RFM analizi, müşterileri satın alma davranışlarına göre segmentlere ayırmak için kullanılan pratik ve anlaşılır bir yöntemdir. Adını üç temel boyuttan alır: Recency, Frequency ve Monetary. Amaç, müşteriyi yalnızca toplam satış tutarına göre değil; ilişki güncelliği, alışveriş sıklığı ve ürettiği değer açısından birlikte değerlendirmektir.
RFM neyi anlamaya çalışır?
Recency, müşterinin işletmeyle en son ne zaman işlem yaptığını; Frequency, belirli bir dönemde ne kadar düzenli veya sık alışveriş yaptığını; Monetary ise oluşturduğu parasal değeri temsil eder.
Bu üç boyut birlikte ele alındığında aynı toplam harcamaya sahip iki müşterinin aslında çok farklı davranışlara sahip olabileceği görülür. Biri yakın zamanda ve düzenli alışveriş yaparken diğeri uzun süredir pasif olabilir. RFM’nin değeri tam olarak bu farkı görünür hale getirmesidir.
Puanlama değil, davranış mantığı önemlidir
RFM uygulamalarında bu üç değer çoğu zaman puanlara dönüştürülür. Ancak kullanılacak puan aralıkları evrensel değildir. Veri dağılımı, sektör, müşteri yaşam döngüsü ve iş modeline göre değişir. Recency tarafında daha yakın tarih genellikle daha güçlü ilişkiyi ifade ederken, Frequency ve Monetary tarafında yüksek değerler çoğu senaryoda daha olumlu kabul edilir.
Bu nedenle iyi bir RFM modeli, “her müşteriye aynı eşikleri uygula” yaklaşımından ziyade kurumun kendi müşteri davranışını yansıtan segment sınırları oluşturmalıdır.
Müşteri segmentleri nasıl yorumlanır?
RFM skorları bir araya getirildiğinde müşteriler davranışsal gruplara ayrılabilir. Örneğin yakın zamanda alışveriş yapan, düzenli ve yüksek değer üreten müşteriler “Champions” gibi güçlü segmentlerde yer alabilir. Geçmişte aktif olup son dönemde uzaklaşan müşteriler ise “At Risk” gibi yeniden kazanım odaklı segmentlerde değerlendirilebilir.
Segment isimlerinden daha önemli olan, her grubun işletme açısından ne ifade ettiğini ve hangi aksiyonun uygun olduğunu tanımlamaktır. Sadakat, yeniden kazanım, kampanya önceliklendirmesi ve iletişim sıklığı gibi kararlar bu davranış mantığı üzerine kurulabilir.
Power BI ile RFM analizi nasıl modellenir?
Örnekte tarihsel bir perakende veri seti kullanılmıştır. Böyle bir veri setinde ilk adım, müşteri bazında güvenilir bir işlem geçmişi oluşturmaktır. İade ve iptal gibi kayıtlar iş kuralına göre ayrıştırılmalı; müşteri, işlem tarihi ve parasal değer alanları tutarlı hale getirilmelidir.
Recency hesabında önemli olan, tüm müşterileri aynı referans tarihe göre karşılaştırmaktır. Canlı bir sistemde bu tarih güncel olabilir; tarihsel bir örnek veri setinde ise veri setinin son işlem dönemine göre anlamlı bir referans belirlemek gerekir.
Power BI tarafında temel ölçüler hesaplandıktan sonra müşteriler veri dağılımına veya iş kurallarına göre segmentlere ayrılır. Burada asıl tasarım kararı, kullanılan DAX ifadesinden çok segmentlerin iş anlamını doğru kurmak ve zaman içinde tutarlı izlenmesini sağlamaktır.
RFM analizinin iş değeri
RFM, müşteri tabanını tek bir ortalama üzerinden değerlendirmek yerine davranış farklılıklarını görünür hale getirir. Bu sayede sadakat programları, yeniden kazanım kampanyaları ve müşteri iletişimi daha hedefli biçimde tasarlanabilir.
RFM güçlü bir başlangıç noktasıdır ancak müşteri değerinin tamamını tek başına açıklamaz. Kanal, ürün kategorisi, kârlılık, indirim bağımlılığı, yaşam boyu değer ve kampanya tepkisi gibi göstergelerle birlikte ele alındığında daha güçlü bir müşteri analitiği modeli oluşur.
Power BI üzerinde müşteri analitiği, veri modelleme ve segmentasyon çözümleri için BI & Power BI Danışmanlığı hizmetimizi; perakende odaklı analitik senaryolar için Perakende & Mağazacılık çözümlerimizi inceleyebilirsiniz.