RFM Analizi ile Müşteri Segmentasyonu

Merhabalar herkese

Bugün sizlerle birlikte Veri Bilimi projelerine adım atıyor olacağız. İlk projemiz RFM analizi ile Müşteri Segmentasyonu olacaktır. RFM analizi müşteri analitiği alanında sıkça kullanılan bir yöntemdir. Bu analiz türünde müşterileri segmentlere ayırarak her bir segmentteki müşteriye özel, satış ve pazarlama teknikleri geliştirilmektedir.

Sizlerle bugün RFM analizi nasıl yapılmaktadır, elde edilen sonuçlar nasıl yorumlanıp bir aksiyon kararına dönüştürülmektedir. Bunlardan bahsediyor olacağım.

RFM Analizi Nedir?

· Frequency — Sıklık — Müşterinin toplam satın alma sayısıdır.

· Monetary — Parasal Değer — Müşterinin yaptığı toplam harcamadır.

RFM analizinde yaygın olarak kullanılmakta olan bir tablo bulunmaktadır. Genelde bu tabloda 2 parametre kullanılmaktadır. Bunlar Recency ve Frequency değerleridir. Öncelikli olarak Recency, Frequency ve Monetary değerleri bulunduktan sonra bunları 1 ile 5 arasında değerler verilerek müşterileri segmentlere ayırmaktayız. 5 çok iyi, 1 ise çok kötü anlamına gelmektedir. Tabloda müşteriler segmentlere ayrılmış durumdadır. Parametre değerlerine bakılarak müşterilerin segmentleri belirlenmektedir. Bizlerin burada dikkat etmesi gereken grup aslında herkesin düşündüğü şampiyonlar grubu değil bu grup zaten sürekli olarak bizi ziyaret ediyor ve alışveriş yapıp para bırakıyor. Burada en dikkat gerektiren sınıf “can’t loose them” sınıfıdır. Çünkü bu kişiler bizi nerdeyse hiç ziyaret etmiyor ve çok fazla alışveriş yapıyor yani frequency değerleri 5 gördüğünüz üzere bu nedenle bu sınıfa odaklanmamız gerekiyor. Çünkü bu grupta yer alan müşteriler bizi bıraktı bırakacak, churn olmak üzereler bu nedenle dikkat gerektirmekte ve bu gruptaki müşterileri gerekli analizler yaparak bize kazandırmalıyız. Aynı zamanda bir de “need attention” grubu bulunmakta Recency değeri 3, Frequency değeri 3 olan gruba ve uyku halinde olan gruba özel mailler atarak, promosyonlar yaparak canlandırıp tabloda sağa veya yukarıya doğru çıkarmamız gerekmektedir. Kısacası bu tabloyu bu şekilde açıklayabiliriz. RFM analizinin temel mantığının anlatıldığı tablo bu tablodur.

RFM Analizi Tablosu

Elde ettiğimiz parametreleri skorlara ayırmamız gerekmektedir. Az önce yukarıda tabloyu anlatırken değindiğim değerlerden bahsediyorum. Aşağıdaki kod parçasını incelediğimizde burada dikkatinizi çeken nokta Recency değeri olacaktır. Çünkü tersten bir skorlama yapılmaktadır. Bunun sebebi ise örneğin siz analiz yapılan günden 1 gün önce bizleri ziyaret ederek alışveriş yaptığınızı, diğer müşterimiz ise 100 gün önce bizleri ziyaret ederek alışveriş yaptığını düşünelim. Bu durumda recency değeri Analiz yapılan günün (Bugünün) tarihi — Son satın alma tarihi formülü ile hesaplandığında burada siz bizi 1 gün önce ziyaret edip alışveriş yaptığınız hesaplanacaktır. Yani yakın zamanda alışveriş yaptığınız için recency puanınız: 5 olacaktır. Diğer müşterimiz ise analiz yapılan günden 100 gün önce alışveriş yaptığı için recency puanı: 1 olacaktır. Bu nedenle recency değeri düşük olana 5 puan, recency değeri yüksek olana 1 puan verilmektedir. Diğer iki parametre zaten satış arttıkça ve ödenen toplam para arttıkça skor değerleri de artacaktır.

Şimdi ise örnek bir veri seti üzerinden müşterileri segmentlere ayırma işlemi yaparak bu segmentler hakkında sizlere yorum ve aksiyon fikirleri öneriyor olacağım. RFM analizini Python programlama dilinde ve Kaggle platformunda gerçekleştirdim. Yapmış olduğum analizi Kaggle platformunda paylaştım. Dilerseniz aşağıdaki linkten notebooka erişim sağlayabilirsiniz.

Kaggle Notebook Link: https://www.kaggle.com/ahmetcankaraolan/customer-segmentation

Burada sizlerle birlikte yorum ve aksiyon kısmına özellikle değinmek istiyorum.

Yorumlar ve Alınacak olan Aksiyonlar

Yorumlarımı yukarıda yer alan betimsel istatistiklere göre gerçekleştireceğim. Seçilecek olan 4 segment şunlardır;

  • Champions
  • About to Sleep
  • Need Attention
  • Can’t Loose

Champions

  • bu segmentte 665 kişi bulunmakta,
  • ortalama olarak en son alışverişleri 4 gün önce gerçekleşmiş,
  • alışveriş sıklıkları 15, toplamda 248 alışverişleri var,
  • 279489 dolar/TL harcamaları olmuş.

About to Sleep

  • bu segmentte 369 kişi bulunmakta,
  • ortalama olarak en son alışverişleri 51 gün önce gerçekleşmiş,
  • alışveriş sıklıkları 1, toplamda 2 alışverişleri var,
  • 6208 dolar/TL harcamaları olmuş.

Need Attention

  • bu segmentte 190 kişi bulunmakta,
  • ortalama olarak en son alışverişleri 48 gün önce gerçekleşmiş,
  • alışveriş sıklıkları 3, toplamda 4 alışverişleri var,
  • 3546 dolar/TL harcamaları olmuş.

Can’t Loose

  • bu segmentte 68 kişi bulunmakta,
  • ortalama olarak en son alışverişleri 132 gün önce gerçekleşmiş,
  • alışveriş sıklıkları 10, toplamda 35 alışverişleri var,
  • 10217 dolar/TL harcamaları olmuş.

AKSİYON

About to sleep segmentindeki kişilere değerli kaynaklarımızı paylaşarak, popüler ürünleri / yenilemeleri indirimli olarak önerip, onlarla yeniden bağlantı kurup müşterimiz yapabiliriz.

Need Attention segmentindeki kişilere sınırlı süreli teklifler yapabiliriz bu onları bizimle alışveriş yapmaya doğru itecektir, geçmiş satın alımlara dayanarak tavsiye ürünlerde bulunabiliriz. Bu şekilde onları yeniden etkinleştirerek alışveriş yapmalarını sağlayabiliriz.

Can’t Loose önem verilmesi gerekilen segmentlerden birisidir. Bu segment bizim kaybetmek istemediğimiz segmenttir. Son alışverişleri 132 gün önce yapılmış olması kötü bir sonuçtur. Ancak toplam yapılan alışveriş sayısı oldukça yüksek bir rakamdır 35 adet toplam satış olmuş. Aslında alışveriş yapıyorlar ama tek seferde veya birkaç seferde girip toplu bir şekilde alışveriş yapıp uzun bir süre tekrar alışveriş yapmıyorlar. Bu segmentte yer alan kişilere yenilemeler, daha yeni ürünleri onlara önererek veya bu sınıfa özel promosyonlar, küçük çaplı para puanlar verilerek geri kazanabiliriz, burada yer alan kişileri rekabete sokmamalıyız, onlarla konuşarak mailler ve smsler atarak kazanabiliriz. Neyin yanlış gittiğini öğrenmek için anketler yaparak anket sonuçlarından düzeltmeler yapılabiliriz.

Bir sonraki yazıda görüşmek dileğiyle…

Data Scientist