RFM

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: Preferenze d'acquisto | Pagina seguente: Customer Engagement