CRM 팁 : RFM 고객 세분화 빠르게 시작하기(1)
chat gpt를 활용해서 RFM 고객 세분화로 CRM 전략세우기
CRM은 전략이다
CRM 마케팅에서 후킹하는 컨텐츠로 고객의 시선을 끄는 것도 중요하지만, 더 중요한 것은 전체적인 관점에서 전략을 세우는 일이다. CRM이 대세라고하지만 이 전략을 어디서부터 어떻게 시작해야할지 막막할 때가 많다. 나도 커리어 극초반엔 도움을 구할 곳이 없어, 정말 많은 구글링과 외국 자료들을 찾아봐야했다.
그래서 오늘글은 CRM 전략을 세우는 것을 가장 빠르게 시작하기 좋은 "고객세분화(Customer Segmentation)"와 관련된 RFM 방법론과 고객 군집화에대해 소개하려한다.실무에서 CRM 마케팅 예산 (발송비,쿠폰비용)은 늘 한정되어 있기 때문에, 내부고객 전체를 대상으로 캠페인을 진행한다면 ROI가 낮은 캠페인을 돌릴 수 밖에 없다. 그렇기에 고객을 세분화하여 집중해야할 집단과 그렇지 않은 집단을 판별하는것이 매우 중요하며 이런 방법론들을 알아가며 나만의 단서를 찾기를 바란다.
RFM 고객세분화 시작하기
이번장에선 제일 먼저 RFM 방법론에 대해 설명하고자 한다. RFM 방법론은 고객의 구매 행동을 분석하는 데 사용되는 가장 기본적이고 일반적인 방법론이다. RFM의 약자는 Recency (최근성), Frequency (빈도), Monetary (금액) 의 세 가지 주요 요소를 기반으로 한다.각 요소의 정의에 대해 아래처럼 정리해봤다.
RFM 구분필요에 따라서 3가지 변수를 모두 사용할수도 있고, 상관성이 높다면 한가지 요소를 제외시켜 2가지 요소만 사용할 때도 있다. 예를들어 빈도가 높을 수록 지불금액이 높다는 상관성이 발견된다면, RFM 모두를 고려하기보다 R과 F만을 가지고 고객을 구분한다.
RFM 분석을 하면 좋은 점
아래는 RFM 중에서 R과 F를 이용하여 2차원으로 사용자를 세분화한 것이다. 1번과 2번의 경우우 신규고객을 단골고객이나 안정 고객으로 만들기 위해, 신규 대상 무료 배송 쿠폰이나 구매 횟수별 쿠폰을 제공한다. 혹은 첫 구매 후 감사인사를 보내는 것도 좋은 방법 중 하나이다.
3번과 4번의 경우 고객이 보유한 포인트 잔고를 통지해보거나, 고객의 선호도가 높을 것 같은 제품들을 이메일이나 LMS등으로 추천하는 액션을 함으로서 이탈하지 않고 계속해서 구매하는 전략을 취할 수도 있다.
마지막으로 단골/안정 이탈은 최근성이 매우 떨어져 마케팅 메시지에 반응률이 낮을 수도 있음으로 섣불리 접근해서는 안된다. 이탈 이유에 대해 설문조사를 하며 서비스 개선의 단서를 찾거나 분기별로 계획하여 파격적인 혜택을 통해 돌아오도록 하는 등 이들에겐 신중한 접근 방식이 필요할 것이다. (최근성이 매우 떨어짐으로 캠페인을 진행하더라도 발송비 ROI가 나오지 않을 것이다)
이렇게 RFM 분석을 잘하다보면 어떤 마케팅 액션을 집단별로 해야하는지가 명확해진다.
GPT로 RFM 분석 빠르게 시작하기
RFM분석을 하는 방식은 다양하게 있지만 이 글은 초보자나 CRM 마케팅 실무자가 빠르게 적용해볼 수 있도록 가장 쉽게 할 수 있도록 Chat gpt로 활용하는 방법을 소개하려 한다.
1. 실습 데이터 소개 및 다운로드
실습 데이터(이곳에서 다운)는 약 5만건의 거래 데이터이며, 더 큰 범위의 데이터는 파이썬으로 분석하는 것이 전처리 면에서 좋을 것임으로 아래 블로그를 참고하면 좋을 것 같다. Data-Driven Customer Segmentation: RFM and CLTV Analysis Using Python | by Abdullah Orzan | Medium
만약에 아래 데이터가 너무 크다면 1만 건 이하로 시작하길 추천한다.
(나의 경우 실행했을 때 2번정도 에러가 나긴 했다)
2. Chat GPT 프롬프트 공유
정말 많은 요구사항..chat gpt에게 고객 데이터 분석가라는 역할을 부여한 뒤에 아래 사항에 유의하여 rfm 프로젝트를 진행하도록 하였다. 추가한 사항은 실제 rfm 분석을 하면서 유의해야할 점들을 반영하도록 프롬프트를 작성했다.
똑똑한 chat gpt이다RFM 분석시 가장 중요한 것은 이상치와 결측치 처리와 cut-off 구간을 설정하는 것이다. 특히 이상치와 결측치 처리는 값을 왜곡 시킬 수 있기 때문에 정말 중요한데 표준편차를 보며 이상치를 Chat gpt가 확인해주고 있다. 정말 똑똑하다.
위에 처럼 3차원으로 표현해줘 라고 말하면 이렇게 표현해준다. 멋있지만 실제로 잘 보는 그래프는 아님을 참고하자.
3. 고객 프로파일링 및 액션아이템 구체화
아래는 실제로 RFM 스코어링 이후 고객 세그멘테이션을 나눈 모습이다. 각 집단을 나누고 어떤 프로그램을 운영하면 좋은지도 대략적으로 표현하고 있다 .
데이터를 다운받아서 엑셀로 확인해보았다. 각 집단별 숫자와 평균 RFM 변수들을 확인할 수 있었다. potentail loyalty 그룹이 규모도 크고 moneytary도 높으며 recency도 new customer와 크게 차이 나지 않음으로 이 대상자들을 champion으로 만들기위해 별도의 쿠폰 캠페인을 기획할 것 같다.
약간의 어설픈 부분이 보이긴 하지만 위와 같은 프롬프트로 가볍고 빠르게 고객 분석을 시작할 수 있다.
현업에서 사용해서 빠르게 적용해보고 어느정도 유의성이 보이면 데이터 분석가에게 협업요청을 해서 전사적인 기준을 만드는 것도 좋을 것 같다.
4. RFM의 한계점
RFM의 한계점은 너무 명확하다. 구매행동에 대해서 분석을 한 나머지 고객의 선호와 취향적 측면은 확인할 수 없다는 점이다. 즉 같은 집단에 속해있을지라도 선호하는 카테고리나 취향이 다를 수있는데 그 점을 표현하지 못한다. 또한 마케팅을 해야하는 마케터 입장에서 더 뾰족하게 고객에 대해 알고 있어야 하는데, RFM 분석을 통해서는 알지못한다. 이때 도움이 되는 것은 고객 취향 분석 즉 고객을 군집화하여 어떤 카테고리를 좋아하는지 알아보는 것이다. 다음 장에서 해당 내용에 대해 다뤄 보겠다.
