Wat is het RFM Model?
Het is eenvoudiger om aan bestaande klanten te verkopen dan om nieuwe klanten te werven. Bestaande klanten zijn immers al overtuigd van de waarde van jouw product of dienst en hebben het aankoopproces al doorlopen. Hoeveel waarde een klant precies vertegenwoordigt vind je in transactionele data. Met RFM-analyses kun je die waarde vinden en benutten.
RFM staat voor recency, frequency en monetary value en is een manier om kopers te segmenteren, dus in verschillende groepen in te delen, op basis van orderhistorie. RFM kent waardes toe aan hoe recent een klant een aankoop bij je deed, hoe vaak die een aankoop deed en hoeveel geld hiermee gemoeid was.
Hoe bereken je RFM?
Je kunt RFM op verschillende manieren berekenen, bijvoorbeeld met Excel of via een CRM. De meest efficiënte manier is echter om een bestaand RFM-model, dat geschreven is in Python of R, te gebruiken. Daarvoor heb je wel een data scientist nodig, want die berekeningen zijn zonder geavanceerde tooling behoorlijk complex. Een data scientist helpt je zo’n model technisch in gebruik te nemen en zorgt ervoor dat het aansluit op de transactionele data van jouw organisatie. Jij levert de data en kunt je daarnaast focussen op het vertalen van de RFM-analyse naar jouw werk.
In de meeste geavanceerde Customer Data Platforms, zoals BlueConic, kun je trouwens transactionele data automatisch en realtime koppelen aan de klantprofielen — dat scheelt een hoop hoofdbrekens.
Resultaten uit RFM-analyses
In de RFM-analyse scoort elke variabele, bijvoorbeeld tussen 1 - 5. Hierbij is de aanname dat een klant die voor alle variabelen een 5 scoort je beste klant is, terwijl een klant die voor alle variabelen een 1 scoort je minst goede klant is. Je kunt hiermee ook een gemiddelde RFM-score berekenen.
Dit resulteert in maar liefst 125 (5x5x5) mogelijke combinaties. Dat zijn er te veel om een goed overzicht te krijgen. Daarom adviseer ik je om voor een overzichtelijk aantal segmenten te gaan. Als je de gemiddelde RFM-score gebruikt kun je bijvoorbeeld voor goud, zilver en brons kiezen. In het voorbeeld hieronder is voor 11 segmenten gekozen en zijn frequency en monetary value gecombineerd, omdat die allebei iets zeggen over hoeveel de klant koopt. Ook heeft elk segment een naam gekregen.
Om beter te begrijpen hoe deze segmenten zich tot elkaar verhouden kun je ze plotten in een tweedimensionaal figuur. In het voorbeeld hieronder staat recency op de x-as, en frequency-monetary value op de y-as. De percentages geven aan hoeveel klanten in verhouding tot het totaal aantal klanten in dat segment zitten.
Rechtsboven zitten je beste klanten, linksonder de klanten waar je veel meer waarde uit wilt halen. Je wilt dus klanten naar rechts en naar boven duwen met gerichte marketingacties.
Bron: https://www.putler.com/rfm-analysis/
Zo, de eerste stappen zijn gezet: jouw klanten zijn op basis van hun transactionele data gesegmenteerd. In de volgende blog gaan we met deze segmenten aan de slag. Welke benadering kies je voor een ‘Champion’ en welke voor een ‘About to Sleep’ klant?
