Simplifier les concepts de science des données du commerce électronique, un sujet à la fois.

Traditionnellement, les spécialistes du marketing créaient une segmentation basée sur les données démographiques👨👩🐈👶. Cependant, la plupart des marques de commerce électronique préfèrent aujourd’hui appliquer la science des données pour développer une segmentation comportementale basée sur les comportements d’achat. Par exemple, quels produits regardent-ils / achètent-ils 🛒? Quel(s) chemin(s) ont-ils pris pour accéder à votre site Web 📍? (conscience vs intention). De plus, quel est leur niveau d’engagement️️ (utilisation / ouvertures / clics / vues) ?

Quel est l’avantage de la segmentation ? Bien qu’il y en ait beaucoup, je vais énumérer mes trois meilleurs ici:

1. Concentré&marketing personnalisé
2. Réduction des coûts de marketing
3. Meilleur développement de produits

Le regroupement des clients en fonction du comportement permet un marketing contextualisé au lieu des explosions d’e-mails, ce qui réduit les coûts de marketing. En ciblant un sous-ensemble ciblé de clients (un segment !) avec des attributs similaires, vous obtiendrez probablement de meilleurs taux d’ouverture, des conversions plus élevées et un retour sur les dépenses publicitaires (ROAS). Mieux encore, vous pouvez adapter les futurs produits aux goûts de vos clients.

RFM est une méthode de modélisation de données utilisée pour analyser la valeur client. Il signifie récence, fréquence et monétaire, qui ne sont que trois indicateurs qui décrivent ce que vos clients ont fait. La récence mesure le temps (généralement en jours) entre la dernière commande de votre client et aujourd’hui. La fréquence mesure le nombre total de commandes passées par les clients et le montant monétaire est le montant moyen qu’ils ont dépensé à partir de ces commandes.

RFM a commencé à l’époque du marketing direct et reste aujourd’hui l’un des outils les plus simples et les plus efficaces du commerce de détail et du commerce électronique. Pour créer RFM, vous devez transformer vos données et attribuer un score de haut en bas. Voici un exemple simple à trois niveaux (Élevé, moyen, faible) : triez les commandes de vos clients dans une colonne et attribuez un score de 3 pour les clients avec zéro commande, une valeur de 2 pour les clients avec une commande et 1 pour les clients avec 2 commandes ou plus, ou clients récurrents. Cela vous donne votre métrique de fréquence. Ensuite, vous répétez ce processus pour la récence et la monnaie. En fin de compte, vous vous retrouverez avec trois valeurs, une pour chaque pilier de RFM qui décrit la valeur de chaque client, l’une étant la meilleure.

Pourquoi la RFM est-elle importante ? Pourquoi devrais-je m’en soucier?

RFM est essentiel car il vous permet de trier et d’organiser rapidement vos clients du meilleur au pire, et il est très efficace pour décrire le comportement des clients. Avec les scores RFM, vous pouvez créer de nombreux segments de clientèle utiles. Nous commençons par les MVP qui sont vos meilleurs clients avec les meilleurs scores sur les trois dimensions. Dépenses élevées nouveaux clients qui obtiennent un score élevé sur la récence et la monnaie, mais faible sur la fréquence car ils n’ont acheté que récemment. Sur le spectre opposé, vous avez des clients à forte valeur ajoutée qui n’ont pas acheté depuis un certain temps. Ils obtiendront un score élevé sur la récence et la monnaie, mais faible sur la récence. Enfin, les clients de faible valeur qui obtiennent de faibles scores sur les trois dimensions et qui ne valent probablement rien. Vous pouvez économiser de l’argent sur le marketing en supprimant ces utilisateurs ET en améliorant les taux d’ouverture et de clic.

Pourquoi devriez-vous vous en soucier? Nous avons vu que les 5% de clients les plus actifs dépensent en moyenne 10 fois plus que tout le monde et représentent un tiers de votre chiffre d’affaires total. Les meilleurs clients ont tendance à avoir une valeur de commande moyenne plus élevée et sont plus susceptibles de devenir des fans fidèles de votre marque. Les fans fidèles ont tendance à générer du bouche-à-oreille et des références, ce qui les rend plus précieux.

En bref, vous devriez consacrer plus de temps à satisfaire vos meilleurs clients, et RFM peut vous aider à déterminer où vous concentrer et quoi faire.

Pourquoi RFM peut-il faire pour moi?

Si vous ne l’avez pas déjà fait, commencez à utiliser RFM pour créer une segmentation client pour vos campagnes marketing et commencez à optimiser. Vous pouvez :

• Dérouler le tapis rouge pour vos VIP.
• Concevoir des campagnes nourrissantes pour les clients les plus susceptibles d’acheter.
• Créez des offres et des rappels personnalisés pour les clients qui sont sur le point de se désabonner.
• Re-ciblez les clients à forte valeur ajoutée pour les reconquérir.

Il y a beaucoup plus de cas d’utilisation pour RFM. Vous serez en mesure de créer des campagnes plus pertinentes et contextualisées qui ciblent différents clients différemment. La segmentation fonctionne pour améliorer les ouvertures et les clics, ainsi que pour apporter plus de fonds marketing. Si vous ne le faites pas encore, vous devriez absolument l’être. Une de nos clientes a trouvé 20% de clients à forte valeur ajoutée à cibler lors de sa planification annuelle grâce à RFM.

En résumé, RFM signifie récence, fréquence et monétaire, la récence étant la plus importante. Pourquoi? En effet, les achats en ligne sont un acte commercial non contractuel, les gens étant libres d’aller et venir à leur guise. Vous ne pouvez supposer qu’un client est « vivant » et intéressé par vous qu’il vous l’a dit avec un achat récent.

Trouvez votre RFM. Commencez à trier vos clients du meilleur au pire et intégrez ces segments à vos activités de marketing!

N’oubliez pas que les données sont un pouvoir, et nous voulons redonner des pouvoirs aux données de commerce électronique. Rejoignez-nous et commencez à grandir avec vos données dès aujourd’hui.

Réalisé par Segments

Retrouvez-nous sur LinkedIn ou Facebook.

Initialement publié à tresl.co

Peter S. Fader Bruce G. S. Hardie Ka Lok Lee, RFM et CLV: Utilisation de courbes de valeurs Iso pour l’analyse de la base de clients (2004)