Questo algoritmo arricchisce il profilo utente con dati e punteggi riguardo la Recenza, Frequenza e il valore Monetario (RFM).
E’ un modello classico per identificare i tuoi clienti migliori, che includono quindi coloro che:
- Hanno acquistato di frequente
- Acquistano frequentemente o regolarmente da te
- Spendono molto
e che quindi potrebbero rispondere positivamente a future attività di coinvolgimento e offerte di prodotto.
Descrizione
Usiamo un algoritmo di clustering semplice ed efficace basato sul modello RFM. Il modello assegna un punteggio (1 – 10) a ogni variabile per identificare i clienti migliori e quelli che si rischia di perdere.
Esempi di modello RFM
Customer ID | R | F | M | Significato |
11223344 | 10 | 10 | 10 | High recency, High frequency, High monetary → Top customer. |
22331144 | 1 | 8 | 8 | Low recency, High frequency, High monetary → Lost customer. |
Come input devono essere forniti dati riguardanti le transazioni del cliente. Per esempio 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 e output dell’RFM clustering del cliente
Dati di Input | Dati di Output |
Dati Transazionali
Customer_id. Date of purchase. Order_id. Order_line_id. Amount. Discount. |
Recency. Frequency. Monetary. Recency score. Frequency score. Monetary score. |
Esempi di output
L’output è fornito come nuovi campi associati a ogni profilo cliente.
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: [previous_page] | Pagina seguente: [next_page]