RFM - Customer Level Data

Introduction

# Khai báo các từ điển sử dụng trong phân tích và xử lý dữ liệu
library(rfm)
library(data.table)
library(knitr)
library(kableExtra)
library(magrittr)
library(ggplot2)
library(highcharter)
library(DT)
library(grDevices)
library(RColorBrewer)
library(DBI)
library(RPostgres)
library(tidyverse)
options(knitr.table.format = "html")

# Kết nối dữ liệu từ SQL server Postgres
con <- dbConnect(Postgres(),
                dbname = 'data_mt',
                host = 'localhost',
                port = 5432,
                user = 'postgres',
                password = '14091986@')
dbListTables(con)

## [1] "dta_rfm"          "dta_profit_score" "dta_mt"

# Lưu dữ liệu bảng vào database
#dbWriteTable(con, "dta_rfm", dta_rfm, overwrite = TRUE)
#dbWriteTable(con, "dta_profit_score", dta_profit_score, overwrite = TRUE)

# Đọc dữ liệu từ database phục vụ phân tích
dta_rfm <- dbReadTable(con, "dta_rfm")

Từ những khách hàng tiêu dùng lớn cho đến những khách hàng rời bỏ doanh nghiệp, tất cả những khách hàng đều có nhu cầu và mong muốn đa dạng. Doanh nghiệp muốn khách hàng chi tiêu nhiều hơn từ những chiến dịch tiếp thị chương trình, sản phẩm mới tới khách hàng theo những cách khác nhau. Tuy nhiên, câu hỏi đặt ra là làm thế nào để đưa ra được các chiến dịch tiếp thị phù hợp với những nhóm khách hàng đang có nhu cầu để từ đó tăng tỷ lệ phản hồi từ khách hàng và từ đó tăng doanh số bán hàng. Bài toán đặt ra là làm thế nào để có thể phân khúc khách hàng một cách tương đối chính xác dựa trên hành vi giao dịch lịch sử của khách hàng, thuật toán RFM sẽ giúp chúng ta giải quyết vấn đề này một cách nhanh chóng và hiệu quả.

Phân tích RFM là một kĩ thuật phân khúc khách hàng dựa trên hành vi giao dịch của khách hàng trong quá khứ, RFM bao gồm 3 chỉ số chính:

• Recency (R): Thời gian giao dịch cuối cùng.
• Frequency (F): Tổng số lần giao dịch chi tiêu.
• Monetary value (M): Tổng só tiền giao dịch chi tiêu.

Lợi ích của phân tích RFM:

• Tăng tỷ lệ giữ chân khách hàng.
• Tăng tốc độ phản hồi từ khách hàng.
• Tăng tỷ lệ doanh thu từ khách hàng.

Nó dựa trên tiên đề tiếp thị rằng 80% doanh thu doanh nghiệp của bạn đến từ 20% khách hàng của bạn. RFM giúp xác định những khách hàng có nhiều khả năng phản hồi các chương trình khuyến mãi hơn bằng cách phân khúc họ thành các danh mục khác nhau.

Data connected

Để tính điểm RFM cho mỗi khách hàng, chúng ta cần dữ liệu giao dịch bao gồm những thông tin sau:

• một id khách hàng duy nhất
• số lượng giao dịch / đơn đặt hàng
• tổng doanh thu từ khách hàng
• số ngày kể từ lần ghé thăm gần nhất

rfm bao gồm một tập dữ liệu mẫu rfm_data_orders bao gồm các chi tiết ở trên:

# Chọn các biến cần thiết dùng cho phân tích
dta_rfms <- dta_rfm %>% 
  select(CUS_ID, REPORT_DATE, MAX_NGAY_GIAI_NGAN, SL_GN_HANMUC_36M, SL_GN_HANMUC_12M, SL_GN_MON_36M, SL_GN_MON_12M, 
         DSGN_LOAN_36M, DSGN_LOAN_12M, DSGN_THE_36M, DSGN_THE_12M)

# Format lại các biến thời gian
dta_rfms$REPORT_DATE <- as.Date(dta_rfms$REPORT_DATE, "%Y-%m-%d")
dta_rfms$MAX_NGAY_GIAI_NGAN <- as.Date(dta_rfms$MAX_NGAY_GIAI_NGAN, "%Y-%m-%d")

# Tạo dataframe dành cho đầu vào chấm điểm score của phân tích RFM 
dta_rfms <- dta_rfms %>%
  mutate(revenue = DSGN_LOAN_36M + DSGN_THE_36M,
         count = SL_GN_HANMUC_36M + SL_GN_MON_36M) %>%
  filter(!is.na(MAX_NGAY_GIAI_NGAN)) %>%
  group_by(CUS_ID) %>%
  summarise(most_recent_visit = max(MAX_NGAY_GIAI_NGAN),
            number_of_orders = sum(count),
            revenue = sum(revenue)) %>%
  mutate(recency_days = as.numeric(as.Date("2022-07-31") - most_recent_visit)) %>%
  filter(!is.na(number_of_orders), !is.na(revenue))

# Hiển thị 100 quan sát mẫu
dta_rfms %>% head(100)

## # A tibble: 100 × 5
##    CUS_ID most_recent_visit number_of_orders   revenue recency_days
##     <dbl> <date>                       <dbl>     <dbl>        <dbl>
##  1 111517 2019-09-04                       1  20045000         1061
##  2 111518 2019-10-25                       1  21100000         1010
##  3 111528 2022-05-18                       2 104445000           74
##  4 111539 2022-05-27                       1  37980000           65
##  5 111549 2020-03-31                       1  21100000          852
##  6 111552 2020-03-16                       1  34815000          867
##  7 111560 2020-03-30                       1  15825000          853
##  8 111566 2019-09-13                       1  25320000         1052
##  9 111567 2022-01-25                       2  31650000          187
## 10 111575 2022-02-21                       1  10550000          160
## # … with 90 more rows

RFM Score

Vậy điểm RFM được tính như thế nào cho từng khách hàng? Các bước dưới đây giải thích quy trình:

• Điểm số lần truy cập gần đây được chỉ định cho mỗi khách hàng dựa trên ngày mua hàng gần đây nhất. Điểm số được tạo ra bằng cách gộp các giá trị lần truy cập gần đây vào một số danh mục (mặc định là 5). Ví dụ: nếu bạn sử dụng bốn danh mục, thì những khách hàng có ngày mua hàng gần đây nhất sẽ nhận được xếp hạng lần truy cập gần đây là 4 và những khách hàng có ngày mua hàng trong quá khứ sẽ nhận được xếp hạng lần truy cập gần đây là 1.

• Xếp hạng tần suất được chỉ định theo cách tương tự. Những khách hàng có tần suất mua hàng cao được cho điểm cao hơn (4 hoặc 5) và những khách hàng có tần suất mua hàng thấp nhất được cho điểm 1.

• Điểm số tiền tệ được ấn định trên cơ sở tổng doanh thu do khách hàng tạo ra trong kỳ được xem xét để phân tích. Những khách hàng có doanh thu / số lượng đơn đặt hàng cao nhất được cho điểm cao hơn trong khi những khách hàng có doanh thu thấp nhất được cho điểm là 1.

• Điểm thứ tư, điểm RFM được tạo ra, đơn giản là ba điểm riêng lẻ được nối thành một giá trị duy nhất.

Những khách hàng có điểm RFM cao nhất có nhiều khả năng sẽ phản hồi một đề nghị. Bây giờ chúng ta đã hiểu cách tính điểm RFM, đã đến lúc áp dụng nó vào thực tế. Sử dụng rfm_table_order() để tạo điểm cho từng khách hàng từ tập dữ liệu mẫu rfm_data_orders.

rfm_table_order() có 8 đầu vào:

• data: một tập dữ liệu với
  • id khách hàng duy nhất
  • ngày giao dịch
  • và số lượng
• customer_id: tên của cột id khách hàng
• order_date: tên của cột ngày giao dịch
• revenue: tên của cột số tiền giao dịch
• analysis_date: ngày báo cáo
• recency_bins: số thứ hạng cho điểm số lần truy cập gần đây (mặc định là 5)
• frequency_bins: số thứ hạng cho điểm tần suất (mặc định là 5)
• monetary_bins: số thứ hạng cho điểm tiền tệ (mặc định là 5)

RFM Table

# Chấm điểm (scoring) cho từng khách hàng dựa trên 3 biến chính
analysis_date <- as.Date('2022-07-31')
rfm_result <- rfm_table_customer(dta_rfms, CUS_ID, number_of_orders,
  recency_days, revenue, analysis_date)

# Hiển thị 10 quan sát đầu tiên
rfm_result %>% head(10)

rfm_table_customer() sẽ trả về các cột sau như được thấy trong bảng trên:

• customer_id: id khách hàng duy nhất
• date_most_recent: ngày của chuyến thăm gần đây nhất
• recency_days: ngày kể từ lần truy cập gần đây nhất
• transaction_count: số lượng giao dịch của khách hàng
• amount: tổng doanh thu do khách hàng tạo ra
• recency_score: điểm số lần truy cập gần đây của khách hàng
• frequency_score: điểm tần suất của khách hàng
• monetary_score: điểm số tiền của khách hàng
• rfm_score: Điểm RFM của khách hàng

Heat Map

Bản đồ nhiệt hiển thị giá trị tiền tệ trung bình cho các danh mục khác nhau của điểm số lần truy cập gần đây và tần suất. Điểm cao hơn về tần suất và số lần truy cập gần đây được đặc trưng bởi giá trị tiền tệ trung bình cao hơn như được chỉ ra bởi các vùng tối hơn trong bản đồ nhiệt.

rfm_heatmap(rfm_result)

Bar Chart

Sử dụng rfm_bar_chart() để tạo phân phối điểm số tiền tệ cho các kết hợp khác nhau của tần suất và điểm số lần truy cập gần đây.

rfm_bar_chart(rfm_result)

Histogram

Sử dụng rfm_histograms() để kiểm tra phân phối tương đối của

• giá trị tiền tệ (tổng doanh thu do mỗi khách hàng tạo ra)
• số ngày truy cập gần đây (số ngày kể từ lần truy cập gần đây nhất cho mỗi khách hàng)
• tần suất (số lượng giao dịch cho mỗi khách hàng)

rfm_histograms(rfm_result)

Customers by Orders

Hình dung sự phân bổ của khách hàng trên các hợp đồng của khách hàng.

rfm_order_dist(rfm_result)

Scatter Plots

Những khách hàng tốt nhất là những người:

• mua gần đây nhất
• thường xuyên nhất
• và chi tiêu nhiều nhất

Bây giờ chúng ta hãy xem xét mối quan hệ giữa những điều trên.

rfm_rm_plot(rfm_result)

rfm_fm_plot(rfm_result)

rfm_rf_plot(rfm_result)

Segments

Hãy để chúng ta phân loại khách hàng của mình dựa trên số lần truy cập gần đây, tần suất và điểm số tiền tệ.

Segmented Customer Data

Chúng ta có thể sử dụng dữ liệu được phân đoạn để xác định

• khách hàng tốt nhất
• khách hàng thân thiết
• khách hàng gặp rủi ro
• và khách hàng rời bỏ

Khi chúng ta đã phân loại khách hàng vào một phân khúc cụ thể, chúng ta có thể thực hiện hành động thích hợp để tăng giá trị lâu dài của họ.

# Đặt tên 11 phân khúc khách hàng
segment_names <- c("Champions", "Loyal Customers", "Potential Loyalist",
  "New Customers", "Promising", "Need Attention", "About To Sleep",
  "At Risk", "Can't Lose Them", "Lost")

# Tạo list điều kiện để chạy phân khúc khách hàng
recency_lower <- c(4, 2, 3, 4, 3, 2, 2, 1, 1, 1)
recency_upper <- c(5, 5, 5, 5, 4, 3, 3, 2, 1, 2)
frequency_lower <- c(4, 3, 1, 1, 1, 2, 1, 2, 4, 1)
frequency_upper <- c(5, 5, 3, 1, 1, 3, 2, 5, 5, 2)
monetary_lower <- c(4, 3, 1, 1, 1, 2, 1, 2, 4, 1)
monetary_upper <- c(5, 5, 3, 1, 1, 3, 2, 5, 5, 2)

# Sử dụng hàm phân khúc để gán biến segment
segments <- rfm_segment(rfm_result, segment_names, recency_lower, recency_upper, frequency_lower, frequency_upper, monetary_lower, monetary_upper)

# Sử dụng hàm datatable để hiện thị kết quả dạng bảng với 100 mẫu
segments %>% 
  head(100) %>%
  datatable(
    filter = "top",
    extensions = 'Responsive'
  ) 

Segment Size

Bây giờ chúng ta đã xác định và phân đoạn khách hàng của mình, chúng ta hãy kiểm tra sự phân bổ của khách hàng trên các phân đoạn. Tốt nhất, chúng ta nên có rất ít hoặc không có khách hàng trong các phân khúc như At Risk hoặc Needs Attention.

Nhìn vào biểu đồ phân tích kết quả phân khúc khách hàng thì nhóm Potential Loyalist chiểm số lượng và tỷ lệ cao nhất với 37%, trong khi hai phân khúc chúng ta quan tâm nhất được dự báo là mang lại doanh thu và lợi nhuận lớn nhất là Champions và Loyal Customers chỉ chiểm 8.46% và 6.61%. Điều này phù hợp với tiên đề đặt ra ban đầu của phân tích “80% doanh thu doanh nghiệp của bạn đến từ 20% khách hàng”.

Điều này sẽ được khẳng định đầy đủ hơn từ việc phân tích chi tiết các tiêu chí về doanh thu giải ngân, tần suất và thời gian giao dịch gần nhất theo từng phân khúc dưới đây.

Chúng ta cũng có thể kiểm tra lần giao dịch gần đây, tần suất và giá trị tiền tệ trung bình giữa các phân đoạn để đảm bảo rằng logic được sử dụng để phân loại khách hàng là đúng đắn và thực tế.

Summary

Từ những kết quả phân tích cơ bản bên trên, chúng ta có thể đưa ra một số kết luận sau:

• Ưu tiên thiết kế và triển khai các chương trình dành cho hai phân khúc khách hàng VIP với kỳ vọng mang lại doanh số giải ngân và lợi nhuận tốt nhất cho công ty là Champions và Loyal Customers.

• Có chính sách hoặc xây dựng hệ thống sản phẩm hiệu quả, linh hoạt hơn hướng tới nhóm phân khúc khách hàng Potential Loyalist nhằm khai thác lượng lớn khách hàng được coi là khách hàng tiềm năng trở thành khách hàng thân thiết mang lại lợi nhuận lâu dài cho công ty.

• Có giải pháp mới hoặc tích cực đẩy mạnh các giải pháp giữ chân khách hàng, tăng tỷ lệ nắm giữ sản phẩm tới các nhóm phân khúc khách hàng About To Sleep và Lost.

• Cẩn trọng trong việc điều chỉnh các chính sách cũng như biện pháp tức thời có ảnh hưởng tới phân khúc At Risk vì tuy nhóm khách hàng này có tỷ lệ rủi ro cao nhưng đang mang lại doanh số giải ngân cũng rất cao.

• Xây dựng và hoàn thiện các sản phẩm thẻ nhằm nâng cao khả năng bán chéo và tăng tỷ lệ nắm giữ sản phẩm, giữ chân khách hàng và đặc biệt hơn là duy trì thường xuyên các hoạt động giao dịch, tương tác của khách hàng với công ty, tăng lợi nhuận tối đa mang lại với giá trị vòng đời khách hàng (lifetime value).

Các biến thể khác của mô hình RFM

Ngoài ra RFM còn có các biến thể khác dựa trên sự thay đổi thêm bớt các biến trong 3 biến Recency, Frequency và Monetary. Bên dưới là một trong những phương pháp đó:

• RFD - Recency, Frequency, Duration (thời gian) là phiên bản đã được modified của phân tích RFM. Nhưng thay vì phân tích giá trị khách hàng, RFD được sử dụng để phân tích hành vi khách hàng theo các nhóm người xem/người đọc/người lướt web.

• RFE - Recency, Frequency, Engagement(mức độ cam kết) là phiên bản mở rộng của phân tích RFD nhằm xác định mức độ gắn bó của khách hàng đối với một nền tảng web, app. Trường Engagement (mức độ cam kết) được xác định thông qua thời lượng truy cập, số trang trên mỗi lượt truy cập và các chiều dữ liệu khác tương tự. Mô hình RFE có thể được sử dụng để phân tích hành vi khách hàng theo các nhóm người xem/người đọc/người lướt web.

• RFM-I - Recency, Frequency, Monetary Value – Interactions (Giá trị tiền tệ - Tương tác) là một phiên bản khác của RFM để đánh giá chi phí tương tác marketing trong tiếp cận khách hàng.

• RFMTC - Recency, Frequency, Monetary Value, Time (Thời gian), Churn rate (Tỷ lệ rời bỏ) là một mô hình RFM mở rộng được đề xuất bởi I-Cheng và cộng sự(2009). Mô hình sử dụng chuỗi Bernoulli trong lý thuyết xác suất nhằm dự báo xác suất mua hàng tại những chiến dịch marketing tiếp theo.

Phân tích một số chân dung khách hàng của phân khúc

References

• Data Mining: Concepts and Techniques , Second Edition , Jiawei Han University of Illinois at Urbana-Champaign Micheline Kamber.
• https://joaocorreia.io/blog/rfm-analysis-increase-sales-by-segmenting-your-customers.html
• http://www.sciencedirect.com/science/article/pii/S1877050910003868
• https://rfm.rsquaredacademy.com