RFM là gì? RFM analysis và ứng dụng của RFM model

Phân tích RFM (Recent, Frequency, Monetary) là một mô hình phân tích cho phép các nhà tiếp thị nhắm mục tiêu vào các nhóm khách hàng cụ thể bằng các phương tiện truyền thông có liên quan hơn nhiều đến hành vi cụ thể của họ. Và do đó tạo ra tỷ lệ phản hồi cao và tăng tỷ lệ chuyển đổi. Để phân nhóm khách hàng theo RFM, các nhà tiếp thị thường có dữ liệu mở rộng về khách hàng hiện tại của họ. Như lịch sử mua hàng, duyệt web, mô hình phản hồi chiến dịch trước đó và nhân khẩu học. Có thể được sử dụng để xác định các nhóm khách hàng cụ thể. Thông qua đó, có thể được tiếp cận bằng các ưu đãi phù hợp với từng nhóm.

1. RFM model Analysis – Mô hình RFM là gì?

Phân tích RFM (Recent, Frequency, Monetary) là một mô hình phân tích cho phép các nhà tiếp thị nhắm mục tiêu vào các nhóm khách hàng cụ thể bằng các phương tiện truyền thông có liên quan hơn nhiều đến hành vi cụ thể của họ. Và do đó tạo ra tỷ lệ phản hồi cao và tăng tỷ lệ chuyển đổi. Cộng với lòng trung thành và giá trị trọn đời của khách hàng tăng lên. Giống như các phương pháp phân khúc khác, mô hình RFM là một cách mạnh mẽ để tập trung vào nhóm khách hàng có khả năng mang lại tỉ lệ chuyển đổi cao. Từ đó xác định các nhóm khách hàng cần được có chiến lược đặc biệt và phù hợp. Về cơ bản, mô hình RFM xác nhận câu châm ngôn tiếp thị rằng: “80% doanh nghiệp đến từ 20% khách hàng”.

Làm sao để phân nhóm khách hàng theo RFM?

Để phân nhóm khách hàng theo RFM, các nhà tiếp thị thường có dữ liệu mở rộng về khách hàng hiện tại của họ. Như lịch sử mua hàng, duyệt web, mô hình phản hồi chiến dịch trước đó và nhân khẩu học. Có thể được sử dụng để xác định các nhóm khách hàng cụ thể. Thông qua đó, có thể được tiếp cận bằng các ưu đãi phù hợp với từng nhóm

• Recency (Gần đây) : Khách hàng đã mua hàng gần đây như thế nào? Nếu khách hàng đã mua hàng gần đây hơn, thì họ có khả năng phản hồi nhiều hơn với các chương trình tiếp cận và khuyến mại
• Tần suất (Frequency): Khách hàng đặt hàng thường xuyên như thế nào? Nếu khách hàng mua hàng thường xuyên hơn, thì họ sẽ tham gia và hài lòng hơn
• Tiền tệ (Monetary): còn được gọi là “giá trị tiền tệ”. Khách hàng của bạn chi bao nhiêu cho mỗi đơn hàng? Mỗi lần mua hàng đều có giá trị, nhưng kết hợp yếu tố này với tần suất hoặc thời gian mua hàng gần đây của khách hàng. Điều này, có thể cho biết liệu họ có phải là người trung thành với thương hiệu hay không.

2. Tầm quan trọng của phân tích RFM là gì?

2.1 Làm sao để ứng dụng phân tích RFM trong doanh nghiệp?

Phân tích RFM không chỉ giúp doanh nghiệp hiểu rõ hơn về hành vi của khách hàng. Nó còn hỗ trợ trong việc xây dựng các chiến lược tiếp thị hiệu quả. Dưới đây là một số lợi ích và ứng dụng của phân tích RFM:

• Xác định khách hàng trung thành: Phân tích RFM giúp xác định những khách hàng thường xuyên mua sắm và có giá trị cao. Từ đó tạo điều kiện cho doanh nghiệp chăm sóc và giữ chân họ tốt hơn.
• Tối ưu hóa chiến dịch tiếp thị: Doanh nghiệp có thể tùy chỉnh các chiến dịch tiếp thị để phù hợp với từng phân khúc khách hàng. Hơn thế nữa, tăng hiệu quả tiếp thị và doanh thu.
• Dự báo hành vi khách hàng: Dựa vào các tiêu chí RFM, doanh nghiệp có thể dự đoán hành vi mua sắm của khách hàng trong tương lai. Từ đó lên kế hoạch chiến lược phù hợp.
• Giảm chi phí tiếp thị và tăng ROI: Giảm chi phí bằng cách tập trung nhanh chóng và dễ dàng vào các phân khúc nhỏ hơn có nhiều khả năng tạo ra doanh thu. Và sử dụng thông tin từ phân tích RFM để tối ưu hóa các chiến dịch trong tương lai.
• Tăng hiệu quả của các chiến dịch tiếp thị qua email: Xây dựng chiến dịch tiếp thị tự động với các thông điệp được thiết kế riêng cho từng phân khúc.

2.2 Lý do mô hình RFM (RFM model) quan trọng trong marketing?

Áp dụng mô hình RFM model có thể giúp bạn trả lời những câu hỏi sau:

• Khách hàng tốt nhất của bạn là ai?
• Khách hàng nào có thể góp phần làm tăng tỷ lệ mất khách hàng của bạn ?
• Ai có tiềm năng trở thành khách hàng có giá trị?
• Bạn có thể giữ lại được những khách hàng nào?
• Khách hàng nào của bạn có khả năng phản hồi các chiến dịch tương tác nhiều nhất ?

Đồng thời RFM sử dụng các thang đo khách quan, số liệu mang lại mô tả ngắn gọn và đầy đủ thông tin về khách hàng một cách rất trực quan. Kết quả của phương pháp phân đoạn RFM này rất dễ hiểu và diễn giải.

3. Cách triển khai phân tích RFM trong doanh nghiệp ( RFM analysis)

3.1 Ví dụ phân tích RFM model

Chúng ta hãy chứng minh cách RFM hoạt động như thế nào bằng cách xem xét một tập dữ liệu mẫu về các giao dịch của khách hàng:

3.2 Gán giá trị R – F – M

Hãy xem cách có thể chấm điểm những khách hàng này. Bằng cách xếp hạng họ dựa trên từng thuộc tính RFM riêng biệt. Giả sử chúng ta xếp hạng những khách hàng này từ 1-5 bằng cách sử dụng các giá trị RFM. Trước tiên, hãy bắt đầu bằng cách xếp hạng khách hàng theo mức độ gần đây, như bảng bên dưới:

Trong bảng trên, chúng ta đã sắp xếp khách hàng theo mức độ gần đây, với những người mua gần đây nhất ở trên cùng. Dựa theo tiêu dùng của khách hàng, vì khách hàng được chấm điểm từ 1-5, nên 20% khách hàng hàng đầu (khách hàng 12, 11, 1) nhận được điểm gần đây là 5. 20% tiếp theo (3 khách hàng tiếp theo là 15, 2, 7) nhận được điểm 4, …
Tương tự, chúng ta có thể sắp xếp khách hàng theo tần suất từ nhiều nhất đến ít nhất. Gán cho 20% khách hàng hàng đầu điểm tần suất là 5,… Đối với yếu tố tiền tệ, 20% khách hàng hàng đầu (đây là nhóm khách hàng chi tiêu lớn) sẽ được gán điểm là 5. Và 20% khách hàng ít nhất điểm là 1. Các điểm F và M này được tóm tắt dưới đây:

3.3 Điểm RFM

Cuối cùng, chúng ta có thể xếp hạng những khách hàng này bằng cách kết hợp các xếp hạng R, F và M riêng lẻ, và đưa ra điểm RFM tổng hợp. Từ điểm RFM này, được hiển thị trong bảng bên dưới, là điểm trung bình của các điểm R, F và M riêng lẻ. Đồng thời, thu được bằng cách đưa ra các trọng số bằng nhau cho mỗi thuộc tính RFM.

3.4 Phân tích R (gần đây), F (tần suất) và M (tiền tệ). Hay còn gọi là 3 yếu tố recency frequency và monetary

Câu hỏi tiếp theo là: Có công bằng khi tính trung bình điểm R, F và M của từng khách hàng và phân bổ chúng vào phân khúc RFM, theo hành vi mua hàng hoặc tương tác của họ không? Tùy thuộc vào bản chất doanh nghiệp của bạn! Bạn có thể tăng hoặc giảm mức độ quan trọng tương đối của từng biến RFM để đưa ra điểm cuối cùng.

• Trong một doanh nghiệp hàng tiêu dùng bền, giá trị tiền tệ cho mỗi giao dịch thường cao nhưng tần suất và tính mới lại thấp. Ví dụ, bạn không thể mong đợi khách hàng mua tủ lạnh hoặc máy điều hòa không khí hàng tháng. Trong trường hợp này, một nhà tiếp thị có thể chú trọng hơn vào khía cạnh tiền tệ và tính mới thay vì khía cạnh tần suất.
• Trong một doanh nghiệp bán lẻ bán thời trang/mỹ phẩm. Một khách hàng tìm kiếm và mua sản phẩm hàng tháng sẽ có điểm R và F cao hơn M. Theo đó, điểm RFM được tính bằng cách đưa thêm trọng số vào điểm R và F hơn là M.
• Đối với các ứng dụng nội dung như Hotstar hoặc Netflix. Người xem binge sẽ có thời lượng phiên dài hơn so với người tiêu dùng chính thống xem theo các khoảng thời gian đều đặn. Đối với người xem binge, mức độ tương tác và tần suất có thể được coi trọng hơn mức độ R (gần đây) và đối với người dùng chính thống. Mức độ gần đây và tần suất có thể được coi trọng hơn mức độ tương tác để đưa ra điểm RFE.

3.4.1 Cách chia tỷ lệ và điểm trong RFM

Cách tiếp cận đơn giản này là chia tỷ lệ khách hàng từ 1-5 sẽ tạo ra tối đa 125 điểm RFM khác nhau (5x5x5). Dao động từ 111(thấp nhất) đến 555 (cao nhất). Mỗi ô RFM sẽ khác nhau về kích thước và khác nhau. Và xét về thói quen chính của khách hàng, được ghi lại trong điểm RFM. Rõ ràng là các nhà tiếp thị không thể phân tích tất cả 125 phân khúc riêng lẻ nếu mỗi ô RFM được coi là một phân khúc. Và thật khó khăn và choáng ngợp khi hình dung khối lập phương 3D tưởng tượng này!

Nhìn chung, khía cạnh tiền tệ của RFM được xem như một thước đo tổng hợp. Từ đó, để tóm tắt các giao dịch hoặc tổng thời lượng truy cập. Như vậy, 125 phân đoạn RFM này được giảm xuống còn 25 phân đoạn chỉ bằng cách sử dụng điểm R và F.

3.5. Áp dụng Mô hình RFM ( RFM model)

Ta sử dụng, điểm số R và F để trực quan hóa phân tích RFM trên biểu đồ 2 chiều. Điều này cho phép người dùng sử dụng và hiểu được điểm số dễ dàng hơn. Hơn nữa, thay vì tạo 25 phân đoạn, chúng tôi đã kết hợp một vài phân đoạn để tạo ra các phân đoạn dễ quản lý và trực quan hơn.

Như minh họa ở trên, chúng tôi có thể nhận được thông tin sau cho từng phân đoạn:

• Mô tả ngắn gọn về phân khúc
• Gần đây (hoạt động gần đây nhất)
• Tần suất (số lần hoạt động)
• Giá trị tiền tệ trung bình
• Khả năng tiếp cận của người dùng trên các kênh khác nhau

Bây giờ, chúng ta hãy thảo luận về cách diễn giải các phân khúc RFM. Để hiểu hành vi của những người dùng đó và đề xuất, tối ưu hóa chiến lược tiếp thị hiệu quả.

3.6 Phân tích phân đoạn RFM – hành vi tiêu dùng của khách hàng

• Champions: những khách hàng gần đây đã mua hàng có giá trị cao/thường xuyên.
• Loyal Customers: là những khách hàng mua nhiều hàng hơn mức trung bình(về tần suất hoặc giá trị)
• Potential Loyalist: là những khách hàng có giao dịch gần đây, chi tiêu ở mức trung bình khá
• New Customers: khách hàng đã thực hiện một giao dịch mua hàng gần đây.
• Promising: những khách hàng hứa hẹn có khả năng mua nhiều hơn trong suốt cuộc đời của họ.
• Need Attention: khách hàng có nguy cơ bị mất nếu không có hành động nào được thực hiện.
• About to Sleep: những khách hàng gần đây có ít giao dịch mua (về giá trị hoặc tần suất).
• Can’t lose them: những khách hàng có giá trị tiền tệ cao nhưng ít gắn bó.
• At Risk: khách hàng đã không mua hàng trong một thời gian dài.
• Hibernating: những khách hàng đã không mua hàng trong thời gian dài với giá trị tiền tệ/tần suất thấp.

4. Những điều cần tránh của Phân tích RFM là gì?

Mặc dù phân đoạn RFM rất mạnh, nhưng nó vẫn có hạn chế nhất định. Khi thực hiện thủ công, nó dễ xảy ra sai sót do yếu tố con người. Phân tích RFM cũng chỉ dựa trên một vài đặc điểm hành vi, thiếu sự mạnh mẽ, linh hoạt của phân tích dự đoán tiên tiến hiện có.

Một số doanh nghiệp có thể sử dụng phân tích RFM để có những chương trình khách hàng thân thiết. Họ gửi tin nhắn liên tục đến những khách hàng có thứ hạng cao, với nhóm khách hàng có khả năng mang lại lợi nhuận cho doanh nghiệp. Từ đó làm giảm tỷ lệ phản hồi của các chiến dịch vốn có thể rất hiệu quả. Ngược lại, nó cũng có thể khiến các marketer bỏ qua những khách hàng có thứ hạng thấp. Mặc dù nhiều người trong số họ vẫn cần được chăm sóc.

Ví dụ, mô hình RFM của bạn có thể không xem xét đến tác động của các chương trình khuyến mãi. Hoặc tính theo mùa trong quá khứ đối với kết quả phân tích. Tương tự, một khách hàng có thể ít tương tác với thương hiệu của bạn trong một tháng. Nhưng có thể sẵn sàng mua sắm vào tháng tiếp theo do sinh nhật hoặc ngày kỷ niệm.

Thành thạo phân tích RFM cùng ACE Academy

Phân tích RFM là một kỹ thuật mạnh mẽ để hiểu hành vi của khách hàng. Cũng như, phân khúc họ dựa trên giá trị mà họ mang lại cho doanh nghiệp của bạn. Bằng cách tính điểm cho mức độ gần đây, tần suất và giá trị tiền tệ. Bạn có thể xác định rõ ràng những khách hàng nào có giá trị nhất. Đồng thời, bạn có thể điều chỉnh các nỗ lực tiếp thị của mình để nhắm mục tiêu hiệu quả hơn. Tối ưu hóa mối quan hệ với khách hàng. Đặc biệt trong một thế giới mà việc tạo ra trải nghiệm lấy khách hàng làm trung tâm là vô cùng quan trọng. Từ đó, và thúc đẩy sự phát triển bền vững cho doanh nghiệp.

ACE hy vọng thông qua bài viết này, bạn sẽ hiểu phương pháp phân tích RFM. Cũng như, cách thức triển khai và ứng dụng của phân tích RFM cho phân khúc khách hàng. Ngoài ra, nếu bạn quan tâm đến lĩnh vực phân tích dữ liệu trong các lĩnh vực Kinh doanh/ Logistics/ Tài chính/Marketing/ Sales, hãy tham khảo các khoá học tại ACE Academy!

Đăng kí khóa học Data Analytics for Business Professionals tại đây

Câu hỏi thường gặp khi phân tích RFM

About the author

Alice Mai

Founder & Lead Instructor of ACE Academy

Cô Alice là founder tại ACE Academy – nền tảng đào tạo kỹ năng phân tích dữ liệu và tư duy kinh doanh thực chiến. Cô đồng thời là chuyên gia tư vấn tại ACE Partners Consulting & 180 Systems Canada, tập trung vào chiến lược, digital marketing và chuyển đổi số cho các doanh nghiệp. Với hơn 15 năm kinh nghiệm tại các tập đoàn đa quốc gia như TikTok, Lazada và ACFC, Alice kết hợp giữa tư duy lãnh đạo và công nghệ để kiến tạo giải pháp giáo dục phù hợp cho thế hệ trẻ trong thời đại AI.

Linkedin Threads Facebook