với 1 điểm cho giá trị thấp nhất và 5 điểm cho giá trị cao nhất. Ví dụ, với tiêu chí Recency, những khách hàng mới mua hàng trong vòng 1 tuần tính từ hiện tại sẽ có mức điểm là 5, trong khi những khách hàng đã 216 ngày tính từ ngày cuối cùng mua hàng sẽ được chấm với mức điểm là 1. Cách gán điểm số này được áp dụng tương tự với Frequency và Monetary.
Hãy nhớ rằng, giá trị RFM và điểm RFM là khác nhau. Giá trị là giá trị tuyệt đối của R – F – M cho khách hàng đó, trong khi điểm RFM là một số điểm từ 1-5 dựa trên giá trị sau khi được sắp xếp theo một thứ tự.
Mỗi công ty sẽ có các phương pháp và công thức chia khoảng giá trị và tính điểm RFM khác nhau. Bài viết này sẽ giới thiệu hai phương pháp phổ biến nhất.
Phương pháp 1: Chia khoảng đơn giản
Ví dụ:
Bạn có thể gán điểm Recency theo thang 5 điểm với các khoảng thời gian:
- 5 điểm: Khách hàng mới có giao dịch và mua hàng trong 24 giờ.
- 4 điểm: Khách hàng mới có giao dịch và mua hàng trong vòng 3 ngày qua.
- 3 điểm: Khách hàng có lần giao dịch và mua hàng cuối cùng trong 30 ngày qua.
- 2 điểm: Khách hàng có lần giao dịch và mua hàng cuối cùng trong vòng 180 ngày qua.
- 1 điểm: Khách hàng có lần cuối giao dịch xa hơn 180 ngày.
Với phương pháp này, bạn cần xác định phạm vi cho từng khoảng giá trị và chỉ định một mức điểm số cho các khoảng giá trị khác nhau. Dựa vào đây, bạn sẽ có 3 thang đo điểm số R – F – M.
Những phạm vi giá trị này sẽ phụ thuộc vào bản chất và business understanding của doanh nghiệp và khách hàng. Khách hàng của mỗi ngành hàng sẽ có những thói quen, hành vi tiêu dùng khác nhau. Ví dụ: các sản phẩm High-involvement như ô tô, đồ điện gia dụng với các đặc điểm có giá cao, khác biệt giữa các sản phẩm thay thế và có tính rủi ro cao, thì tần suất mua sẽ được tính theo đơn vị năm; trong khi các sản phẩm Low-involvement và có thể mua hàng ngày như cà phê, kem đánh răng thì tần suất mua sẽ được tính theo đơn vị ngày.
Đọc thêm: Sự khác biệt giữa sản phẩm High-involvement và sản phẩm Low-involvement
Vì vậy, điều quan trọng cần lưu ý khi sử dụng phương pháp này chính là phải xác định các giá trị phù hợp cho khoảng thời gian đặt trước, vì các giá trị không chính xác sẽ dẫn đến đánh giá không chính xác về mức độ trung thành của khách hàng và RFM.
Phương pháp 2: Quintiles – chia khách hàng thành 5 phần bằng nhau dựa trên các giá trị đã có
Quintiles là một dạng đặc biệt của Percentile, chia tập dữ liệu thành 5 phần bằng nhau.
Giả sử, xét riêng giá trị R của một nhóm 100 khách hàng. Đầu tiên, sắp xếp các giá trị giảm dần từ lớn tới bé, 20 giá trị lớn nhất dao động từ 180 – 91 ngày, 20 giá trị tiếp theo dao động từ 90 – 61 ngày, 20 giá trị tiếp theo dao động từ 60 – 31 ngày, 20 giá trị tiếp theo dao động từ 30 – 11 ngày và 20 giá trị cuối cùng giao động từ 10 – 0 ngày. Như vậy, với phương pháp này, các khoảng giá trị sẽ không bằng nhau nhưng số lượng khách hàng của từng nhóm sẽ như nhau.
Phương pháp này được đánh giá là phức tạp hơn phương pháp 1 vì yêu cầu kiến thức hiểu biết về toán thống kê mô tả. Tuy nhiên, phương pháp này có ưu điểm là có thể áp dụng với bất kỳ ngành nào, bởi các khoảng giá trị được phân bổ đồng đều và không cần thiết phải có hiểu biết sâu về đặc điểm tiêu dùng của khách hàng.
Phương pháp 3: Sử dụng thuật toán phân tích cụm (clustering) như “k-means”
Thay vì phân nhóm các trường hợp theo cách thủ công, bạn có thể phát triển và đào tạo mô hình unsupervised Machine Learning như “k-means” để nhóm khách hàng thành các cụm riêng biệt. Sự khác biệt của phương pháp này nằm ở:
- Thuật toán sẽ tự động chỉ định khách hàng cho các cụm khác nhau. Chúng ta có thể sử dụng một số phương pháp để xác định số cụm được coi là “tối ưu”, ví dụ như phương pháp “elbow” hoặc “silhouette“.
- Thuật toán này sẽ sử dụng các giá trị R – F – M (tức là $$$ đã chi tiêu, # ngày từ lần mua hàng cuối cùng,…) thay vì sử dụng điểm số RFM trong khoảng từ 1 đến 5.
Nếu như phương pháp 1 và 2 có ưu điểm là có sự thuận tiện và dễ dàng áp dụng bởi không đòi hỏi yêu cầu về hiểu biết công nghệ tự động và toán thống kê nâng cao; thì phương pháp 3 sẽ có ưu điểm về tính chính xác cao hơn việc chỉ sử dụng giá trị phần trăm hay phương pháp phỏng đoán.
Bước 3: Phân khúc khách hàng từ phân tích RFM
R, F và M có mức điểm từ 1-5, do đó có tổng cộng 5x5x5 = 125 tổ hợp giá trị RFM khác nhau.
Ba chiều của R, F và M được trực quan hóa đầy đủ nhất với biểu đồ 3D. Nhưng làm việc với biểu đồ 3D sẽ không hiệu quả. Thay vào đó, chúng ta cần một biểu đồ hai chiều để dễ mô tả dữ liệu và dễ hiểu hơn.
Cách tiếp cận này coi F và M cùng có sự liên quan tới sức mua của khách hàng, trong khi R sẽ thể hiện mức độ tương tác của khách hàng với công ty. Từ đây, bạn sẽ kết hợp biểu diễn điểm số frequency + monetary trên trục Y (phạm vi từ 0 đến 5 điểm) và recency trên trục X (phạm vi từ 0 đến 5 điểm). Sự kết hợp này sẽ nhóm và giảm số lượng trường hợp từ 125 xuống còn 50.
Lấy một tạp chí là ví dụ để minh họa. Đối với những độc giả đăng ký tạp chí hàng tháng với mức giá là 100 đô la, tương đương với 1200 đô la cho 12 tháng. Như vậy, giá trị M (monetary) là 1200, giá trị F (frequency) là 12. Trong khi đó, nếu một độc giả đăng ký định kỳ năm, giá trị M vẫn sẽ là 1200 nhưng giá trị F lúc này là 1 do họ đã đăng ký và thanh toán duy nhất một lần. Trong cả hai trường hợp, khách hàng có sức mua là như nhau và việc kết hợp F và M là hợp lý.
50 trường hợp vẫn là con số lớn và có thể được tóm gọn thành 11 nhóm khách hàng có sự tương đồng với nhau như bảng dưới đây:
| Phân khúc khách hàng | Các nhóm điểm RFM | Đặc điểm |
| Champions | 555, 554, 544, 545, 454, 455, 445 | Là những khách hàng mới giao dịch, mua hàng thường xuyên và chi tiêu nhiều nhất.Những khách hàng này rất trung thành, sẵn sàng chi tiêu hào phóng và có khả năng sẽ sớm thực hiện một giao dịch mua khác. |
| Loyal Customers | 543, 444, 435, 355, 354, 345, 344, 335 | Là những khách hàng chi tiêu ở mức trung bình – khá nhưng mua hàng rất thường xuyên. |
| Potential Loyalist | 553, 551, 552, 541, 542, 533, 532, 531, 452, 451, 442, 441, 431, 453, 433, 432, 423, 353, 352, 351, 342, 341, 333, 323 | Là những khách hàng mới có giao dịch gần đây, chi tiêu trung bình khá và đã mua hàng nhiều hơn một lần. |
| Recent Customers | 512, 511, 422, 421, 412, 411, 311 | Những khách hàng mới mua gần đây nhất, giá trị giỏ hàng thấp và không mua hàng thường xuyên. |
| Promising | 525, 524, 523, 522, 521, 515, 514, 513, 425, 424, 413, 414, 415, 315, 314, 313 | Là những khách hàng mới mua hàng gần đây, sức mua lớn nhưng chưa thường xuyên. |
| Customers Needing Attention | 535, 534, 443, 434, 343, 334, 325, 324 | Là những khách hàng có tần suất mua hàng và giá trị giỏ hàng ở mức khá, chưa quay lại mua hàng gần đây. |
| About To Sleep | 331, 321, 312, 221, 213 | Là những khách hàng đã khá lâu chưa mua hàng, trước đó mua hàng với tần suất thấp và giá trị giỏ hàng thấp. |
| At Risk | 255, 254, 245, 244, 253, 252, 243, 242, 235, 234, 225, 224, 153, 152, 145, 143, 142, 135, 134, 133, 125, 124 | Là những khách hàng đã khá lâu không quay lại và đã từng mua hàng rất thường xuyên với giá trị giỏ hàng ở mức trung bình khá. |
| Can’t Lose Them | 155, 154, 144, 214, 215, 115, 114, 113 | Là những khách hàng đã rất lâu không quay lại và từng mua hàng thường xuyên, với giá trị giỏ hàng rất lớn. Doanh nghiệp có thể đánh mất những khách hàng này nếu không có hoạt động kích thích họ quay lại. |
| Hibernating | 332, 322, 231, 241, 251, 233, 232, 223, 222, 132, 123, 122, 212, 211 | Là những khách hàng đã khá lâu không quay lại, sức mua yếu (tần suất mua thấp và giá trị giỏ hàng không cao). |
| Lost | 111, 112, 121, 131, 141, 151 | Là những khách hàng đã rất lâu không quay lại, tần suất mua và giá trị giỏ hàng cũng rất thấp. Nhóm này thường là những khách hàng có hành vi mua tìm kiếm sự đa dạng hoặc chỉ mua suy nhất một lần để trải nghiệm và so sánh với các sản phẩm/dịch vụ khác. |
Bước 4: Trực quan hóa phân tích RFM với biểu đồ tree map
Sử dụng biểu đồ tree map sẽ biểu diễn trực quan các phân khúc khách hàng, giúp bạn có cái nhìn tổng quan và nhanh nhất để trả lời các câu hỏi như “đâu là nhóm khách hàng chiếm tỷ trọng nhiều nhất?”. Bạn có thể sử dụng các công cụ BI (Business Intelligence) như Power BI, Tableau, Qlik để thực hiện các tác vụ trực quan hóa này.
Việc lựa chọn màu sắc từ nhạt tới đậm cũng sẽ giúp bạn nhanh chóng biết mức độ quan trọng cần ưu tiên của các nhóm.
Bước 5: Dựa vào phân tích RFM để đưa ra quyết định cho các hoạt động và thông điệp marketing
Phân khúc khách hàng Champion
Những khách hàng này mua hàng rất thường xuyên, với giá trị giỏ hàng lớn và vẫn có giao dịch gần đây. Bài toán đặt ra của nhóm khách hàng này là “làm thế nào để giữ chân những khách hàng này bằng mọi giá?”.
Doanh nghiệp có thể chăm sóc và khuyến khích những khách hàng này quay lại nhiều lần hơn bằng cách đề xuất chương trình khách hàng thân thiết với những giá trị khác biệt và được cá nhân hóa cao. Bạn có thể tham khảo cách VinID thực hiện chương trình khách hàng trung thành với thẻ cứng và ứng dụng thu hút khách hàng với hàng ngàn ưu đãi, khuyến mại và chương trình tích điểm, đổi điểm và các ưu đãi riêng cho 3 hạng mức khác nhau.
Bên cạnh đó, bởi nhóm khách hàng này đã có sự tin tưởng và cam kết cao với thương hiệu, công ty không cần phải thu hút họ bằng các chương trình giảm giá khuyến mại. Thay vào đó, hãy tăng CLTV bằng cách đề xuất các mặt hàng có giá trị lớn hơn, các combo sản phẩm dựa trên dự đoán từ những lịch sử đơn hàng.
Phân khúc khách hàng Loyal Customers và Potential Loyalist
Những khách hàng này thường mua nhiều tới rất nhiều lần, nhưng giá trị giỏ hàng ở mức không cao. Bài toán đặt ra là “làm thế nào để họ nâng giá trị giỏ hàng mỗi lần mua hàng?”.
Doanh nghiệp có thể đề xuất các chương trình ưu đãi gắn liền với các ngưỡng chi tiêu (ví dụ: quà tặng miễn phí cho các giao dịch trên giá trị đơn hàng trung bình của thương hiệu). Các chương trình advocacy và referral cũng có thể là những cách hiệu quả để thu hút những khách hàng này.
Phân khúc khách hàng Recent Customers và Promising
Những khách hàng này mới mua gần đây nhất nhưng chưa mua hàng thường xuyên và vẫn đang ở giai đoạn trải nghiệm, đánh giá. Bài toán đặt ra là “làm thế nào để họ giúp họ hài lòng ở những giao dịch đầu tiên này và quay lại mua hàng nhiều lần hơn, với giá trị giỏ hàng lớn hơn?”.
Doanh nghiệp sẽ cần một quy trình chăm sóc bài bản và được cá nhân hóa đủ cao sẽ là yếu tố chính để bước đầu tạo dựng mối quan hệ. Ví dụ: có lời cảm ơn và lấy ý kiến về trải nghiệm mua hàng ở đơn hàng đầu tiên của khách hàng, đồng thời tặng kèm voucher chào mừng giảm giá cho những lần mua hàng tiếp theo. Sau đó, doanh nghiệp cần đảm bảo tần suất tương tác và đề xuất thông tin về các sản phẩm tương tự với giỏ hàng đầu tiên và cross-sell/upsell với combo và các sản phẩm có size lớn hơn.
Phân khúc khách hàng Customers Needing Attention và At Risk
Những khách hàng này không quay lại mua hàng gần đây, trước đó có tần suất mua hàng khá thường xuyên và giá trị giỏ hàng ở mức trung bình khá – lớn. Bài toán đặt ra là “điều gì khiến họ không hài lòng và không quay lại mua hàng?”.
Doanh nghiệp cần thực hiện các khảo sát để tìm ra nguyên nhân dẫn đến quyết định không tiếp tục quay lại của họ và đưa ra hướng khắc phục, đồng thời đề xuất các giá trị hơn thay vì chạy chương trình giảm giá, ưu đãi rộng rãi để tránh lãng phí ngân sách. Bởi nguyên nhân khiến họ không quay lại bên cạnh giá bán của sản phẩm còn có thể tới từ việc chất lượng sản phẩm giảm, sản phẩm không còn đáp ứng nhu cầu của khách hàng hoặc thị trường xuất hiện các sản phẩm/dịch vụ thay thế.
Phân khúc khách hàng About To Sleep, Hibernating và Lost
Những khách hàng này đã lâu không quay lại và sức mua yếu (tần suất mua hàng không thường xuyên, giá trị giỏ hàng không cao). Bài toán đặt ra là “làm thế nào để họ quay lại mua hàng lần nữa và khiến họ mua hàng thường xuyên hơn?”.
Tuy nhiên, không dễ để doanh nghiệp re-engage lại họ bởi thông thường những quyết định không tiếp tục mua hàng đến từ những đánh giá tiêu cực về trải nghiệm với sản phẩm/dịch vụ hoặc họ đã trung thành với những sản phẩm/dịch thay thế khác. Bạn cũng có thể gửi email cá nhân, tương tác trực tiếp qua social media hoặc gọi điện để kết nối lại với những khách hàng này.
Doanh nghiệp cần kích thích để họ thực hiện một giao dịch sớm nhất có thể, hoặc không nhận thức về sản phẩm/thương hiệu sẽ rơi vào bộ nhớ ngắn hạn và cuối cùng bị khách hàng lãng quên. Vì vậy, doanh nghiệp có thể thực hiện các chiến dịch retargeting, các chương trình xúc tiến ngắn hạn với một số hình thức như voucher, discount giảm giá, ưu đãi độc quyền,…
Đọc thêm: Điểm mặt 14 loại khuyến mại phổ biến
Kết quả lý tưởng là khi doanh nghiệp có thể tăng trưởng nhóm khách hàng Champions và giảm thiểu số lượng khách hàng trong các nhóm bên dưới đáng kể nhất. Như vậy, doanh thu kinh doanh sẽ tăng trưởng bền vững và có sự phân bổ ngân sách phù hợp, tránh lãng phí ngân sách khi phải chạy các chương trình marketing tới toàn bộ đối tượng mà không có mục tiêu nhắm chọn.
4. Công cụ và phần mềm phân tích RFM
Nhiều doanh nghiệp ngày càng nhận ra tầm quan trọng của CRM (customer relationship management). Từ đây, phân tích RFM và phân khúc khách hàng theo hành vi mua sắm cũng trở thành một hoạt động không thể thiếu trong phân tích Marketing và kinh doanh.
Nếu doanh nghiệp có cơ sở dữ liệu khách hàng lớn, bạn sẽ cần sử dụng các công cụ và thực hiện các phép tính chia khoảng một cách tự động.
Sử dụng Excel/Google Sheets
Khi đã có dữ liệu lịch sử mua hàng của khách hàng, bạn có thể sử dụng Excel hoặc Google Sheets để thực hiện các hàm tính giá trị RFM:
- Tính giá trị Recency: Chọn ra ngày khách hàng thực hiện giao dịch cuối cùng bằng hàm MAX và chọn ra ngày hiện tại bằng hàm TODAY. Sau đó, tính số ngày khoảng cách bằng cách sử dụng hàm DATEDIF.
- Tính giá trị Frequency: Tính khoảng cách giữa hai ngày mua hàng đầu tiên – cuối cùng tương tự như trên với hàm MIN, hàm MAX và hàm DATEDIF. Sau đó, tính số lần mua hàng của khách hàng bằng hàm COUNT. Cuối cùng, lấy số lần mua hàng chia cho khoảng cách giữa hai ngày mua hàng đầu tiên – cuối cùng để tính tần suất mua hàng của khách hàng bằng cách
- Tính giá trị Monetary: Tính tổng số tiền khách hàng đã chi trả với hàm SUMIF.
Sau khi đã có các giá trị RFM, bạn tiếp tục thực hiện việc phân nhóm các giá trị theo hai phương pháp đã liệt kê phía trên.
Với phương pháp thứ hai, bạn có thể sử dụng hàm RANK để sắp xếp các giá trị giảm dần từ lớn tới bé, sau đó sử dụng hàm QUARTILE để tính các giá trị mà tại đó, bạn có thể chia tập dữ liệu thành 5 phần bằng nhau. Để nhóm các mức điểm RFM theo các tổ hợp, bạn sẽ cần sử dụng hàm IFS. Ví dụ, IFS(A2 = “5”, B2 = “5”, C2 = “5”, “Champions”)
SQL/ Python / R
SQL, R và Python là các ngôn ngữ phổ biến cho ngành dữ liệu hoặc phân tích thống kê.
Bạn có thể tham khảo code phân tích RFM:
Một số công cụ CRM khác
Có một số phần mềm CRM cũng có thể tự động tính điểm RFM và phân khúc khách hàng, ví dụ Zoho,…
5. Hạn chế của kỹ thuật phân tích RFM
Mặc dù phân khúc khách hàng theo RFM có rất nhiều ưu điểm, không thể phủ nhận rằng kỹ thuật này vẫn còn một số sai sót và hạn chế.
Ví dụ, khi được tính toán và thực hiện phân nhóm một cách thủ công, các phép tính có thể xảy ra các lỗi sai. Phân tích RFM cũng chỉ dựa trên ba đặc điểm của hành vi tiêu dùng cơ bản và phân tích hoàn toàn từ dữ liệu lịch sử trong quá khứ. Vì vậy, những insight rút ra từ những phân tích này chủ yếu được áp dụng cho những khách hàng hiện tại và chỉ mang tính dự báo cơ bản về hành vi tiêu dùng trong tương lai của những khách hàng đó, đồng thời cũng không trực tiếp giúp doanh nghiệp đưa ra các đề xuất có thể thu hút khách hàng mới.
Mặt khác, phân tích RFM có thể khiến các marketer bỏ qua những khách hàng ở nhóm thấp dù một số khách hàng đó vẫn có tiềm năng để mua hàng với value và volume nhiều hơn. Các phân tích RFM này có thể không tính đến yếu tố tác động từ các yếu tố bên ngoài như các chương trình khuyến mại trước đây hoặc tính thời vụ (khách hàng có thể mua hàng vào các dịp sinh nhật hoặc ngày kỷ niệm).
Tạm kết
Phân tích RFM là một phương pháp hiệu quả trong việc phân khúc khách hàng, giúp công ty tập trung nguồn lực cho những khách hàng có tiềm năng và có các chương trình chăm sóc, truyền thông khuyến mại phù hợp với nhu cầu và đặc điểm từng nhóm khách hàng khác nhau.
Hy vọng thông qua bài viết này, bạn đã hiểu phân tích RFM là gì, ứng dụng như nào và biết được các bước để phân khúc khách hàng theo RFM. Nếu bạn quan tâm hơn về các kiến thức phân tích dữ liệu trong Marketing/Sales/Product, hãy tham khảo khóa học Data Analysis của Tomorrow Marketers nhé!
Bài viết được biên dịch bởi Tomorrow Marketers, xin vui lòng không sao chép dưới mọi hình thức!
