ทำไมคะแนน RFM ถึงเปลี่ยนได้ ทั้งที่ลูกค้ายังไม่ได้ซื้อซ้ำ?

คะแนนขยับ ทั้งที่เหมือนไม่มีอะไรเกิดขึ้น

ลองนึกถึงร้านของขวัญออนไลน์ไทยสมมติชื่อ Mango Wrap ในเดือนกันยายน คุณอภิญญามีคะแนน recency คือ R = 1 ตามธรรมเนียม CasperBrain ที่ 1 เป็นควอร์ไทล์ดีที่สุด ผ่านไป 30 วัน คะแนน R ที่รายงานเป็น 2 ทั้งที่วันซื้อเดิมไม่เปลี่ยนและไม่มีออเดอร์ใหม่ของเธอเพิ่ม ตัวอย่างนี้กล่าวถึงเฉพาะ R ไม่ได้กำหนดคะแนนความถี่หรือยอดใช้จ่าย ต้องตรวจวันอ้างอิงและฐานที่ใช้เปรียบเทียบก่อนมองว่าอันดับที่เปลี่ยนเป็นบั๊กหรือหลักฐานว่าลูกค้าห่างหาย

ก่อนมองว่าเป็นบั๊กหรือเหตุให้ติดต่อหาลูกค้า ให้เทียบข้อมูลสามส่วน คือวันอ้างอิงที่ใช้คำนวณ recency ดิบ ฐานลูกค้าที่ใช้จัดอันดับ และช่วงออเดอร์ที่ใช้คำนวณความถี่กับยอดใช้จ่าย วันอ้างอิงที่เลื่อนไปอาจเพิ่มจำนวนวันนับจากการซื้อได้โดยไม่มีการกระทำใหม่ แต่การเพิ่มค่านี้เพียงอย่างเดียวไม่เปลี่ยนควอร์ไทล์สัมพัทธ์ หากทุกคนเพิ่มเท่ากันและฐานลูกค้า ช่วงข้อมูล กติกาคะแนนและการจัดการค่าที่เท่ากันคงเดิม ตัวอย่างต่อไปแยกการเปลี่ยนค่าดิบออกจากการเปลี่ยนอันดับ

คะแนน RFM คืออันดับเชิงเปรียบเทียบ ไม่ใช่เรตติ้งแบบคงที่

สิ่งสำคัญที่สุดที่ต้องทำความเข้าใจเกี่ยวกับ RFM คือ คะแนนไม่ได้บอกพฤติกรรมแบบสัมบูรณ์ของลูกค้า แต่บอกว่าลูกค้าคนนั้นอยู่ตรงไหนเมื่อเทียบกับฐานลูกค้าปัจจุบัน ณ วันที่วัดผลหนึ่งๆ คะแนนสะท้อนตำแหน่งของลูกค้าเมื่อเทียบกับลูกค้าคนอื่นในฐานของคุณ ดังนั้นอันดับจึงอาจตกลงได้แม้พฤติกรรมของลูกค้าเป้าหมายจะไม่เปลี่ยนเลย หากลูกค้าคนอื่นกลับมาแอ็กทีฟมากขึ้น

ธรรมเนียมคะแนนแตกต่างกัน คู่มือทั่วไปของ Shopify อธิบายคะแนน RFM ที่ค่าสูงหมายถึงค่าการซื้อที่แข็งแรงกว่า ต้องอ่านรหัสควบคู่กับสเกล ทิศทาง และลำดับองค์ประกอบเดิม หมายเหตุผลิตภัณฑ์ CasperBrain แยกด้านล่างระบุธรรมเนียมที่ใช้ในบทความนี้ แหล่งผู้ให้บริการในส่วนทั่วไปนี้ไม่ได้ใช้ยืนยันธรรมเนียมเฉพาะของ CasperBrain

เส้นแบ่งควอร์ไทล์คำนวณจากการกระจายของลูกค้าที่อยู่ในชุดวิเคราะห์ การคำนวณใหม่ไม่ได้รับประกันว่าเส้นแบ่งหรือคะแนนต้องเปลี่ยน การซื้อของลูกค้าคนอื่น การเปลี่ยนสมาชิกในฐานหรือช่วงออเดอร์ และกติกาคะแนน อาจเปลี่ยนตำแหน่งสัมพัทธ์ได้ ต้องตรวจว่าข้อมูลใดเปลี่ยนจริง ไม่ใช่สมมติว่าทุกการรีเฟรชทำให้เส้นแบ่งขยับ ธรรมเนียมสี่ควอร์ไทล์ที่อธิบายนี้ไม่ได้ยืนยันกติกาจัดการค่าที่เท่ากันหรือการนับรวมที่ไม่มีเอกสารรองรับ

อ้างอิง: RFM Analysis: Definition and Segmentation Guide — Shopify · RFM Analysis: Definition and Segmentation Guide — Shopify SG

ตรวจส่วนที่ 1 — Recency ดิบกับวันอ้างอิง

Recency ดิบคือจำนวนวันระหว่างการซื้อครั้งล่าสุดกับวันอ้างอิงที่เลือก หากวันซื้อเดิมคงที่และเลื่อนวันอ้างอิงไป 30 วันเต็ม ค่าดิบจะเพิ่ม 30 วัน เช่น จาก 20 เป็น 50 วัน แต่หากวันอ้างอิงคงที่ ผลต่างวันนั้นก็คงที่ด้วย บันทึกธรรมเนียมวันที่ของแต่ละภาพข้อมูล เวลาที่ผ่านไปภายนอกไม่ได้เปลี่ยนวันอ้างอิงของ snapshot ที่กำหนดไว้โดยเงียบ ๆ

การเพิ่มวันเท่ากันรักษาลำดับสัมพัทธ์ไว้ หากลูกค้าชุดเดิมทุกคนไม่มีการซื้อใหม่และเลื่อนวันอ้างอิง 30 วัน recency ดิบของทุกคนก็เพิ่ม 30 วันเท่ากัน ภายใต้วิธีควอร์ไทล์สัมพัทธ์และกติกาค่าที่เท่ากันแบบเดิม สิ่งนี้เพียงอย่างเดียวไม่ทำให้คนย้ายควอร์ไทล์ การซื้อของคนอื่นอาจเปลี่ยนตำแหน่งเทียบกับลูกค้าที่กำลังดู และการเพิ่มหรือนำคนออกอาจเปลี่ยนการกระจาย แต่ไม่ใช่กรณีเดียวกับการรอโดยที่ทุกคนเพิ่มวันเท่ากัน

หากเทียบการเพิ่มวัน ให้คำนวณค่าดิบแต่ละรอบด้วยวันอ้างอิงที่บันทึกของรอบนั้น และตรวจว่าวันซื้อเดิมคงที่ หากต้องการแยกเฉพาะผลการจัดอันดับจากคนรอบข้าง ให้ตรึงวันอ้างอิง ประวัติลูกค้าที่กำลังดู ช่วงข้อมูล และธรรมเนียมคะแนน แล้วตรวจข้อมูลคนอื่น อย่ากำหนดให้จำนวนวันเพิ่มจาก 28 เป็น 58 ทั้งที่วันอ้างอิงและวันซื้อเดิมไม่เปลี่ยน คะแนนที่เปลี่ยนเพียงอย่างเดียวระบุไม่ได้ว่าข้อมูลส่วนใดเป็นสาเหตุ

อ้างอิง: RFM Analysis: Definition and Segmentation Guide — Shopify

ตัวอย่าง before/after แบบคำนวณจริง: คุณอภิญญาที่ Mango Wrap

ตัวอย่างต่อไปนี้เป็นตัวอย่างสมมติเพื่อการสอน ซึ่งสร้างขึ้นเพื่ออธิบายการเปลี่ยนแปลงของ recency เท่านั้น ชื่อ เลขออเดอร์ และตัวเลขทั้งหมดเป็นข้อมูลแต่งขึ้นเพื่อการอธิบาย ไม่ได้ใช้ข้อมูลลูกค้าจริง

ณ วันที่ 1 กันยายน Mango Wrap มีลูกค้าอยู่ 200 คนในชุดวิเคราะห์ โดยวันที่อ้างอิงคือ 1 กันยายน การซื้อครั้งล่าสุดของคุณอภิญญาคือวันที่ 15 สิงหาคม ทำให้เธอมี recency เท่ากับ 17 วัน เส้นแบ่งควอไทล์บนสุด (threshold ที่ลูกค้าต้องมีค่าน้อยกว่าหรือเท่ากับจึงจะได้คะแนน 1) อยู่ที่ 30 วัน เธอจึงได้คะแนน R = 1

ใน snapshot สมมติวันที่ 1 ตุลาคม วันอ้างอิงเลื่อนไป 30 วัน และอภิญญายังซื้อครั้งล่าสุด 15 สิงหาคม จึงมี recency ดิบ 47 วัน สมมติว่าฐานรอบนี้มี 260 คนรวมผู้ซื้อใหม่ 60 คน สำหรับตัวอย่างเพื่อการสอนนี้เท่านั้น กำหนดเส้นบน Q1 ที่ 35 วันและ Q2 ที่ 60 วัน จึงมี 35 < 47 ≤ 60 และได้ R = 2 ส่วนรอบแรกเส้น Q1 อยู่ที่ 30 วัน ทำให้ 17 วันได้ R = 1 เส้นเหล่านี้เป็นสมมติฐานประกอบคำอธิบาย ไม่ได้คำนวณจากชุดข้อมูลลูกค้าที่ให้มา และไม่ใช่เกณฑ์ CasperBrain ที่รับประกัน ตัวอย่างเปลี่ยนทั้งเวลาและฐานลูกค้า จึงไม่ได้แยกผลเฉพาะการเพิ่มลูกค้า 60 คน

ตรวจส่วนที่ 2 — ฐานลูกค้าและการซื้อของคนอื่นอาจเปลี่ยนอันดับสัมพัทธ์

ฐานที่วิเคราะห์คือชุดลูกค้าที่ถูกนับรวมในรอบนั้น การเปลี่ยนการเตรียมข้อมูลต้นทางหรือนิยามฐานอาจเพิ่มหรือนำคนออก และเปลี่ยนการกระจายที่ใช้จัดอันดับสัมพัทธ์ ต้องเทียบข้อมูลที่นับรวมจริงกับนิยามที่บันทึกในแต่ละ snapshot ก่อนระบุว่าคะแนนเปลี่ยนเพราะสมาชิกฐาน นี่เป็นหลักการวิเคราะห์ทั่วไป ไม่ใช่คำยืนยันว่า CasperBrain มีตัวควบคุมการนับรวมหรือตัดออกแบบใดแบบหนึ่ง

ผู้ซื้อใหม่ที่เพิ่งซื้อหรือการซื้อซ้ำของคนอื่นอาจเปลี่ยนการกระจายสัมพัทธ์ แต่จำนวนลูกค้าเพียงอย่างเดียวบอกทิศทางหรือขนาดการเปลี่ยนเส้นแบ่งไม่ได้ หากไม่มีใครซื้อ ไม่มีใครเข้าหรือออก และช่วงข้อมูลกับกติกาคงเดิม การเลื่อนวันอ้างอิงเท่ากันจะรักษาลำดับ recency ไว้ การที่อันดับดีขึ้นหรือแย่ลงในรอบถัดไปจึงต้องตรวจข้อมูลคนอื่น สมาชิกฐาน หรือกติกาที่เปลี่ยน ไม่ใช่อธิบายด้วยช่วงที่เงียบลงเพียงอย่างเดียว

กรณีย้อนกลับก็เกิดได้เช่นกัน หากลูกค้ากลุ่มที่เคยแอ็กทีฟถูกนำออกจากฐานวิเคราะห์ — เช่น เพราะอยู่นอกขอบเขตที่กำหนดไว้ — การหายไปของพวกเขาอาจทำให้ลูกค้าที่เหลือดูดีขึ้นเมื่อเทียบกัน ส่งผลให้คะแนนของบางคนขยับดีขึ้น ดังนั้นการที่คะแนนดีขึ้นทั้งที่ไม่มีการซื้อใหม่ อธิบายได้จากการลดลงของประชากรวิเคราะห์ พอ ๆ กับที่คะแนนแย่ลงอธิบายได้จากการเพิ่มขึ้นของฐานลูกค้า

อ้างอิง: RFM Analysis: Definition and Segmentation Guide — Shopify · RFM Analysis: Definition and Segmentation Guide — Shopify SG

กลไกที่ 3 — การเปลี่ยนช่วงเวลาวิเคราะห์ทำให้ F และ M ถูกเขียนใหม่

Frequency และ monetary value ต้องคำนวณภายใต้ช่วงเวลาวิเคราะห์ที่กำหนดไว้ชัดเจน หากคุณรันวิเคราะห์เดือนก่อนโดยใช้ข้อมูล 12 เดือนสิ้นสุดวันที่ 31 สิงหาคม และการวิเคราะห์เดือนนี้ใช้ข้อมูล 12 เดือนสิ้นสุดวันที่ 30 กันยายน แปลว่าหน้าต่างเวลาถูกเลื่อนไปข้างหน้าหนึ่งเดือน ออเดอร์ใดก็ตามที่อยู่ในเดือนกันยายนของปีก่อนจะหลุดออกจากขอบเขต และออเดอร์ในเดือนกันยายนปีนี้ — ซึ่งสำหรับลูกค้าบางคนอาจไม่มีเลย — จะเป็นรายการใหม่เพียงส่วนเดียวที่ถูกเพิ่มเข้ามา

สำหรับลูกค้าที่เคยซื้อหลายครั้งในเดือนกันยายนของปีก่อน แต่หลังจากนั้นไม่ได้ซื้ออีก การเลื่อนหน้าต่างเวลานี้จะทำให้ออเดอร์เหล่านั้นหลุดออกจากจำนวนครั้งซื้อ และทำให้ยอดใช้จ่ายที่เกี่ยวข้องหลุดออกจากยอดรวม monetary เช่นกัน แม้ค่า recency ดิบของเขาจะไม่เปลี่ยน แต่จำนวนออเดอร์ในขอบเขตและยอดใช้จ่ายในขอบเขตลดลงแล้ว และอันดับของเขาในมิติทั้งสองเมื่อเทียบกับการกระจายตัวชุดปัจจุบันก็อาจแย่ลงได้

นี่จึงเป็นเหตุผลว่าทำไมจึงจำเป็นอย่างยิ่งที่จะต้องบันทึกไว้เสมอว่าแต่ละรันวิเคราะห์ใช้ช่วงเวลาใด หากคุณกำลังเปรียบเทียบคะแนนจากรันหนึ่งกับคะแนนจากรันถัดมา แล้วหน้าต่างเวลาถูกเลื่อน คุณไม่ได้กำลังวัดกิจกรรมในช่วงเวลาเดียวกัน การเปลี่ยนแปลงของคะแนนอาจสะท้อนเพียงแค่เส้นแบ่งทางบัญชีที่เลื่อนผ่านกลุ่มออเดอร์เก่าเท่านั้น ดังที่คู่มือการตั้งค่า RFM ฉบับหนึ่งอธิบายไว้ว่า frequency และ monetary value ต้องอาศัยช่วงเวลาวิเคราะห์ที่กำหนดไว้ และเมื่อช่วงเวลานั้นเปลี่ยน ออเดอร์และยอดใช้จ่ายที่อยู่ในขอบเขตก็เปลี่ยนตาม โดยไม่เกี่ยวกับการซื้อใหม่

อ้างอิง: RFM Analysis: Definition and Segmentation Guide — Shopify · RFM Analysis: A Data-Driven Approach to Customer Segmentation — HubSpot

เช็กลิสต์สำหรับวินิจฉัย ก่อนจะสรุปว่าพฤติกรรมลูกค้าเปลี่ยนไปแล้ว

ก่อนจะสรุปว่าการเปลี่ยนของคะแนน RFM สะท้อนการเปลี่ยนแปลงจริงในพฤติกรรมการซื้อของลูกค้า — และยิ่งก่อนจะเริ่มแคมเปญ win-back หรือยกระดับไปเป็นการโทรติดตามเพื่อรักษาลูกค้า — ควรไล่เช็กตามรายการต่อไปนี้ตามลำดับ แต่ละข้อถูกออกแบบมาเพื่อคัดสาเหตุเชิงกลไกออกก่อน แล้วค่อยยอมรับคำอธิบายเชิงพฤติกรรม

ข้อแรก ยืนยันวันที่อ้างอิงที่ใช้คำนวณ recency ทั้งในภาพก่อนและภาพหลัง หากวันที่อ้างอิงเลื่อนไป ค่า recency ดิบของลูกค้าทุกคนที่ไม่ได้ซื้อในช่วงระหว่างนั้นก็จะเพิ่มขึ้นตาม

ข้อที่สอง ยืนยันช่วงเวลาวิเคราะห์ โดยเฉพาะวันที่เริ่มต้นและสิ้นสุดที่ใช้คำนวณ frequency และ monetary totals ในทั้งสองภาพ หากช่วงเวลาถูกเลื่อน ให้ระบุให้ได้ว่าออเดอร์ใดของลูกค้าคนนั้นเพิ่งถูกนับเข้ามา หรือหลุดออกจากขอบเขต

ข้อที่สาม เทียบจำนวนวันนับจากการซื้อ จำนวนออเดอร์ไม่ซ้ำ และยอดใช้จ่ายในช่วงข้อมูล หากค่าดิบเหล่านี้และวันอ้างอิงเหมือนกัน ประวัติการซื้อของลูกค้าคนนี้ไม่ได้ต่างออกไปในการเปรียบเทียบนี้ ให้ตรวจการกระจายของคนอื่นและกติกาคะแนนก่อนระบุสาเหตุของรหัสที่เปลี่ยน ค่าดิบเท่ากันเพียงอย่างเดียวไม่ได้ตัดการเปลี่ยนธรรมเนียม วิธีจัดการค่าที่เท่ากัน หรือการแก้ข้อมูลนำเข้าออกไป

ข้อที่สี่ เทียบลูกค้าที่ถูกนับรวมจริงควบคู่กับนิยามฐานและตัวกรอง ชื่อตัวกรองเหมือนกันไม่ได้แปลว่าสมาชิกเหมือนกัน เพราะลูกค้าใหม่อาจเข้าเกณฑ์เดิมได้ บันทึกว่าใครเข้าหรือออกและตรวจเส้นแบ่งที่ได้ ฐานที่เปลี่ยนอาจเปลี่ยนบางอันดับ แต่ไม่ได้รับประกันว่าทุกเส้นแบ่งหรือคะแนนทุกคนต้องขยับ

ข้อที่ห้า ยืนยันว่าคะแนนที่กำลังนำมาเทียบกันผลิตจากเวอร์ชันเครื่องมือเดียวกัน และใช้ธรรมเนียมการให้คะแนนแบบเดียวกัน การเอาคะแนนแบบควอร์ไทล์ของ CasperBrain ที่ 1 คือดีที่สุด ไปเทียบกับคะแนนจากอีกแพลตฟอร์มที่ใช้สเกล 5 ระดับและให้ 5 คือดีที่สุด จะทำให้การเปรียบเทียบไม่มีความหมาย

ใช้รายการตรวจเหล่านี้เพื่อระบุว่าสิ่งใดเปลี่ยนในการวัด แล้วตรวจวันซื้อจริงและช่วงห่างการซื้อปกติของลูกค้าก่อนตัดสินใจว่าควรติดตามหรือไม่ รหัสที่เปลี่ยนหรือจำนวนวันที่ผ่านไปมากขึ้นเพียงอย่างเดียวไม่ได้ยืนยันว่าลูกค้าห่างหาย สาเหตุของเรื่องนั้น หรือความจำเป็นต้องทำแคมเปญ

ธรรมเนียมการให้คะแนนแบบควอร์ไทล์ของ CasperBrain และความหมายในการใช้งานจริง

หมายเหตุผลิตภัณฑ์ CasperBrain แยกจากแหล่งผู้ให้บริการทั่วไปที่อ้างในส่วนอื่น: CasperBrain ใช้ 4 ควอร์ไทล์สำหรับแต่ละมิติของ RFM คะแนน 1 คือควอร์ไทล์ที่ดีที่สุด — ไม่ว่าจะเป็นกลุ่มที่ซื้อมาไม่นานที่สุด ซื้อบ่อยที่สุด หรือใช้จ่ายสูงที่สุด ส่วนคะแนน 4 คือควอร์ไทล์ที่แย่ที่สุด โดย composite จะแสดงเป็นข้อความเสมอ เช่น '114' ซึ่งตัวอักษรตัวแรกคือ recency ตัวที่สองคือ frequency และตัวที่สามคือ monetary value ดังนั้นสตริง '114' จึงหมายถึงลูกค้าที่อยู่ในควอร์ไทล์ที่ดีที่สุดด้าน recency ควอร์ไทล์ที่ดีที่สุดด้าน frequency และควอร์ไทล์ที่แย่ที่สุดด้าน monetary value

นี่ไม่ใช่ตัวเลขที่ควรนำมาบวกหรือหาเฉลี่ยแบบเลขคณิตทั่วไป composite แบบ '114' และ composite แบบ '411' มีตัวเลขชุดเดียวกันก็จริง แต่กำลังอธิบายลูกค้าคนละแบบโดยสิ้นเชิง ต้องอ่านความหมายของแต่ละตำแหน่งแยกกัน

สำหรับคะแนนที่นำเข้าจากที่อื่น ให้เก็บสเกล ทิศทาง และความหมายองค์ประกอบตามเอกสารเครื่องมือต้นทาง สเกลที่ระดับสูงสุดคือดีที่สุดไม่สามารถอ่านด้วยธรรมเนียม 1 ดีที่สุดของ CasperBrain หากไม่มีเอกสาร ความหมายรหัสยังไม่ทราบ ต้องตรวจให้ชัดก่อนเลือกรายชื่อลูกค้าหรือมอบหมายการกระทำ

ทำไมคะแนนที่ลดลงจึงไม่ได้แปลว่าเสี่ยงหลุดหายเสมอไป

คะแนน RFM ที่ลดลงอาจเป็นสัญญาณว่าลูกค้ามีความเสี่ยงจะหายไป โดยเฉพาะเมื่อผู้ซื้อประจำหยุดสั่งซื้อ แต่ลำดับก็อาจลดลงได้เช่นกันเมื่อมีลูกค้าคนอื่นกลับมาเคลื่อนไหวมากขึ้น คะแนนที่ต่ำหรือคะแนนที่ลดลงเพียงอย่างเดียวจึงยังบอกไม่ได้ว่าการซื้อหยุดลงเพราะอะไร และยังแยกไม่ออกระหว่างลูกค้าที่ห่างหายไปจริง กับลูกค้าที่เพียงถูกแซงอันดับโดยกลุ่มลูกค้าที่แอ็กทีฟกว่า โดยพื้นฐานแล้ว RFM เป็นการจัดอันดับเชิงเปรียบเทียบภายในฐานลูกค้าปัจจุบัน ไม่ใช่คำอธิบายสาเหตุของพฤติกรรมลูกค้าโดยตรง

ในการเปรียบเทียบ R แบบวันคงที่สมมติ คุณบุญมีมีวันซื้อเดิมและ recency ดิบ 28 วันเหมือนกันทั้งสองรอบ สมมติให้เส้นบน Q1 เปลี่ยนจาก 30 เป็น 20 วันเมื่อการกระจายของคนอื่นเปลี่ยน ขณะที่เส้นบน Q2 คงที่ 60 วันและธรรมเนียมคะแนนเดิม รอบแรกเขาได้ R = 1 เพราะ 28 ≤ 30 แล้วได้ R = 2 เพราะ 20 < 28 ≤ 60 เส้นเหล่านี้เป็นข้อมูลตั้งต้นสมมติเพื่อสอน ไม่ได้คำนวณจากข้อมูลลูกค้าที่ส่งมา วันซื้อของเขาไม่เปลี่ยน ตัวอย่างไม่ได้กำหนดคะแนน F หรือ M และไม่ได้ยืนยันว่าลูกค้าหายไป

สำหรับคุณชนิดาในตัวอย่างสมมติ ให้วันซื้อเดิมคงที่แต่เลื่อนวันอ้างอิงรอบสองไป 30 วัน recency ดิบจึงเพิ่มจาก 28 เป็น 58 วัน กรณีนี้แสดงเฉพาะเวลาที่ผ่านไป ไม่ได้คำนวณหรือกำหนดควอร์ไทล์ R สัมพัทธ์ และไม่ได้ให้คะแนน F/M หากอันดับสัมพัทธ์เปลี่ยน ต้องตรวจการกระจายของคนอื่นและข้อมูลที่ใช้ให้คะแนน กรณีวันคงที่ของคุณบุญมีกับกรณีวันเลื่อนของคุณชนิดาตอบคนละคำถาม ทั้งคู่ไม่ได้อธิบายเหตุที่ยังไม่ซื้อหรือว่าการติดต่อจะช่วยหรือไม่ และ RFM ไม่ได้วัดกำไร

อ้างอิง: RFM Analysis: Definition and Segmentation Guide — Shopify SG · RFM Analysis: Definition and Segmentation Guide — Shopify

ขั้นตอนที่ควรทำเมื่อเห็นคะแนนเปลี่ยนแบบไม่คาดคิด

เมื่อคุณสังเกตเห็นคะแนนเปลี่ยนไปแบบน่าแปลกใจ ให้เริ่มจากเปิดประวัติการซื้อของลูกค้าแล้วอ่านค่าดิบโดยตรง ใน CasperBrain คุณสามารถส่งออกไฟล์ CSV ลูกค้าตามสิทธิ์ที่ได้รับอนุญาต โดยฟิลด์ที่มองเห็นได้จะขึ้นกับระดับสิทธิ์ของคุณ เพื่อใช้ตรวจดูข้อมูลพื้นฐานที่มีอยู่และเปรียบเทียบกับไฟล์ส่งออกของช่วงก่อนหน้า ควรตรวจดูก่อนว่าไฟล์ส่งออกของคุณมีฟิลด์อะไรบ้าง ก่อนจะใช้มันสำหรับการเปรียบเทียบนี้

จากนั้นตรวจว่าช่วงข้อมูลที่ใช้วิเคราะห์เหมือนกันระหว่างสองรอบหรือไม่ หากคุณเปลี่ยนช่วงข้อมูล เช่น สลับจากหน้าต่างย้อนหลัง 12 เดือนแบบเลื่อนต่อเนื่อง ไปเป็นหน้าต่างตามปีปฏิทินกลางปี เพียงปัจจัยนี้อย่างเดียวก็ทำให้คะแนนของลูกค้าทุกคนในฐานข้อมูลขยับได้ เพราะออเดอร์และยอดใช้จ่ายที่ถูกนับอยู่ในขอบเขตการวิเคราะห์อาจเปลี่ยนไป

หากค่าดิบของลูกค้าที่ดู ช่วงออเดอร์ และวันอ้างอิงตรงกัน ให้เทียบสมาชิกฐานจริงและประวัติของคนอื่น ไม่ใช่ดูเพียงชื่อตัวกรอง แคมเปญอาจเพิ่มผู้ซื้อใหม่ที่เพิ่งซื้อ แต่นั่นเป็นสมมติฐานที่ต้องตรวจจากข้อมูล snapshot และเส้นแบ่ง ตรวจธรรมเนียมคะแนนและการแก้ข้อมูลด้วยก่อนระบุคำอธิบายเดียวของคะแนนที่เปลี่ยน

หลังตรวจข้อมูลที่ใช้วัดแล้ว ให้เทียบช่วงห่างการซื้อจริงกับช่วงห่างในอดีตของลูกค้า การเพิ่มจาก 28 เป็น 58 วันที่ผ่านไปอาจเป็นเพียงวันอ้างอิงที่เลื่อนไปและวงจรซื้อปกติ ไม่ได้ยืนยันว่าเสียลูกค้า เลือกการติดตามจากประวัติและบริบทที่ตรวจแล้ว คะแนนเพียงอย่างเดียวไม่ได้รองรับการส่ง win-back หรือพิสูจน์ว่าการติดต่อจะเปลี่ยนผลลัพธ์

การเปรียบเทียบคะแนนข้ามแพลตฟอร์ม และความเสี่ยงจากการใช้คนละมาตรฐาน

วิธีให้คะแนนแตกต่างกันไปในแต่ละแพลตฟอร์ม: เครื่องมือหนึ่งอาจใช้สเกล 1 ถึง 5 ในขณะที่อีกเครื่องมือใช้ 1 ถึง 3 และทิศทางของสเกลก็อาจต่างกันด้วย นั่นหมายความว่าคะแนนที่ส่งออกจากระบบหนึ่งแล้วนำไปอ่านในอีกระบบหนึ่ง อาจทำให้เข้าใจผิดอย่างร้ายแรงได้ หากไม่ได้ตรวจเอกสารอธิบายของทั้งสองเครื่องมืออย่างรอบคอบ

ความเสี่ยงที่พบได้จริงคือ เมื่อทีมหนึ่งใช้ CasperBrain เพื่อวิเคราะห์และส่งออกรายชื่อลูกค้าเซกเมนต์ไปใช้งานต่อ จากนั้นพยายามนำรายชื่อนั้นไปเทียบกับคะแนนจากอีกแพลตฟอร์มที่อีกทีมหนึ่งในธุรกิจใช้อยู่ หากทั้งสองระบบให้คะแนนลูกค้าชุดเดียวกัน แต่ใช้คนละมาตรฐานและคนละช่วงข้อมูล รหัสคะแนนรวมก็จะไม่ตรงกัน และลำดับความสำคัญที่ตีความได้ก็จะไม่ตรงกันด้วย

ค่าดิบเป็นจุดเริ่มต้นที่ปลอดภัยกว่าก็ต่อเมื่อนิยามและขอบเขตตรงกัน ก่อนเทียบจำนวนวัน ออเดอร์ไม่ซ้ำ หรือยอดใช้จ่าย ต้องจัดวันอ้างอิงและเขตเวลา การระบุตัวลูกค้าและแยกซ้ำ กติกาออเดอร์ การคืนเงินหรือยกเลิก สกุลเงิน และช่วงออเดอร์ให้ตรงกัน หากขาดนิยาม ยังสรุปว่าเทียบกันได้ไม่ได้ แหล่งผู้ให้บริการส่วนนี้อธิบายคะแนนที่ขึ้นกับโมเดล ส่วนรายการตรวจความตรงกันเป็นเหตุผลเชิงปฏิบัติการของคู่มือ เก็บรหัสรวมกับเครื่องมือต้นทาง ธรรมเนียม ช่วงข้อมูล และ snapshot เดิม

อ้างอิง: RFM Analysis: Definition and Segmentation Guide — Shopify · Customer Scoring Models: Types and How to Build One — Shopify

สรุป: 3 คำถามที่ควรถามทุกครั้งเมื่อคะแนนเปลี่ยน

รหัส RFM เป็นอันดับสัมพัทธ์ภายใต้ฐานลูกค้า วันอ้างอิง ช่วงออเดอร์ และธรรมเนียมคะแนนที่ระบุไว้ ลูกค้าที่กำลังดูไม่จำเป็นต้องมีออเดอร์ใหม่เพื่อให้รหัสเปลี่ยน ให้เทียบสามส่วนก่อน คือวันอ้างอิงของ recency ดิบ การกระจายและสมาชิกฐานที่ใช้เทียบ และออเดอร์ที่อยู่ในช่วง F/M การเพิ่มจำนวนวันเท่ากันให้ทุกคนรักษาลำดับไว้เมื่อข้อมูลส่วนอื่นและกติกาคงเดิม

ก่อนลงมือทำ ให้ถามว่าค่าดิบใดเปลี่ยนและใช้วันอ้างอิงใด คนรอบข้าง สมาชิกฐาน หรือออเดอร์ในช่วงใดเปลี่ยน และใช้ธรรมเนียมกับกติกาคะแนนเดิมหรือไม่ คำถามเหล่านี้ช่วยแยกคำอธิบายที่เป็นไปได้จากการวัด แต่ไม่ได้พิสูจน์ว่าความต้องการลูกค้าเปลี่ยน หรือว่าควรทำแคมเปญใดแคมเปญหนึ่ง

ใช้คะแนนเป็นตัวชี้ให้ทบทวนประวัติการซื้อ ไม่ใช่คำตัดสิน ช่วงห่างที่นานผิดจากวงจรในอดีตของลูกค้าอาจควรตรวจต่อ แต่รหัสไม่ได้บอกเหตุหรือรับประกันว่าแคมเปญจะย้อนแนวโน้มนั้นได้ จับคู่ข้อมูลลงวันที่กับบริบทสินค้าและลูกค้าที่เกี่ยวข้องก่อนเลือกการกระทำถัดไป

แหล่งข้อมูลและวิธีจัดทำ

ตัวอย่างในบทความเป็นข้อมูลสมมติ ไม่มีข้อมูลลูกค้าจริง บทความจัดทำโดยทีม CasperBrain โดยใช้ AI ช่วยร่าง ตรวจข้อเท็จจริงและภาษาก่อนเผยแพร่

• RFM Analysis: Definition and Segmentation Guide — Shopify
• RFM Analysis: Definition and Segmentation Guide — Shopify SG
• RFM Analysis: A Data-Driven Approach to Customer Segmentation — HubSpot
• Customer Scoring Models: Types and How to Build One — Shopify