CRM Analizi (RFM Analizi ve CLTV (Müşteri Yaşam Boyu Değeri))
CRM (Müşteri ilişkileri yönetimi) firmaların satışı, karlılıklarını artırmak için kullandıkları yöntemlerdir. Müşterinin ihtiyacını analiz etmek, müşteriyi anlamak, var olan müşteriyi korumak, sadık müşteriler elde etmek için yapılan tüm çalışmalara verilen isimdir.
Örnek uygulamalarla CRM çalışmaları yapacağız.
RFM Analizi
Müşteri analitiği alanında sık kullanılan bir yöntemdir. Firmalar tarafından müşterileri segmente ayırarak, her bir müşteriye özel firmanın satış ve pazarlama planları yapabilmesini sağlar. R-ecency, F-requency, M-onetary
Recency(Yenilik): Müşterinin son satın almasından bugüne kadar geçen süre.
Recency = Bugünün tarihi — Son satın alma tarihi.
Bugünün tarihi olarak belirttiğimiz kısım analizin yapıldığı tarih olarak kabul edilmektedir.
Frequency(Sıklık): Müşterinin toplam satın alma sayısı.
Monetary(Parasal Değer): Müşterinin yaptığı toplam harcama.
RFM analizi için öncelikle müşterilerinin R, F, M değerlerini belirlememiz gerekir. Ve bu değerlere göre müşterileri segmentlere ayırmamız gerekir. Daha sonra müşterinin bulunduğu segmente göre, belirli pazarlama satış yöntemleri belirlemek gerekmektedir.
Öncelikle 1 ve 5 arasında değerler ile müşterileri segmentlere ayıralım. 5 çok iyi, 1 ise çok kötüyü temsil etmektedir. Aşağıdaki tabloda görüldüğü gibi recency değeri 5 frequency değeri 5 ve 4 olan müşteriler champions segmentindedir. Champions sınıfına ait olan müşteriler en sık ve en çok harcama yapan müşterilerdir. Bu müşteriler için özel kampanyalar, indirim kuponları yapılabilir. Frequency değeri 5 ancak recency değeri 1 veya 2 olan müşteriler can’t loose them segmentine aittir. Bu müşteriler sık sık alışveriş yapan ancak son zamanlarda alışveriş yapmayan müşterilerdir. Bu müşterilere özel pop-up mesajları gönderilip, müşteriye firmayı hatırlatabiliriz.
Şimdi, bir örnek veri seti ile RFM analizi yapalım. Veri setine buradan ulaşabilirsiniz. Veri setini tanımlayacak olursak, Online Retail II isimli veri seti İngiltere merkezli online bir satış mağazasının 01/12/2009–09/12/2011 tarihleri arasındaki satışlarını içermektedir. Biz 2010–2011 yıllarındaki satışlar üzerinden değerlendirme yapacağız.
Veri seti 541190 gözlem ve 8 değişkenden oluşmaktadır. Veri hazırlama kısmında null değerler var ise dolduruyoruz. Her işlemin toplam değerlerini hesaplıyoruz. Total_Price = Quantity * Price
Artık müşterilerin Recency, Frequency ve Monetary değerlerini hesaplamamız gerekiyor.
RFM değerleri yukarıda görüldüğü gibidir. Bu değerleri 1 ve 5 arasında skorlamamız gerekir. Skorladıktan sonra segmentlere ayıracağız.
Görüldüğü üzere recency, frequency ve monetary skor birleştiğinde RFM_SCORE oluşmaktadır. Şimdi bu 1 ve 5 sayılarına göre segmentlere ayıracağız.
Kod çıktısında görüldüğü üzere rfm skorlarına göre segmentlerine ayırdık. can’t loose segmentini inceleyip, bazı satış ve pazarlama fikirleri paylaşacağım.
Can’t loose segmentinde recency, frequecy ve monetary değerleri için ortalamalarını incelediğimde, 63 müşteri yaklaşık 132 günde bir 8 kez alışveriş yapmıştır. Toplam getirisi 2796.16 birimdir. Bu müşteri segmentindeki müşteriler için, indirim kuponları tanımlanabilir, firmayı hatırlatıcı mesajlar gönderilebilir.
CLTV (Customer Lifetime Value)
Bir markanın ömür boyu müşteri için değeri anlamına gelmektedir. Müşteriler hakkında bilgi sahibi olmamızı sağlar. Bir müşterinin bir şirketle kurduğu ilişki-iletişim süresince bu şirkete kazandıracağı parasal değerdir. RFM analizinde müşterileri segmentlere ayırmıştık. Ancak bu segmentlerden sadece özel stratejiler, pazarlama stratejileri belirleyebiliyorduk. Geleceğe yönelik bir tahmin yapmıyorduk. Yani CLTV ile müşterilerimizi daha geniş bir perspektiften yani zaman projeksiyonuyla bize ne kadar katma değer sağlayabileceğini hesaplayabiliyoruz.
CLTV = (Customer Value / Churn Rate) * Profit Margin
Amacımız, bir veri setinde bütün kitlenin satın alma davranışını yakalayıp, bunu bireysel özellikler geldiğinde tahminde bulunabilmesini sağlamaktır.
Bu işlem için olasılıksal yöntemler kullanacağız.
CLTV = (BG/NBD Model) * (Gamma Gamma Submodel)
BG/NBD Model (Expected Number of Transaction), satın alma sayısını olasılıksal olarak ifade etmemizi sağlar.
Gamma Gamma Submodel (Conditional Expected Average Profit) ortalama kar miktarını olasılıksal olarak ifade etmemizi sağlar.
Şimdi bu yöntemler ile bir örnek veri seti ele alacağız. RFM’de kullandığımız veri seti ile ilerliyoruz. 2010–2011 UK müşterileri için 6 aylık CLTV tahmini yapacağız. Veri setinden UK verilerini çekiyoruz.
df = df[df["Country"] == 'United Kingdom']
df.head()Ön işleme aşamasında RFM’deki gibi Quantity değeri 0'dan büyük olanları alıyoruz. Çünkü total price için quantity*price yapıyorduk. Lifetime veri yapısında recency, son satın alma üzerinden geçen zamanı verir(haftalık).
Recency = Son alışveriş tarihi -İlk alışveriş tarihi
T: müşterinin yaşı.(Analiz tarihinden ne kadar süre önce ilk satın alma yapılmış)
monetary_value: satın alma başına ortalama kazanç
Aşağıda görüldüğü gibi recency, T, frequency ve monetary değerlerini hesapladık.
Monetary değerlerinin sıfırdan büyük olanları seçtik. BGNBD modeli için recency ve T değerlerini haftalık cinsten ifade edebilmek için işlem yaptık.
cltv_df["recency"] = cltv_df["recency"] / 7
cltv_df["T"] = cltv_df["T"] / 7# frekans değeri 1'den büyük olanları aldık çünkü davranışlarını inceleyemiyoruz.
cltv_df = cltv_df[(cltv_df['frequency'] > 1)]
BG-NBD modeli, gamma gamma modeli ve kodun tamamı için github hesabımı inceleyebilirsiniz.
Modellerden sonra 6 aylık cltv tahmini yapmış bulunmaktayız. Bu çıktıyı inceleyecek olursak, monetary değerinin clv değerini etkilemediğini görüyoruz. Bir customer ID, daha yüksek monetary’e(beklenen ortalama karlılık) sahip olmasına rağmen birinci sırada değil. Monetary değeri çok çok düşük olmasına rağmen frequency değeri yüksek diye ön sıraya geçmiş bir müşteri gözlemliyoruz. Ayrıca frequency değerlerine de bakacak olursak bazı yüksek değere sahip olanlar aşağı sıralarda, fakat monetary’e göre yüksek sırada. Recency ve T değerlerini inceleyecek olursak eğer, bu değerleri birbirine yakın olanlar potansiyeli yüksek müşteriyi tanımladığını görmekteyiz.
Unutmayın, bir pazarlama stratejisi der ki; mevcut müşterileri elde tutmak yenilerini elde etmekten daha az maliyetlidir.
REFERANS
VBO-DSMLBC5
https://www.dijitalfakulte.com/crm-nedir-avantajlari-nelerdir/
