RFM Tekniği ile Satış Artırma ve Müşteri Kaybını Azaltma

Günümüzde müşteriler, internet üzerinde Yapay Zeka (AI) Destekli Motorlar sayesinde kolayca alternatifleri arayabilir ve değerlendirebilir. Artık kalite tek başına müşteri taleplerini karşılamak için yeterli bir kriter değildir.

Perakendeciler, müşterilere birçok alternatif sunmalı ve satın alma gerçekleştiğinde ürün makul süreler içinde teslim edilmelidir. Kamçı etkisiyle (bullwhip effect), tedarik zincirindeki tüm paydaşlar bu davranış değişikliğinden büyük ölçüde etkilenmiştir.

Stok için üretim (Make-to-Stock - MTS) politikası, siparişe göre üretim (Make-to-Order - MTO) politikasına karşı yaygın olarak etkisini kaybetmiş ve bu durum birçok üretim tesisinin, İşletmeden Tüketiciye (B2C) veya İşletmeden İşletmeye (B2B) olmasından bağımsız olarak Tam Zamanında Üretim (Just in Time - JIT) sistemine uyum sağlamasına neden olmuştur. Bu gelişmelerin bütünsel bir sonucu olarak, üreticilerin odak noktası üründen müşteriye kaymıştır.

Müşteri İlişkileri Yönetimi (Customer Relationship Management - CRM), müşteri özelliklerini ortaya çıkarmaya yönelik insan, teknoloji ve süreçlerin birleşimini tanımlayan genel kabul görmüş bir terimdir (Chen ve Popovich, 2003). Tanımlı özelliklere sahip veri kümelerinin analiz edilerek rasyonel çıktılar elde edilmesiyle müşterileri anlamak ve onların taleplerini karşılamak hayati bir önem kazanmıştır.

Günümüzde teknolojik gelişmeler, tedarikçilerin ve hizmet sağlayıcıların müşterilerini daha ayrıntılı analiz etmelerine olanak tanıyan yeni uygulamalar ve metodolojiler sunmaktadır. Makine öğrenimi tabanlı yöntemler, daha sağlam müşteri analiz süreçlerini kolaylaştırmaktadır. Ayrıca, büyük veri kümelerini yönetmek için derin öğrenme algoritmalarına başvurulmaktadır; bu veriler genellikle sayısal ve kategorik özellikler içeren tablolarla doludur.

CRM, mevcut müşterileri, yeni müşterileri veya potansiyel müşterileri yönetmek için geniş bir uygulama alanına sahiptir. Tanımlanmış araştırma sorularına yanıt arayan birçok deneysel, analitik veya sayısal metodoloji önerilmiştir. Bu çalışma, müşteri segmentasyonu ve müşteri tahminine odaklanmaktadır. Bu nedenle, ilgili metodolojilerin literatürü bu bölümde incelenmiştir.

Müşteri Segmentasyonu ve RFM Analizi

Segmentasyon, müşterileri belirli özelliklerine göre farklı ve homojen gruplara ayırma sürecidir; böylece pazarlama stratejileri daha kolay oluşturulabilir (Tsiptsis ve Chorianopoulos, 2011).

Segmentasyon, organizasyonların müşterilerinin temel özelliklerini ortaya çıkarmasına yardımcı olan sistematik bir yaklaşımdır. Böylece şirketler, hedeflenen gruplar için farklı politikalar geliştirebilir ve müşteri memnuniyetini artırabilir. Önerilen birçok tekniğin yanı sıra, Yenilik (Recency), Frekans (Frequency) ve Parasal Değer (Monetary) (RFM) Analizi ve Kümeleme Analizi (Cluster Analysis) literatürde en sık karşılaşılan yöntemlerdir.

Basitliği ile dikkat çeken RFM analizi, 1920’lerde bir katalog şirketi tarafından önerilmiştir (Petrison ve ark., 1997) ve müşterinin duruşunu üç kritik gösterge ile ortaya çıkarmaya yardımcı olur.

Yenilik (Recency), müşterinin son aktivitelerinin ne kadar yeni olduğunu gösterir.

Frekans (Frequency), belirli bir dönemde yapılan işlemlerin tekrarını gösteren bir göstergedir.

Parasal Değer (Monetary), müşterinin yaptığı toplam harcama miktarını ifade eder.

Üç değişkende de yüksek puan alan müşteriler sadık müşteriler olarak tanımlanabilir (Buttle ve Maklan, 2019). Wu ve Lin (2005), hem Yenilik (R) hem de Frekans (F) değeri yüksek olan müşterilerin şirket ile yeni işler yapma potansiyeline sahip olduğunu belirtmiştir. Ayrıca, Parasal Değer (M) ne kadar büyükse, ilgili müşterinin tekrar ürün veya hizmet satın alma olasılığı o kadar yüksektir.

RFM analizinde skor bazlı sınıflandırma tabloları yaygın olarak önerilmektedir. R-F ve M skoru içeren iki boyutlu tablolar, müşterileri “Şampiyon” (Champion), “Sadık” (Loyal), “Risk Altında” (At Risk) gibi 11 farklı segmente ayırabilir. Literatürde, daha sağlam analizler elde etmek amacıyla RFM analizi genellikle ek yöntemlerle hibrit veya entegre bir şekilde önerilmektedir.

Örnek Uygulama: Beyaz Eşya Sektöründe RFM Analizi

Bir beyaz eşya firmasının verileriyle oluşturulan müşteri segmentasyon tablosu aşağıda verilmiştir:

Sonuç

RFM analizi, müşteri segmentasyonunu anlamak ve pazarlama stratejilerini geliştirmek için etkili bir yöntemdir. Teknolojik gelişmelerle birlikte, makine öğrenimi ve büyük veri analitiği ile desteklenen RFM analizleri daha doğru müşteri tahminleri yapmaya ve müşteri kaybını azaltmaya yardımcı olabilir.

Yeni yazıda konuya devam edeceğiz.

KAYNAKÇA:

KARACAN, Ismet; ERDOGAN, Inanc; CEBECI, Ufuk. A Comprehensive Integration of RFM Analysis, Cluster Analysis, and Classification for B2B Customer Relationship Management. In: Proc. Int. Conf. Ind. Eng. Oper. Manag. 2021. p. 497-508.