RFM là cách chia khách hàng theo ba câu hỏi: họ mua lần gần nhất cách đây bao lâu, họ đã mua bao nhiêu lần, và họ đã chi tổng cộng bao nhiêu. Ba chữ cái lấy từ tiếng Anh là Recency, Frequency và Monetary. Chỉ với ba con số đó, bạn đã tách được khách thân đang mua đều, khách mới cần được giữ, và khách từng mua nhiều nhưng lâu rồi không quay lại.
Phương pháp này cũ, đơn giản, và chính vì đơn giản nên rất hợp với cửa hàng nhỏ có thẻ thành viên, tiệm bán online có tài khoản khách, hay quán quen ghi sổ khách đặt. Trợ lý AI giúp tính điểm và đề xuất cách đặt tên nhóm. Bài này chỉ ra cách làm, những bẫy hay gặp và cách xử lý dữ liệu khách hàng cho an toàn. Số liệu trong bài là ví dụ giả định.
Vì sao ba con số đơn giản lại đủ dùng
Trong ba con số, lần mua gần nhất thường là con số nói nhiều nhất về khả năng khách quay lại. Một khách vừa mua tuần trước nhiều khả năng còn đang dùng cửa hàng bạn; một khách lần cuối mua cách đây nửa năm có thể đã chuyển sang nơi khác. Số lần mua cho biết mức gắn bó. Tổng chi cho biết giá trị của họ với doanh thu. Ghép ba thứ lại, bạn có một bức tranh đủ rõ để quyết định nên làm gì với từng nhóm.
Điểm mạnh của RFM là ai cũng giải thích được. Bạn không cần mô hình phức tạp, không cần dữ liệu về tuổi, giới tính hay sở thích. Chỉ cần lịch sử giao dịch gắn với một mã khách. Điều đó vừa dễ làm vừa bớt rủi ro, vì bạn không phải thu thập thêm thông tin cá nhân nào.
Điểm yếu là RFM chỉ nhìn quá khứ giao dịch. Nó không biết khách ngừng mua vì chuyển nhà, vì không hài lòng, hay vì mùa của họ đã qua. Nó cũng chỉ thấy những khách có định danh. Ở cửa hàng mà phần lớn khách là khách vãng lai trả tiền mặt, nhóm có thẻ thành viên có thể không đại diện cho toàn bộ khách. Bạn cần nhớ điều này khi rút kết luận về "khách hàng của cửa hàng" từ bảng RFM.
Chuẩn bị dữ liệu và ẩn danh trước khi đưa cho AI
Bảng cần cho RFM rất gọn. Mỗi dòng là một giao dịch, với ba cột:
- Mã khách: một mã không mang thông tin cá nhân. Không dùng số điện thoại làm mã. Nếu hệ thống đang dùng số điện thoại để nhận diện khách, hãy tạo bảng đối chiếu số điện thoại sang mã ngẫu nhiên, giữ bảng đó trên máy của bạn, chỉ gửi mã ngẫu nhiên.
- Ngày giao dịch.
- Số tiền giao dịch, sau giảm giá, đã trừ hàng trả lại nếu có.
Không cần và không nên gửi tên, địa chỉ, ngày sinh, ghi chú chăm sóc khách. Sau khi AI trả về nhóm cho từng mã, bạn ghép ngược với bảng đối chiếu trên máy mình. Cách làm này giữ thông tin cá nhân không rời khỏi cửa hàng, mà kết quả phân tích vẫn đầy đủ.
Một chi tiết hay bị quên: hàng trả lại và đơn huỷ. Nếu không trừ, một khách đặt rồi huỷ nhiều lần sẽ trông như khách mua thường xuyên. Phần xử lý các dòng trả hàng, gộp mã khách bị trùng thuộc khâu chuẩn bị dữ liệu, có ở trang AI Dữ Liệu; ở đây coi như bảng đã gọn.
Cuối cùng, việc dùng kết quả để nhắn tin cho khách phải tuân theo sự đồng ý mà khách đã cho khi đăng ký và quy định về bảo vệ dữ liệu cá nhân hiện hành. Có số điện thoại của khách không đồng nghĩa với được nhắn quảng cáo.
Chấm điểm từ một đến năm cho mỗi chữ cái
Cách phổ biến là chấm mỗi chữ cái theo thang một đến năm. Với lần mua gần nhất, sắp khách theo số ngày từ lần mua cuối tới ngày phân tích, chia thành năm phần bằng nhau về số khách; phần gần nhất được năm điểm, phần xa nhất được một điểm. Làm tương tự với số lần mua và tổng chi, nhưng ở hai cột này, càng nhiều càng được điểm cao.
Ở cửa hàng nhỏ, cách chia năm phần bằng nhau thường gặp vấn đề với số lần mua. Nếu một nửa số khách chỉ mua đúng một lần, không thể chia họ thành hai mức khác nhau một cách có nghĩa. Khi đó nên đặt ngưỡng theo ý nghĩa kinh doanh: một lần, hai lần, ba đến năm lần, sáu đến mười lần, trên mười lần. Hãy yêu cầu AI cho xem phân bố số lần mua trước, rồi bạn quyết định ngưỡng, thay vì để nó tự chia.
Ngưỡng của lần mua gần nhất cũng nên gắn với chu kỳ mua của ngành. Một tiệm tạp hoá có khách mua hằng tuần thì ba mươi ngày không quay lại đã là dấu hiệu đáng ngại. Một tiệm kính mắt hay đồ gia dụng thì khách một năm mới quay lại là bình thường. Dùng cùng một ngưỡng cho hai kiểu cửa hàng là sai. Cách xác định chu kỳ: nhờ AI tính, với các khách mua từ hai lần trở lên, khoảng cách trung vị giữa hai lần mua liên tiếp.
Sau khi chấm, mỗi khách có một bộ ba điểm như 5-4-4 hay 2-5-5. Có tới một trăm hai mươi lăm tổ hợp, quá nhiều để hành động. Bước tiếp theo là gom tổ hợp thành vài nhóm có tên dễ hiểu.
Gom thành nhóm có tên và việc nên làm cho mỗi nhóm
Bảng dưới là một cách gom phổ biến, đơn giản hoá cho cửa hàng nhỏ. Bạn có thể đổi tên và ngưỡng cho hợp với ngành.
| Nhóm | Đặc điểm điểm số | Ý nghĩa | Việc nên làm |
|---|---|---|---|
| Khách thân | Gần đây cao, số lần cao, tổng chi cao | Nhóm nhỏ nhưng thường gánh phần lớn doanh thu | Cảm ơn, ưu tiên phục vụ, hỏi ý kiến khi đổi sản phẩm; không cần giảm giá thêm |
| Khách mới | Gần đây cao, số lần thấp | Mới mua một hai lần | Làm tốt lần mua thứ hai: hỏi thăm trải nghiệm, nhắc sản phẩm phù hợp |
| Khách đều đặn | Các điểm ở mức giữa | Mua vừa phải, ổn định | Giữ chất lượng, thử gợi ý bán kèm |
| Khách sắp rời | Gần đây thấp, số lần và tổng chi từng cao | Từng là khách tốt nhưng đang vắng | Ưu tiên liên hệ hỏi lý do, đây là nhóm đáng giữ nhất |
| Khách ngủ đông | Cả ba điểm thấp | Mua ít, lâu rồi không quay lại | Không dồn sức; nhắc nhẹ theo dịp nếu khách đã đồng ý nhận tin |
Nhóm khách sắp rời thường là nơi bỏ công ít mà được nhiều nhất, vì họ đã quen cửa hàng. Một cuộc hỏi thăm chân thành để biết lý do họ vắng, chẳng hạn hết món họ hay mua hoặc giao hàng chậm, đôi khi cho bạn thông tin giá trị hơn mọi bảng số.
Câu lệnh mẫu cho AI tính RFM
Ví dụ cho một tiệm mỹ phẩm bán cả tại cửa hàng và online, dữ liệu mười hai tháng, mã khách đã được thay bằng mã ngẫu nhiên (ví dụ giả định).
- "Tệp đính kèm có ba cột ma_khach, ngay_mua, so_tien. Mã khách là mã ngẫu nhiên. Đọc tệp, báo số giao dịch, số khách, ngày đầu, ngày cuối, tổng tiền. Chưa phân tích."
- "Với mỗi khách, tính số ngày từ lần mua cuối đến ngày cuối của dữ liệu, số lần mua, tổng chi. Cho xem phân bố số lần mua: bao nhiêu khách mua một lần, hai lần, và cứ thế tới mười lần trở lên."
- "Với khách mua từ hai lần trở lên, tính khoảng cách trung vị giữa hai lần mua liên tiếp."
- "Chấm điểm một đến năm cho mỗi chữ cái theo các ngưỡng sau", rồi bạn ghi các ngưỡng mình đã chọn dựa trên hai bước trước.
- "Gom khách vào năm nhóm theo định nghĩa sau", rồi dán định nghĩa nhóm như bảng ở mục trên. "Báo số khách và phần trăm doanh thu của từng nhóm. Xuất bảng mã khách kèm tên nhóm."
- Kiểm ngẫu nhiên năm mã khách: tự lọc trong bảng gốc, tính tay ba con số, so với kết quả AI.
Bước sáu không phải thủ tục. Lỗi thường gặp là AI tính "số lần mua" bằng số dòng, trong khi một lần mua có thể có nhiều dòng nếu tệp tách theo món. Kiểm năm mã là đủ để phát hiện lỗi kiểu này.
Đọc kết quả của một tiệm mỹ phẩm (ví dụ giả định)
Giả sử tiệm có khoảng hai nghìn khách có mã trong mười hai tháng. Phân bố số lần mua cho thấy gần sáu phần mười khách chỉ mua một lần, đúng như nhiều cửa hàng bán lẻ. Khoảng cách trung vị giữa hai lần mua của khách quay lại là khoảng bảy tuần, khớp với thời gian dùng hết một lọ kem hay một chai nước tẩy trang. Từ đó chủ tiệm đặt ngưỡng: mua trong bảy tuần gần nhất là gần đây, quá mười bốn tuần mà chưa quay lại là đáng lo.
Sau khi gom nhóm, bảng cho thấy nhóm khách thân chiếm khoảng một phần mười số khách nhưng gần bốn phần mười doanh thu. Nhóm sắp rời có khoảng một trăm năm mươi khách, phần lớn từng mua bốn năm lần rồi vắng hơn ba tháng. Đây là con số đáng chú ý nhất. Chủ tiệm lọc riêng nhóm này, xem họ hay mua món gì, và phát hiện nhiều người từng mua một dòng sữa rửa mặt mà tiệm đã ngừng nhập từ giữa năm.
Phát hiện đó không nằm trong bảng RFM; nó đến từ việc người hiểu cửa hàng đọc tiếp danh sách. Đây là cách phân chia việc hợp lý giữa người và máy: AI tính và gom nhóm nhanh, người đặt ngưỡng theo hiểu biết về sản phẩm và đọc danh sách để tìm lý do. Từ đó tiệm quyết định nhập lại một dòng tương tự và nhắn cho những khách sắp rời đã đồng ý nhận tin, thay vì gửi mã giảm giá đại trà cho tất cả.
Bẫy khi đọc và dùng kết quả RFM
Tổng chi bị kéo lệch bởi vài đơn lớn. Một khách mua một lần với đơn quà tặng rất lớn sẽ có điểm tổng chi cao nhất dù chỉ mua đúng một lần. Nếu cửa hàng có đơn sỉ hay đơn quà công ty, nên tách những khách đó ra nhóm riêng.
Nhóm thay đổi theo thời gian. Bảng RFM tính hôm nay sẽ khác sau một tháng. Khách thân có thể trôi sang sắp rời. Nên tính lại định kỳ và theo dõi số khách chuyển nhóm, nhất là số khách từ nhóm thân sang nhóm sắp rời.
Điểm số là để chọn cách phục vụ, không phải để phán xét khách. Nhân viên không nên biết hay nhắc tới điểm của khách khi phục vụ. Mục đích là chăm sóc từng nhóm cho hợp, không phải đối xử tệ hơn với khách điểm thấp.
Dồn tin nhắn khuyến mãi vào khách thân. Phản xạ thường gặp là nhắn nhiều hơn cho khách giá trị cao. Nhưng những khách này vốn đã mua đều; gửi mã giảm giá cho họ thường chỉ làm giảm biên lãi. Nhắn quá dày còn làm họ khó chịu.
Nghĩ rằng RFM phủ hết khách hàng. Nếu chỉ một phần khách có mã thành viên, kết luận chỉ đúng cho phần đó. Ghi rõ trong báo cáo tỉ lệ doanh thu có gắn mã khách để người đọc biết bảng đang nói về bao nhiêu phần của cửa hàng.
Câu hỏi thường gặp
Cửa hàng không có thẻ thành viên thì làm RFM thế nào?
RFM cần mỗi giao dịch gắn với một mã khách. Không có định danh thì không làm được. Cửa hàng online, tiệm giao hàng qua tin nhắn, hay quán có sổ khách quen thường đã có dữ liệu này; cửa hàng chỉ bán tiền mặt tại quầy thì cần bắt đầu thu thập có sự đồng ý của khách.
Nên dùng dữ liệu bao lâu để tính RFM?
Thường là mười hai tháng, để phủ được một vòng mùa vụ. Ngành có chu kỳ mua dài như đồ gia dụng hay kính mắt có thể cần hai năm. Ngành mua hằng tuần như tạp hoá có thể dùng sáu tháng nếu muốn bảng phản ánh hiện tại hơn.
Có cần đủ cả ba chữ cái không, dùng hai thì sao?
Dùng hai cũng được trong nhiều trường hợp. Ở cửa hàng mà giá trị đơn khá đồng đều, tổng chi gần như tỉ lệ với số lần mua, nên có thể chỉ dùng lần mua gần nhất và số lần mua. Điều quan trọng là nhóm có tên và việc làm rõ ràng.
AI có tự đặt ngưỡng chấm điểm hợp lý không?
AI sẽ đặt được ngưỡng theo phần bằng nhau, nhưng ngưỡng đó có thể vô nghĩa với cửa hàng có nhiều khách chỉ mua một lần. Nên xem phân bố trước và tự chọn ngưỡng theo chu kỳ mua của ngành, sau đó mới nhờ AI chấm.
Có nên gửi danh sách khách kèm số điện thoại cho AI để nó soạn tin nhắn luôn không?
Không nên. Phần phân tích chỉ cần mã ngẫu nhiên, và phần soạn tin chỉ cần mô tả nhóm. Ghép số điện thoại với nhóm trên máy của bạn, và chỉ nhắn cho những khách đã đồng ý nhận tin theo quy định bảo vệ dữ liệu cá nhân hiện hành.
Bao lâu thì nên tính lại bảng RFM?
Với cửa hàng bán thường xuyên, mỗi tháng một lần là hợp lý. Điều đáng theo dõi nhất giữa hai lần tính là số khách chuyển từ nhóm khách thân sang nhóm sắp rời, vì đó là tín hiệu sớm của việc mất khách.