Daylogs/AI
DS: RFM 으로 사용자 분류하기
ohgyun
2017. 2. 26. 21:55
발생일: 2017.02.24
키워드: RFM, RFM Customer segmentation, RFC scoring, RFM 사용자 분류, RFM 고객 세분화 모형, RFM 모형
문제:
얼마 전 마이크로소프트와 핵페스트 행사를 진행했다.
D사에서 오신 분이 추천 서비스를 구현했던 사례에 대해 이야기해주셨다.
유통 서비스의 사례였는데, 가장 먼저 한 일이 RFM을 사용해서 고객을 1에서 10등급으로 나눈 것이란다.
RFM은 처음 들어봤다. 뭘까?
해결책:
RFM은 고객의 가치를 점수화해서, 이를 기준으로 고객을 분류할 수 있는 간단하면서도 유용한 방법이라고 한다.
마케팅에서 가장 많이 사용하고 있는 사용자 분류법이라고 한다.
RFM은 Recency, Frequency, Monetary의 약자로 고객의 가치를 아래 3가지 기준으로 계산한다.
- R (Recency): 거래의 최근성 / 최근 언제 구입했는지
- F (Frequency): 거래의 빈도 / 얼마나 자주 구입했는지
- M (Monetary): 거래의 규모 / 얼마나 많이 구입했는지
RFM으로 점수화해보면,
- 10개월 전 1회에 100만원 어치를 한 번에 구입한 사용자와 (R: 10개월 전, F: 1회, M: 100만원)
- 매달 10번씩 10만원 씩 구입한 사용자 (R: 1개월 전, F: 10회, M: 100만원)
의 가치가 다르다는 것을 발견할 수 있다.
RFM으로 고객의 가치를 점수화하는 것을 RFM Scoring 이라고 한다.
일반적으론 전체 후보군을 대상으로 분위법으로 계산해 점수를 내고,
점수를 낼 대상 기간이나 점수의 범위는 상황에 맞게 설정하면 된다.
(RFM Scoring으로 구글링해보면 다양한 방법이 나온다)
논의:
사용자의 구매 데이터로 RFM 스코어링하면, 현재 시점에서 사용자 등급이 어떻게 분포되어 있는지 파악할 수 있다.
같은 방식으로 기간별로 RFM 스코어링을 수행하면, 사용자 등급이 어떻게 변화되는지 추적할 수 있다.
이 데이터를 근거로 각각의 등급의 사용자에게 맞춤형으로 마케팅을 시도해볼 수 있다.
예를 들어, 사용자를 1에서 5등급으로 나눴고, (1등급이 점수가 높은 사용자)
지난 달과 이번 달의 스코어 분포가 아래와 같다고 해보자.
지난 달:
1등급: 10명
2등급: 50명
3등급: 100명
4등급: 200명
이번 달
1등급: 15명 (+5)
2등급: 65명 (+15)
3등급: 60명 (-40)
4등급: 220명 (+20)
전체 사용자의 수가 동일하다고 가정한다면,
1, 2등급의 사용자는 늘어나는 추세에 있고, 3등급의 사용자는 크게 줄었다는 것을 알 수 있다.
사용자로부터 더 많은 구매를 이끌어내기 위해, 각 등급과 변화에 따라 다른 전략으로 마케팅을 해볼 수 있다.
예를 들어, 아래처럼 구분해 프로모션을 진행해볼 수 있다.
- 로얄 사용자
- 1등급의 사용자
- 이 고객들이 우리의 수익을 유지해주기 때문에 가장 중요하다
- up-selling (상향 판매)를 목적으로 마케팅한다
- 신규 제품 출시 안내를 보낸다
- 배송 무료 쿠폰을 보낸다
- 상향 판매를 위한 프로모션 쿠폰을 보낸다
- 신규 제품이나 즐겨찾는 카테고리의 평점 정보를 위클리로 보낸다
- 성장세를 보이는 사용자 (grow customer)
- 상위 등급으로 점수가 오른 사용자들
- 이 고객들을 더 높은 등급으로 전환하는 것이 중요하다
- 로얄 사용자를 대상으로 하는 전략이 이 등급의 사용자들에게도 효과가 있을 것이다
- 감소세를 보이는 사용자 (win back customer)
- 다음 두 가지 이유일 수 있다
- 다른 서비스를 이용하고 있거나,
- 이제 우리 서비스가 더이상 필요가 없거나
- 다시 돌아오게 하기 위한 전략이 필요하다
- 더 많이 구매할 수 있게, 2+1 쿠폰을 보낸다
- 맞춤형 쿠폰을 보낸다
- 예를 들어, 단순히 '25% 할인 쿠폰' 대신,
- '로맨틱 코미디 장르에 관심있다는 걸 알고 있어요. 이 장르를 구입하시면 25% 추가 할인을 드립니다' 쿠폰을 준다
RFM이 주로 사용되는 곳은 마케팅이라곤 하지만,
그 기준을 다른 분야에도 쉽게 적용할 수 있기 때문에 다양하게 사용되고 있다고 한다.
우리 팀에서도 이 방법으로 사용자를 분류해봐야겠다.
참고:
- RFM Customer Segmentation in R, Pandas and Apache Spark:
- Learn Analytics using a business case study : Part III:
반응형