[SQL] 21. 많이 쓰이는 분석 프레임(4) - RFM

고객을 나누는 기본적이지만 효과적인 방법, RFM

• 지금까지 퍼널 분석으로 물이 새고 있는 곳도 찾아서 막았고, 코호트 분석과 리텐션을 통해 고객들을 잘 유지시키고 있는지 분석했다.
• 고객을 잘 데리고 있으려면 케어를 해줘야하는데, 고객 개개인에 맞춰서 원하는 것을 모두 해주기는 힘드므로, 비슷한 그룹끼리 고객을 묶어서 세그먼트를 나누는 작업을 진행한다

고객을 쪼개는 방법, RFM 분석

고객을 묶을 때 세 가지 기준으로 나누어 분석한다

• Recency : 얼마나 최근에 구매했는지
• Frequency : 얼마나 자주 구매했는지
• Monetary : 얼마나 많은 금액을 구매했는지

ex) 50만원씩 2번 산 고객과 10만원씩 10번 산 고객을 다르게 보겠다는 것

 

RFM 분석과정

STEP 1. 고객 별로 R / F / M 수치 산출

고객 ID	Recency	Frequency	Monetary
32054	4 days	1	500,000
10545	370 days	30	1,500,000
87952	61 days	4	200,000

 

SETP 2. R / F / M 각각에 대해 등급 만들어주기

고객 ID	Recency	Frequency	Monetary	Recency 점수	Frequency 점수	Monetary 점수
32054	4 days	1	500,000	4	1	3
10545	370 days	30	1,500,000	1	4	4
87952	61 days	4	200,000	3	2	2

수능 등급처럼 각 점수를 세우고 네 그룹으로 나눈다

• 25%씩 나누어 1등급, 2등급, 3등급, 4등급으로 한다
• Frequency랑 Monetary는 클수록 높은 점수다
• Recency는 작을수록 높은 점수다

 

STEP 3. RFM 그룹과 RFM 점수 산출

고객 ID	Recency	Frequency	Monetary	Recency 점수	Frequency 점수	Monetary 점수	RFM 그룹	RFM 점수
32054	4 days	1	500,000	4	1	3	413	8
10545	370 days	30	1,500,000	1	4	4	144	9
87952	61 days	4	200,000	3	2	2	322	7

RFM 점수를 구해 각 고객별로 최종 점수를 구해준다

• RFM 그룹 : 각 R/F/M 등급을 차례로 적어줬음
  • 413 그룹 = 최근에(4), 아주 가끔(1), 꽤 많은 금액(3)을 쓴 고객
  • 144 그룹 = 온지 오래되었지만(1), 자주(4), 많이 산(4) 고객
  • 322 그룹 = 꽤 최근에(3), 약간 자주(2), 금액은 그리 크지 않게(2) 구매하는 고객
• RFM 점수 : 각 R/F/M 등급의 합을 적어줬음
• RFM 점수가 클수록 우수한 고객이다

고객 ID	Recency	Frequency	Monetary	Recency 점수	Frequency 점수	Monetary 점수	RFM 그룹	RFM 점수	커스텀 등급
32054	4 days	1	500,000	4	1	3	413	8	실버
10545	370 days	30	1,500,000	1	4	4	144	9	골드
87952	61 days	4	200,000	3	2	2	322	7	실버

구해진 RFM 점수를 이용해 커스텀 등급을 매긴다

• RFM 점수 >= 9 : 골드
• 5 <= RFM 점수 < 9 : 실버
• RFM 점수 < 5 : 브론즈
• 점수를 통해 등급을 매겨주면, 고객의 세그먼트가 담고 있는 정보는 희석이 될 수 있다
  • 같은 9점이어도 R/F/M의 차이가 존재할텐데 이를 알 수 없다

 

STEP 4. 커뮤니케이션 그룹과 그룹에 맞는 메시지 정하기

 

각 그룹별로 고객의 현황 파악을 할 수 있다

하지만, 현황 파악보다는 타게팅에 효과적이기 때문에 그룹화한 것이다.

Recency	Frequency	Monetary
4	4	4
3	3	3
2	2	2
1	1	1

VVIP (444)

• 최근에, 가장 자주, 가장 많이 금액을 쓰는 그룹
• 잘 지켜야 하는 고객
• 가치 있고 중요한 고객이라는 점을 지속적으로 전달
• 파레토 법칙 (20%고객이 80%의 매출을 담당한다)

Recency	Frequency	Monetary
4	4	4
3	3	3
2	2	2
1	1	1

중요 신규 고객 (414, 413)

• 구매 횟수는 적지만(한번), 최근에 큰 금액을 쓴 그룹
• 신규 중에서도 VIP가 될 가능성이 높은 고객
• 본 고객들이 후에 어떤 그룹으로 이동했는지 분석도 유의미하다

Recency	Frequency	Monetary
4	4	4
3	3	3
2	2	2
1	1	1

Low-Spending 충성고객 (442, 441)

• 최근에, 자주 구매하지만 적은 금액을 소비하는 그룹
• 브랜드 로열티는 있는 상태
• 크로스셀과 업셀로 Spend-Level을 높일 필요

Recency	Frequency	Monetary
4	4	4
3	3	3
2	2	2
1	1	1

이탈한 충성고객 (144, 143, 134, 133)

• 자주, 많은 금액을 소비했는데 이용한지 오래된 그룹
• 이탈했지만 다시 데려오는 시도를 해볼만한 고객
• 이탈한 고객을 다시 데려오는 것이 매우 어려움

 

RFM 분석 내 업무에 적용하기

RFM 등급 나누는 방법

• 4개 그룹
  • 25%씩 4개 그룹
• 2개 그룹
  • 파레토 법칙에 의거
  • 20%와 80%
• 도메인에 맞게 자체 기준
  • 연간 300만원 이상
  • 연간 100만원 이상 300만원 이하
  • 연간 100만원 이하
• 5개 이상의 그룹은 지양하는 것이 좋다
  • 경우의 수가 너무 많아지기 때문
  • 5*5*5 = 125...
• 구매가 없을 때는
  1. M에 매출 대신 인게이지먼트(engagement) 지표를 활용한다
     • 어플 - 방문 페이지수
     • 영상, 컨텐츠 - 총 시청시간
     • 앱, 웹 서비스 - 사이트 체류시간
  2. R과 F만 사용해도 유의미하다
• R, F, M 중 더 중요한 요소에는 가중치를 준다
  • RFM 점수 = Recency 점수 + Frequency 점수 + Monetary 점수
  • RFM 점수 = a * Recency 점수 + b * Frequency 점수 + c * Monetary 점수
    • 화장품 회사 - 자주, 최근에 사는게 중요하다 ( a=1, b=1, c=0.7 )
    • 가전제품 - 최근에, 비싸게 사는것이 중요하다 ( a=1, b=0.8, c=1.2 )
    • 실무에서 가중치를 구할 때 도메인 지식에 맞게 더 중요한 부분에 중점을 둔다

 

RFM은 직관적이고 심플하다, 왜 같은 그룹으로 묶였는지 설명하기가 좋다

머신러닝, 딥러닝을 사용하면 왜 같은 그룹으로 묶였는지 설명하기가 어려운 경우가 많다

 

RFM 실습

SELECT customer_id, MAX(invoice_date) AS recent_purchase, COUNT(invoice_no) AS frequency, SUM(quantity * unit_price) AS monetary,
       DATE_DIFF(DATE('2011-12-10'), DATE(MAX(invoice_date)), DAY) AS recency
FROM data.sales
GROUP BY customer_id

고객을 그룹화하고 스코어를 구하는 작업은 엑셀에서 진행한다

 

 

 

정리

각 고객의 여정을 단계별로 나눠서 각 단계별 전환율을 구하는 퍼널분석을 진행했다

어디에 집중에서 서비스를 개선해야하는지 포인트를 찾는 분석을 진행했다

 

코호트 분석과 리텐션의 종류를 배우면서

우리가 데려온 고객을 얼마나 잘 지키고 있는지 측정할 수 있는 분석에 대해 알아봤다

 

RFM 분석에서 고객을 잘 지키기 위해서

고객별로 적정한 메시지를 보내줘야 하는데

그 고객들을 어떻게 그룹화할지 세그먼트하는 방법에 대해서 배웠다