zoeken
+31(0) 40 304 0070bel ons
Contactmail ons
menu

Alles over de RFM-analyse 2.0

Ontdek welke klanten uit je huidige database de hoogste en welke de laagste waarde hebben en voorspel welke klanten het eerst converteren.

Terug naar alle blogberichten
Daag ons uit!
  1. Home
  2. Blog
  3. Ontdek de RFM-analyse 2.0

In een eerder blog vertelde onze strategic director Heidi al over het belang van inzicht in de customer lifetime value en hoe een RFM-analyse je hierbij kan helpen. In een RFM-analyse bepaal je aan de hand van het aankoopgedrag van consumenten welke klanten uit je huidige database de hoogste waarde en welke de laagste waarde krijgen. Het is daarbij belangrijk om de verschillende type consumenten op verschillende wijzen te benaderen. Dit kan bijvoorbeeld gedaan worden door verschillende soorten contentstrategieën op te tuigen voor verschillende klanten typen of door de focus te verleggen van je gehele database naar je meest loyale klanten. Het uiteindelijke doel zal altijd zijn om je marketingbudget zo efficiënt mogelijk in te zetten om je doelgroep te benaderen en te overtuigen. Moet je je budget evenredig verdelen over je gehele klantenbestand, of ga je juist minder besteden aan een klantensegment waarbij de kans klein is dat ze gaan converteren? 

Wat is een RFM-analyse?

Maar wat is een RFM-analyse nu precies? RFM staat voor recentheid (recency), frequentie (frequency) en besteed bedrag per bestelling (monetary value), wat in het kort neerkomt op het historisch besteld bedrag van een consument over een periode, afhankelijk van de hoeveelheid data die beschikbaar is en het product dat verkocht wordt. RMF is ontstaan uit het principe dat 80% van je omzet komt van 20% van je klanten. Het is belangrijk om erachter te komen aan wie jij het best je marketingbudget kunt besteden voor een upsell of herhaalaankoop. Je kunt je marketingbudget namelijk maar 1 keer uitgeven. Wie wil jij overtuigen?

Hoe bereken je de waarde?

Om een beeld te krijgen van de verschillende type klanten gaan we eerst de klantwaarde per klant bepalen (CLV). We gaan dus kijken naar het aankoop- en bestedingsgedrag van de klant. 

  • Eerst nemen we de recentheid van de meeste recente bestelling onder de loep. Een klant die recent iets heeft gekocht krijgt een hogere waarde dan iemand die in een ver verleden iets gekocht heeft.
  • Daarna kijken we naar hoe vaak een consument een aankoop of donatie heeft gedaan in de afgelopen periode (afhankelijk van het type klant kan dit jaren, weken of dagen zijn). 
  • Als laatste kijken we naar het bestedingsbedrag. Een consument die een hoger bedrag besteedt, heeft na alle waarschijnlijkheid een hogere waarde dan een consument die een lager bedrag besteedt. 

Door deze variabelen te combineren ontstaat er een eindscore. Op basis van deze eindscore worden er labels gekoppeld aan de score waardoor er uiteindelijk een aantal klantensegmenten worden gevormd. Dit kan per analist/scientist verschillen. Sommigen komen tot 5 klantsegmenten, anderen tot 11. In dit voorbeeld maak ik gebruik van 11 klantsegmenten.

Zo’n RFM-analyse biedt dus waardevolle informatie, maar het zegt vrij weinig over de kans dat iemand in de nabije toekomst een bestelling gaat plaatsen. Het is dus een analyse op basis van de status quo. Wat nou als je op basis van historisch aankoopgedrag kan voorspellen welke klant de grootste kans heeft om die conversie te plaatsen? In deze blog ga ik het hebben over een aanvulling van de bestaande RFM-analyse waarbij we deze voorspelling wél doen, waarna we de consumenten vervolgens indelen in dezelfde RFM-categorieën als de basisanalyse.  

RFM-analyse 2.0

Net als bij de basisanalyse moet er eerst een export aangeleverd te worden van de huidige klantendatabase. De data wordt vervolgens opgeschoond zodat alle data in hetzelfde format komt te staan. Denk hierbij aan getalnotaties en datumnotatie. Voor een basisanalyse zou deze data voldoende zijn, maar voor de RFM-analyse met voorspelmodule willen we ook weten om wat voor soort product het gaat en stellen we de periodes vast waarin bestellingen worden geplaatst.

Stap 1: meetmoment vaststellen

Wat we met deze RFM-analyse willen bereiken is voorspellen wie van de klanten in de database de grootste kans hebben om te converteren. Om dit te testen delen we de dataset op in 2 delen: 1 gedeelte met data van historisch aankoopgedrag en 1 gedeelte met data waar we het gecreëerde RFM voorspelmodel op willen gaan testen. Dit kunnen bijvoorbeeld, dagen, weken, maanden of jaren zijn (afhankelijk van het type klant en het product). De reden hiervoor is dat we op deze manier beter in staat zijn om een verloop van bestellingen te bepalen over de vastgestelde periode.

Bijvoorbeeld:

  • Een online barbecueaanbieder heeft voornamelijk klanten die gemiddeld 1x per jaar een bestelling plaatsen. Hierdoor stellen we een tijdsinterval in van een jaar.  
  • Bij een online retailer in de fashion zien we terugkerende bezoekers op maandelijkse basis, waardoor we de testperiode op maandelijks interval instellen.

Deze benadering is essentieel voor de verdere uitvoering van de analyse en het uiteindelijk voorspellen van de converterende consument.

Stap 2: variabelen aanmaken

Naast de standaard variabelen – RFM – definiëren we ook varianten van deze variabelen. Denk aan een variant van de Frequency-variabele over de laatste periode. Dit doen we om te bepalen of de Frequency-variabele dichterbij het meetmoment meer invloed heeft dan een Frequency-variabele gebaseerd op een langer termijn. Zo geven we de Frequency-variant een wegingsfactor mee. Dit doen we ook voor variabele M. Als laatste creëren we een variabele waarbij we het bestelpatroon vast leggen.

Stel we hebben een dataset van januari tot en met mei, waarbij het meetmoment is vastgesteld op 1 mei. We zien dat een consument in april een bestelling heeft geplaatst, in maart en februari niet maar in januari weer wel dan krijgt deze consument een bestelpatroon waarde van 1001.

Stap 3: modelleren

Wanneer alle variabelen zijn gedefinieerd, kunnen we middels een regressie beginnen met het modelleren en bepalen van de significantie van de variabelen. Hiermee onderzoeken we of we op basis van aankoopgedrag (alle variabelen die bij stap 2 zijn besproken) kunnen voorspellen of men in de periode na het meetmoment gaat converteren. Wanneer de ‘goodness of fit’ van het model valide is gebleken weten we welke variabelen bijdragen aan deze voorspelling. Uiteraard verdelen we de dataset in een testset en een controleset waarbij we beide datasets met elkaar vergelijken om te zien of het model klopt.

Stap 4: model toepassen op de gehele dataset

Nu het model getest en compleet is, kunnen we het model toepassen op de gehele dataset en elke consument voorzien van een score. Deze score kunnen we koppelen aan klassen welke precies overeen komen de basis rfm-segmenten die eerder getoond zijn.

De voordelen van een RFM-analyse 2.0

Doordat we de ‘standaard’ RFM-analyse als basis gebruiken zal de uitkomst niet verschillen van de segmentatie van de additionele RFM-analyse. Maar deze toevoeging stelt ons in staat om een voorspelling te doen wie van de klanten eerder geneigd zijn om te converteren. Kortom: we combineren RFM met een voorspelmodel waardoor de analyse nog sterker en CLV-segmentatie nog accurater wordt.

Wil je meer weten over RFM-analyses of een andere data-analyse?

Laat het ons hieronder weten!

Verzenden

Blog

Relevant blog posts

Hoe je met data kosten bespaart

10 april 2020

Daag jij ons uit voor je volgende project?

Daag ons nu uit!

Op de hoogte blijven van het laatste online nieuws?

Schrijf je in voor de nieuwsbrief

Druk op ENTER om te zoeken of ESC om de zoek overlay te sluiten.