pomocí RFM analýzy
Adresný marketing má dvě – různé a různými způsoby oslovované – sféry. Jsou jimi objekty na trhu a zákazníci. Základní marketingovou úlohou pro obě sféry je realizace úspěšných kampaní, které vedou ke zvýšení prodeje. Efektivita adresné marketingové kampaně závisí především na minimálních nákladech a na maximální odezvě.
RFM analýza byla vyvinuta právě pro přípravu efektivních kampaní a zaměřuje se na zákazníky, kteří jsou zahrnuti ve firemních databázích prodejů. Cílem analýzy je nalézt ty zákazníky, kteří budou mít s největší pravděpodobností pozitivní odezvu a zároveň u nich očekáváme nejvyšší přínos. To vše při efektivním využití nákladů, tedy při minimálním počtu oslovených.
RFM je analytická metoda, která vychází z běžných dat o prodejích. Ty transformuje do tří základních proměnných, ze kterých vytváří a popisuje zákaznické segmenty. Metoda je jednoduchá, a může ji tedy aplikovat každý. S dobrým softwarem je to výpočetně automatická záležitost, která nevyžaduje žádné specifické znalosti statistických postupů.
Úloha adresného marketingu
Myšlenka analýzy vychází ze známého marketingového a obchodního pravidla 80:20 (zákon Vilfreda Pareta), tedy že osmdesát procent úspěchu přichází od dvaceti procent případů. K zajištění podobného cíle pomáhá i metoda RFM, běžně využívaný postup marketingové analýzy, který je velmi snadný, i když stále ne dostatečně rozšířený. Důvodem je jistá pracnost přípravy transakčních dat pro velké datové soubory. Nový směr v analýze, který se zaměřuje na automatizované datové toky od určení dat až po finální výstupy, však může tyto překážky překonat. Podle čeho však zákazníky řadit? Co je kritériem nalezení oněch příslovečných dvaceti procent? Chování zákazníků je velmi různorodé a řazení je proto nejednoznačné. Jsou to ti zákazníci, kteří kupují velké objemy? Nebo ti, kteří kupují málo, ale často? Na to odpovídá zkratka metody: RFM. Je to akronym třech proměnných: recency, frequency, monetary. Již více než padesát let jsou tyto proměnné považovány v souhrnu za profil charakterizující chování zákazníků a z nich také metoda vychází.
Ač se jednotlivé trhy od sebe mohou podstatně lišit a způsoby chování zákazníků pro různé výrobky a kategorie výrobků mají zcela jiné konsekvence pro obchod samotný, jsou tyto tři proměnné považovány za užitečný univerzální popis. Z nich vytváříme analýzou dat skupiny, které posléze oslovujeme. Argumenty pro tyto proměnné jsou běžně uváděny v marketingové literatuře, vycházejí ze zkušeností a marketingových analýz a výzkumů:
- recency – doba od posledního nákupu – zákazníci, kteří kupovali nedávno, budou mít vyšší zájem o nové produkty,
- frequency – míra četnosti nákupů za poslední zvolené období – vycházíme z toho, že zákazníci, kteří kupují často, budou mít větší zájem o novou nabídku,
- monetary – míra objemu nákupů – zákazníci kupující ve vysokých objemech mají vyšší zájem.
Cílem analýzy je identifikovat zákazníky s vysokou pravděpodobností odezvy a profitu a vychází z těchto tří proměnných. Způsobů, jak cíle dosáhnout, je mnoho. Nejčastějším je postup navržený Arthurem M. Hughesem založený na kombinované segmentaci všech zúčastněných charakteristik tříděných do kvintilových intervalů (tj. každý interval obsahuje dvacet procent dat z uspořádané řady). Takovýchto pět uspořádaných kvintilových intervalů poskytuje nejen klasifikaci podle stupně každé proměnné, ale také skórování stupně vlastnosti. (Modelů zpracování i způsobů skórování je ovšem více a možnost vyvinout vlastní přístup či modifikovat stávající modely není omezena.)
Získané členění tvoří v kombinaci tři dvourozměrné a jednu třírozměrnou kontingenční tabulku. Ty můžeme interpretovat běžnými metodami. Každá kombinace dvou (vždy 25 polí) či všech tří proměnných (125 polí) tvoří vždy soubor segmentů. Hughesův model ukazuje, jak se s takovými segmenty jednoduše nakládá. K tomu je k dispozici soubor rutinních výstupů, a to jak tabelárních, tak grafických. Pro plánování adresného marketingu tak jsou k dispozici výstupy pro rutinní rozhodování i pro studium situace a pochopení chování zákazníků. Výstupem jsou ale také adresy pro jednotlivé segmenty, které jsou připraveny k rozeslání.
Realizace metody
Metoda RFM se úspěšně používá a vede k profitu i úsporám. Je jednoduchá ve vstupech i výstupech. A přesto, že je součástí každé kvalitní výuky marketingu a neměla by tedy být neznámá, nemá tak široké uplatnění, jaké zaslouží. Je to zejména neznalostí nástrojů, které zdůrazňovanou jednoduchost použití zajistí.
V pozadí automatického zpracování je několik zásadních kroků:
- určení cílové skupiny zákazníků, kterých se analýza (resp. kampaň) týká,
- převzetí dat z transakční nebo z agregované databáze,
- vytvoření tří základních proměnných a jejich skórovaných kategorií,
- vytvoření segmentů,
- tabelace a vizualizace.
RFM analýza je tedy informační transformací primárních obchodních dat do marketingových analytických výstupů podle daných vzorů. Pro takové zpracování, má-li být plně automatizováno, nestačí makra v Excelu (která sama o sobě ovšem mohou být užitečná pro menší úlohy a vytváření tabulek a grafů). Vhodné je použít specializovaný software, jako je například IBM SPSS Direct Marketing, který má jako jednu ze svých procedur celou automatickou aplikaci RFM analýzy, zajišťuje celý proces, a otevírá navíc možnosti implementace do marketingových operačních procesů firmy. Může být napojen na BI systémy, jako je Cognos a další programy z této třídy, na jakékoliv databáze. Je provozován na úrovni desktopové stanice i v relaci server/klient. Může být propojen s kterýmikoli dalšími moduly systému IBM SPSS Statistics. Právě takový software otevírá metodu RFM běžnému použití, a to i pro velké databáze a časté výstupy a podtrhuje užitečnost metody.
Přednosti RFM
Výhody:
- jednoduchost – snadno se implementuje a provozuje
- metoda je snadno pochopitelná – nevyžaduje žádné dlouhé speciální zaškolování
- velmi nízké náklady na zavedení i na provoz, je součástí běžné rozhodovací rutiny
- vysoké přínosy jak na straně příjmů (vysoká pravděpodobnost odezvy), tak při redukci nákladů (optimalizovaná adresnost)
- kontrolovaná adresnost vede k omezení nevyžadovaného kontaktu, a tudíž ke snížení záporných reakcí zákazníků
Metoda také informuje o skupinách s nízkým skóre u jednotlivých charakteristik RFM. Tuto informaci můžeme využít a dané skupiny (například segment zákazníků, kteří nás opustili, ale kupovali často nebo ve velkém objemu) oslovit specificky – kampaň pro návrat, nebo zvýšení retence oslovením těch, kdo mají vysokou délku intervalu od posledního nákupu.
Jednoduchost postupu a výstupů podporuje efektivitu aplikací a rychlé analytické kompetiční zisky, a to bez velkých znalostí a zkušeností se složitějšími a komplexními postupy data miningu. Je vhodná jako rychlá, snadná vstupní a přitom vysoce přínosná etapa. V dalších krocích může být postupně zaváděn komplexnější data mining a predikční analytické modely do každodenních procesů.
RFM analýza je sama o sobě efektivní a vede k ziskům, její data však otevírají cestu k dalším sofistikovanějším postupům. Metoda může být modifikována, rozšířena, prohloubena. Tři základní proměnné lze analyzovat i jinými seskupovacími algoritmy a dostat tak jiné, podrobnější či přesnější segmentace. Proměnné R, F, M mohou být doplněny dalšími proměnnými, indexy, charakteristikami.
Velmi důležitou vlastností metody (a zmíněného softwaru) je možnost implementace do rutinních operačních procesů firmy, a to s pravidelným výstupem a, samozřejmě, se zpětným zápisem o úspěšnosti akce pro daný případ.
Mnoho pracovníků marketingových oddělení nemá vysoké statistické znalosti pro sofistikované analýzy. RFM analýza je velmi snadná na pochopení a technickou stránku věci nám poskytne nenákladný software. Pro aplikaci metody tedy stačí vědět, co chceme získat a na jaké marketingové otázky nám metoda odpovídá.
Jan Řehák
Autor je ředitelem a jednatelem společnosti SPSS CR