Use a análise de marketing direto do SPSS Statistics para obter insight

Transcrição

1 Use a análise de marketing direto do SPSS Statistics para obter Analise o histórico do cliente usando o RFM David Gillman Director, Services Data Sooner 05/Set/2014 Aprenda a usar o processo de análise de RFM do módulo Direct Marketing do IBM SPSS Statistics. Com esse processo, os usuários não técnicos podem analisar os dados dos clientes.este artigo é para todas as pessoas que estão começando a trabalhar com o SPSS Statistics e querem passar para a análise preditiva e, finalmente, para o Big Data em um ambiente comercial. 12 de maio de Atendendo a uma solicitação do autor, em Modelos RFM, foi atualizada a última frase do terceiro parágrafo. Em Análise de histórico usando RFM, o terceiro parágrafo foi atualizado. Introdução Dividir clientes em grupos é uma tendência natural. As empresas querem saber quem são os melhores e os piores clientes, quem tem potencial, quem é novo, etc. Os departamentos de marketing e vendas fazem isso regularmente e com frequência. O objetivo deles é empregar um esforço limitado para obter retorno máximo (neste caso, vendas). Classificar e agrupar clientes pode ser uma função inerente à natureza humana e às operações de negócios, mas o agrupamento e a classificação são objetos de estudo, discussão e prática. Um dos tipos de modelagem de segmentação integrados aos assistentes do IBM SPSS Statistics é a segmentação por recência, frequência e valor monetário (RFM). O RFM é um método comprovado e amplamente utilizado para dividir clientes em agrupamentos com base no comportamento. Uma verificação rápida da lista de clientes agrupada pela pontuação de RFM mostra quem são os melhores clientes, os maus clientes ou clientes mortos. A modelagem RFM não é a única forma de segmentar clientes, nem é necessariamente a melhor. No entanto, é um bom método de segmentar clientes. Qualquer pessoa pode entender rapidamente e utilizar com facilidade. Copyright IBM Corporation Todos os direitos reservados. Marcas Registradas Página 1 de 16

2 É útil saber de que forma os seus clientes se dividem em grupos. É possível usar essas informações para prever o comportamento dos clientes no futuro próximo. O monitoramento das mudanças das pontuações de RFM de clientes individuais é ainda mais importante. Empregando esse conhecimento, é possível mudar os processos de negócios para maximizar o ciclo de vida de um cliente. Além disso, é possível coletar todas essas informações por meio de um assistente fácil de usar no SPSS Statistics. Modelos RFM Se você não é da área de marketing, talvez nunca tenha ouvido falar da segmentação RFM. Não se preocupe, é fácil de entender: Recência Recência indica há quanto tempo o cliente fez o último pedido. Essa métrica é usada porque, em muitas situações, ficou provado que os clientes, cujo último pedido foi há muito tempo, estão muito menos propensos a comprar de você novamente, em comparação com os clientes que fizeram pedidos mais recentes. Frequência Frequência designa quantas vezes o cliente comprou de você durante a vida. Essa métrica é usada porque alguém que comprou uma vez de você é muito menos propenso a comprar novamente, em comparação com uma pessoa que comprou várias vezes. Às vezes a frequência é um pouco alterada. Depois de repassar e examinar as suas operações, é possível chegar a uma definição ligeiramente diferente de frequência. Por exemplo, é possível usar o número de pedidos por ano e não pelo tempo de vida total. Outra variante é a utilização de pedidos que excedem um determinado valor no cálculo de frequência (eliminando pedidos pequenos e o efeito que alguns clientes podem causar ao fazer vários pedidos pequenos, aumentando os custos de processamento, entrega e contas a receber). Valor monetário Valor monetário designa o valor do cliente. A maioria das análises de RFM usa a renda bruta ou o lucro líquido ao longo do tempo de vida do cliente. O critério a ser usado depende da opinião de pessoas influentes na empresa. Também existem outras formas de definir o valor monetário. O uso do lucro líquido por pedido pode mudar o resultado. A diferença na classificação do cliente entre métricas diferentes de valor monetário pode proporcionar alguns s. Depois de definir R, F, e M, vamos examinar o modelo. Pense em cada categoria (R, F ou M) como uma lista ordenada de clientes que se baseia no valor da métrica. Divida essa lista ordenada em partes iguais, normalmente três ou cinco, mas poderia ser qualquer número. Por exemplo, todos os clientes que compram com maior frequência receberão a pontuação 5 de 5; os clientes que compraram apenas uma vez terão 1 de 5. Use o mesmo sistema de classificação para as outras métricas. Sendo assim, cada cliente tem uma pontuação com três números, como 114, 352 ou 445. No caso das estatísticas padrão do SPSS, quanto mais baixo cada valor, melhor. Embora seja simples em termos de resultado, muitos setores usam modelos RFM para fazer uma segmentação rápida, mas eficiente. A modelagem RFM se originou no setor de marketing direto (por exemplo, catálogos pelo correio). Página 2 de 16

3 O equivalente moderno ao envio de catálogos pelo correio é o e-commerce. As empresas usam a modelagem RFM para enviar ofertas direcionadas e fazer com que os clientes voltem ao site e mantenham o reconhecimento do nome por . A distribuição business-to-business é outra variante que usa RFM. Aqui, o negócio pode usar o conhecimento sobre o cliente para determinar as listas de preços mais descontos para os clientes mais ativos e de maior valor. A recência também pode ser usada para ver rapidamente quando clientes bons param de comprar e preparar uma oferta para que eles voltem. Análise histórica usando RFM Um único modelo RFM é a captura instantânea de um momento específico. Comparar vários modelos ao longo do tempo é uma forma de modelar o ciclo de vida do cliente. Ver as mudanças dos clientes de uma classe de RFM para outra durante o tempo de vida proporciona ao marketing e aos vendedores vários s sobre o comportamento do cliente. Frequentemente, muitas trilhas ficam visíveis. Saber como tipos diferentes de clientes progridem no modelo de RFM ao longo do tempo proporciona uma base para alterar os processos de negócios, fazer ofertas de marketing ou mover recursos de vendas diretas para o ponto de maior impacto. Por exemplo, talvez você perceba que os novos clientes de um setor entram com uma pontuação RFM de 513 (ou seja, são recentes, não frequentes e têm um valor médio em uma pontuação com base em 5). O próximo movimento pode ser uma pontuação RFM melhorada, de 534. Em seguida, seria possível notar uma divisão. A pontuação RFM de alguns clientes pode subir, e a de outros, descer. A determinação da diferença entre esses clientes pode dar origem ao design de ofertas melhores, incentivos ou programas de serviços que colocam mais clientes no rumo certo. A forma mais fácil de fazer isso é manter uma tabela na qual você registra a pontuação RFM de cada cliente sempre que os modelos são executados. Outras técnicas de modelagem de segmentação Antes de explicar de forma mais aprofundada a utilização dos assistentes do SPSS Statistics para criar um modelo RFM, vamos descrever outras formas de segmentar clientes nessa ferramenta. Como seria de se esperar, há muitas formas de agrupar clientes, e o SPSS Statistics suporta vários processos estatísticos usados para realizar essa tarefa. Ao clicar no menu Analyze, é possível ver várias categorias gerais de análise estatística, incluindo uma chamada Classify (veja a a Figura 1). Página 3 de 16

4 Figura 1. O submenu Classify expandido (Veja uma versão ampliada da Figura 1.) O submenu Classify mostra os principais algoritmos disponíveis. Essas opções mais avançadas serão úteis para passar a criar modelos de segmentação customizados dos seus clientes. No entanto, para utilizá-las de forma efetiva, é necessário ter um nível médio de conhecimento estatístico. Na verdade, será um processo de aprendizado, à medida que são adaptadas às necessidades da sua organização e aos dados que você possui. Análise de RFM no SPSS Statistics Vamos trabalhar. Antes de começar a usar o SPSS Statistics, é necessário coletar seus dados, que são extraídos dos seus sistemas transacionais. O tipo de dados e a baixa complexidade da consulta necessária podem surpreender. Usando algumas consultas razoavelmente básicas que retornam a contagem de transações, a soma da quantia e o valor máximo referente à data, colete dados que representam o seguinte: Número do cliente ou outro identificador exclusivo; Data do último pedido de cada cliente; Número de transações que o cliente realizou; e Renda total referente ao cliente. Como já foi mencionado, é possível usar outras definições para o número de transações e a renda total referente a cada cliente. Entretanto, a lista acima é um bom ponto de partida. Os dados combinados podem ficar semelhantes à Figura 2. Neste exemplo, os dados são uma planilha, mas é possível usar outros formatos. Verifique se o SPSS Statistics pode ler esse tipo de arquivo. Página 4 de 16

5 Figura 2. Exemplo de arquivo de dados em uma planilha Com o arquivo dos dados combinados, você está pronto para iniciar a análise: 1. Inicie o SPSS Statistics e conecte-se ao arquivo de dados. A conhecida janela Data Editor é exibida, preenchida com o arquivo de clientes, como mostra a Figura 3. Figura 3. Agora o arquivo de dados está na janela Data Editor do SPSS Statistics (Veja uma versão ampliada da Figura 3.) 2. Clique em Direct Marketing > Choose Technique. A janela Direct Marketing é exibida (veja a Figura 4). Página 5 de 16

6 Figura 4. Figura 4. A janela Direct Marketing 3. Dê um clique duplo em Help identify my best contacts (RFM Analysis). 4. Na janela RFM Analysis: Data Format (veja a Figura 5), selecione Customer data e clique em Continue. Página 6 de 16

7 Figura 5. Data organization choices A janela com várias guias RFM Analysis from Customer Data é exibida. Nela, é possível especificar todos os parâmetros do processo de modelagem RFM. 5. Clique na guia Variables, mostrada na Figura 6. Essa guia tem quatro elementos de dados que devem ser definidos para que o processo de modelagem RFM funcione. É necessário informar ao SPSS Statistics qual variável dos dados de entrada (por exemplo, as colunas da planilha) corresponde à data da última transação, o número de transações e a quantia. Figura 6. Definindo elementos de dados para a modelagem RFM 6. Depois de mapear as variáveis de dados para as variáveis de entrada de modelagem, inclua um identificador para que o modelo possa atribuir uma pontuação a cada cliente. Para este exemplo, especifique o campocustomer ID a partir da planilha (veja a Figura 7). Página 7 de 16

8 Figura 7. Especificando o campo Customer ID 7. Clique na guia Binning e selecione o número de compartimentos que deseja nas listas Recency, Frequency e Monetary. Binning designa quantos compartimentos (divisões) você deseja para cada métrica. O padrão de cada métrica é 5, um número que é usado frequentemente na vida real. Para simplificar, ajustamos os exemplos para funcionar com 3 (consulte a Figura 8). Figura 8. Selecionando o número de divisões na guia Binning Página 8 de 16

9 Determinando o número de compartimentos necessários Determinar o número necessário de divisões que devem ser usadas pode ser complicado. Se usar divisões demais (nove ou mais), você criará muitas divisões e dificultará a compreensão do modelo. Se usar um número insuficiente, o modelo não fará sentido. A prática comum é usar um número ímpar, mas não conhecemos nenhuma explicação satisfatória para isso. Independentemente disso, o uso de um número ímpar cria uma categoria intermediária para comparação com os extremos. Essa explicação está longe de ser definitiva, mas, mesmo assim, normalmente seguimos o costume de usar um número ímpar. 8. Na área Binning Method, selecione Nested ou Independent, conforme for adequado. A opção escolhida altera a colocação das pessoas em relação às pontuações de frequência e valor monetário. Um método não é necessariamente melhor que outro. A melhor forma de decidir é fazer um fluxograma da diferença e discutir o procedimento com os usuários corporativos e tomadores de decisões. Ao tomar uma decisão sobre o método que será usado, continue com ele na modelagem subsequente, para que as comparações ao longo do tempo sejam válidas. 9. Clique na guia Save. 10. Escolha o local de gravação da saída do modelo (veja a Figura 9). Neste exemplo, use o padrão output.sav. Geralmente selecionamos Write a new data file na área Location. Clique em Browse para dar um nome para o arquivo novo. O único formato desse arquivo é o.sav nativo do SPSS Statistics. Página 9 de 16

10 Figura 9. Salvando a saída 11. Clique na guia Output, como mostra a Figura 10. Essa guia controla a saída que é exibida no visualizador do SPSS Statistics Viewer. As seleções e alterações nessa guia não afetam o arquivo de saída indicado na guia Save. Figura 10. A guia Output 12. Clique em OK para executar o modelo RFM. Página 10 de 16

11 Os dados de saída serão semelhantes à Figura 11 no Data Editor após a execução do procedimento de modelagem. Figura 11. O arquivo output.sav na janela Data Editor do SPSS Statistics (Veja uma versão ampliada da Figura 11.) Após a conclusão do processo de modelagem, o SPSS Statistics Viewer exibe janelas semelhantes à Figura 12,, Figura 13 e Figura 14. É necessário acessar o arquivo de dados de saída separadamente usando a janela Data Editor. Página 11 de 16

12 Figura 12. Tela do SPSS Statistics Viewer resultante do processo de modelagem RFM (1 de 3) (Veja uma versão ampliada da Figura 12.) Página 12 de 16

13 Figura 13. Tela do SPSS Statistics Viewer resultante do processo de modelagem RFM (2 de 3) (Veja uma versão ampliada da Figura 13.) Página 13 de 16

14 Figura 14. Tela do SPSS Statistics Viewer resultante do processo de modelagem RFM (3 de 3) (Veja uma versão ampliada da Figura 14.) Use os diagramas e gráficos na janela do visualizador para informar como o modelo está apresentando dados para os analistas e tomadores de decisões corporativas. Essas janelas também incluem estatísticas básicas sobre o valor médio de cada métrica variável de entrada, com desvios padrão. Considere a possibilidade de fazer os seus próprios gráficos e tabelas ajustados também para o seu público. Observação: é possível salvar o arquivo output.sav em outros formatos e, em seguida, integrá-lo a consultas e bancos de dados para poder fornecer as pontuações RFM para clientes em diversos aplicativos. Página 14 de 16

15 Repita frequentemente Um único modelo RFM é uma captura instantânea do comportamento passado do cliente sob a perspectiva do dia atual. A execução do modelo ao longo do tempo e o uso dos resultados para mostrar como os clientes passam de uma categoria a outra fornece uma profundidade que um único resultado não pode oferecer. A forma mais fácil de fazer isso é criar um arquivo de dados simples que armazena as pontuações RFM de cada cliente por data. Usando consultas igualmente simples, é possível realizar o pull da série temporal de pontuações RFM referentes a clientes individuais e grupos de clientes ao longo do tempo. Para que a análise seja mais precisa, execute o modelo RFM regularmente e em intervalos de tempo iguais. Dessa forma, você cria uma base para a análise de ciclo de vida do cliente. É possível usar esses dados para ver muitas coisas sobre a mudança do comportamento de compra dos clientes ao longo do tempo. Uma das melhores formas é combinar a sua análise com uma segmentação demográfica para ver como grupos diferentes mudam de pontuação RFM ao longo do tempo. Um dos s que podem ser obtidos é a identificação de padrões que indicam quando existe a probabilidade de que um cliente pare de comprar (isso é conhecido como perda de clientes). O direcionamento de incentivos ou atenção extra para esses clientes pode mudar suas ações futuras e retê-los por mais tempo. Conclusão O uso dos recursos de modelagem RFM no SPSS Statistics é uma forma rápida de obter apoio de outras pessoas para fazer outras análises. É possível usar a modelagem RFM para obter um melhor sobre o comportamento dos clientes, seja no varejo, em e-commerce, em distribuição ou em outros setores comerciais. Até mesmo entidades beneficentes podem aplicar esse modelo para melhorar a interatividade com os doadores. Em termos relativos, a análise de RFM é um processo de modelagem fácil de entender. Os usuários corporativos percebem o valor rapidamente. Use isso para aproveitar melhor a analítica na sua organização. É um ótimo ponto de partida para encontrar mais formas e meios interessantes de usar a mineração de dados e a análise preditiva na sua empresa. Página 15 de 16

16 Sobre o autor David Gillman David Gillman trabalha nas áreas de business intelligence, mineração de dados e análise preditiva há 20 anos. Sua formação acadêmica é em matemática aplicada, otimização e análise estatística, com ênfase especial em aplicação a atividades comerciais. Ele tem experiência prática em melhorar as operações de negócio por meio de analítica aplicada nos setores de distribuição, fabricação, varejo e turismo com organizações de vários portes. É possível entrar em contato com David pelo gillman@datasooner.com. Copyright IBM Corporation Todos os direitos reservados. ( Marcas Registradas ( Página 16 de 16