มาลองทำ RFM Model Analysis ใน Looker Studio
การจัดลำดับความสำคัญของลูกค้าด้วยการแบ่งพฤติกรรมการซื้อสินค้า Customer Segmentation จะช่วยให้นักการตลาดทำความเข้าใจได้ดีขึ้น ว่าลูกค้ากลุ่มไหน เมื่อวิเคราะห์การซื้อสินค้าแล้วจัดกลุ่มให้เป็นลูกค้าชั้นดี VIP, ลูกค้ากลุ่มไหนเริ่มจะต้องมีกิจกรรมส่งเสริมทางการตลาดและลูกค้ากลุ่มไหนเริ่มจะหายไปจากเราแล้ว ทั้งหมดนี้ส่วนใหญ่จะรู้จักการจัด Group แบบนี้ว่า RFM Model Analysis ที่จะจัดกลุ่มพฤติกรรมลูกค้าที่ซื้อคล้าย ๆ กันมาอยู่ในกลุ่มเดียวกัน
RFM (Recency, Frequency, Monetary) คืออะไร?
Recency ระยะเวลา (จำนวนวัน) จากการซื้อครั้งล่าสุด
Frequency ความถี่ของการซื้อสินค้ามาซื้อกับเราบ่อยแค่ไหน
Monetary การใช้จ่ายของลูกค้าทั้งหมด ซึ่งค่าใช้จ่ายรวมจะนับเป็น Total(Sum)
หมายเหตุ (บางตำราก็บอกว่าบอกว่าให้ใช้เป็นค่าเฉลี่ย Average ด้วยเหตุผลการมาซื้อของลูกค้าระหว่างครั้งแรก และ ครั้งสุดท้าย อาจจะนานมาก จนใช้ค่ารวม Total ไม่ได้ )
อ่านเพิ่มเติม RMF Model Analysis ที่ทางการตลาดวันละตอนเคยนำเสนอไปแล้ว ดูรายละเอียดเพิ่มเติมได้ที่ link นี้ แต่รายละเอียดในบทความนี้จะพาไปลองทำการวิเคราะห์พฤติกรรมที่เกิดจากการซื้อของลูกค้าด้วยการใช้ Looker Studio
ตัวอย่าง ที่อยากให้มาลองทำไปด้วยกัน มีข้อมูลทั้งวันที่ลูกค้าซื้อสินค้า,รายละเอียดลูกค้า,และจำนวนเงิน และเป็นการทำเป็น แบ่ง Customer Segmentation แบบง่าย ๆ
Google Sheets สามารถดาวน์โหลดได้ที่ link นี้
มีข้อมูลอะไรบ้างในแต่ละ Column
- Column มีจำนวน 4 Columns ประกอบไปด้วย
- Transaction ID หมายเลขของการซื้อสินค้า
- Date : วันที่ลูกค้าซื้อสินค้า
- Users: ชื่อลูกค้า
- Total: จำนวนเงินที่ลูกค้าซื้อ
2. Column ทำขึ้นมาเอง
- Today คือ วันที่ปัจจุบัน เราสามารถใช้สูตรที่เขียนขึ้นมาเอง =Today()
- ระยะเวลา ระหว่างวันที่ปัจจุบัน ห่างจากวันที่ลูกค้าซื้อ Date เราเขียนสูตรได้ = DATEDIF(วันที่ลูกค้าซื้อ,วันที่ปัจจุบัน,”D”)
ไปทำต่อใน Looker Studio ดูภาพรวมของการซื้อสินค้าของลูกค้า
วิเคราะห์ดูภาพรวมเบื้องต้น (Users ลูกค้า, ความถี่ในการมาซื้อสินค้า(Frequency),ระยะเวลาที่ลูกค้ามาซื้อกับเราระยะเวลาล่าสุด (Recency) และ จำนวนเงินรวม Total ที่ใช้จ่ายทั้งหมด (Monetary)
ในที่นี่จะใช้ Column (Day_diff) ผลต่างของวัน ไปแทนค่าในตาราง Table
ในช่อง Metric ทั้ง 3 ค่าใช้ Day_diff ทั้งหมด
- CT (Count) นับ ให้ดูว่ามีความถี่ของลูกค้าที่มาซื้อสินค้าเรา จำนวนกี่ครั้ง
- Min (Minimum) ระยะเวลา (วัน) ที่มาซื้อสินค้าของเราล่าสุด
- Max (Maximum) ระยะเวลา (วัน) ที่มาซื้อสินค้าของเราเริ่มนานสุด
ตัวอย่างจะเห็นได้ว่า
Users : Cust-028 มีการซื้อทั้งหมด (Frequency) 6 ครั้ง เป็นจำนวนเงิน (Monetary) = 353.65 บาท ระยะเวลาที่มาซื้อครั้งสุดท้ายน้อยที่สุด (Recency) จำนวน 420 วัน
หมายเหตุ เพื่อให้ง่ายต่อความเข้าใจเลยขอเปลี่ยนชื่อเป็นหัวตารางเป็น Recency, Frequency, Monetary โดยใส่ชื่อใหม่เข้าไป และ ในทางการตลาดเมื่อเราวิเคราะห์พฤติกรรมที่เกิดจากซื้อแล้ว สิ่งที่เราอยากได้จากลูกค้า คือ
- มาซื้อกับเราโดยใช้เวลาน้อย ๆ พูดอีกนัยคือ คิดถึงร้านเรามาซื้อกับเราใช้เวลาน้อย ๆ
- มาซื้อกับเราบ่อย ๆ
- และซื้อกับเราด้วยจำนวนเงินเยอะ ๆ
RFM Segmentation
จึงเป็นตัวช่วยที่ทำให้เกิดการจัดกลุ่มพฤติกรรมการซื้อของลูกค้าที่มีลักษณะคล้ายกันจับมาอยู่รวมกัน โดยทางทฤษฎี จะมีการแบ่งออกมาเท่า ๆ กัน จำนวน 5 กลุ่ม
โดยเลข 5 จะมีความสำคัญที่สุด และจะต้องมีทั้งหมด 3 ค่า เช่น R = 5 , F=5 , M=5 ก็คือ 555 เป็นลูกค้าชั้นดี,มาซื้อกับเราบ่อย,ด้วยจำนวนเงินมากที่สุด แต่ในโจทย์ที่นำมาให้ลองทำกันวันนี้อาจจะจัด Group ลูกค้าแบบง่าย ๆ เพื่อไปออกแบบ Data Visualization ด้วย Looker Studio
ตัวอย่าง ของข้อมูลที่นำมาลองใช้งานกันอยู่ในปี 2018 และ เป็นการเปรียบเทียบกับปี ปัจจุบันคือปี 2022 ระยะเวลาจึงห่างกัน มากกว่า 400 วัน จึงขอสร้าง field ขึ้นมาใหม่ โดยการ add a filed
จำนวนวันที่ลูกค้าซื้อกับเราล่าสุด (Min) หักจำนวน 400 วันออกไป
จะเหลือจำนวนวันในช่องตารางที่เราสร้างขึ้นมาใหม่คือ 20 วัน – 50 วัน หลังจากนั้นขอจัด Group แบบง่าย ๆ ให้มี 5 อันดับ หรือ จะจัด Group เองเหลือ 3 ก็ได้ ขึ้นอยู่กับว่าทางการตลาดเมื่อเห็นตัวเลขที่เราทำขึ้นมาแล้ว ไปทำ Promotion หรือ รายการส่งเสริมการขายต่อได้อย่างไร
Recency Group จัดให้เหลือ Score ดังนี้
- 1 – 10 วัน จะให้ Score เป็นระดับ 5
- 11- 20 วัน จะให้ Score เป็นระดับ 4
- 21 – 30 วัน จะให้ Score เป็นระดับ 3
- 31 – 40 วัน จะให้ Score เป็นระดับ 2
- 41 วันขึ้นไป จะให้ Score เป็นระดับ 1
เราเขียนสูตร Case Statement ต่อดังนี้
Frequency ความถี่ในการมาซื้อสินค้าในร้านค้าเราจากภาพรวมเราจะเห็นได้ว่ามีการมาซื้อน้อยที่สุดจำนวน 2 ครั้งและ มากที่สุดจำนวน 6 ครั้ง เราเขียน Column ขึ้นมาใหม่ โดยการนับ Count(Users)
ร้านค้าต้องการให้ลูกค้ามาซื้อสินค้ากับเราบ่อย ๆ แต่ในตารางมีการมาซื้อสินค้าจำนวนน้อยที่สุด 2 ครั้ง มากที่สุด 6 ครั้ง เลยขอจัดอันดับให้ดังนี้
- 6 ครั้ง จะให้ Score เป็นระดับ 5
- 5 ครั้ง จะให้ Score เป็นระดับ 4
- 4 ครั้ง จะให้ Score เป็นระดับ 3
- 3 ครั้ง จะให้ Score เป็นระดับ 2
- 2 ครั้ง จะให้ Score เป็นระดับ 1
Monetary จำนวนเงินที่ลูกค้าซื้อสินค้า ร้านค้าอยากได้ลูกค้าที่ซื้อจำนวนมากที่สุด แต่จากตาราง
มีการมาซื้อสินค้ายอดรวม (Total) ของ Users มีตั้งแต่ 10 บาท สูงสุดถึง 380 บาท ขอแบ่ง Group เองตามสัดส่วนการซื้อดังนี้
- 400 ขึ้นไป จะให้ Score เป็นระดับ 5
- 300-399 บาท จะให้ Score เป็นระดับ 4
- 200- 299 บาท จะให้ Score เป็นระดับ 3
- 100- 199 บาท จะให้ Score เป็นระดับ 2
- 99- 1 บาท จะให้ Score เป็นระดับ 1
เมื่อเราลองมาจัดด้วยรูปแบบทั้ง 3 ตาราง เราจะได้ค่าทั้งหมดที่เราเพิ่งทำขึ้นมา
หลังจากนั้นเราเอาค่า RFM SCORE ทั้ง 3 ตาราง มารวมกัน แต่เนื่องด้วยเป็นสูตรเราจะต้องแปลงสูตรไปเป็นตัวเลขก่อน ไปเปิดอีก 1 หน้าเพื่อแปลงสูตรเป็นตัวเลข แล้ว ก็นำ กราฟไปแสดงผลอีกที
โดยใช้สูตร Cast() as Number
เริ่มต้นด้วย R-Score ที่เราเขียน Case Statement
เริ่มต้นด้วย F-Score ที่เราเขียน Case Statement
เริ่มต้นด้วย M-Score ที่เราเขียน Case Statement
เราก็ไปทำ Data Visualization ด้วย Looker Studio ต่อได้แล้ว
เมื่อเราจัดกลุ่มลูกค้าได้แล้ว นักการตลาดก็สามารถทำการตลาดเฉพาะกลุ่มได้ต่อทันที ทั้งหมดนี้คือ Tips เล็กน้อยที่นำมาฝากกันสำหรับการทำ RFM Model Analysis ด้วย Looker Studio
สามารถดูผ่าน looker Studio ใน Link >>
และสำหรับผู้ประกอบการ, SMEs, นักศึกษา, หรือคนที่สนใจอยากจะวิเคราะห์ข้อมูลและทำ Data visualization ด้วยตนเองจากตัวอย่างจริงสามารถลงทะเบียนเรียนได้ตามด้านล่างครับ
คลาสเรียน Data Thinking & Visualization รุ่นที่ 9 กับการตลาดวันละตอน
เรียนออนไลน์วันเสาร์ที่ 5 พ.ย. 2565 เวลา 9:00 – 16:00
ค่าเรียนคนละ 9,900 บาท รับจำกัดรุ่นละ 20 คน
อ่านรายละเอียดและสมัครก่อนเต็มได้ที่ลิงก์นี้ครับ > https://bit.ly/Dataviz9