phương pháp phân tích dữ liệu trực tuyến có thể sử dụng dành cho FE Credit

Bằng cách sử dụng các phần mềm chuyên dụng để tìm kiếm các quy luật, các mẫu, thông tin có giá trị, mối tương quan tiềm ẩn trong khối lượng lớn dữ liệu, công ty có thể tìm hiểu thêm về k

Môn học: Marketing điện tử

BÀI TẬP THẢO LUẬN 3 Những phương pháp phân tích dữ liệu trực tuyến có thể sử dụng dành cho FE Credit là:

Ở đây nhóm cảm thấy có 3 phương pháp phù hợp dành cho FE Credit

Khái phá dữ liệu: Theo Investopedia, Data mining (khai phá dữ liệu) là một quá trình

được các công ty sử dụng để biến dữ liệu thô thành những thông tin hữu ích Bằng cách

sử dụng các phần mềm chuyên dụng để tìm kiếm các quy luật, các mẫu, thông tin có giá trị, mối tương quan tiềm ẩn trong khối lượng lớn dữ liệu, công ty có thể tìm hiểu thêm về khách hàng của mình để phát triển các chiến lược hiệu quả hơn, tăng doanh số và giảm chi phí Ngày nay, khi Big Data nổi dậy, và tác động đến mọi ngành, lịnh vực thì các công cụ, phương pháp data mining ngày càng được ứng dụng rộng rãi và nhu cầu cải tiến ngày càng cao để có thể bắt kịp khả năng tính toán, tốc độ phân tích, khối lượng dữ liệu,

sự đa dạng của Big Data Do đó, data mining tuy cũ nhưng vẫn rất mới và lạ lẫm đối với

các công ty đang bắt đầu tiếp cận Big Data Công ty tài chính FE Credit đang ứng dụng

khai phá dữ liệu để phân tích mọi vấn đề từ tối ưu giá cả, chương trình khuyến mãi, nhân khẩu học đến phân khúc khách hàng, rủi ro, cạnh tranh, marketing đến truyền thông xã hội - ảnh hưởng đến mô hình kinh doanh, mối quan hệ với khách hàng, doanh thu, và hoạt động của toàn bộ tổ chức

Tạo hồ sơ khách hàng: Việc tạo lập hồ sơ khách hàng là một cách để thu thập dữ liệu về

khách hàng hiện tại của bạn hoặc khách hàng tiềm năng mới Mục đích chính của tính năng lập hồ sơ nâng cấp là thêm thông tin vào hồ sơ khách hàng theo thời gian – mà

không làm họ áp đảo và biến chúng đi Việc lập hồ sơ được sử dụng để đánh giá các yêu cầu của khách hàng Một hồ sơ khách hàng tốt sẽ giúp bạn hoàn thành công tác bán hàng một cách thuận lợi Hồ sơ khách hàng thậm chí có thể giúp bạn đánh bại đối thủ cạnh tranh của mình Để triển khai được các sản phẩm mới và để xây dựng các chiến lược Marketing kích thích việc mua hàng, các doanh nghiệp phải nghiên cứu hành vi khách hàng thông qua tạo lập hồ sơ khách hàng qua đó hiểu rõ được nhu cầu và thị hiếu của khách hàng mục tiêu Trong suốt quá trình hoạt động trước bán hàng, hồ sơ khách hàng được sử dụng để đánh giá và xử lý các cơ hội tiềm năng một cách nhanh chóng Phương pháp này thường được sử dụng đối với các công ty bán hàng, trao đổi dịch vụ, tư vấn qua

điện thoại như Công ty FE Credit nhắm mục tiêu vào những khách hàng thân thiết,

khách hàng có tiềm năng của mình,

Những thông tin về khách hàng bao gồm:

- Những gì họ đang nói đến - CRM xã hội: Người tiêu dùng của bạn đang nói gì về sản phẩm của bạn trên các phương tiện truyền thông? Tình cảm người tiêu dùng dành cho sản phẩm của bạn là tích cực hay tiêu cực?

- Những gì họ đang mua - Purchase history: Sản phẩm cuối cùng mà người tiêu dùng mua

từ bạn là gì? Họ có thường xuyên mua hàng của bạn hay không? Sản phẩm họ thích nhất

là gì? Ai là những khách hàng mua nhiều và mua ít?

- Những gì họ đang làm - Brand interaction history: Họ sử dụng các ứng dụng điện thoại của bạn như thế nào? Mức độ sử dụng có thường xyên không? Họ có hay truy cập vào trang web của bạn không? Thời gian mà họ quan tâm đến thương hiệu bạn nhiều hay ít?

- Những gì họ đang thích - Social interest graph: Họ có chia sẻ những lợi ích của sản phẩm trên các phương tiện truyền thông xã hội hay bạn bè không?

Phân tích RFM (Recency, Frequency, Monetary value): Phân tích RFM là một

phương pháp tuyệt vời để xác định các nhóm khách hàng để có những đãi ngộ đặc biệt Tìm hiểu làm thế nào để sử dụng phương pháp này để cải thiện tiếp thị khách hàng của bạn Phân tích RFM cho phép các nhà tiếp thị nhắm mục tiêu vào các nhóm khách

hàng cụ thể với các thông tin liên lạc phù hợp hơn với hành vi cụ thể của họ - và do đó tạo ra tỷ lệ phản hồi cao hơn nhiều, cộng với sự trung thành và giá trị trọn đời của khách hàng Giống như các phương pháp khác, phân tích RFM là một cách mạnh mẽ để xác định các nhóm khách hàng để được đãi ngộ đặc biệt RFM là viết tắt của lần truy cập gần đây, tần suất và tiền tệ - nói thêm về từng loại trong số này

FE Credit cần dữ liệu rộng rãi về khách hàng hiện tại của họ - chẳng hạn như lịch sử

mua hàng, lịch sử duyệt web, mẫu phản hồi và nhân khẩu học trước đây - có thể được sử dụng để xác định các nhóm khách hàng cụ thể có thể được giải quyết với các ưu đãi phù

hợp với từng nhóm

Mặc dù có vô số cách để thực hiện những phân tích RFM phổ biến vì ba lý do: + Nó sử dụng các thang đo khách quan, số mang lại sự mô tả cao cấp ngắn gọn và nhiều thông tin về khách hàng

+ Thật đơn giản - các nhà tiếp thị có thể sử dụng nó một cách hiệu quả mà không cần các nhà khoa học dữ liệu hoặc phần mềm tinh vi

+ Nó trực quan - đầu ra của phương pháp phân tích này là dễ hiểu và giải thích Lần truy cập gần đây, tần suất và tiền tệ là gì? Hiểu rõ kỹ thuật phân tích RFM là ý tưởng rằng các nhà tiếp thị có thể có được sự hiểu biết sâu rộng về khách hàng của họ bằng cách phân tích ba yếu tố định lượng Đó là:

+ Lần truy cập gần đây: Đã bao nhiêu thời gian kể từ khi hoạt động hoặc giao dịch cuối cùng của khách hàng với thương hiệu? Hoạt động thường là mua hàng, mặc dù các biến thể đôi khi được sử dụng, ví dụ: lần truy cập cuối cùng vào trang web hoặc sử dụng ứng dụng di động Trong hầu hết các trường hợp, gần đây khách hàng đã tương tác hoặc giao dịch với một thương hiệu, khách hàng càng có nhiều khả năng đáp ứng các thông tin liên lạc từ thương hiệu

+ Tần suất : Tần suất khách hàng giao dịch hoặc tương tác với thương hiệu trong một khoảng thời gian cụ thể như thế nào? Rõ ràng, khách hàng với các hoạt động thường

xuyên tham gia nhiều hơn và có thể trung thành hơn so với những khách hàng hiếm khi làm như vậy Và khách hàng một lần duy nhất ở trong một lớp học của riêng họ

+ Tiền tệ : Còn được gọi là giá trị tiền tệ của Drake, yếu tố này phản ánh số tiền

mà khách hàng đã chi cho thương hiệu trong một khoảng thời gian cụ thể Những người chi tiêu lớn thường nên được đối xử khác biệt so với những khách hàng chi tiêu ít Nhìn vào tiền tệ chia theo tần suất cho thấy số tiền mua trung bình - một yếu tố phụ quan trọng cần xem xét khi phân khúc khách hàng

Sau đây là cách thực hiện từng bước phân tích RFM

(Lưu ý rằng với sự trợ giúp của phần mềm, phân đoạn RFM - cũng như các loại phân đoạn tinh vi hơn khác - có thể được thực hiện tự động, với kết quả chính xác hơn.)

Bước 1

Bước đầu tiên trong việc xây dựng mô hình RFM là gán các giá trị Lần truy cập, Tần suất và Tiền tệ cho mỗi khách hàng Dữ liệu thô để thực hiện việc này, có sẵn trong

cơ sở dữ liệu CRM hoặc giao dịch của công ty, có thể được biên dịch trong bảng tính hoặc cơ sở dữ liệu Excel:

+ Thời gian truy cập đơn giản là lượng thời gian kể từ giao dịch gần đây nhất của khách hàng (hầu hết các doanh nghiệp sử dụng ngày, mặc dù đối với những người khác, việc sử dụng hàng tháng, tuần hoặc thậm chí hàng giờ có thể có ý nghĩa)

+ Tần suất là tổng số giao dịch được thực hiện bởi khách hàng (trong một khoảng thời gian xác định)

+ Tiền tệ là tổng số tiền mà khách hàng đã chi cho tất cả các giao dịch (trong một khoảng thời gian xác định)

Bước 2

Bước thứ hai là chia danh sách khách hàng thành các nhóm theo từng cấp cho ba chiều (R, F và M), sử dụng Excel hoặc công cụ khác Trừ khi sử dụng phần mềm chuyên

dụng, bạn nên chia khách hàng thành bốn tầng cho mỗi thứ nguyên, sao cho mỗi khách hàng sẽ được chỉ định cho một cấp trong mỗi thứ nguyên:

R-Tier-1 (gần đây nhất) F-Tier-1 (thường xuyên nhất) M-Tier-1 (chi tiêu cao nhất)

R-Tier-4 (ít nhất gần đây) F-Tier-4 (chỉ một giao dịch) M-Tier-4 (chi tiêu thấp nhất)

Điều này dẫn đến 64 phân khúc khách hàng riêng biệt (4x4x4), trong đó khách hàng sẽ được phân khúc Ba tầng cũng có thể được sử dụng (kết quả là 27 đoạn); tuy nhiên, không nên sử dụng nhiều hơn bốn (vì khó sử dụng vượt trội hơn lợi ích nhỏ từ mức độ chi tiết thêm)

Như đã đề cập ở trên, các cách tiếp cận thủ công hơn và ít thủ công hơn - như phân tích cụm k-nghĩa - có thể được thực hiện bằng phần mềm, dẫn đến các nhóm khách hàng có các đặc điểm đồng nhất hơn

Bước 3

Bước thứ ba là chọn các nhóm khách hàng sẽ gửi các loại thông tin liên lạc cụ thể, dựa trên các phân đoạn RFM mà họ xuất hiện

Nó rất hữu ích để gán tên cho các phân đoạn quan tâm Đây chỉ là một vài ví dụ để minh họa:

+ Khách hàng tốt nhất - Nhóm này bao gồm những khách hàng được tìm thấy trong R-Tier-1, F-Tier-1 và M-Tier-1, nghĩa là họ giao dịch gần đây, thường xuyên làm như vậy và chi tiêu nhiều hơn các khách hàng khác Một ký hiệu rút gọn cho phân đoạn này là 1-1-1; chúng ta sẽ sử dụng ký hiệu này trong tương lai

+ Khách hàng mới chi tiêu cao - Nhóm này bao gồm những khách hàng đó trong 1-4-1 và 1-4-2 Đây là những khách hàng chỉ giao dịch một lần, nhưng rất gần đây và họ

đã chi tiêu rất nhiều

+ Khách hàng trung thành tích cực chi tiêu thấp nhất - Nhóm này bao gồm những khách hàng đó trong các phân đoạn 1-1-3 và 1-1-4 (họ giao dịch gần đây và thường xuyên làm như vậy, nhưng chi tiêu ít nhất)

+ Churned Khách hàng tốt nhất - Phân khúc này bao gồm những khách hàng đó trong các nhóm 4-1-1, 4-1-2, 4-2-1 và 4-2-2 (họ giao dịch thường xuyên và chi tiêu rất nhiều, nhưng đó là một thời gian dài kể từ khi họ giao dịch)

Các nhà tiếp thị nên tập hợp các nhóm khách hàng phù hợp nhất cho các mục tiêu kinh doanh và mục tiêu duy trì cụ thể của họ

Bước 4

Bước thứ tư thực sự vượt ra ngoài chính phân khúc RFM: tạo ra thông điệp cụ thể được thiết kế riêng cho từng nhóm khách hàng Bằng cách tập trung vào các mô hình hành vi của các nhóm cụ thể, RFM cho phép các nhà tiếp thị giao tiếp với khách hàng theo cách hiệu quả hơn nhiều

Một lần nữa, đây chỉ là một số ví dụ để minh họa, sử dụng các nhóm chúng tôi đặt tên ở trên:

+ Khách hàng tốt nhất - Giao tiếp với nhóm này sẽ khiến họ cảm thấy có giá trị và được đánh giá cao Những khách hàng này có thể tạo ra tỷ lệ phần trăm cao của doanh thu tổng thể một cách không cân xứng và do đó tập trung vào việc giữ cho họ hạnh phúc nên là ưu tiên hàng đầu Phân tích sâu hơn về sở thích và mối quan hệ cá nhân của họ sẽ cung cấp thêm cơ hội cho việc nhắn tin cá nhân hơn nữa

+ Khách hàng mới chi tiêu cao - Luôn luôn là một ý tưởng tốt để nuôi dưỡng tất cả các khách hàng mới, nhưng vì những khách hàng mới này đã chi tiêu rất nhiều cho lần mua hàng đầu tiên của họ, điều đó thậm chí còn quan trọng hơn Giống như với nhóm

Khách hàng tốt nhất, điều quan trọng là làm cho họ cảm thấy có giá trị và được đánh giá cao - và cung cấp cho họ những ưu đãi tuyệt vời để tiếp tục tương tác với thương hiệu

+ Khách hàng trung thành chi tiêu thấp nhất - Những khách hàng lặp lại này là những người hoạt động và trung thành, nhưng họ là những người chi tiêu thấp Các nhà tiếp thị nên tạo các chiến dịch cho nhóm này khiến họ cảm thấy có giá trị và khuyến khích họ tăng mức chi tiêu của họ Là khách hàng trung thành, họ cũng thường trả tiền để thưởng cho họ những ưu đãi đặc biệt nếu họ truyền bá về thương hiệu cho bạn bè của họ,

ví dụ, qua mạng xã hội

+ Churned Khách hàng tốt nhất - Đây là những khách hàng có giá trị đã ngừng giao dịch từ lâu Mặc dù thường gặp khó khăn trong việc thu hút lại các khách hàng bị đảo lộn, nhưng giá trị cao của những khách hàng này khiến nó đáng để thử Giống như với nhóm Khách hàng tốt nhất, điều quan trọng là liên lạc với họ trên cơ sở sở thích cụ thể của họ, như được biết từ dữ liệu giao dịch trước đó

Tất nhiên, quyết định nhóm khách hàng nào cần nhắm mục tiêu và làm thế nào để giao tiếp tốt nhất với họ là nơi nghệ thuật tiếp thị xuất hiện!

Tuy nhiên, nên cẩn thận với phương pháp RFM và mô hình RFM

RFM là một phương pháp đơn giản và mạnh mẽ để phân khúc khách hàng Tuy nhiên, thực tế là mô hình RFM chỉ xem xét ba yếu tố cụ thể (mặc dù các yếu tố quan trọng) có nghĩa là phương pháp có thể loại trừ các biến khác tương đương hoặc quan trọng hơn (ví dụ: sản phẩm được mua, phản hồi chiến dịch trước, chi tiết nhân khẩu học)

Ngoài ra, RFM về bản chất là một phương pháp lịch sử : nó xem xét hành vi của khách hàng trong quá khứ có thể hoặc không thể chỉ ra chính xác các hoạt động, sở thích

và phản hồi trong tương lai Các kỹ thuật phân khúc khách hàng tiên tiến hơn dựa trên các công nghệ phân tích dự đoán có xu hướng chính xác hơn nhiều trong việc dự đoán hành vi của khách hàng trong tương lai