유통 데이터를 활용한 리텐션과 RFM 분석(4)

 

드디어 유통 데이터 분석의 마지막 내용입니다. 

 

분석 목적 3번인 RFM 분석을 진행해 보겠습니다. 

- 시간의 흐름에 따라 매출, 주문 고객수, 주문 단가의 추이는 어떻게 달라지는가?

- 리텐션 분석: 시간의 흐름에 따라 고객이 얼마나 남고 이탈했는가?

- RFM 분석 : 고객 행동에 따라 고객을 유형화하기

 

---

 

6. RFM 분석

 

RFM 분석은 고객의 가치를 평가하고 세분화하기 위해 사용하는 방법입니다. RFM은 Recency(최근성), Frequency(빈도), Monetary(금액)의 약자로, 각각 고객의 구매 활동을 기반으로 한 세 가지 중요한 지표를 나타냅니다.

 

- Recency(최근성): 고객이 마지막으로 구매한 시점으로부터 얼마나 시간이 지났는지를 측정. 최근에 구매한 고객일수록 다시 구매할 가능성이 높다고 판단.

- Frequency(빈도): 고객이 일정 기간 동안 얼마나 자주 구매했는지를 나타냄. 빈번하게 구매하는 고객은 브랜드에 대한 충성도가 높은 가능성이 크다고 판단.

- Monetary(금액): 고객이 일정 기간 동안 얼마나 많은 금액을 소비했는지를 측정. 높은 금액을 지출한 고객은 기업에게 중요한 고객으로 간주됨. 

 

본 분석에서 사용된 데이터의 경우, 약 1년에 해당하는 데이터이므로 recency, monetary 두 요소만을 가지고 분석을 진행하였습니다. 

 

 

 

rfm 점수를 계산하기 위해, 데이터의 마지막날을 '오늘'이라 가정하겠습니다.

today_date = max(data['date_ymd'])

 

 

그럼 '오늘'은 2011년 12월 9일이네요.

---

 

이제 rm 점수를 계산해 보겠습니다. 

우선, r을 구하기 위해서는 고객별로 마지막 결제일이 '오늘'에 얼마큼 떨어져 있는지 계산해야 됩니다.

 m을 구하기 위해서는 고객별 결제 금액의 합이 필요합니다. 이를 groupby 함수를 사용해서 계산하겠습니다.  

rfm = data.groupby('CustomerID').agg({'InvoiceDate': lambda x: (today_date - x.max()).days,
                                'amount': ['sum']})
rfm.columns = ['recency', 'monetary']
rfm

 

 

 

 

구해진 r, m 값을 등급화하겠습니다. 이번 분석에서는 각 팩터를 3등급으로 나누었습니다. 

정리하면, r의 경우 가장 최신성이 좋은 유저가 3, 낮은 유저가 1. m의 경우 구매 금액이 높은 유저가 3, 낮은 유저가 1이 되겠네요.

# 3등급으로 score 구하기
rfm['recency_score'] = pd.qcut(rfm['recency'], 3, labels= [3,2,1])
rfm['monetary_score'] = pd.qcut(rfm['monetary'], 3, labels= [1,2,3])

rfm.head(3)

 

 

 

 

 

qcut 함수를 사용하여 간단하게 recency_score와 monetary_score를 구했습니다. 

이제 이 두 score를 합쳐서 표시하겠습니다. 

rfm['rm_score'] = rfm['recency_score'].astype(str) + rfm['monetary_score'].astype(str) #문자열을 합해서 출력 
rfm.reset_index(inplace=True)
rfm.head(3)

 

 

 

 

 

groupby 함수를 사용해 rm_score별로 고객이 몇 명 속해있는지 확인해 보겠습니다.

#rm_score 별로 고객이 몇명이 속해있는지 확인
rm_score = rfm.groupby('rm_score')['CustomerID'].nunique().reset_index().rename({'CustomerID':'customer_count'},axis = 1)
rm_score

 

가장 높은 등급(33)에 많은 유저들이 속해있고

반면, 예전에 방문했는데 돈을 많이 쓴 그룹(13)의 인원이 170명으로 가장 적은 것을 확인할 수 있습니다.

 

 

 

9개로 나눠진 rm score에 대해 5개의 구간으로 나눠 임의로 네이밍 하겠습니다. 

 

- 최우수: 최신성, 구매 모두 상당히 높음

- 우수 : 최신성, 구매 모두 높음

- 구매 유도: 최신성은 높으나 구매는 낮음 → 구매를 유도해야 함

- 이탈 방지 : 구매는 높으나 최신성은 낮음 →   다시 불러 들어야 함

- 휴면: 최신성, 구매 모두 낮음  

 

#사용자 정의 함수 생성

def categorize_customer(score):
    if score == '33':
        return '최우수' 
    elif score in ['32', '23', '22']:
        return '우수' 
    elif score in ['31', '21']:
        return '구매 유도' 
    elif score in ['12', '13']:
        return '이탈 방지' 
    elif score == '11':
        return '휴면'

 

rm_score['category'] = rm_score['rm_score'].apply(categorize_customer)
rm_score

 

 

 

fig = px.treemap(data_frame= rm_score, path=['category'], values='customer_count', color_discrete_sequence=px.colors.qualitative.Pastel)
fig.show()

 

시각화 결과 우수 > 최우수 > 휴면 > 구매 유도 > 이탈 방지 유형으로 많은 것을 알 수 있습니다.

 

---

 

 

실제 현업에서는 고객을 세분화하는데 그치지 않고, 각 유형에 맞는 마케팅 전략을 제안하고 실현할 것입니다.

그렇기 때문에 저 또한 각 유형별 진행할 수 있는 마케팅 전략을 한번 생각해 봤습니다.

 

①  최우수 고객 : 최근에 높은 금액을 지출한 핵심 고객

최우수 고객을 늘리기 위해서는,

 

- 독점 혜택 제공 : 신제품 출시 시 먼저 알리거나, 한정판 상품을 먼저 구매할 수 있는 기회를 제공

- 퍼스널라이즈드(Personalized) 서비스 : 고객의 선로도를 반영한 맞춤형 서비스나 제품 추천을 통해 관계 강화

 

 

② 우수 고객: 최근에 구매했으며, 지출이 높거나 중간인 고객

우수 고객을 늘리기 위해서는,

 

- 업셀링과 크로스셀링: 고객이 자주 구매하는 상품과 관련된 제품을 제안하여 구매 금액을 높임

- 적립금 / 포인트 프로그램 : 구매 시 적립금을 제공하여 다음 구매를 유도

- 특별 할인 쿠폰 제공: 특정 기간 동안 사용할 수 있는 할인 쿠폰을 제공하여 재구매를 유도

 

 

③  구매 유도 고객: 최근에 구매했지만 지출 금액이 상대적으로 낮은 고객

구매 유도 고객을 늘리기 위해서는,

 

- 번들 상품 제안: 관련 상품을 묶어서 제공하여 고객의 평균 구매 금액을 높임

- 다양한 가격대의 제품 제안: 고객이 쉽게 접근할 수 있는 다양한 가격대의 상품을 추천

- 재구매 인센티브: 일정 금액 이상 구매 시, 추가 할인 or 사은품 증정

 

 

④ 이탈 방지 고객 : 오래전에 구매했지만, 과거에는 높은 금액을 지출했던 고객

 

이탈 방지 고객을 늘리기 위해서는,

 

- 재참여 캠페인: 오랜 기간 구매하지 않은 고객을 대상으로 특별 할인, 무료 배송 등의 혜택을 제공하여 재참여를 유도

- 개인화된 메시지: 고객의 관심사를 반영한 개인화된 이메일이나 메시지를 통해 다시 구매를 하도록 유도

- 휴면 방지 알림: 고객이 마지막으로 방문한 날짜를 기준으로 주기적인 리마인더 알림을 보내 구매를 촉진

 

 

⑤ 휴면 고객: 오래전에 구매했으며, 지출 금액이 낮은 고객

 

휴면 고객을 늘리기 위해서는,

 

- 재활성화 캠페인: 매우 큰 할인을 제공하거나 특별한 제안을 통해 고객을 재활성화

- 설문 조사: 해당 고객들을 대상으로 이탈한 이유를 알기 위해 간단한 설문 조사를 실시하고, 해당 원인을 해결할 수 있는 방안 제시

 

 

 

 

 

 

 

이것으로 유통 데이터를 이용한 RFM 분석이 끝났습니다.

지금까지 읽어주셔서 감사합니다:)