Bật mí cách mình phân loại khách hàng dựa trên dữ liệu giao dịch thay cho nhân khẩu học

Bạn thường phân loại khách hàng theo những cách nào?

Hồi mới làm marketing, mình từng nghĩ phân loại khách hàng chỉ đơn giản là nhóm khách hàng theo độ tuổi, giới tính, hay một vài yếu tố nhân khẩu học. Sau đó cứ thế mà lên kế hoạch truyền thông target đến các nhóm. Mọi thứ tưởng như hợp lý cho đến một ngày đẹp trời, những gì mình làm không còn hiệu quả nữa. Những chiến dịch từng mang lại nhiều đơn giờ lại chẳng thấy gì, khách hàng cũ cũng chẳng quay lại.

Thế là mình bắt đầu tự hỏi: “Liệu cách mình đang làm đã thực sự đúng chưa? Mình có thật sự hiểu khách hàng để target họ một cách chính xác? Hay chỉ đang gán cho họ những “nhãn” mà mình tự assume dựa trên một vài đặc điểm về nhân khẩu học?”

Thế là mình lại bắt đầu research, đi học các nơi để tìm cách phân loại khách hàng thê nào cho bớt cảm tính hơn. Và trong quá trình đó, mình đã được biết về phương pháp RFM.

Trong post này mình sẽ demo cách sử dụng RFM để phân loại khách hàng, từ đó đưa ra suggestion để chăm sóc các nhóm khách hàng này nha.

RFM (Recency, Frequency, Monetary)

Trước tiên nói qua một chút về mô hình này. Đây là một mô hình phân tích khách hàng dựa trên ba yếu tố chính:

• Recency (R): Mức độ gần đây của lần mua hàng cuối cùng. Khách hàng mua gần đây thường có xu hướng trung thành hơn và dễ tiếp cận hơn trong các chiến dịch tiếp thị.

• Frequency (F): Tần suất mua hàng của khách hàng. Khách hàng mua thường xuyên có giá trị cao hơn vì họ thể hiện sự quan tâm liên tục đối với sản phẩm hoặc dịch vụ.

• Monetary (M): Giá trị tiền tệ của các giao dịch mà khách hàng thực hiện. Những khách hàng chi tiêu nhiều có tiềm năng mang lại doanh thu lớn và có thể được coi là khách hàng VIP.

Mô hình RFM giúp phân loại khách hàng vào các nhóm khác nhau (như VIP, Thân thiết, Tiềm năng, Vãng lai) dựa trên việc trả lời các câu hỏi như: Ai là người vừa mua hàng gần đây? Ai là người thường xuyên mua? Ai là người sẵn sàng trả nhiều tiền? dựa trên chính lịch sử về hành vi giao dịch của khách hàng. Từ đó giúp tối ưu hóa chiến lược tiếp thị, chăm sóc khách hàng và nâng cao hiệu quả bán hàng.

Case Study ứng dụng RFM để phân loại khách hàng & đề xuất Next Steps

Đây là dataset demo, trong file này là danh sách từng khách hàng và đã có thông tin tổng hợp về khoảng thời gian giữa ngày mua hàng cuối và ngày hiện tại (Recency), Tần suất mua hàng mỗi tháng (Total orders per month), Tổng số tiền đã chi tiêu (Total amount spend per month).

Bước 1: Lấy ra thông tin Users, Recency, Frequency và Monetary

Để đỡ rối thì mình sẽ ẩn bớt các cột khác về để lại thông tin của từng khách hàng (ID) ứng với đó là thông tin về Recency, Frequency và Monetary của họ.

Bước 2: Chia các khoảng RFM

Tuy nhiên nếu chỉ có thông tin này vẫn khá khó để đánh giá vì cả 3 chỉ số này đang ở các thang đo khác nhau, mình sẽ sử dụng percentile (phần trăm phân vị), cụ thể là 33,33% và 66,66%, để chia thành 3 khoảng cho từng chỉ số:

Từ bảng trên sẽ có thể phân loại thành từng nhóm:

R (Recency - days):

• Nhóm 1 (Khách hàng cũ - lâu chưa quay lại): 65 - 99 ngày.

• Nhóm 2 (Khách hàng trung bình): 31 - 65 ngày.

• Nhóm 3 (Khách hàng mới - vừa quay lại): 0 - 31 ngày.

F (Frequency - orders):

• Nhóm 1 (Mua rất ít): 0 - 7 đơn hàng.

• Nhóm 2 (Mua trung bình): 7 - 16 đơn hàng.

• Nhóm 3 (Mua rất thường xuyên): 16 - 32 đơn hàng.

M (Monetary - money):

• Nhóm 1 (Chi tiêu thấp): 5 - 108.87.

• Nhóm 2 (Chi tiêu trung bình): 108.87 - 813.

• Nhóm 3 (Chi tiêu cao): 813 - 2525.

Bước 3: Chấm điểm RFM cho từng khách hàng

Trong Excel mình sẽ sử dụng công thức,

• R_score:

= IFS(I2>65,"1",I2>31,"2",TRUE,"3")

• F_score:

IFS(K2>16,"3",K2>7,"2",TRUE,"1")

• M_score:

IFS(L2>813,"3",L2>108,"2",TRUE,"1")

Lưu ý:

• Với F và M: 3 là tốt nhất, 2 là trung bình và 1 là tệ nhất.

• R sẽ hơi ngược với các điểm còn lại vì số ngày mua hàng gần nhất càng nhỏ càng tốt, trong khi F và M sẽ là càng lớn càng tốt

Sau khi gán công thức vào từng cột sẽ được kết quả thế này, mình tiếp tục kết hợp từng chỉ số vào tạo thành 1 cột RFM_score:

Bước 4: Gán nhãn cho khách hàng dựa trên các chỉ số RFM

Mình gán nhãn cho khách hàng theo 4 nhóm:

VIP (Nhóm khách hàng tốt nhất):

• Đặc điểm: R = 3 (Mua gần đây), F = 3 (Mua thường xuyên), và M = 3 (Chi tiêu nhiều)

• Ví dụ: 333.

Thân thiết (Nhóm khách hàng trung thành):

• Đặc điểm: R = 2 hoặc 3, F ≥ 2, M ≥ 2 (Những khách hàng có chỉ số R hoặc M tốt nhưng không phải tất cả đều đạt mức cao nhất)

• Ví dụ: 232, 233, 322, 323, 332, 311,...

Tiềm năng (Nhóm có giá trị cao nhưng chưa trung thành):

• Đặc điểm: R = 3 (Mới mua gần đây), nhưng F hoặc M chưa cao (chỉ đạt mức 2 hoặc 1).

• Ví dụ: 331, 321, 312, 231,...

Vãng lai (Nhóm khách hàng ít giá trị):

• Đặc điểm: R ≤ 2 (Lâu không mua), F ≤ 2, M ≤ 2 (Khách hàng mua ít, chi tiêu thấp).

• Ví dụ: 111, 112, 211, 121, 122,...

Mình sử dụng hàm trong Excel để đánh dấu khách hàng vào từng nhóm dựa trên các nhóm đã phân ở trên:

=IF(S2="333", "VIP", IF(OR(S2="232", S2="233", S2="322", S2="323", S2="332", S2="311"), "Thân thiết", IF(OR(S2="331", S2="321", S2="312", S2="231"), "Tiềm năng", "Vãng lai")))

Và được kết quả như sau:

Ngoài sử dụng Excel, bạn cũng có thể sử dụng SQL để phân nhóm khách hàng tương tự, mình sẽ chia sẻ kỹ hơn trong một vài viết về Portfolio Project tiếp theo của mình.

Bước 5: Đề xuất next steps để chăm sóc các nhóm khách hàng đã phân loại

Từ kết quả trên, có thể đưa ra giải pháp phù hợp cho từng nhóm khách hàng, ví dụ:

Nhóm VIP:

• Mục tiêu: Duy trì trung thành, tăng giá trị lâu dài.

• Chiến lược: Ưu đãi độc quyền, chăm sóc cá nhân hóa, mời tham gia sự kiện, upselling/cross-selling.

Nhóm Thân thiết:

• Mục tiêu: Tăng giá trị chi tiêu, chuyển thành VIP.

• Chiến lược: Chương trình điểm thưởng, giảm giá cho đơn hàng lớn, giới thiệu sản phẩm cao cấp.

Nhóm Tiềm năng:

• Mục tiêu: Tăng tần suất mua, chuyển thành nhóm thân thiết/VIP.

• Chiến lược: Khuyến mãi tái tương tác, giảm giá mua lặp lại, xây dựng niềm tin.

Nhóm Vãng lai:

• Mục tiêu: Tái kích hoạt, tăng tần suất và giá trị chi tiêu.

• Chiến lược: Gửi ưu đãi quay lại, khuyến khích trải nghiệm sản phẩm.

Tạm kết

Hy vọng phương pháp RFM mà mình vừa chia sẻ sẽ hữu ích cho bạn trong lúc làm customer segmentation. Nếu bạn đã từng thử phương pháp này rồi, hoặc có một phương pháp hiệu quả hơn muốn chia sẻ với mình thì hãy để lại bình luận bên dưới 😉

Nếu bạn thấy bài viết này hữu ích thì hãy chia sẻ nó với người khác và subscribe mình để nhận được email thông báo về các bài post/ tài liệu mới nha 😀