เทคนิคการใช้ RFM Analysis แบ่งกลุ่มลูกค้า เพื่อวางกลยุทธ์สื่อสารได้ตรงจุด

วันนี้ทาง Predictive จะขอมาเล่าเคสการทำ RFM Analysis หรือการเเบ่งลูกค้าออกเป็นกลุ่มๆ ตามพฤติกรรมที่แตกต่างกัน เพื่อวางกลยุทธ์ในการสื่อสารกับลูกค้าให้มีประสิทธิภาพและสามารถสร้าง Business Impact มากมายเช่น ทำให้ลูกค้ากลับมาซื้อซ้ำบ่อยๆ (Retention Growth) และการเพิ่มรายได้ (Revenue Growth) ให้ธุรกิจของคุณได้แบบยั่งยืน 

RFM Analysis คืออะไร 

RFM Analysis เป็นการแบ่งกลุ่มลูกค้าโดยการนำ Transactions Data / Sales Data ไม่ว่าจะจาก Shopee, Lazada, Point of Sales (POS) มาวิเคราะห์ เพื่อแบ่ง Segmentation ของลูกค้าออกเป็นกลุ่มๆ ผ่าน 3 criteria หลักๆ ได้แก่

  • R – Recency ลูกค้าซื้อล่าสุดเมื่อไหร่
  • F – Frequency ความถี่ในการซื้อ 
  • M – Monetary ปริมาณการซื้อ หรือ Basket Size 

และหลังจากนั้นจะกำหนดกลยุทธ์สำหรับลูกค้าแต่ละกลุ่มแตกต่างกัน 

Segmentation หมายถึง การแบ่งลูกค้าออกเป็นกลุ่มๆ ตามความชอบ พฤติกรรม ที่แตกต่างกัน ซึ่งสามารถแบ่งได้จากหลากหลาย Criteria เช่น เพศ อายุ Basket Size พฤติกรรมการใช้งานเว็บไซต์ ทัศนคติ เป็นต้น 

ยกตัวอย่างลูกค้ากลุ่มแรก เป็นกลุ่มลูกค้าที่ใช้จ่ายต่อครั้งสูง ใช้ของ Luxury เพื่อแสดงฐานะของตัวเอง 

ลูกค้ากลุ่มที่สอง เป็นลูกค้ากลุ่มที่ใช้จ่ายต่อครั้งปานกลาง เลือกซื้อของจากฟังก์ชันการใช้งานเท่านั้น 

ลูกค้ากลุ่มที่สาม เป็นลูกค้าที่ใช้จ่ายต่อครั้งต่ำ เลือกซื้อของเฉพาะช่วงโปรโมชั่น มีความอ่อนไหวต่อราคา 

ลองคิดง่ายๆ ว่า หากคุณยิง Ads เพื่อสื่อสาร Message เดียวกันไปหาลูกค้าทุกคน (Mass Communication) จะเกิด Conversion กี่เปอร์เซ็นต์

คำตอบคือ คงมีลูกค้าเพียงส่วนน้อยที่สนใจ Message ของคุณ (หรือจริงๆ อาจจะไม่มีใครที่สนใจ Message คุณเลยก็ได้ เพราะ Message ของคุณนั้น ไม่มีสิ่งไหนที่ Relevance กับเขา) ทำให้คุณเปลืองงบค่า Ads ไปฟรีๆ ดังนั้นการทำ Segmentation จะช่วงแบ่งลูกค้าเป็นกลุ่มๆ ตามความชอบ พฤติกรรมที่แตกต่างกัน เพื่อให้องค์กรสื่อสาร หรือกำหนดกลยุทธ์สำหรับลูกค้าแต่ละกลุ่มได้อย่างมีประสิทธิภาพมากขึ้น

ขั้นตอนการวางกลยุทธ์ RFM Analysis เพื่อแบ่งกลุ่มลูกค้า

1. กำหนดเป้าหมาย และโจทย์ทางธุรกิจที่ต้องการทราบ 

ก่อนอื่น ธุรกิจต้องกำหนดเป้าหมาเป้าหมายของธุรกิจ เช่น การเพิ่มยอดขาย หรือ การรักษาลูกค้าเก่า โดยข้อมูลที่ธุรกิจมีจะเข้ามาช่วยตอบคำถามทางธุรกิจที่เกิดขึ้น ไม่ว่าจะเป็น 

  • สัดส่วนของลูกค้าขาจรและลูกค้าขาประจำเป็นอย่างไรบ้าง แต่ละกลุ่มสร้างรายได้เป็นสัดส่วนเท่าไหร่ 
  • จากข้อมูล Transaction Data ทั้งหมด สามารถเเบ่ง Segmentation ได้กี่กลุ่ม แต่ละกลุ่มมีโปรไฟล์แตกต่างกันยังไง (โปรไฟล์ เช่น ความถี่ในการซื้อ Customer Lifetime Value ปริมาณการซื้อ เป็นต้น)  
  • ควรจะวางกลยุทธ์การสื่อสารกับลูกค้าแต่ละกลุ่มยังไงให้เหมาะสม 

2. เตรียมข้อมูล และเลือกวิธีการวิเคราะห์ข้อมูลให้ตอบโจทย์ 

เมื่อกำหนดเป้าหมายของธุรกิจแล้ว จะต้องเตรียมความพร้อมของข้อมูล Transaction Data ที่ธุรกิจมีจากช่องทางต่างๆ เช่น Point of sales , Marketplace เพื่อเตรียมการนำข้อมูล ดังกล่าวมาวิเคราะห์หา Segmentation ผ่านวิธีการ RFM analysis 

จากภาพด้านบน จะเป็นภาพรวมของการนำข้อมูล Transactions Data มาสร้าง Segmentation ผ่านการใช้ RFM analysis ด้วย 2 วิธีได้แก่

  • Machine Learning เพื่อหา Macro segment 
  • Traditional RFM scoring เพื่อหา Micro segment 

3. เริ่มต้นวิเคราะห์ข้อมูล 

เมื่อเราเตรียมความพร้อมของข้อมูลได้อย่างครบถ้วนแล้ว ในขั้นตอนนี้เราจะเริ่มต้นวิเคราะห์ข้อมูลพฤติกรรมของลูกค้า ผ่าน Transaction Data เพื่อแบ่งกลุ่มลูกค้า (Segmentation) ตามพฤติกรรมที่แตกต่างกัน

โดยการทำ RFM analysis นั้นสามารถวิเคราะห์ข้อมูลได้ 2 วิธีหลักๆ ได้แก่ 

3.1 Machine Learning เพื่อหา Macro segment 

  • ใช้หลักสถิติ clustering algorithms = K-Means เพื่อแบ่งกลุ่มลูกค้า เป็นลูกค้าขาจร และ ลูกค้าขาประจำ เพื่อดูสัดส่วนของลูกค้าแต่ละประเภท และสร้างโปรไฟล์ตาม Criteria ต่างๆ เช่น จำนวนลูกค้า , ยอดขายของลูกค้าแต่ละกลุ่ม​ (กลุ่มขาจร และ กลุ่มขาประจำ) , จำนวนวันนับจากการซื้อครั้งสุดท้าย 

เมื่อเราสร้างโปรไฟล์ของลูกค้าแล้ว เราสามารถนำข้อมูลมาวิเคราะห์ต่อได้ดังนี้

  • หาสัดส่วนของลูกค้าขาจร และ ลูกค้าขาประจำ 
  • ลูกค้าเก่าสร้างรายได้เป็นกี่เปอร์เซ็นต์ และ ลูกค้าใหม่สร้างรายได้เป็นกี่เปอร์เซ็นต์ 
  • หาเทรนด์ ของจำนวนลูกค้าแต่ละกลุ่มเพื่อเข้าใจเทรนด์การเพิ่มขึ้น – ลดลง ของลูกค้าแต่ละกลุ่ม เพื่อเข้าใจภาพรวม และ วางกลยุทธ์แก้ไขได้ตรงจุด 

3.2 Traditional RFM scoring เพื่อหา Micro segment

  • แบ่งกลุ่มลูกค้าออกได้เป็น Micro Segmentation ด้วยวิธีการสร้าง Rule Based Segmentation หรือการกำหนดคุณสมบัติของลูกค้าแต่ละกลุ่ม ซึ่งในขั้นตอนจะเป็นขั้นตอนที่ทำร่วมกับแบรนด์เพื่อกำหนดคุณสมบัติของลูกค้าแต่ละกลุ่มร่วมกัน 
Segmentคำอธิบาย
Champions เพิ่งซื้อไปไม่นานมานี้ ซื้อบ่อย และ ใช้จ่ายเยอะ 
Loyal customers ใช้จ่ายเยอะ และซื้อบ่อย
Need Attention เหนือกว่าค่าเฉลี่ยทั้งหมด 
Small basket size ใช้จ่ายไม่เยอะ แต่ซื้อบ่อย และ เพิ่งซื้อไปไม่นาน
Potential Loyalists  เพิ่งซื้อไปไม่นาน ใช้จ่ายปานกลางถึงสูง และซื้อมากกว่า 1 ครั้ง 
New customers เพิ่งซื้อไปไม่นาน และซื้อสินค้าไม่บ่อย
Promising เพิ่งซื้อไปไม่นาน และใช้จ่ายน้อย
Long time big buy ใช้จ่ายเยอะ นานๆ ครั้ง
At risk ใช้จ่ายเยอะ เมื่อนานมากๆ แล้ว
Hibernating ใช้จ่ายน้อย ซื้อไม่บ่อย และ ซื้อครั้งล่าสุดเมื่อนานมาแล้ว 

หลังจากที่เราแบ่งลูกค้าออกเป็น 10 กลุ่มตาม Criteria ของ RFM analysis อันได้แก่ 

  • R – Recency ซื้อล่าสุดเมื่อไหร่
  • F – Frequency ความถี่ในการซื้อ 
  • M – Monetary ปริมาณการซื้อ หรือ Basket Size แล้ว 

เราสามารถสร้างโปรไฟล์ของแต่ละกลุ่มลูกค้า เพื่อให้สะดวกต่อการเข้าใจพฤติกรรม และวิเคราะห์สัดส่วนของลูกค้าแต่ละกลุ่มได้

3.3 Mapping ข้อมูล เพื่อวิเคราะห์ว่าในลูกค้าขาจร และ ลูกค้าขาประจำ มีสัดส่วน Segment ตาม RFM Analysis เป็นอย่างไรบ้าง 

  • หลังจากที่เข้าใจภาพรวมของลูกค้าขาจร และขาประจำแล้ว และข้าใจว่าจากข้อมูล Transaction Data ทั้งหมดสามารถแบ่งเป็นกลุ่ม Segmentation ได้ทั้งหมด 9 กลุ่ม เราสามารถนำ Macro Segment (ลูกค้าขาจร และ ลูกค้าขาประจำ) และ Micro Segment (Segment 9 กลุ่มจาก RFM analysis)​ มา Cross กันเพื่อให้เห็นภาพว่า 
  • ในกลุ่มลูกค้าขาจร มี Segmentation ตาม RFM Analysis ในกลุ่มไหนบ้าง 
  • ในกลุ่มลูกค้าขาประจำ มี Segmentation ตาม RFM Analysis ในกลุ่มไหนบ้าง 
  • จากภาพจะพบกว่า ในกลุ่มลูกค้าขาจร จะมีสัดส่วน Segmentation ตาม RFM Analysis ที่สูงสุด 3 อันดับได้แก่ at risk , new customer , promising 
  • ในกลุ่มลูกค้าประจำ จะมีสัดส่วน Segmentation ตาม RFM Analysis ที่สูงสุด 3 อันดับได้แก่ at risk , potential loyalists , champions 

ซึ่งเรายังสามารถวิเคราะห์ข้อมูลแต่ละ Segmentation ได้ลงลึก เข้าใจ Profile ในแต่ละกลุ่ม ไม่ว่าจะเป็นความถี่ในการมาซื้อสินค้า ยอดขายทั้งหมด ช่องทางในการซื้อประจำ ช่องทางการจ่ายเงิน และอื่นๆ อีกด้วย 

4. Data Activation นำข้อมูลที่ได้มากำหนดกลยุทธ์แบบ Data Driven Marketing 

เมื่อเราเข้าใจโปรไฟล์ของลูกค้าแต่ละกลุ่มแล้ว เราสามารถกำหนดกลยุทธ์การสื่อสารได้อย่างตรงจุดกับลูกค้าแต่ละ Segments ตัวอย่างเช่น 

  • กลุ่ม Loyalty และ Evangelism ซึ่งเป็น Top Spender ที่สร้างรายได้ให้กับแบรนด์มากที่สุด ดังนั้นแบรนด์ควรมอบ Privilege พิเศษ เพื่อดันให้คนกลุ่มนี้เป็น Micro Influencer บอกต่อให้เพื่อนๆ รอบตัว รวมถึงเชิญมาร่วมงานเปิดตัวสินค้าใหม่ๆ 

Key Takeaways จากการทำ RFM Analysis 

ข้อมูล Transaction Data มีประโยชน์มาก หากเรามีการเก็บข้อมูล, นำไปวิเคราะห์ และ นำ insight จากข้อมูลไปทำการตลาดให้เหมาะสมกับคนแต่ละ Segmentation 

เห็นไหมคะว่าการทำ Data Driven Marketing นั้นไม่ยากอย่างที่คิด และยังช่วยให้องค์กรเกิดการทำการตลาดที่มีประสิทธิภาพ ทำให้รักษากลุ่มลูกค้าที่ดี และวางกล

สิ่งสำคัญที่ทำให้ทำ Data Driven Marketing ประสบความสำเร็จคือ การตั้งโจทย์ที่ถูกต้อง การเก็บข้อมูลที่ถูกต้อง ครบถ้วน จากนั้นมีการวิเคราะห์ เพื่อแบ่งข้อมูลเป็น Segmentation และนำข้อมูลเหล่ามาใช้ และสื่อสารกับแต่ละกลุ่มตามกลยุทธ์ที่เหมาะสม (Data Activation)

โดยต้องไม่ลืมว่าข้อมูลของลูกค้ามีการเปลี่ยนแปลงไปตลอด ข้อมูลของลูกค้าคนนั้นๆ ต้องมีการอัปเดท (Enrich customer profile) และปรับเปลี่ยนกลยุทธ์การตลาดได้ทันใช้ 

ใครที่อยากอ่านคอนเทนท์ในหัวข้อไหนเพิ่มเติมสามารถ Inbox มาพูดคุยกันได้เลยค่ะ และก่อนจากกัน

องค์กรใดที่สนใจการทำ RFM Analysis เพื่อสร้าง Business Outcome เช่น การวางแผนกลยุทธ์เพิ่มรายได้ และการรักษากลุ่มลูกค้าให้อยู่กับเราไปนานๆ สามารถติดต่อมาปรึกษาทีม Predictive เรามีทีม Data Analytics และทีม Machine Learning ผู้เชี่ยวชาญ ที่พร้อมช่วยให้คุณเป็นองค์กรที่ Data Driven Marketing