تحليلات عملاء Power BI: تجزئة RFM والقيمة الدائمة

تجيب تحليلات العملاء على السؤال الذي تحتاج كل شركة إلى إجابة عنه، لكن القليل منهم يستطيع الإجابة بدقة: من هم العملاء الأكثر قيمة، ومن هم الذين سيغادرون، وماذا يجب أن نفعل حيال ذلك؟ بدون التجزئة، يعامل التسويق كل عميل بشكل مماثل --- نفس رسائل البريد الإلكتروني، ونفس العروض، ونفس الاهتمام. يحصل العميل الذي أنفق 50 ألف دولار العام الماضي على نفس رمز خصم العطلة الذي يحصل عليه العميل الذي أجرى عملية شراء واحدة بقيمة 29 دولارًا ولم يعد أبدًا.

تعمل تجزئة RFM (الحداثة والتكرار والنقد) والتحليل الجماعي والتنبؤ بالتغيير وحساب القيمة الدائمة للعميل (CLV) على تحويل بيانات المعاملات الأولية إلى ذكاء عميل قابل للتنفيذ. يوفر Power BI النظام الأساسي للتصور والتحليل لتنفيذ هذه التقنيات على نطاق واسع، وتحويل الملايين من سجلات المعاملات إلى ملفات تعريف عملاء مجزأة وقابلة للتسجيل وقابلة للتنفيذ.

يغطي هذا الدليل التنفيذ الكامل لتحليلات العملاء في Power BI، بدءًا من نموذج البيانات ومقاييس DAX لتسجيل نقاط RFM وحتى التحليل الجماعي، وتصور التغيير، وحساب CLV، وتخطيط رحلة العميل.

---

نموذج البيانات لتحليلات العملاء

الجداول الأساسية

تعتمد تحليلات العملاء على سجل المعاملات الكامل المرتبط بهوية العميل.

بُعد العميل (DimCustomer). بيانات العميل الرئيسية بما في ذلك معرف العميل واسم العميل والبريد الإلكتروني وتاريخ الاكتساب ومصدر الاكتساب (عضوي ومدفوع وإحالة وشريك) والصناعة (لـ B2B) والمنطقة والبلد والمدينة وAccountManager وCustomerTier (إذا تم تقسيمها مسبقًا) وIsActive.

جدول حقائق المعاملات (FactTransaction). كل حدث شراء. تتضمن الأعمدة معرف المعاملة، ومعرف العميل، وتاريخ المعاملة، ورقم الطلب، وعدد العناصر، وفئة المنتج، وطريقة الدفع، والقناة (عبر الإنترنت، وفي المتجر، والهاتف)، وقيمة الخصم، وقيمة العودة.

جدول حقائق التفاعل (FactInteraction). نقاط اتصال العملاء بما يتجاوز عمليات الشراء، بما في ذلك تذاكر الدعم وزيارات موقع الويب وعمليات فتح البريد الإلكتروني وتسجيلات الدخول إلى التطبيق. تتضمن الأعمدة معرف التفاعل، ومعرف العميل، وتاريخ التفاعل، ونوع التفاعل (الشراء، والدعم، وemail_open، وemail_click، وwebsite_visit، وapp_login)، والقناة، والمدة.

بعد التاريخ (DimDate). جدول التاريخ القياسي.

---

تجزئة RFM

حساب درجات RFM

يمنح تسجيل RFM لكل عميل درجة بناءً على ثلاثة أبعاد سلوكية.

الحداثة: ما هو تاريخ إجراء العميل لعملية شراء؟ تشير عمليات الشراء الأحدث إلى زيادة المشاركة.

التكرار: ما هو عدد المرات التي يقوم فيها العميل بالشراء؟ يشير التردد الأعلى إلى ولاء أقوى.

نقدي: كم ينفق العميل؟ يشير الإنفاق الأعلى إلى قيمة أكبر.

يتم تسجيل كل بعد على مقياس من 1 إلى 5 باستخدام التصنيفات الخماسية. العميل الحاصل على درجة RFM 5-5-5 هو أفضل عميل لديك. النتيجة 1-1-1 هي الأقل مشاركة لديك.

Recency (Days) =
VAR LastPurchase =
    CALCULATE(
        MAX(FactTransaction[TransactionDate]),
        ALLEXCEPT(DimCustomer, DimCustomer[CustomerID])
    )
RETURN
    DATEDIFF(LastPurchase, TODAY(), DAY)

Frequency =
CALCULATE(
    COUNTROWS(FactTransaction),
    FactTransaction[IsReturn] = FALSE(),
    ALLEXCEPT(DimCustomer, DimCustomer[CustomerID])
)

Monetary =
CALCULATE(
    SUM(FactTransaction[OrderAmount]),
    FactTransaction[IsReturn] = FALSE(),
    ALLEXCEPT(DimCustomer, DimCustomer[CustomerID])
)

التسجيل الخماسي في DAX

يقوم الحساب الخماسي بتعيين كل عميل إلى واحدة من خمس مجموعات متساوية لكل بُعد من أبعاد RFM. بالنسبة إلى الحداثة، تعني الأيام الأقل درجة أعلى (الأحدث هو الأفضل). بالنسبة للتكرار والنقدية، تعني القيم الأعلى درجات أعلى.

R Score =
VAR RecencyValue = [Recency (Days)]
VAR AllRecency =
    CALCULATETABLE(
        ADDCOLUMNS(
            SUMMARIZE(DimCustomer, DimCustomer[CustomerID]),
            "@Recency", [Recency (Days)]
        ),
        ALL(DimCustomer)
    )
VAR Pct20 = PERCENTILE.INC(SELECTCOLUMNS(AllRecency, "@Recency", [@Recency]), 0.20)
VAR Pct40 = PERCENTILE.INC(SELECTCOLUMNS(AllRecency, "@Recency", [@Recency]), 0.40)
VAR Pct60 = PERCENTILE.INC(SELECTCOLUMNS(AllRecency, "@Recency", [@Recency]), 0.60)
VAR Pct80 = PERCENTILE.INC(SELECTCOLUMNS(AllRecency, "@Recency", [@Recency]), 0.80)
RETURN
    SWITCH(
        TRUE(),
        RecencyValue <= Pct20, 5,
        RecencyValue <= Pct40, 4,
        RecencyValue <= Pct60, 3,
        RecencyValue <= Pct80, 2,
        1
    )

F Score =
VAR FreqValue = [Frequency]
VAR AllFreq =
    CALCULATETABLE(
        ADDCOLUMNS(
            SUMMARIZE(DimCustomer, DimCustomer[CustomerID]),
            "@Freq", [Frequency]
        ),
        ALL(DimCustomer)
    )
VAR Pct20 = PERCENTILE.INC(SELECTCOLUMNS(AllFreq, "@Freq", [@Freq]), 0.20)
VAR Pct40 = PERCENTILE.INC(SELECTCOLUMNS(AllFreq, "@Freq", [@Freq]), 0.40)
VAR Pct60 = PERCENTILE.INC(SELECTCOLUMNS(AllFreq, "@Freq", [@Freq]), 0.60)
VAR Pct80 = PERCENTILE.INC(SELECTCOLUMNS(AllFreq, "@Freq", [@Freq]), 0.80)
RETURN
    SWITCH(
        TRUE(),
        FreqValue >= Pct80, 5,
        FreqValue >= Pct60, 4,
        FreqValue >= Pct40, 3,
        FreqValue >= Pct20, 2,
        1
    )

M Score =
VAR MonValue = [Monetary]
VAR AllMon =
    CALCULATETABLE(
        ADDCOLUMNS(
            SUMMARIZE(DimCustomer, DimCustomer[CustomerID]),
            "@Mon", [Monetary]
        ),
        ALL(DimCustomer)
    )
VAR Pct20 = PERCENTILE.INC(SELECTCOLUMNS(AllMon, "@Mon", [@Mon]), 0.20)
VAR Pct40 = PERCENTILE.INC(SELECTCOLUMNS(AllMon, "@Mon", [@Mon]), 0.40)
VAR Pct60 = PERCENTILE.INC(SELECTCOLUMNS(AllMon, "@Mon", [@Mon]), 0.60)
VAR Pct80 = PERCENTILE.INC(SELECTCOLUMNS(AllMon, "@Mon", [@Mon]), 0.80)
RETURN
    SWITCH(
        TRUE(),
        MonValue >= Pct80, 5,
        MonValue >= Pct60, 4,
        MonValue >= Pct40, 3,
        MonValue >= Pct20, 2,
        1
    )

RFM Segment =
VAR R = [R Score]
VAR F = [F Score]
VAR M = [M Score]
RETURN
    SWITCH(
        TRUE(),
        R >= 4 && F >= 4 && M >= 4, "Champions",
        R >= 4 && F >= 3 && M >= 3, "Loyal Customers",
        R >= 3 && F >= 1 && M >= 3, "Potential Loyalists",
        R >= 4 && F <= 2 && M <= 2, "New Customers",
        R >= 3 && F >= 3 && M >= 3, "Promising",
        R >= 3 && F <= 2 && M <= 2, "Need Attention",
        R >= 2 && F >= 2 && M >= 2, "About to Sleep",
        R <= 2 && F >= 3 && M >= 3, "At Risk",
        R <= 2 && F >= 4 && M >= 4, "Cannot Lose Them",
        R <= 2 && F >= 2 && M >= 2, "Hibernating",
        "Lost"
    )

تصور RFM

توزيع الشرائح. مخطط هيكلي أو مخطط شريطي أفقي يوضح عدد العملاء وقيمتهم الإجمالية في كل شريحة RFM. يكشف هذا على الفور عن صحة قاعدة عملائك --- شريحة كبيرة من "الأبطال" إيجابية؛ يشير المقطع الكبير "المعرض للخطر" أو "المفقود" إلى وجود مشكلة.

مخطط مبعثر RFM. مخطط مبعثر مع التردد على المحور X والنقدي على المحور Y، ملون حسب درجة الحداثة. يكشف هذا العرض ثلاثي الأبعاد عن المجموعات والقيم المتطرفة التي قد تفوتها تسميات المقاطع وحدها.

مصفوفة إجراءات المقطع. جدول يعين كل مقطع للإجراءات الموصى بها.

---

التحليل الجماعي

مقاييس مجموعة البناء

يقوم التحليل الجماعي بتجميع العملاء حسب فترة الاستحواذ (الشهر أو ربع السنة) ويتتبع سلوكهم خلال فترات لاحقة. ويكشف هذا ما إذا كانت جودة العملاء تتحسن أو تنخفض بمرور الوقت.

Acquisition Cohort =
FORMAT(
    CALCULATE(
        MIN(FactTransaction[TransactionDate]),
        ALLEXCEPT(DimCustomer, DimCustomer[CustomerID])
    ),
    "YYYY-MM"
)

Cohort Size =
CALCULATE(
    DISTINCTCOUNT(DimCustomer[CustomerID]),
    FILTER(
        ALL(DimCustomer),
        FORMAT(
            CALCULATE(MIN(FactTransaction[TransactionDate]),
                ALLEXCEPT(DimCustomer, DimCustomer[CustomerID])),
            "YYYY-MM"
        ) = SELECTEDVALUE(DimCohort[CohortMonth])
    )
)

Cohort Retention Rate =
VAR CohortMonth = SELECTEDVALUE(DimCohort[CohortMonth])
VAR PeriodNumber = SELECTEDVALUE(DimCohortPeriod[PeriodNumber])
VAR ActiveInPeriod =
    CALCULATE(
        DISTINCTCOUNT(FactTransaction[CustomerID]),
        -- Filter to customers from this cohort
        -- who transacted in the nth period after acquisition
    )
VAR OriginalSize = [Cohort Size]
RETURN
    DIVIDE(ActiveInPeriod, OriginalSize, 0)

مصفوفة الاحتفاظ بالفوج

مصفوفة الاحتفاظ بالفوج الكلاسيكية عبارة عن خريطة حرارية تحتوي على أشهر المجموعة في الصفوف وأرقام الفترات (الأشهر منذ الاستحواذ) على الأعمدة. تعرض قيم الخلايا معدل الاستبقاء، مع قيام التنسيق الشرطي بإنشاء تدرج من اللون الأخضر الداكن (الاحتفاظ العالي) إلى الأحمر الداكن (الاحتفاظ المنخفض).

قراءة المصفوفة تكشف عن الأنماط. انظر عبر الصفوف لترى كيف تحتفظ كل مجموعة نموذجية بمرور الوقت. انظر إلى أسفل الأعمدة لمعرفة ما إذا كان الاحتفاظ بالعضوية عند نقطة معينة يتحسن أو يسوء عبر المجموعات النموذجية. قد يشير الانخفاض المفاجئ في عمود "الشهر الثالث" عبر جميع المجموعات النموذجية الأخيرة إلى وجود مشكلة في الإعداد. يشير التحسن التدريجي في عمود "الشهر الأول" عبر المجموعات النموذجية المتعاقبة إلى أن تجربة الشراء الأولى تتحسن.

التحليل الجماعي للإيرادات

بالإضافة إلى الاحتفاظ بالأفراد، يمكنك تتبع الإيرادات لكل مجموعة لفهم اتجاهات القيمة الدائمة.

Cohort Revenue =
CALCULATE(
    SUM(FactTransaction[OrderAmount]),
    -- Filtered to specific cohort and period
)

Cohort Revenue per Customer =
DIVIDE([Cohort Revenue], [Cohort Size], 0)

Cumulative Cohort Revenue =
-- Running total of cohort revenue across periods
CALCULATE(
    [Cohort Revenue],
    FILTER(
        ALL(DimCohortPeriod),
        DimCohortPeriod[PeriodNumber] <= MAX(DimCohortPeriod[PeriodNumber])
    )
)

قم بتمثيل الإيرادات التراكمية لكل مجموعة نموذجية كمخططات خطية متداخلة، حيث يمثل كل سطر مجموعة نموذجية. إذا كانت المجموعات النموذجية الأخيرة تتمتع بمنحنيات إيرادات أكثر حدة من المجموعات النموذجية الأقدم، فإن قيمة عميلك آخذة في الارتفاع. إذا كانوا أكثر تملقًا، فإن متوسط ​​قيمة العميل آخذ في الانخفاض.

---

تصور التنبؤ بالتقلب

تعريف التشويش

يعتمد تعريف Churn على نموذج عملك. بالنسبة للشركات القائمة على الاشتراكات، يعتبر الإلغاء بمثابة الإلغاء. بالنسبة للشركات القائمة على المعاملات، يتم تعريف التوقف عادة على أنه عدم الشراء خلال فترة محددة (على سبيل المثال، ضعف متوسط ​​فترة الشراء).

Average Purchase Interval =
AVERAGEX(
    DimCustomer,
    CALCULATE(
        VAR Transactions =
            CALCULATETABLE(
                VALUES(FactTransaction[TransactionDate]),
                ALLEXCEPT(DimCustomer, DimCustomer[CustomerID])
            )
        RETURN
            DIVIDE(
                DATEDIFF(MIN(FactTransaction[TransactionDate]), MAX(FactTransaction[TransactionDate]), DAY),
                COUNTROWS(Transactions) - 1,
                0
            )
    )
)

Is Churned =
VAR DaysSinceLastPurchase = [Recency (Days)]
VAR ChurnThreshold = [Average Purchase Interval] * 2
RETURN
    IF(DaysSinceLastPurchase > ChurnThreshold, TRUE(), FALSE())

Churn Rate =
DIVIDE(
    CALCULATE(COUNTROWS(DimCustomer), [Is Churned] = TRUE()),
    COUNTROWS(DimCustomer),
    0
)

تصور مخاطر التقلب

إذا كان لديك نموذج تنبؤي (مدمج في Python مع scikit-learn، على سبيل المثال) يُخرج احتمالية التراجع لكل عميل، فاستورد هذه النتائج إلى Power BI وتصورها.

توزيع مخاطر عدم الاستخدام. رسم بياني يوضح توزيع درجات احتمالية عدم الاستخدام عبر قاعدة عملائك. من الناحية المثالية، يتجمع معظم العملاء عند الطرف منخفض المخاطر مع وجود ذيل أصغر معرض لمخاطر عالية.

قائمة العملاء ذوي المخاطر العالية. جدول مرتب يوضح العملاء الذين لديهم أعلى احتمالية للتوقف عن العمل، إلى جانب شريحة RFM الخاصة بهم، ومدة الاستخدام، وتاريخ الشراء الأخير، وإجمالي القيمة الدائمة. هذا هو الناتج القابل للتنفيذ --- يعمل فريق الاحتفاظ بهذه القائمة يوميًا.

مخاطر التوقف عن العمل حسب القطاع. مخطط شريطي يوضح متوسط ​​احتمالية التوقف عن العمل حسب شريحة العميل (الصناعة، ومصدر الاستحواذ، وفئة المنتج). ويكشف هذا عن عوامل الخطر المنهجية التي يمكن للاستراتيجيات العامة معالجتها.

المخطط الزمني للتوقف عن العمل. مخطط خطي يوضح معدل التوقف الشهري على مدار 24 شهرًا. قم بإضافة خطوط مرجعية لمعدل التدوير المستهدف ومعيار الصناعة. تراكب تواريخ الحملات التسويقية لتصور تأثير مبادرات الاحتفاظ.

---

القيمة الدائمة للعميل (CLV)

CLV التاريخية

إن أبسط حساب لقيمة رأس المال الإجمالي (CLV) يجمع كل الإيرادات التاريخية من العميل.

Historical CLV =
CALCULATE(
    SUM(FactTransaction[OrderAmount]),
    FactTransaction[IsReturn] = FALSE(),
    ALLEXCEPT(DimCustomer, DimCustomer[CustomerID])
)

Average CLV =
AVERAGEX(
    DimCustomer,
    [Historical CLV]
)

CLV by Acquisition Source =
CALCULATE(
    AVERAGEX(DimCustomer, [Historical CLV])
)
-- Slice by DimCustomer[AcquisitionSource] in visualization

CLV التنبؤية

تقوم CLV التنبؤية بتقدير إجمالي الإيرادات المستقبلية التي سيحققها العميل. يستخدم النهج المبسط متوسط ​​الإيرادات لكل فترة مضروبًا في العمر المتبقي المتوقع.

Avg Monthly Revenue =
VAR TotalRev = [Historical CLV]
VAR TenureMonths =
    DATEDIFF(
        CALCULATE(MIN(FactTransaction[TransactionDate]),
            ALLEXCEPT(DimCustomer, DimCustomer[CustomerID])),
        TODAY(),
        MONTH
    ) + 1
RETURN
    DIVIDE(TotalRev, TenureMonths, 0)

Expected Lifetime Months =
-- Based on segment retention rates
-- Champions: 48 months, Loyal: 36, At Risk: 6, etc.
SWITCH(
    [RFM Segment],
    "Champions", 48,
    "Loyal Customers", 36,
    "Potential Loyalists", 24,
    "Promising", 18,
    "At Risk", 6,
    "Cannot Lose Them", 12,
    3
)

Predictive CLV =
[Avg Monthly Revenue] * [Expected Lifetime Months]

Total CLV = [Historical CLV] + [Predictive CLV]

تصور CLV

توزيع CLV. رسم بياني يوضح توزيع CLV عبر قاعدة عملائك. يكشف الشكل ما إذا كانت القيمة مركزة في عدد قليل من عملاء الحيتان (منحرفة لليمين) أو موزعة بشكل أكثر توازناً.

CLV حسب مصدر الاكتساب. مخطط شريطي يقارن متوسط ​​القيمة الدائمة عبر قنوات الاكتساب. هذا هو المقياس التسويقي الأكثر أهمية لأنه يكشف ما إذا كانت قنوات الاستحواذ باهظة الثمن (الإعلانات المدفوعة) تنتج بالفعل عملاء ذوي قيمة أعلى من القنوات الأرخص (العضوية والإحالة).

CLV مقابل CAC. مخطط مبعثر مع تكلفة اكتساب العملاء على المحور X وCLV على المحور Y، حيث تمثل كل نقطة قناة أو حملة اكتساب. النقاط فوق خط التعادل تكون مربحة؛ النقاط أدناه غير مربحة. تشير المسافة من الخط إلى حجم الربح أو الخسارة.

اتجاه القيمة الدائمة. تتبّع متوسط ​​القيمة الدائمة للمجموعات النموذجية الجديدة مع مرور الوقت. إذا كانت المجموعات النموذجية الجديدة تتمتع بمتوسط ​​قيمة أقل لقيمة العملاء (CLV)، فقد تنخفض جودة عميلك --- ربما لأنك تتوسع لتشمل جماهير أقل تأهيلاً.

---

رسم خرائط رحلة العميل

مراحل الرحلة

تصور رحلة العميل في Power BI المسارات التي يتخذها العملاء من خلال تجربة المنتج أو الخدمة. تحديد المراحل بناءً على نموذج عملك.

بالنسبة لأعمال التجارة الإلكترونية، قد تتضمن المراحل الزيارة الأولى، وإنشاء الحساب، والشراء الأول، والشراء الثاني، والتسجيل في برنامج الولاء، والدعوة (الإحالة).

بالنسبة لأعمال SaaS، قد تتضمن المراحل الاشتراك التجريبي، وإكمال الإعداد، واعتماد الميزة الأولى، والتوسع (الترقية أو الوظيفة الإضافية)، والتجديد، والدعوة.

مسار الرحلة

Stage 1 (Visited) = DISTINCTCOUNT(FactInteraction[CustomerID])

Stage 2 (Account Created) =
CALCULATE(
    DISTINCTCOUNT(DimCustomer[CustomerID]),
    NOT(ISBLANK(DimCustomer[AcquisitionDate]))
)

Stage 3 (First Purchase) =
CALCULATE(
    DISTINCTCOUNT(FactTransaction[CustomerID]),
    FILTER(
        FactTransaction,
        RANKX(
            FILTER(FactTransaction, FactTransaction[CustomerID] = EARLIER(FactTransaction[CustomerID])),
            FactTransaction[TransactionDate],
            ,ASC
        ) = 1
    )
)

Stage Conversion =
DIVIDE([Stage 3 (First Purchase)], [Stage 2 (Account Created)], 0)

تصور الرحلة

مخطط Sankey. يعرض مرئي Sankey المخصص لـ Power BI (من AppSource) تدفق العملاء بين المراحل، مع عرض الفروع المتناسب مع حجم العميل. وهذا لا يكشف فقط عن عدد العملاء الذين يتقدمون خلال كل مرحلة، بل يكشف أيضًا عن نقاط تباعدهم --- هل يتخطون المراحل، أو يتخذون مسارات بديلة، أو يخرجون من الرحلة تمامًا؟

المخطط الزمني للعميل. بالنسبة لتحليل العملاء الفرديين، يوفر المخطط الزمني المرئي الذي يعرض كل تفاعل بترتيب زمني قصة كاملة للعميل. يعد هذا مفيدًا لفرق الدعم والمبيعات والنجاح التي تحتاج إلى سياق قبل التعامل مع عميل معين.

تحليل الانقطاع. مخطط انحداري يوضح عدد العملاء في كل مرحلة من مراحل الرحلة، مع تمييز التناقصات بين المراحل. تحدد التناقصات الأكبر فرص التحسين الأكثر أهمية. إذا لم يجرِ 60% من العملاء الذين أنشأوا حسابات أي عملية شراء مطلقًا، فإن تجربة الشراء الأولى هي أولويتك.

---

تصميم وتنفيذ لوحة التحكم

صفحة الملخص التنفيذي

يجب أن يجيب الملخص التنفيذي لتحليلات العملاء على خمسة أسئلة في لمحة واحدة. ما هو عدد العملاء النشطين لدينا، وهل هذا العدد في تزايد؟ ما هو توزيع عملائنا عبر قطاعات RFM؟ ما هو معدل التقلب العام لدينا والاتجاه؟ ما هو متوسط ​​CLV لدينا، وهل يتحسن؟ ما هي قنوات الاستحواذ التي تنتج العملاء الأكثر قيمة؟

استخدم 4-6 بطاقات مؤشرات الأداء الرئيسية، ومخطط توزيع المقاطع، وخط اتجاه التراجع، ومقارنة CLV حسب القناة.

تقسيم صفحات الغوص العميق

يستحق كل قطاع رئيسي من قطاعات RFM صفحة تفصيلية تعرض قائمة العملاء بالمقاييس الرئيسية، والأنماط السلوكية للقطاع (تكرار الشراء، ومتوسط ​​قيمة الطلب، وتفضيلات المنتج)، ومساهمة إيرادات القطاع واتجاهه، والإجراءات الموصى بها مع تتبع نتائج الإجراء.

تصفية الخدمة الذاتية

قم بتضمين شرائح البيانات للفترة الزمنية، ونطاق تاريخ الاكتساب، ومنطقة العميل، وفئة المنتج، ومصدر الاكتساب. يتيح ذلك لفرق التسويق والمبيعات ونجاح العملاء إجراء التحليلات المجزأة الخاصة بهم دون طلب تقارير مخصصة.

---

الأسئلة المتداولة

كم عدد شرائح RFM التي يجب أن أقوم بإنشائها؟

يستخدم النهج الكلاسيكي 5 شرائح خماسية لكل بُعد، مما ينتج 125 مجموعة محتملة من نقاط RFM (5 × 5 × 5). يتم بعد ذلك تعيينها إلى 8-12 قطعة مسماة للاستخدام العملي. يعتمد العدد الدقيق للشرائح القابلة للتنفيذ على قدرتك على التمييز بين علاجك. إذا كان فريق التسويق الخاص بك يمكنه إدارة 4 حملات متميزة فقط، فإن استخدام 12 شريحة يخلق تعقيدًا بدون قيمة. ابدأ بـ 5-6 قطاعات وتوسع مع نمو قدرتك التشغيلية.

كيف يمكنني حساب القيمة الدائمة لأعمال الاشتراك مقابل أعمال المعاملات؟

بالنسبة للشركات القائمة على الاشتراكات، CLV = متوسط ​​الإيرادات الشهرية لكل مستخدم (ARPU) مضروبًا في متوسط ​​عمر العميل بالأشهر، مطروحًا منه تكلفة الخدمة. يتم حساب عمر العميل على أنه 1 مقسومًا على معدل التوقف الشهري. بالنسبة لمعدل التغيير الشهري بنسبة 3%، يبلغ متوسط ​​العمر 33.3 شهرًا. بالنسبة إلى الأنشطة التجارية التي لا تحتوي على اشتراكات، CLV = متوسط ​​قيمة الطلب مضروبًا في عدد مرات الشراء في السنة مضروبًا في متوسط ​​عمر العميل بالسنوات. يتطلب نهج المعاملة تحديد ما يشكل العميل "النشط".

ما هي مشكلات جودة البيانات التي تؤثر عادةً على تحليلات العملاء؟

تتمثل المشكلات الأكثر شيوعًا في سجلات العملاء المكررة (نفس الشخص بمعرفات متعددة)، وبيانات المعاملات المفقودة (لم يتم تسجيل عمليات الشراء دون اتصال بالإنترنت)، وسمات العملاء غير المكتملة (مصدر الاستحواذ أو البيانات الديموغرافية المفقودة)، وتنسيق التاريخ غير المتسق عبر الأنظمة. قم بمعالجة التكرارات من خلال عملية إدارة البيانات الرئيسية أو المطابقة الغامضة. تنفيذ التحقق من صحة البيانات عند نقطة الالتقاط. بالنسبة للبيانات التاريخية المفقودة، استخدم تقنيات التضمين أو ضع علامة واضحة على المقاييس المتأثرة على أنها تقريبية.

هل يستطيع Power BI بناء نموذج التنبؤ بالتوقف عن العمل نفسه؟

يمكن لمرئيات الذكاء الاصطناعي المدمجة في Power BI (المؤثرات الرئيسية واكتشاف الحالات الشاذة) تحديد العوامل المرتبطة بالتغيير، ولكن بالنسبة لنموذج تنبؤي على مستوى الإنتاج، استخدم Python (scikit-learn) أو R المدمج في Power BI أو Azure Machine Learning مع نقطة نهاية منشورة للتسجيل، أو نظام أساسي مخصص لتحليلات العملاء مثل Amplitude أو Mixpanel. تكمن قوة Power BI في تصور مخرجات النموذج والتصرف بناءً عليها، وليس في بناء النماذج نفسها.

كم مرة يجب إعادة حساب نتائج RFM؟

إعادة حساب درجات RFM شهريًا لمعظم الشركات. قد تستفيد شركات المعاملات عالية التردد (التجارة الإلكترونية، توصيل الطعام) من إعادة الحساب الأسبوعية. يجب أن يتطابق تكرار التحديث مع إيقاع حملتك التسويقية --- فلا قيمة لإعادة الحساب يوميًا إذا كنت تدير حملات شهرية فقط. تأكد من أن جدول تحديث Power BI يتوافق مع عملية إعادة الحساب.

ما هي العلاقة بين شرائح RFM وCLV؟

ترتبط شرائح RFM ارتباطًا وثيقًا بـ CLV ولكنها تقيس أشياء مختلفة. RFM ذو مظهر رجعي --- فهو يصف السلوك الحالي. CLV تطلعية --- تقدر القيمة المستقبلية. عادةً ما يمتلك الأبطال أعلى CLV. العملاء الجدد لديهم CLV غير مؤكد. يتمتع العملاء المعرضون للخطر بقيمة إجمالية للقيمة (CLV) تاريخية مرتفعة ولكن القيمة المستقبلية المتوقعة تنخفض. استخدم كليهما معًا: RFM للتجزئة التكتيكية (ما هي الحملة التي يجب إرسالها) وCLV لاتخاذ القرارات الإستراتيجية (مقدار الاستثمار في الحصول على كل شريحة من العملاء والاحتفاظ بها).

كيف أتعامل مع تحليلات عملاء B2B حيث يكون "العميل" شركة؟

في تحليلات B2B، يكون كيان العميل عادةً هو الحساب (الشركة) وليس المشتري الفردي. يتم تطبيق تسجيل RFM على مستوى الحساب باستخدام بيانات المعاملات على مستوى الحساب. ومع ذلك، يمكنك أيضًا تتبع جهات الاتصال الفردية داخل الحسابات لإجراء تحليل متعدد الخيوط. تتضمن الإضافات الرئيسية في B2B تسجيل صحة الحساب (الجمع بين بيانات الاستخدام وتذاكر الدعم والتوسع وتجديد العقد)، ورسم خرائط لجنة الشراء، وتتبع إيرادات التوسع (الاحتفاظ بالدولار الصافي). يحتاج نموذج البيانات إلى أبعاد الحساب وجهات الاتصال مع جدول جسر متعدد إلى متعدد.

---

تحليلات العملاء المهنية

تعمل تحليلات العملاء على تحويل التسويق من الإنفاق القائم على الحدس إلى الاستثمار القائم على البيانات. تشكل التقنيات الواردة في هذا الدليل --- تجزئة RFM، والتحليل الجماعي، وحساب CLV، والتنبؤ بالتغيير --- الأساس لقدرة ذكاء العملاء التي تتضاعف قيمتها مع نمو بياناتك.

تتضمن خدمات Power BI من ECOSIRE تطوير لوحة المعلومات لتحليلات العملاء وتقسيمهم، وتحليلات الذكاء الاصطناعي للنمذجة التنبؤية ومنع التوقف عن العمل، والتدريب للفرق التي تعمل على بناء قدرات تحليلات الخدمة الذاتية.

---

غالبًا ما تكون رؤى تحليلات العملاء الأكثر قيمة هي الأبسط: أفضل عملائك ليسوا من تعتقد أنهم هم. يكشف سجل RFM عن الموالين الهادئين الذين يشترون باستمرار ولكنهم لا يشكون أبدًا، والحيتان المعرضة للخطر الذين لديهم تجربة سيئة واحدة بعد المغادرة، والعملاء الجدد الذين يظهرون إشارات مبكرة على أن يصبحوا أبطالًا. لا يتعلق التقسيم إلى تصنيف الأشخاص --- بل يتعلق بفهمهم بشكل جيد بما يكفي لخدمتهم بشكل مختلف.