- RFM
RFM có tính mới, thường xuyên, thể hiện giá trị tiền tệ của dữ liệu lịch sử. Trong đó tính mới thể hiện thời gian kể từ lần giao dịch cuối của khách hàng với doanh nghiệp. Tính thường xuyên thể hiện mức độ thường xuyên của giao dịch khách hàng với doanh nghiệp trong một khoảng thời gian xác định. Giá trị tiền tệ là khoản chi phí mà khách hàng tiêu cho một giao dịch trung bình. RFM giúp theo dõi hành vi khách hàng qua thời gian trong một khoảng không gian xác định.
Có hai phương pháp thông thường để ước tính RFM:
Phương pháp 1: Sắp xếp dữ liệu khách hàng dựa trên RFM, nhóm và phân tích kết quả.
Ví dụ:
Cơ sở khách hàng: 400000 khách hàng Cỡ mẫu: 40000 khách hàng
Chiến dịch marketing của công ty: Phiếu chiết khấu 150$ Tỉ lệ phản hồi: 808 khách hàng (2,02%)
Recency coding: Phân tích
Kiểm tra nhóm 40000 khách hàng, sắp xếp theo thứ tự giảm dần dựa trên tiêu chí “ngày mua gần nhất”. N hững người mua sớm nhất ở phần đầu và trễ nhất ở phần cuối. Dữ liệu được sắp xếp thành 5 nhóm bằng nhau (20% mỗi nhóm). Các nhóm này được mã hóa theo thứ tự từ 1 đến 5 (1 tương ứng với nhóm đầu và 5 tương ứng với nhóm cuối). Phân tích dữ liệu phản hồi của khách hàng chỉ ra rằng chiến dịch mailer được nhóm mã hóa 1 và 2 hưởng ứng nhiều nhất.
C us to m e r R es p o n s e % R es p o n s e R a te % Recency Vs. Response 5.00% 4.50% 4.00% 3.00% 2.00% 1.00% 0.00% 2.80% 1.50% 1.05% 0.25% Response % 1 2 3 4 5 Re ce ncy Code (1 - 5)
Đồ thị mô tả phần trăm khách hàng đáp lại giảm dần về recency từ nhóm 1 tới nhóm 5. Tỉ lệ phản hồi chiến dịch cao nhất (4,5%) thuộc về nhóm mua sớm nhất (được mã hóa thành 1).
Frequency Vs. Response 3.00% 2.50% 2.00% 1.50% 1.00% 0.50% 0.00% 2.45% 2.22% 2.08% 1.67% 1.68% Response % 1 2 3 4 5
Fre que ncy Code 1-5
Biểu đồ mô tả phần trăm khách hàng phản hồi lại chiến dịch từ nhóm 1 cho tới nhóm 5. Tỉ lệ phản hồi cao nhất (2,45%) thuộc về những khách hàng trong nhóm có tỉ lệ thường xuyên cao nhất (được mã hóa thành 1).
i = con số đại diện cho khách h r = tỉ lệ chiết khấu được áp dụ
R e s p o n s e R a t e %
Monetary Value Vs. Response
2.50% 2.00% 2.35% 2.05% 1.95% 1.90% 1.85% 1.50% 1.00% Response % 0.50% 0.00% 1 2 3 4 5
Mone ta ry Va lue Code (1-5)
Dữ liệu khách hàng được xếp, nhóm và mã hóa với giá trị từ 1 đến 5. N hóm có tỉ lệ phản hồi chiến dịch cao nhất (2,35%) là nhóm có giá trị tiền tệ cao nhất (được mã hóa thành 1).
Hạn chế: Phương pháp này liên kết dữ liệu độc lập của khách hàng về giá trị R, F và M sau đó nhóm khách hàng thành mã hóa RFM cụ thể. Có thể số lượng khách hàng ở mỗi nhóm RFM không bằng nhau để đạt được sự tương quan. Chẳng hạn, một người tiêu nhiều hơn (M cao) cũng thường mua thường xuyên hơn (F cao).
Trong thực tiễn, người ta luôn mong đạt được chính xác lượng cá nhân ngang nhau ở mỗi RFM. Chẳng hạn, để sắp xếp RFM phải liệt kê 40000 khách hàng theo Recency vào 5 nhóm bằng nhau trước (mỗi nhóm 8000 người). 8000 khách hàng ở mỗi nhóm sau đó lại được xếp theo Frequency vào 5 nhóm bằng nhau (mỗi nhóm 1600 người). Sau đó, sẽ có các mã hóa RF bắt đầu từ 11 tới 55 với mỗi nhóm. Cuối cùng, mỗi nhóm RF lại được xếp dựa trên giá trị tiền tệ vào 5 nhóm (mỗi nhóm 320 khách hàng). RFM khi đó được mã hóa thành 111 tới 555. Xem mỗi mã hóa RFM là một cell ta sẽ được 125 cell (5 chia theo recency * 5 chia theo tính thường xuyên * 5 chia theo giá trị tiền tệ = 124 mã hóa RFM).
Phương pháp 2: Ước tính R, F và M liên quan nhờ kĩ thuật hồi quy. Đại lượng quan hệ
được dùng để tính điểm cộng dồn của mỗi khách hàng. N hững đại lượng R, F, M trước đó dựa trên mẫu điều tra được dùng để quy điểm RFM của mỗi khách hàng. Điểm càng cao thì khách hàng càng sinh lợi trong tương lai. Phương pháp này phức tạp, có thể được tính toán linh động tùy dạng doanh nghiệp.
- Giá trị khách hàng quá khứ (past customer value)
PCV đo khả năng sinh lợi của khách hàng:
n PCV của một khách hàng = ∑ GCin n =1 Trong đó * (1 + r ) n àng ng
t
n = thời gian tính từ lần mua trước đến lần mua hiện tại
Kể từ khi sản phNm/dịch vụ được bán tại những thời điểm khác nhau suốt thời gian người mua còn là khách hàng, mọi giao dịch phải được điều chỉnh theo giá trị tiền tệ.
Hạn chế của phép đo lường dựa trên chỉ số này là không biết khi nào khách hàng sẽ mua trong tương lai nên không kết hợp được chi phí mong đợi của việc duy trì khách hàng trong tương lai.
Ví dụ:
Tháng 1 Tháng 2 Tháng 3 Tháng 4 Tháng 5
Khoản chi ($) 800 50 50 30 20
Phần gộp-GC 240 15 15 9 6
Gross contribution-GC = Khoản mua x 0,3
PCV = 6(1+0,0125) + 9(1+0,0125)^2 + 15(1+0,0125)^3 + 15(1+0,0125)^4 + 240(1+0,0125)^5 = 302,01486
Khách hàng trên đáng giá 302,01 $, thể hiện giá trị hiện tại thuần ở tháng 5. Bằng phép so sánh điểm này trong tập hợp những khách hàng đã đến người ta có những nỗ lực marketing trực tiếp tốt hơn ở tương lai.
- Đo lường LTV (mô hình giá trị hiện tại thuần)
Đo lường này giúp đánh giá giá trị của khách hàng với doanh nghiệp tại nhiều thời điểm
Doanh thu định kì Chi phí định kì Contribution margin Thời gian tồn tại của KH Lifetime Profit LTV Tỉ lệ chiết
khấu Chi phí thâu
tóm Tính LTV: T ⎛ 1 ⎞ * LTV = ∑ CM t ⎜ ⎟ t =1 ⎝ 1 + δ ⎠
Trong đó LTV = lifetime value CM = contribution margins δ = tỉ lệ lãi
T T
⎠
t
t
t
LTV thể hiện giá trị của khách hàng cá nhân với doanh nghiệp.
N guồn thông tin: CM và t lấy từ dữ liệu mua thực tế của khách hàng. Tỉ lệ lãi, một chức năng trong chi phí vốn, có thể lấy ở bộ phận kế toán tài chính. Phép đo lường này dựa trên hành vi khách hàng đã qua và bị giới hạn do giá trị chNn đoán về các quyết định marketing trong tương lai.
T
⎛ 1 ⎞
* LTV = ∑ (Sit − DCit ) − MCit ⎜ ⎟
t =1 ⎝ 1 + δ ⎠
Trong đó LTV = giá trị hiện tại của khách hàng i S = mức bán cho khách hàng i
DC = chi phí sản phNm trực tiếp được khách hàng I mua MC = chi phí marketing cho khách hàng i
N guồn thông tin: Thông tin về mức bán, chi phí trực tiếp, chi phí marketing từ các tài liệu nội bộ. ⎛ ⎛ ⎞ ⎛ 1 ⎞⎞ LTV = ⎜⎜∑ ⎜∏ Rr ⎟CM ⎜ ⎟⎟ − AC ⎝ t =1 ⎜ ⎟ ⎝ t =1 ⎠ it ⎝ 1 + δ ⎠⎟
Trong đó LTV = giá trị hiện tại của khách hàng Rr = tỉ lệ duy trì
П = sản phNm với tỉ lệ duy trì trong giai đoạn từ 1 tới R AC = chi phí thâu tóm
T = tổng thời gian
Giả sử rằng T Æ ∞ và CM không thay đổi theo thời gian.
LTVi = CM
1 − Rr + δ − AC - Customer equity
Phép đo này thể hiện tổng giá trị hiện tại của khách hàng đối với một doanh nghiệp, thể hiện công ty đáng giá thế nào tại một thời điểm cụ thể nhờ những nỗ lực quản trị khách hàng của doanh nghiệp:
I T ⎛ 1 ⎞
CE = ∑ ∑ CM it ⎜ ⎟
i =1 t =1 ⎝ 1 + δ ⎠
Cũng có thể thấy sự liên kết với giá trị cổ đông của doanh nghiệp. Customer equity share: CESj = CEj / ∑ CE
k
Trong đó CE = customer equity j = nhãn hiệu đang xem xét k = tất cả các nhãn hiệu
Ví dụ: 1 Year from Acquis- ition 2 Sales per Customer 3. Manufa- cturer Margin 4. Manufac- turer Gross Margin 5. Mktg and Servicing Costs 6. Actual Retention Rate 7. Surviva l Rate 8. Expected Number of Active Customer 9 Profit per Customer per period per Manu- facturer 10. Discounted Profit per Customer per Period to Manufactu- rer 11. Total Disctd. Profits per Period to the Manufactu -rer 0 120 0.3 36 20 0.4 0.4 400 16 16 6400 1 120 0.3 36 20 0.63 0.25 250 16 14 3500 2 120 0.3 36 20 0.75 0.187 187 16 12 2244 3 120 0.3 36 20 0.82 0.153 153 16 11 1683 4 120 0.3 36 20 0.85 0.131 131 16 9 1179 Total customer equity 15006
Chương 4: SỬ DỤNG CƠ SỞ DỮ LIỆU KHÁCH HÀNG 4.1 Cơ sở dữ liệu khách hàng
4.1.1 Phân biệt dữ liệu với thông tin
Trong những thập kỷ trước đây, các doanh nghiệp đã tốn kém rất nhiều chi phí cho những nghiên cứu về khách hàng nhưng kết quả cũng chỉ là những hiểu biết sơ sài về khách hàng. Thông tin về khách hàng ngày nay đã trở nên dễ dàng thu thập. N guồn dữ liệu thứ cấp có thể có được qua những báo cáo về nhân khNu học ở những khu vực địa lý cụ thể mà không tốn nhiều chi phí. Doanh nghiệp cũng có thể mua những phần mềm dữ liệu phức tạp với mức giá hợp lý. Do đó, vấn đề là doanh nghiệp cần thông tin nào chứ không phải là làm thế nào có được thông tin.
Dữ liệu và thông tin đều cung cấp khối lượng kiến thức lớn về khách hàng. Để đạt hiệu quả, cần sử dụng cả hai yếu tố đi liền nhau.
Dữ liệu
Dữ liệu bao gồm mọi thứ có thể đi kèm với số liệu. Do đó, dữ liệu không giúp phát hiện ra những xu hướng chủ đạo trong việc kinh doanh. Muốn tìm ra khuynh hướng cần phải biết so sánh dữ liệu giữa các mốc thời gian.
Dữ liệu khách hàng là bất kỳ cơ sở lập luận nào về khách hàng của doanh nghiệp hoặc những khách hàng mà doanh nghiệp có thể đính kèm một con số vào đó. Dữ liệu thường là về thu nhập, số năm là khách hàng, mức mua sắm bình quân, trình độ học vấn, độ tuổi, số trẻ con trong gia đình, mã vùng…
Thông tin
Dữ liệu thường dễ thu thập nên doanh nghiệp thường mắc phải vấn đề là có quá nhiều dữ liệu về khách hàng mà lại có ít cơ sở để quyết định. N ên cần chuyển dữ liệu thành thông tin. Thông tin là điều cần để bổ sung dữ liệu về khách hàng, trả lời cho những câu hỏi tại sao và
như thế nào. Thông tin làm dữ liệu trở nên có ý nghĩa.
Thông tin về khách hàng giúp doanh nghiệp đưa ra những quyết định quan trọng về việc sắp xếp tổ chức lại công việc kinh doanh, những dịch vụ cung cấp cho khách hàng, nghiên cứu thị trường và những chiến lược khác. Thông tin cho biết khách hàng cần và muốn gì hay cho ta một cái nhìn tổng quát về cảm tưởng của khách hàng về một lĩnh vực kinh doanh cụ thể.
Doanh nghiệp có thể tự tiến hành nghiên cứu thị trường để liên kết những thông tin cơ bản về khách hàng. Trường hợp này dễ gặp rủi ro khi doanh nghiệp không đặt đúng câu hỏi hoặc đặt câu hỏi dễ gây hiểu lầm, dẫn đến có câu trả lời sai. Khi đó cần đặt hàng cho một công ty chuyên nghiên cứu thị trường để có được câu trả lời chính xác và những phân tích chuyên sâu.
Để xác định dữ liệu và thông tin cần thiết, doanh nghiệp cần xác định mình muốn biết điều gì về khách hàng của mình. Bên cạnh đó, cần biết dữ liệu nào sẽ chỉ ra phương hướng đánh giá đúng. Với dữ liệu đã có cần tìm câu trả lời cho câu hỏi tại sao những con số đó lại như vậy, từ đó doanh nghiệp sẽ biết cần tập hợp thông tin gì.
4.1.2 Phân tích cơ sở dữ liệu khách hàngCơ sở dữ liệu Cơ sở dữ liệu
Cơ sở dữ liệu là nơi lưu trữ dữ liệu cho phép tham khảo những số liệu cần tìm một cách nhanh chóng, cho phép rút ra những tập hợp con từ những số liệu đó thường xuyên. Cơ sở dữ liệu thường được lưu trữ trong máy tính, thường không chứa thông tin.
Phân loại cơ sở dữ liệu
Phân loại dựa trên chức năng kinh doanh chính, có cơ sở dữ liệu giúp quản trị việc vận hành và cơ sở dữ liệu hỗ trợ các hoạt động ra quyết định. Các cách phân loại khác là theo thông tin chứa trong cơ sở dữ liệu (cơ sở dữ liệu khách hàng, cơ sở dữ liệu khách hàng tiềm năng, cơ sở dữ liệu cụm, cơ sở dữ liệu nâng cấp), dựa trên bản chất của hoạt động marketing (cơ sở dữ liệu tĩnh và động), dựa trên công nghệ cơ sở dữ liệu sử dụng (cơ sở dữ liệu thứ bậc, cơ sở dữ liệu đảo, cơ sở dữ liệu có liên hệ).
Dựa trên thông tin chứa trong cơ sở dữ liệu
Cơ sở dữ liệu khách hàng
Cơ sở dữ liệu khách hàng là dữ liệu về khách hàng còn giao dịch và khách hàng không còn giao dịch. Với khách hàng còn giao dịch, dữ liệu thường gồm:
- Thông tin cơ bản (thông tin cá nhân): Đây là dữ liệu giúp xác định khách hàng (tên), có thể thay đổi như địa chỉ, mã vùng, số điện thoại… nên cần được cập nhật thường xuyên. - Đặc điểm nhân khNu: Đây là thông tin ít thay đổi theo thời gian như tuổi, giới tính, tình
trạng hôn nhân, trình độ giáo dục, thu nhập, số người trong gia đình… - Hành vi: Tần suất mua, khoản chi tiêu, thay đổi về loại hàng mua…
- Thái độ: Dữ liệu này thường khó thu thập, lượng hóa, là những cảm xúc, nhận xét khen chê của khách hàng như khách hàng thích điều gì nhất về doanh nghiệp, họ mong muốn điều gì…
- Yếu tố tác động đến quyết định giao dịch: Yếu tố thuộc về doanh nghiệp như chất lượng sản phNm, giá, chủng loại sản phNm, dịch vụ khách hàng, mối quan hệ lâu dài… và yếu tố thuộc phía khách hàng như kết hôn, nghỉ hưu, truy cập internet…
Cần thu thập dữ liệu về khách hàng không còn giao dịch nữa nhằm có biện pháp khắc phục, có những tương tác thích hợp thu hút khách hàng quay lại. Với những khách hàng này, ngoài thông tin cơ bản, đặc điểm nhân khNu, dữ liệu cần thu thập gồm:
- Hành vi: Đặc điểm hành vi mua sắm của khách hàng trước đây, khoản chi phí của họ cho doanh nghiệp.
- Thời gian giao dịch: Thời gian khách hàng từng giao dịch với doanh nghiệp, họ đã không còn giao dịch bao lâu.
- Cách thức trước đây doanh nghiệp đạt được khách hàng. - Lý do khách hàng thôi giao dịch với doanh nghiệp.
Cơ sở dữ liệu khách hàng tiềm năng
Khách hàng tiềm năng có hồ sơ tương tự khách hàng hiện tại. Sản phNm đã được phân biệt của doanh nghiệp phải đáp ứng nhu cầu cụ thể của khách hàng tiềm năng. Chẳng hạn:
- The InfoBaseR list: Cung cấp một nguồn dữ liệu người tiêu dùng sẵn có gồm 111 triệu hộ gia đình và 176 triệu cá nhân để cho thuê.
- Harris Selectory Online: Một cơ sở dữ liệu khách hàng tiềm năng từ bộ phận D&B giúp công ty tìm được khách hàng mới để hiểu rằng chúng đang phát triển, tương tác với người ra quyết định và những cơ hội.
Cơ sở dữ liệu cụm: Cụm được xác định dựa trên các nhóm nghiên cứu nhân khNu, nhóm có cấu trúc, lối sống giống nhau. Chẳng hạn cơ sở dữ liệu của Prizm phân đoạn vùng lân cận US. thành 62 vùng riêng biệt. Mỗi cơ sở dữ liệu của Prizm được phân nhóm, mỗi nhóm có nhiều cụm:
- S1 (N goại ô Elite) – 5 cụm với những người giàu nhất nước
- U1 (Khu phố trên thành thị) – những cụm với cơ chế hành pháp tốt, chuyên nghiệp - C1 (Thượng lưu thành phố) – 3 cụm tạo nên tầng lớp thượng lưu ở những thành phố
loại 2 của Mỹ
- T1 (Quý tộc địa chủ nhỏ) – những cụm gồm những gia đình đa thu nhập, có trẻ em trong độ tuổi đến trường với nền giáo dục tốt, chuyên nghiệp
Hay như tạp chí Globe and Mail của Canada tạo cơ sở dữ liệu marketing của những người mua dài hạn tiềm năng, nâng cao dữ liệu khách hàng hiện tại nhờ Compusearch cung cấp. Tạp chí sử dụng cơ sở dữ liệu cụm, những khách hàng mục tiêu trong cơ sở dữ liệu tiềm năng rồi gửi những cung ứng của mình cho khách hàng tiềm năng có dữ liệu nhân khNu giống khách hàng hiện tại
Cơ sở dữ liệu nâng cấp
Cơ sở dữ liệu nâng cấp được sử dụng để bổ sung thông tin về khách hàng và khách hàng