RFM (recentheid, frequentie, monetaire waarde)

Wat de drie dimensies daadwerkelijk meten

Recentheid is het aantal dagen sinds de laatste bestelling van de klant. Het is de sterkste van de drie voor de meeste retailcatalogi, om een alledaagse reden: koopgedrag is een gewoonte en gewoontes vervagen, dus het beste beschikbare bewijs dat iemand volgende maand bij u zal kopen, is dat ze vorige maand bij u hebben gekocht. Een klant die drie weken geleden heeft besteld, bevindt zich in een andere staat dan iemand die veertien maanden geleden heeft besteld, ongeacht hoeveel een van beiden historisch heeft uitgegeven.

Frequentie is het aantal bestellingen binnen een gedefinieerd terugkijkvenster, en het venster is een beslissing in plaats van een detail. 'Bestellingen ooit' beloont anciënniteit en overschat permanent klanten die jaren geleden actief waren; een voortschrijdende periode van 12 of 24 maanden beschrijft de klant zoals die nu is. Kies er één, vermeld deze, en verander deze niet stilletjes, want frequentiescores zijn niet vergelijkbaar over verschillende vensters.

Monetaire waarde is de totale uitgave in hetzelfde venster — soms in plaats daarvan de gemiddelde orderwaarde, wat een andere vraag beantwoordt. Totale uitgave correleert met frequentie, dus de twee scores overlappen elkaar gedeeltelijk; de gemiddelde orderwaarde is onafhankelijker en nuttiger wanneer u 'koopt vaak, koopt goedkoop' wilt scheiden van 'koopt zelden, koopt veel'. Beide hebben dezelfde blinde vlek, namelijk dat ze omzet meten in plaats van marge.

Scoren per kwintiel, uitgewerkt

De standaardmethode is om het klantenbestand op elke dimensie te rangschikken en in vijf gelijke groepen te verdelen. Neem een voorbeeld van 10.000 klanten met ten minste één bestelling in de afgelopen 24 maanden. Sorteer op dagen sinds de laatste bestelling, neem de 2.000 meest recente en scoor ze R = 5; de volgende 2.000 krijgen R = 4, enzovoort tot R = 1 voor de 2.000 die het langst stil zijn geweest. Herhaal dit onafhankelijk voor frequentie en monetaire waarde. Elke klant krijgt uiteindelijk drie cijfers, van 555 tot 111.

Kwintielen worden gebruikt in plaats van vaste drempels omdat ze zelfkalibrerend zijn. Een catalogus waar de mediane kloof tussen bestellingen drie weken is en een waar deze negen maanden is, produceren beide een zinvolle R = 5 groep, en geen van beide heeft een hardgecodeerde regel nodig die veroudert naarmate het bedrijf verandert.

De onderstaande tabel toont hoe die grenswaarden eruit zouden kunnen zien voor het voorbeeld. Het belangrijke kenmerk zijn niet de cijfers, maar wat er gebeurt in de frequentiekolom.

Het gelijkstandprobleem, en hoe ermee om te gaan

Een frequentie van 1 verschijnt twee keer in die tabel, in de onderste twee kwintielen, en in een echt e-commerce klantenbestand beslaat het meestal drie of vier daarvan. De meeste klanten van de meeste merken hebben precies één keer besteld. Er is geen manier om een kolom met 70% identieke waarden in vijf gelijke groepen te verdelen, en elke tool die dit probeert, produceert willekeurige splitsingen waarbij twee klanten met identiek gedrag in verschillende segmenten terechtkomen.

De werkbare benaderingen zijn om te rangschikken met gelijkstanden en ongelijke groepsgroottes te accepteren, wat de scores eerlijk houdt ten koste van een scheef raster; om frequentie te scoren op expliciete drempels in plaats van kwintielen — 1, 2, 3, 4–6, 7 of meer — wat leesbaar en stabiel is; of om frequentie te reduceren tot een binaire 'heeft herhaald' vlag voor catalogi waar herhaalaankopen echt zeldzaam zijn. Het enige wat u niet moet doen, is een percentielfunctie stilletjes de gelijkstanden laten splitsen en vervolgens het resultaat presenteren alsof de segmenten verschillen.

Dezelfde voorzichtigheid geldt voor de monetaire dimensie om een andere reden: het telt omzet, niet bijdrage. Een klant wiens hele geschiedenis met 40% korting is gekocht, scoort identiek aan iemand die de volle prijs heeft betaald voor hetzelfde totaal, en slechts één van hen is het waard om meer van te werven. Als u de dekkingsbijdrage per klant kunt berekenen, gebruik deze dan in plaats van de uitgave — het verandert vaker dan mensen verwachten welke klanten in de topsegmenten verschijnen.

De segmenten die de scores produceren, en de actie die elk impliceert

De scores zijn pas nuttig als ze zijn samengevoegd tot een handvol benoemde groepen die een actie met zich meebrengen. Zes dekt de meeste catalogi. De onderstaande patronen zijn de gangbare definities; pas de grenzen aan uw eigen distributie aan in plaats van het raster van iemand anders te importeren.

Waar RFM niet meer werkt

Abonnementen doorbreken het structureel. Elke actieve abonnee heeft per definitie een recente bestelling, omdat het facturatiesysteem er een heeft aangemaakt, dus recentheid meet de facturatiecadans in plaats van de intentie van de klant en elke actieve abonnee scoort R = 5, of ze nu tevreden zijn of vergeten zijn dat ze zijn ingeschreven. Frequentie degenereert om dezelfde reden in anciënniteit. Voor een abonnementsbestand vervangt u recentheid door dagen sinds de laatste vrijwillige actie — een login, een overslaan, een ruil, een geopende e-mail, een toegevoegd item — en vervangt u frequentie door iets dat informatie bevat, zoals het aantal overgeslagen items of de betalingsstoringsgeschiedenis.

Catalogi voor producten met lage aankoopfrequentie en hoge waarde werken anders. Voor matrassen, meubels of apparaten heeft bijna elke klant een frequentie van 1, en een lage recentheidsscore is de verwachte toestand in plaats van een waarschuwing: iemand die achttien maanden geleden een bank kocht, gedraagt zich precies zoals een bankklant zou moeten. Ze als "risicovol" bestempelen en hen win-back aanbiedingen sturen, is een categoriefout. Hier zijn de nuttige assen categorie, orderwaarde en verwijzingsgedrag, niet RFM.

De algemene beperking is dat RFM beschrijvend en terugkijkend is. Het vertelt je wat een klant heeft gedaan, wat een goede indicator is voor wat ze hierna zullen doen, maar geeft geen verklaring waarom. Het kan niet zien dat een cohort afhaakt omdat een formulering is veranderd of omdat levertijden zijn opgelopen, dus het zal die klanten trouw naar een win-back segment leiden en hen een korting aanbieden om een probleem op te lossen dat een korting niet oplost.

Niets daarvan is een argument ertegen. RFM kost één SQL-query, heeft geen model en geen leverancier nodig, en het is een grote verbetering ten opzichte van het sturen van dezelfde boodschap naar iedereen. Laat het alleen niet de enige lens zijn, en voer het regelmatig opnieuw uit — scores die eenmaal zijn berekend en bevroren, worden gestaag onjuister, omdat de recentheid voor elke klant elke dag verandert, ongeacht of ze actie ondernemen of niet.