Terminology

Customer Portrait

Customer Portrait (tạm dịch là chân dung khách hàng) được định nghĩa là “quá trình làm rõ các đặc điểm, sở thích và hành vi tập khách hàng mục tiêu của công ti. Quá trình này liên quan đến việc thu thập và phân tích các dữ liệu từ các nguồn khác nhau để có được các hiểu biết về khía cạnh nhân chủng học, tâm lí, hành vi và vị trí địa lí của khách hàng. Bằng việc tạo ra một bức chân dung chi tiết, công ti có thể hiểu hơn về khách hàng của mình nhằm điều chỉnh sản phẩm, dịch vụ và chiến lược Marketing nhằm thỏa mãn các nhu cầu của họ.”

Trong nghiên cứu đánh giá này thuật ngữ “Customer” được hiểu là các khách hàng đang sử dụng sản phẩm hoặc dịch vụ mà công ti cung cấp. Theo cách hiểu này thì Game User chính là khách hàng của công ti. Do vậy hai thuật ngữ này có thể được sử dụng thay thế nhau mà không có sự khác biệt về ý nghĩa.

Customer Segmentation

Customer Segmentation (tạm dịch là phân khúc khách hàng) được hiểu là quá trình phân loại một tập khách hàng cụ thể thành các nhóm nhỏ hơn nữa (sub-group) dựa trên các đặc điểu về hành vi tiêu dùng hoặc các nhân tố nhân chủng học. Dựa trên các điểm của các nhóm nhỏ công ti có thể điều chỉnh sản phẩm và dịch vụ nhằm nâng cao trải nghiệm khách hàng, giữ chân khách hàng, giảm tỉ lệ rời bỏ, tăng doanh thu, tăng hiệu quả của các chiến lược Makerting.

Motivation

Nghiên cứu này được thực hiện nhằm trả lời những câu hỏi dưới đây:

Q1: Các khách hàng (của một game cụ thể) nên được chia thành mấy nhóm và sự phân loại đó căn cứ vào các tiêu chí nào?

Q2: Đặc điểm và hành vi của các nhóm khách hàng có sự khác biệt không?

Q3: Dựa trên việc phân khúc khách hàng thành các nhóm nhỏ hơn, công ti nên thực hiện những actions nào để: (1) giữ chân các khách hàng tốt, (2) giảm tỉ lệ rời bỏ, (3) nâng cao hiệu quả Makerting và chăm sóc khách hàng.

Proposed Solution

Có 4 cách tiếp cận trong cho phân khúc khách hàng hiện đang được sử dụng phổ biến dưới đây:

Căn cứ vào điều kiện dữ liệu hiện có, nhóm nghiên cứu lựa chọn phương án phân khúc khác hàng và khắc họa chân dung của Game Users căn cứ vào dữ liệu hành vi (Behavioral Data) về tiêu dùng/chi trả. Ba thước đo được sử dụng để đánh giá hành vi của Game Users là bộ ba chỉ tiêu Recency, Frequency, Monetary (RFM Metrics):

  • Recency Là khoảng thời gian gần đây nhất mà Game User thực hiện tiêu dùng/chi trả trong Game.

  • Frequency Là số lần thực hiện tiêu dùng/chi trả trong Game của Users trong một khoảng thời gian nhất định.

  • Monetary Là số trung bình số tiền tiêu dùng/chi trả của Users trong một khoảng thời gian nhất định.

Các cụm User sẽ được phân khúc dựa vào thuật toán K-Means Clustering dựa trên dữ liệu về hành vi của các Users.

A Real-World Case: ABC Game

ABC là Game được lựa chọn để thực hiện nghiên cứu. Đây là game được phát hành chính thức ngày 26-12-2018. Khoảng thời gian được chọn để nghiên cứu và đánh giá là 30 ngày tính từ ngày phát hành, tức là từ ngày 26-12-2018 đến 24-01-2019 (Stage 1).

Figure 1 dưới đây chỉ ra xu hướng doanh thu ngày của ABC từ ngày phát hành đến thời điểm hiện tại:

Tập khách hàng từ ngày 26-12-2018 đến 24-01-2019 được phân thành 5 cụm/nhóm được dán nhãn lần lượt là Diamond, Platinum, Bronze, Aluminum và Iron. Xu hướng tiêu dùng/chi trả, chân dung cũng như các đặc điểm của 5 nhóm khách hàng này được thể hiện ở Figure 2 đưới đây:

  • Nhìn vào đường doanh thu ngày chúng ta có thể thấy rằng Diamond là nhóm có doanh thu vượt trội và khác biệt so với cả 4 nhóm còn lại. Ba nhóm còn lại không tạo ra nhiều doanh thu cho công ti là Bronze, Aluminum và Iron.

  • Những Users cuối cùng thuộc nhóm Iron (đường màu cam) thì từ sau ngày thứ 4 trở đi họ không thực hiện bất kì chi tiêu nào. Tức là 26 ngày còn lại trong khoảng thời gian nghiên cứu, họ không thực hiện bất kì chi tiêu nào nữa. Thời gian họ “ở lại” (hiểu theo nghĩa còn tiêu tiền cho Game) ABC Game chỉ là 4 ngày. Retention rate với nhóm này là 4 / 30 = 13% vì khách hàng cuối cùng thuộc nhóm này xuất hiện vào này 31-12-2018.

  • Với nhóm Aluminum thì 10 / 30 = 33% và lần cuối cùng nhóm này còn chi tiền là 07-01-2019.

  • Với các Users thuộc nhóm Diamond thì doanh thu ngày thu được từ nhóm này tăng đều đặn và Retention rate của nhóm này đạt 100%. Nói cách khác, nhóm khách hàng này ngày nào cũng tạo ra doanh thu. Trong khoảng thời gian nghiên cứu, nhóm này tạo ra 82% toàn bộ doanh thu trong khi số lượng Users thuộc nhóm này chiếm 30.7%.

  • Trung bình các Users thuộc nhóm Diamond chi 5 triệu cho mỗi lần nạp tiền. Con số này cao gấp 5 lần của nhóm xếp thứ hai là Platium.

  • Trong vòng 30 ngày số lần nạp tiền của các nhóm khách hàng (theo thứ tự từ trên xuống) là 19, 6, 4, 3, 2.

Để đánh giá hành vi chi tiêu và rời bỏ của 5 nhóm khách hàng này, dữ liệu của 30 ngày kế tiếp được sử dụng để đối chiếu. Xu hướng “ở lại” của 5 nhóm khách hàng này được thể hiện ở Figure 3:

Có thể thấy ngoại trừ nhóm Diamond, 4 nhóm khách hàng khác gần như đã “rời bỏ” việc chi tiền cho ABC Game.

Figure 4 chỉ ra xu hướng chi tiêu của 5 nhóm khách hàng trong 30 ngày kế tiếp:

Summary

  • Nghiên cứu này chỉ ra rằng việc phân loại khách hàng và khắc họa chân dung của họ dựa trên RFM Metrics và K-Means Clustering có thể mang lại những insights quan trọng để công ti thực hiện các chiến dịch giữ chân nhóm khách hàng mang lại nhiều giá trị cho công ti nhất một cách hiệu quả hơn.

  • Việc phân cụm khách hàng có thể áp dụng cho từng con Game cụ thể hiện còn vận hành của công ti và cho từng giai đoạn khác nhau.

  • Customer Portrait và hành vi của 5 nhóm khách hàng là có sự khác biệt rất rõ ràng như đã chỉ ra trong Figure 2, Figure 3 và Figure 4.

  • Việc phân cụm khách hàng thành 5 nhóm như trên có thể được thực hiện tự động với tần suất chọn trước.