Transformation Tuesday #6

Leestijd: 5 minuten

Voor de zesde Transformation Tuesday hebben we er voor gekozen om de opdracht wat concreter te maken door één specifieke analyse te behandelen.

Een tijdje geleden ben ik naar een sessie geweest van E-Tail Genius over “Customer Profiling & Loyalty”. In deze sessie behandelden de datawetenschappers aan de hand van praktijkvoorbeelden welke vormen van klantsegmentatie zij kennen en hoe zij deze hebben toegepast bij een grote Nederlandse organisatie. Door klantsegmentatie toe te passen kun je bijvoorbeeld de impact van je marketinginspanningen vergoten door klanten gerichter te benaderen, kiezen in welke klanten je geen tijd meer gaat steken en in welke klanten juist wel, klantloyaliteit verhogen, voorspellen hoe bepaalde klantsegmenten zich gaan gedragen, etc. Eén van de vele (en eenvoudigere) vormen van klantsegmentatie die zij benoemden is de zogenaamde RFM-analyse. RFM staat voor Recency, Frequency en Monetary value. Oftewel:

  • Recency: hoe recent een klant nog iets heeft afgenomen;
  • Frequency: hoe vaak een klant in totaal iets heeft afgenomen / een bestelling heeft geplaatst;
  • Monetary value: de totale (omzet)waarde van de klant.

Ik vond dit wel interessant klinken en ben hier mee aan de slag gegaan. In mijn internet zoektocht / verdieping naar deze analyse kwam ik verschillende berekeningen tegen om deze RFM score(s) te bepalen en verschillende manieren om deze te visualiseren. Omdat ik de Datadump deelnemers ook eens kennis wilde laten maken met deze analyse en omdat ik benieuwd was naar de uitkomsten, was de Transformation Tuesday opdracht voor deze maand om een RFM analyse uit te werken met een visualisatie. De deelnemers kregen hiervoor een datasetje met fictieve cijfers.

De inzendingen van de deelnemers zijn hieronder te bekijken.


Lijkt het je ook leuk om deel te nemen aan toekomstige Transformation Tuesday opdrachten? Meld je dan aan via onze website!


Dennis

Zojuist heb ik de RFM-analyse afgerond en op een niveau gebracht waar ik tevreden mee ben.

Mijn aanpak voor deze analyse is dezelfde geweest als de laatste twee Transformation Tuesdays. Ik heb eerst een grove versie gemaakt van de analyse waarbij ik me voornamelijk heb gericht op het toepassen van de theorie. Daarna heb ik de uitkomst een paar dagen laten rusten om hier verbeteringen op door te voeren. Bij mijn eerste versie had ik al direct een aantal aanvullende wensen:

  • Ik wilde kleurvlakken gebruiken in de scatter chart om de 11 verschillende groepen duidelijk te maken
  • Ik wilde het mogelijk maken om de RFM-analyse uit te voeren binnen een sector in plaats van over de gehele set
  • In mijn eerste versie zat een fout waardoor klanten met een recente verkoop niet allemaal dezelfde score kregen

Met deze wensen ben ik aan de slag gegaan en dit resulteert in de volgende visualisatie:

Transformation Tuesday Data Visualization

Zoals je ziet is het toepassen van de kleurvlakken en bijbehorende titels hier gelukt. Daarbij is het mogelijk om met de filters aan de linkerkant een sector te selecteren. Na het selecteren van de sector wordt de RFM-analyse opnieuw uitgevoerd op de klanten binnen de sector. Hiermee heb ik dus twee versies gemaakt: een eerste versie waarbij je kon filteren op een statische score en een tweede versie met een dynamische score, afhankelijk van de geplaatste filters.

Natuurlijk heb ik nog altijd extra wensen om dit rapport verder te verbeteren:

  • Een toelichting meegeven aan de visualisatie waarin o.a. staat beschreven wat de verschillende groepen betekenen
  • Een verticale toelichting geven op de x-as voor Frequency & monetary (zoal ik dat ook heb gedaan bij Recency, het eenvoudig draaien van tekst is in Power BI helaas niet mogelijk)
  • Bij een mouse-over de klantnaam tonen en daarbij ook tonen in welke groep de klant valt en welke actie relevant is (zoals beschreven bij Putler.com)
  • Een datumrange opgeven waarmee je kunt bepalen hoeveel verkoophistorie je mee wilt nemen

Het belangrijkste voor mij deze maand was om de theorie te leren begrijpen en deze ook toe te passen in Power BI. Hiervoor heb ik zowel na moeten denken over de manier van berekenen als het vriendelijk visualiseren. Al met al een leuke opdracht waar ik in de toekomst bij klanten nog een profijt van hoop te hebben!


Joost

Ik heb voor het maken van deze RFM analyse voor de Transformation Tuesday opdracht van deze maand het volgende gedaan:

Voor de Recency, Freqency en Monetary score heb ik een percentile rank functie gebruikt. Deze berekent voor iedere klant in deze fictieve dataset op welke positie deze staat in de ranking. Vervolgens berekent deze het percentiel waarin deze klant zich daarmee bevindt voor ieder van de drie scores. Met een Monetary score tussen de 0,9 en 1 bevindt deze klant zich dus in de top 10% van klanten op basis van de omzet.

Vervolgens heb ik een scatter plot gemaakt die de klanten plot op basis van de Recency score op de X-as en de Frequency score op de Y-as. De omvang van het bolletje is bepaald op basis van de Monetary score. Daarnaast heb ik de klanten verdeeld op kleur op basis van de Monetary score. De top 25% van de klanten in Omzet worden goud gekleurd, de volgende 25% worden zilver gekleurd, de volgende 25% worden brons gekleurd en de laagste 25% worden doorzichtig lichtgrijs gekleurd. De achtergrond van een scatter chart is een grid dat de klanten segmenteert op basis van de R en F scores. Hiermee kun je bijvoorbeeld snel zien welke klanten of klantsegmenten om aandacht vragen en welke klanten naar alle waarschijnlijkheid sowieso al gewonnen of verloren zijn.

Ik denk dat je met deze visualisatie een mooie tool hebt om te analyseren op welke klanten je je aandacht moet gaan vestigen. Dit kan tot nieuwe inzichten leiden.

Het geheel is gemaakt in QlikView dus dit leent zich ook voor dynamisch filteren en inzoomen op bepaalde klantsegmenten.

Transformation Tuesday Data Visualization

2 reacties

Geef een antwoord

Het e-mailadres wordt niet gepubliceerd. Vereiste velden zijn gemarkeerd met *