USA Database

Анализ на основе RFM уже более 50 лет используется менеджерами по прямому маркетингу компаний, занимающихся дистанционной торговлей и прямой почтовой рассылкой. Это проверенный метод, который при правильном планировании обеспечивает высокие показатели конверсии в маркетинговых акциях по электронной почте. Основная идея заключается в том, что пользователи будут более склонны реагировать на сообщение, чем позже они в последний раз взаимодействовали с брендом (как онлайн, так и офлайн), чем чаще они взаимодействовали с брендом в прошлом и чем чаще они взаимодействовали с брендом. самые большие расходы, которые у них были до сих пор. Из трех переменных актуальность оказалась индикатором Данные телеграммы Израиля который лучше всего предсказывает будущее поведение пользователя. Приложения для электронного маркетинга. Прежде всего нам нужно определить, какие метрики для каждой из трех категорий мы собираемся использовать. В следующей таблице мы показываем некоторые из них, основанные на взаимодействии между пользователем и брендом в цифровом контексте. После того, как мы определили метрики, с помощью которых мы будем создавать ячейки RFM, речь идет о перечислении пользователей от самого высокого до самого низкого в соответствии с каждым из них. три категории. Списки будут разделены на 5 групп, каждая из которых будет занимать по 20% от общего списка. Таким образом, для определения актуальности у нас будет 5 групп, упорядоченных от самых последних до самых последних с точки зрения последнего открытия (или посещений сайта, или любого другого показателя, который мы считаем релевантным для нашего бизнеса). Мы присвоим значение 5 группе, содержащей 20 % пользователей, чье открытие было самым последним, значение 4 — группе, содержащей 20 % пользователей, чье открытие было самым последним, и так далее. Мы повторим этот процесс для категорий частоты и денежной стоимости. Итоговая модель будет такой: переменная Recency имеет большую прогнозирующую способность, чем частота и денежное значение, а частота имеет большую прогнозирующую способность, чем денежное значение. Следовательно, пользователь со значением недавности 5, частотой 3 и денежной стоимостью 2 имеет более высокий балл, чем пользователь со значением недавности 4, частотой 5 и денежной стоимостью 5. Ниже мы перечислим пользователей следующим образом. :



Те, которые имеют значение 5 в каждой из трех категорий (555)
Имеющие значение 5 в первых двух категориях и 4 во второй (554)
Имеющие значение 5 в первых двух категориях и 3 во второй (553)




и т. д..
Таким образом, у нас будет 125 возможных комбинаций: от 555 (пользователи с лучшим
результатом) до 111 (пользователи с наименьшим баллом). Чтобы управлять этими ячейками, мы можем составлять квинтили (5 групп по 25 ячеек) и работать с этими сегментами.
Если мы сможем провести RFM-анализ, адаптированный к реальности нашего бизнеса, мы увидим, что можем с очень низкой погрешностью предсказать, какой ответ мы можем ожидать от каждого из действий электронного маркетинга, которые мы выполняем.
Таким образом, мы можем повысить рентабельность инвестиций и сделать маркетинговые инвестиции более продуктивными.