Segmentation คือการแบ่งลูกค้าออกเป็นกลุ่มต่างๆ ที่มีลักษณะเหมือนกันในแต่ละกลุ่ม เหตุผลหลักที่นักการตลาดทั้งหลายจะต้องทำการ Segmentation เพราะ เป็นส่วนหนึ่งของ STP หรือ Segmentation (แบ่งกลุ่มลูกค้า) > Targeting (เลือกกลุ่มเป้าหมาย) > Positioning (วางตำแหน่งของแบรนด์) เพื่อที่เราจะได้รู้ว่าเราต้องเลือกกลุ่มเป้าหมายใด และต้องวาง positioning แบบใด  เนื่องจากไม่ใช่ทุกคนบนโลกนี้จะซื้อสินค้าของเราหมด เช่น น้ำผลไม้อาจจะเป็นสิ่งที่น่าสนใจสำหรับกลุ่มคนรักสุขภาพ

what-is-segmentation

เราสามารถใช้ข้อมูลมาทำ segmentation ได้จากหลายช่องทาง ได้แก่ Geographic (ทางภูมิศาสตร์ เช่น จังหวัด ภาค ระยะห่างจากสาขา), Demographic (ทางประชากรศาสตร์ เช่น เพศ อายุ สถานภาพการสมรส), Psychographic (ทางจิตวิทยา เช่น ความชื่นชม ความมั่นใจในตนเอง) และ Behavior (ทางพฤติกรรม เช่น สินค้าที่ซื้อ ความถี่ในการซื้อสินค้า) 

how-to-segmentation

 

เราสามารถหาข้อมูลตรงนี้ได้จากหลายวิธี ตั้งแต่การวิจัยการตลาด เช่น focus group, แบบสอบถาม จนไปถึงฐานข้อมูลลูกค้า เช่น ฐานข้อมูลการซื้อ ฐานข้อมูลสมาชิก เป็นต้น

 

ต่อไปนี้จะขอแนะนำคอนเซปที่นักวิเคราะห์หลายๆคนมักจะใช้ในการทำ segmentation สำหรับ Big Data ต่างๆ

1) RFM Segmentation

RFM เป็นการแบ่งลูกค้าของเรา ตามพฤติกรรมการซื้อดังต่อไปนี้ 

  • R : ‘Recency’ – ซื้อครั้งล่าสุดเมื่อไหร่
  • F : ‘Frequency’ – ซื้อบ่อยแค่ไหน
  • M : ‘Monetary Value’ – ซื้อของราคารวมเท่าไหร่

 

สามารถดูรายละเอียดและวิธีเพิ่มเติมเกี่ยวกับ RFM ได้ทีนี่.

RFM ถูกออกแบบมาในลักษณะที่ว่า R เป็นค่าที่สำคัญที่สุด รองลงมาด้วย F และ M ตามลำดับ ในการพยากรณ์การกลับมาซื้อของลูกค้าในอนาคต เช่น ลูกค้าที่เพิ่งซื้อไป ย่อมมีความน่าจะเป็นที่จะกลับมาซื้อสูงกว่าลูกค้าที่เคยซื้อของจำนวนมาก แต่เลิกซื้อมาแล้ว 10 ปี

ข้อดีของการใช้ RFM คือ ไม่จำเป็นต้องใช้ข้อมูลจำนวนมาก (สามารถใช้เพียงแค่ข้อมูล transaction data ที่มี ID) และยังสามารถวิเคราะห์ได้อย่างง่ายดาย ไม่จำเป็นต้องใช้โปรแกรมยากๆอะไร มีเพียง excel ก็มากกว่าที่จำเป็นแล้ว

เราจะเห็นร้านค้าปลีกหลายรายใช้ RFM เพื่อศึกษาว่า ลูกค้ามีลักษณะการซื้อเป็นอย่างไร และ ควรจะเลือกเจาะกลุ่มเป้าหมายใดก่อน

 

2) K-means Clustering

ในการทำ K-means นักวิเคราะห์จะต้องเลือกใส่ว่าอยากได้กี่ segment (หรือที่ในระบบจะเรียกว่า cluster) และจะใช้ตัวแปรใดบ้างเป็นตัวตัด segment จากนั้นเครื่องก็จะรันออกมาให้ว่า คนไหนอยู่ segment ไหน แล้วแต่ละ segment มีกี่คน

สามารถดูรายละเอียดและวิธีเพิ่มเติมเกี่ยวกับ K-means ได้ทีนี่.

สิ่งที่ทำให้ K-mean แตกต่างกับ RFM คือ K-means สามารถใช้ตัวแปรใดๆเป็นตัวแปรต้นก็ได้ เช่น เพศ ความถี่ในการซื้อ ความถี่ในการมาที่ร้านค้า จำนวนสินค้าในการซื้อ ฯลฯ ซึ่งทำให้เราสามารถมองได้หลายมิติมากกว่า RFM

อย่างไรก็ตาม การที่เราจะนำตัวแปรใดๆมาใช้ใน K-means เราก็ควรจะพิจารณาด้วยว่า ตัวแปรนั้นมีความสำคัญหรือไม่ และเกี่ยวข้องกับการแบ่ง segment ของเราจริงๆ หรือไม่ นอกจากนี้ เนื่องจากตัวแปรต่างๆอาจจะมี scale ที่แตกต่างกัน เช่น 0 ถึง 1 และ 500-1000000 ซึ่งจะทำให้การรันผลผิดเพี้ยนได้ ดังนั้นจึงจะต้องทำการคลีนดาต้าก่อนรัน

สำหรับเราแล้ว เราจะชอบรัน K-means  กับประเภทสินค้าที่ลูกค้าซื้อ เช่น ซื้อสินค้าประเภทเดรสกี่ % จากการซื้อทั้งหมด สินค้าผู้หญิงกี่ % สินค้าผู้ชายกี่ % ฯลฯ เพื่อหา segment ของกลุ่มลูกค้า

 

แม้ว่า RFM และ K-means จะดูแตกต่างกัน เราจะชอบรันทั้งคู่แล้วเอามาเทียบกันว่า อ๋อ ลูกค้าที่อยู่ใน segment นี้ซื้อ RFM เป็นยังไง แล้วมี segment ไหนที่สำคัญ 

 

 

เราเป็นทีมผู้เชี่ยวชาญด้าน Customer Analytics ที่ Davoy  คุณสามารถกรอกรายละเอียดในแบบฟอร์มด้านล่าง หรือติดต่อเรา เพื่อรับคำปรึกษาครั้งแรก ฟรี !

Contact us


ติดต่อเราได้ที่
Email: lin@davoy.tech
Phone: 081-428-8159

หรือ กรอกแบบฟอร์มด้านล่างและทีมงานจะติดต่อกลับไปค่ะ

We received your message and will contact you back soon.

ใส่ความเห็น

อีเมลของคุณจะไม่แสดงให้คนอื่นเห็น