Questo algoritmo arricchisce le informazioni su ognuno dei tuoi clienti con dati e punteggi riguardo la Recenza, la Frequenza e il valore Monetario.
É un modello utilizzato per identificare il valore attuale dei tuoi clienti e quindi quali non devi assolutamente perdere. Includono coloro che:
- Hanno acquistato di frequente.
- Acquistano frequentemente o regolarmente dal tuo brand.
- Spendono molto
E che quindi potrebbero rispondere positivamente a future attività di engagement e offerte di prodotto.
Descrizione
Per ottenere le informazioni di cui siamo alla ricerca (R-F-M) usiamo un algoritmo di clustering semplice. Il modello assegna un punteggio (1 – 10) a ogni variabile per identificare i clienti migliori e quelli che si rischia di perdere.
Vediamo alcuni esempi.
| Customer ID | R | F | M | Significato |
| 11223344 | 10 | 10 | 10 | High recency, high frequency, high monetary → Top Spender |
| 22331144 | 1 | 8 | 8 | Low recency, high frequency, high monetary → Lost customer |
Come input devono essere forniti dati riguardanti le transazioni del cliente: la quantità di soldi spesa, gli sconti ricevuti e la data di acquisto di ogni transazione.
L’output include informazioni e punteggi per ogni variabile di Recenza, Frequenza e valore Monetario.
| Dati di Input | Dati di Output |
| Customer_id | Recency |
| Date of purchase | Frequency |
| Order_id | Monetary |
| Order_line_id | Recency score |
| Amount | Frequency score |
| Discount | Monetary score |
Esempi di output
| Customer ID | 11223344 |
| Recency |
2013-12-25 |
| Frequency |
12 |
| Monetary |
€175.00 |
| Recency score | 1 |
| Frequency score | 6 |
| Monetary score | 7 |
Tags:
- Clustering
- Transazionale
Pagina precedente: Preferenze d’acquisto | Pagina seguente: Customer Engagement