RFM 분석

RFM 분석은 새로운 제안에 응답할 가능성이 가장 높은 기존 고객을 식별하는 데 사용되는 방법입니다. 이 방법은 주로 다이렉트 마케팅에서 사용됩니다. RFM 분석은 다음과 같은 단순한 이론을 기반으로 합니다.

• 새로운 제안에 응답할 가능성이 가장 높은 고객을 식별하는 데 가장 중요한 요인은 최근성입니다. 보다 최근에 구매한 고객은 더 이전에 구매한 고객보다 다시 구매할 가능성이 더 높습니다.
• 두 번째 중요한 요인은 빈도입니다. 과거 구매 빈도가 높은 고객이 구매 빈도가 낮은 고객보다 응답할 가능성이 더 높습니다.
• 세 번째 중요한 요인은 소비한 총 금액(구매총액이라고 함)입니다. 과거에 보다 많은 금액을 지불한(모든 구매를 합쳐) 고객이 적게 지불한 고객보다 응답할 가능성이 더 높습니다.

RFM 분석 작용 방법

• 가장 최근 구매 날짜 또는 가장 최근 구매 이후의 시간 간격을 기반으로 고객에게 최근성 점수가 할당됩니다. 최근성 값을 단순히 소수의 범주로 분류하고 순위를 지정함으로써 최근성 점수가 결정됩니다. 예를 들어, 5개의 범주를 사용하는 경우, 구매 날짜가 가장 최근인 고객은 최근성 순위가 5가 되고 구매 날짜가 가장 오래된 고객은 최근성 순위가 1이 됩니다.
• 유사한 방식으로 고객에게 빈도 순위가 할당됩니다. 구매 빈도가 높을수록 더 높은 값이 할당됩니다. 예를 들어, 5개의 범주에 순위를 지정하는 경우 가장 빈번하게 구매한 고객의 빈도 순위는 5가 됩니다.
• 끝으로 구매총액 값을 기준으로 고객에게 순위가 할당됩니다. 구매총액 값이 높을수록 순위가 높습니다. 계속해서 5범주를 예로 들 경우, 가장 많이 지불한 고객은 구매총액 순위가 5가 됩니다.

결과적으로 고객마다 4개의 점수를 가집니다. 최근성, 빈도, 구매총액 및 결합 RFM 점수이며, 결합 RFM 점수는 단순히 세 개의 개별 점수를 하나의 값으로 연결한 것입니다. "최고"의 고객(제안에 응답할 가능성이 가장 높은 고객)은 결합 RFM 점수가 가장 높은 고객입니다. 예를 들어, 5범주 순위 지정에서는 총 125가지의 결합 RFM 점수가 가능하고 가장 높은 결합 RFM 점수는 555입니다.

데이터 고려 사항

• 데이터 행이 트랜잭션을 나타내는 경우(각 행이 단일 트랜잭션을 나타내고 고객마다 여러 트랜잭션이 있을 수 있음) 트랜잭션으로부터의 RFM을 사용합니다. 자세한 내용은 거래 데이터의 RFM 점수 항목을 참조하세요.

• 데이터 행이 고객과 함께 모든 트랜잭션에 대한 요약 정보를 나타내는 경우(소비한 총액, 총 트랜잭션 수 및 가장 최근 트랜잭션 날짜에 대한 값을 나타내는 열 포함) 고객 데이터로부터의 RFM을 사용합니다. 자세한 내용은 고객 데이터에서 얻은 RFM 점수 항목을 참조하세요.