पावर बीआई ग्राहक विश्लेषण: आरएफएम विभाजन और आजीवन मूल्य

ग्राहक विश्लेषण उस प्रश्न का उत्तर देता है जिसका उत्तर हर व्यवसाय को चाहिए, लेकिन कुछ ही सटीक उत्तर दे सकते हैं: कौन से ग्राहक सबसे मूल्यवान हैं, कौन से जा रहे हैं, और हमें इसके बारे में क्या करना चाहिए? विभाजन के बिना, विपणन प्रत्येक ग्राहक के साथ एक जैसा व्यवहार करता है --- वही ईमेल, वही ऑफर, वही ध्यान। जिस ग्राहक ने पिछले वर्ष $50,000 खर्च किए थे, उसे उस ग्राहक के समान अवकाश छूट कोड प्राप्त होता है जिसने $29 की एक खरीदारी की थी और कभी वापस नहीं लौटा।

आरएफएम (रीसेंसी, फ्रीक्वेंसी, मौद्रिक) विभाजन, समूह विश्लेषण, मंथन भविष्यवाणी, और ग्राहक जीवनकाल मूल्य (सीएलवी) गणना कच्चे लेनदेन डेटा को कार्रवाई योग्य ग्राहक खुफिया में बदल देती है। पावर बीआई इन तकनीकों को बड़े पैमाने पर लागू करने के लिए विज़ुअलाइज़ेशन और विश्लेषणात्मक मंच प्रदान करता है, जिससे लाखों लेनदेन रिकॉर्ड खंडित, स्कोर करने योग्य और कार्रवाई योग्य ग्राहक प्रोफाइल में बदल जाते हैं।

यह मार्गदर्शिका कोहोर्ट विश्लेषण, मंथन विज़ुअलाइज़ेशन, सीएलवी गणना और ग्राहक यात्रा मानचित्रण के माध्यम से आरएफएम स्कोरिंग के लिए डेटा मॉडल और DAX उपायों से पावर बीआई में ग्राहक विश्लेषण के संपूर्ण कार्यान्वयन को कवर करती है।

---

ग्राहक विश्लेषण के लिए डेटा मॉडल

कोर टेबल्स

ग्राहक विश्लेषण ग्राहक की पहचान से जुड़े संपूर्ण लेनदेन इतिहास पर निर्भर करता है।

ग्राहक आयाम (डिमकस्टमर)। ग्राहक मास्टर डेटा जिसमें ग्राहक आईडी, ग्राहक नाम, ईमेल, अधिग्रहण दिनांक, अधिग्रहण स्रोत (जैविक, भुगतान, रेफरल, पार्टनर), उद्योग (बी2बी के लिए), क्षेत्र, देश, शहर, खाता प्रबंधक, ग्राहक स्तर (यदि पहले खंडित है), और IsActive शामिल हैं।

लेन-देन तथ्य तालिका (FactTransaction). प्रत्येक खरीद घटना। कॉलम में TransactionID, CustomerID, TransactionDate, orderAmount, ItemCount, ProductCategory, PaymentMethod, चैनल (ऑनलाइन, इन-स्टोर, फ़ोन), DiscountAmount, और IsReturn शामिल हैं।

इंटरैक्शन तथ्य तालिका (फैक्टइंटरेक्शन)। समर्थन टिकट, वेबसाइट विज़िट, ईमेल ओपन और ऐप लॉगिन सहित खरीदारी से परे ग्राहक संपर्क बिंदु। कॉलम में इंटरेक्शनआईडी, कस्टमरआईडी, इंटरेक्शनडेट, इंटरेक्शनटाइप (खरीदारी, समर्थन, ईमेल_ओपन, ईमेल_क्लिक, वेबसाइट_विजिट, ऐप_लॉगिन), चैनल और अवधि शामिल हैं।

तिथि आयाम (DimDate). मानक दिनांक तालिका.

---

आरएफएम विभाजन

आरएफएम स्कोर की गणना

आरएफएम स्कोरिंग प्रत्येक ग्राहक को तीन व्यवहार आयामों के आधार पर एक स्कोर प्रदान करता है।

रीसेंसी: ग्राहक ने हाल ही में कितनी खरीदारी की? हाल की खरीदारी उच्च सहभागिता का संकेत देती है।

आवृत्ति: ग्राहक कितनी बार खरीदारी करता है? उच्च आवृत्ति मजबूत निष्ठा का संकेत देती है।

मौद्रिक: ग्राहक कितना खर्च करता है? अधिक व्यय अधिक मूल्य का संकेत देता है।

प्रत्येक आयाम को क्विंटाइल रैंकिंग का उपयोग करके 1-5 पैमाने पर स्कोर किया जाता है। 5-5-5 के आरएफएम स्कोर वाला ग्राहक आपका सबसे अच्छा ग्राहक है। 1-1-1 का स्कोर आपकी सबसे कम व्यस्तता है।

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])
)

DAX में क्विंटाइल स्कोरिंग

क्विंटाइल गणना प्रत्येक ग्राहक को प्रत्येक आरएफएम आयाम के लिए पांच समान समूहों में से एक को सौंपती है। रीसेंसी के लिए, कम दिनों का मतलब उच्च स्कोर है (अधिक हालिया बेहतर है)। फ़्रिक्वेंसी और मौद्रिक के लिए, उच्च मूल्यों का मतलब उच्च स्कोर है।

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"
    )

आरएफएम विज़ुअलाइज़ेशन

सेगमेंट वितरण। प्रत्येक आरएफएम सेगमेंट में ग्राहकों की संख्या और कुल मूल्य दिखाने वाला एक ट्रीमैप या क्षैतिज बार चार्ट। इससे तुरंत आपके ग्राहक आधार के स्वास्थ्य का पता चलता है --- एक बड़ा "चैंपियंस" खंड सकारात्मक है; एक बड़ा "जोखिम में" या "खोया हुआ" खंड परेशानी का संकेत देता है।

आरएफएम स्कैटर प्लॉट। एक्स-अक्ष पर फ्रीक्वेंसी और वाई-अक्ष पर मौद्रिक के साथ एक स्कैटर प्लॉट, रीसेंसी स्कोर द्वारा रंगीन। यह त्रि-आयामी दृश्य क्लस्टर और आउटलेयर को प्रकट करता है जो अकेले खंड लेबल से छूट सकते हैं।

सेगमेंट एक्शन मैट्रिक्स। अनुशंसित कार्यों के लिए प्रत्येक सेगमेंट को मैप करने वाली एक तालिका।

---

समूह विश्लेषण

बिल्डिंग कोहोर्ट मेट्रिक्स

समूह विश्लेषण ग्राहकों को उनकी अधिग्रहण अवधि (महीने या तिमाही) के आधार पर समूहित करता है और बाद की अवधि में उनके व्यवहार को ट्रैक करता है। इससे पता चलता है कि समय के साथ ग्राहक गुणवत्ता में सुधार हो रहा है या गिरावट आ रही है।

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)

कोहोर्ट रिटेंशन मैट्रिक्स

क्लासिक कोहोर्ट रिटेंशन मैट्रिक्स एक हीटमैप है जिसमें पंक्तियों पर कोहोर्ट महीने और स्तंभों पर अवधि संख्याएं (अधिग्रहण के बाद से महीने) होती हैं। सेल मान अवधारण दर दिखाते हैं, सशर्त स्वरूपण के साथ गहरे हरे (उच्च प्रतिधारण) से गहरे लाल (कम प्रतिधारण) तक एक ग्रेडिएंट बनाते हैं।

मैट्रिक्स को पढ़ने से पैटर्न का पता चलता है। यह देखने के लिए पंक्तियों में देखें कि प्रत्येक समूह समय के साथ कैसा बना रहता है। यह देखने के लिए कॉलम नीचे देखें कि किसी विशिष्ट कार्यकाल बिंदु पर प्रतिधारण में सुधार हो रहा है या सभी समूहों में बिगड़ रहा है। हाल के सभी समूहों में "महीना 3" कॉलम में अचानक गिरावट एक ऑनबोर्डिंग समस्या का संकेत दे सकती है। क्रमिक समूहों में "माह 1" कॉलम में क्रमिक सुधार से पता चलता है कि आपका पहली खरीदारी का अनुभव बेहतर हो रहा है।

राजस्व समूह विश्लेषण

प्रतिधारण से परे, आजीवन मूल्य रुझानों को समझने के लिए प्रति समूह राजस्व पर नज़र रखें।

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])
    )
)

ओवरलैपिंग लाइन चार्ट के रूप में प्रति समूह संचयी राजस्व की कल्पना करें, जिसमें प्रत्येक पंक्ति एक समूह का प्रतिनिधित्व करती है। यदि हाल के समूहों का राजस्व वक्र पुराने समूहों की तुलना में अधिक तीव्र है, तो आपका ग्राहक मूल्य बढ़ रहा है। यदि वे सपाट हैं, तो औसत ग्राहक मूल्य घट रहा है।

---

मंथन भविष्यवाणी दृश्य

मंथन को परिभाषित करना

मंथन की परिभाषा आपके व्यवसाय मॉडल पर निर्भर करती है। सदस्यता व्यवसायों के लिए, मंथन रद्दीकरण है। लेन-देन-आधारित व्यवसायों के लिए, मंथन को आम तौर पर परिभाषित अवधि के भीतर कोई खरीद नहीं होने के रूप में परिभाषित किया जाता है (उदाहरण के लिए, औसत खरीद अंतराल से दोगुना)।

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
)

मंथन जोखिम दृश्य

यदि आपके पास एक पूर्वानुमानित मॉडल है (उदाहरण के लिए, स्किकिट-लर्न के साथ पायथन में निर्मित) जो प्रत्येक ग्राहक के लिए मंथन संभावना को आउटपुट करता है, तो उन स्कोर को पावर बीआई में आयात करें और उन्हें विज़ुअलाइज़ करें।

मंथन जोखिम वितरण। आपके ग्राहक आधार पर मंथन संभावना स्कोर के वितरण को दर्शाने वाला एक हिस्टोग्राम। आदर्श रूप से, अधिकांश ग्राहक कम जोखिम वाले छोर पर समूह बनाते हैं और उच्च जोखिम वाले हिस्से की संख्या छोटी होती है।

उच्च जोखिम वाले ग्राहकों की सूची। उच्चतम मंथन संभावना वाले ग्राहकों को उनके आरएफएम खंड, कार्यकाल, अंतिम खरीद तिथि और कुल जीवनकाल मूल्य के साथ दिखाने वाली एक क्रमबद्ध तालिका। यह कार्रवाई योग्य आउटपुट है --- रिटेंशन टीम इस सूची पर प्रतिदिन काम करती है।

खंड के आधार पर जोखिम का मंथन करें। ग्राहक खंड (उद्योग, अधिग्रहण स्रोत, उत्पाद श्रेणी) के आधार पर औसत मंथन की संभावना दर्शाने वाला एक बार चार्ट। इससे व्यवस्थित जोखिम कारकों का पता चलता है जिन्हें व्यापक रणनीतियाँ संबोधित कर सकती हैं।

मंथन समयरेखा। 24 महीनों में मासिक मंथन दर दिखाने वाला एक लाइन चार्ट। लक्ष्य मंथन दर और उद्योग बेंचमार्क के लिए संदर्भ पंक्तियाँ जोड़ें। अवधारण पहलों के प्रभाव की कल्पना करने के लिए ओवरले मार्केटिंग अभियान की तारीखें।

---

ग्राहक आजीवन मूल्य (सीएलवी)

ऐतिहासिक सीएलवी

सबसे सरल सीएलवी गणना एक ग्राहक से सभी ऐतिहासिक राजस्व का योग करती है।

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

पूर्वानुमानित सीएलवी

पूर्वानुमानित सीएलवी अनुमान लगाता है कि ग्राहक भविष्य में कितना राजस्व उत्पन्न करेगा। एक सरलीकृत दृष्टिकोण प्रति अवधि औसत राजस्व को अपेक्षित शेष जीवनकाल से गुणा करके उपयोग करता है।

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]

सीएलवी विज़ुअलाइज़ेशन

सीएलवी वितरण। आपके ग्राहक आधार पर सीएलवी के वितरण को दर्शाने वाला हिस्टोग्राम। आकार से पता चलता है कि क्या मूल्य कुछ व्हेल ग्राहकों (दाहिनी ओर तिरछा) में केंद्रित है या अधिक समान रूप से वितरित है।

अधिग्रहण स्रोत द्वारा सीएलवी। अधिग्रहण चैनलों में औसत सीएलवी की तुलना करने वाला एक बार चार्ट। यह सबसे महत्वपूर्ण विपणन मीट्रिक है क्योंकि इससे पता चलता है कि क्या महंगे अधिग्रहण चैनल (भुगतान किए गए विज्ञापन) वास्तव में सस्ते चैनलों (ऑर्गेनिक, रेफरल) की तुलना में अधिक मूल्य वाले ग्राहक पैदा करते हैं।

सीएलवी बनाम सीएसी। एक्स-अक्ष पर ग्राहक अधिग्रहण लागत और वाई-अक्ष पर सीएलवी के साथ एक स्कैटर प्लॉट, प्रत्येक बिंदु एक अधिग्रहण चैनल या अभियान का प्रतिनिधित्व करता है। सम-विच्छेदित विकर्ण के ऊपर के बिंदु लाभदायक हैं; नीचे दिए गए बिंदु लाभहीन हैं। रेखा से दूरी लाभ या हानि के परिमाण को दर्शाती है।

सीएलवी प्रवृत्ति। समय के साथ नए समूहों के औसत सीएलवी को ट्रैक करें। यदि नए समूहों का औसत सीएलवी कम है, तो आपकी ग्राहक गुणवत्ता में गिरावट हो सकती है --- संभवतः क्योंकि आप कम-योग्य दर्शकों तक विस्तार कर रहे हैं।

---

ग्राहक यात्रा मानचित्रण

यात्रा चरण

पावर बीआई में ग्राहक यात्रा मानचित्रण उन रास्तों की कल्पना करता है जो ग्राहक आपके उत्पाद या सेवा अनुभव के माध्यम से अपनाते हैं। अपने व्यवसाय मॉडल के आधार पर चरणों को परिभाषित करें।

ई-कॉमर्स व्यवसाय के लिए, चरणों में पहली यात्रा, खाता निर्माण, पहली खरीदारी, दूसरी खरीदारी, वफादारी कार्यक्रम नामांकन और वकालत (रेफ़रल) शामिल हो सकते हैं।

SaaS व्यवसाय के लिए, चरणों में ट्रायल साइनअप, ऑनबोर्डिंग पूर्णता, पहली सुविधा को अपनाना, विस्तार (अपग्रेड या ऐड-ऑन), नवीनीकरण और वकालत शामिल हो सकते हैं।

यात्रा फ़नल

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)

यात्रा दृश्य

सैंकी आरेख। पावर बीआई का कस्टम सैंकी विज़ुअल (ऐपसोर्स से) चरणों के बीच ग्राहकों के प्रवाह को दिखाता है, जिसमें शाखा की चौड़ाई ग्राहक की मात्रा के समानुपाती होती है। इससे न केवल यह पता चलता है कि प्रत्येक चरण में कितने ग्राहक आगे बढ़ते हैं, बल्कि यह भी पता चलता है कि वे कहां भटकते हैं --- क्या वे चरणों को छोड़ देते हैं, वैकल्पिक रास्ते अपनाते हैं, या पूरी तरह से यात्रा से बाहर निकल जाते हैं?

ग्राहक समयरेखा। व्यक्तिगत ग्राहक विश्लेषण के लिए, प्रत्येक इंटरैक्शन को कालानुक्रमिक रूप से दिखाने वाला एक समयरेखा दृश्य एक संपूर्ण ग्राहक कहानी प्रदान करता है। यह समर्थन, बिक्री और सफलता टीमों के लिए मूल्यवान है, जिन्हें किसी विशिष्ट ग्राहक से जुड़ने से पहले संदर्भ की आवश्यकता होती है।

ड्रॉप-ऑफ़ विश्लेषण। प्रत्येक यात्रा चरण में ग्राहकों की संख्या दर्शाने वाला एक वॉटरफ़ॉल चार्ट, जिसमें चरणों के बीच की गिरावट पर प्रकाश डाला गया है। सबसे बड़ी गिरावट सबसे महत्वपूर्ण सुधार के अवसरों की पहचान करती है। यदि खाता बनाने वाले 60% ग्राहक कभी खरीदारी नहीं करते हैं, तो पहली खरीदारी का अनुभव आपकी प्राथमिकता है।

---

डैशबोर्ड डिज़ाइन और कार्यान्वयन

कार्यकारी सारांश पृष्ठ

ग्राहक विश्लेषण कार्यकारी सारांश को एक नज़र में पाँच प्रश्नों का उत्तर देना चाहिए। हमारे पास कितने सक्रिय ग्राहक हैं और क्या यह बढ़ रहा है? आरएफएम खंडों में हमारा ग्राहक वितरण क्या है? हमारी समग्र मंथन दर और प्रवृत्ति क्या है? हमारा औसत सीएलवी क्या है और क्या इसमें सुधार हो रहा है? कौन से अधिग्रहण चैनल सबसे मूल्यवान ग्राहक पैदा करते हैं?

4-6 केपीआई कार्ड, एक खंड वितरण चार्ट, एक मंथन प्रवृत्ति रेखा और चैनल द्वारा सीएलवी तुलना का उपयोग करें।

सेगमेंट डीप-डाइव पेज

प्रत्येक प्रमुख आरएफएम खंड एक ड्रिल-थ्रू पेज का हकदार है, जो प्रमुख मेट्रिक्स, खंड के व्यवहार पैटर्न (खरीद आवृत्ति, औसत ऑर्डर मूल्य, उत्पाद प्राथमिकताएं), खंड के राजस्व योगदान और प्रवृत्ति, और कार्रवाई परिणामों की ट्रैकिंग के साथ अनुशंसित कार्यों के साथ ग्राहक सूची दिखाता है।

स्व-सेवा फ़िल्टरिंग

समय अवधि, अधिग्रहण तिथि सीमा, ग्राहक क्षेत्र, उत्पाद श्रेणी और अधिग्रहण स्रोत के लिए स्लाइसर शामिल करें। ये मार्केटिंग, बिक्री और ग्राहक सफलता टीमों को कस्टम रिपोर्ट का अनुरोध किए बिना अपने स्वयं के खंडित विश्लेषण करने में सक्षम बनाते हैं।

---

अक्सर पूछे जाने वाले प्रश्न

मुझे कितने आरएफएम खंड बनाने चाहिए?

क्लासिक दृष्टिकोण प्रति आयाम 5 क्विंटल का उपयोग करता है, जिससे 125 संभावित आरएफएम स्कोर संयोजन (5 x 5 x 5) उत्पन्न होते हैं। फिर इन्हें व्यावहारिक उपयोग के लिए 8-12 नामित खंडों में मैप किया जाता है। कार्रवाई योग्य खंडों की सटीक संख्या आपके उपचार में अंतर करने की आपकी क्षमता पर निर्भर करती है। यदि आपकी मार्केटिंग टीम केवल 4 अलग-अलग अभियानों का प्रबंधन कर सकती है, तो 12 सेगमेंट का उपयोग करने से मूल्य के बिना जटिलता पैदा होती है। 5-6 खंडों से शुरू करें और जैसे-जैसे आपकी परिचालन क्षमता बढ़ती है, विस्तार करें।

मैं सदस्यता व्यवसाय बनाम लेनदेन व्यवसाय के लिए सीएलवी की गणना कैसे करूं?

सदस्यता व्यवसायों के लिए, सीएलवी = प्रति उपयोगकर्ता औसत मासिक राजस्व (एआरपीयू) को महीनों में औसत ग्राहक जीवनकाल से गुणा किया जाता है, सेवा की लागत घटा दी जाती है। ग्राहक जीवनकाल की गणना मासिक मंथन दर से विभाजित 1 के रूप में की जाती है। 3% मासिक मंथन दर के लिए, औसत जीवनकाल 33.3 महीने है। सदस्यता के बिना लेन-देन वाले व्यवसायों के लिए, सीएलवी = औसत ऑर्डर मूल्य को प्रति वर्ष खरीद आवृत्ति से गुणा किया जाता है और वर्षों में औसत ग्राहक जीवन काल से गुणा किया जाता है। लेन-देन दृष्टिकोण के लिए यह परिभाषित करने की आवश्यकता है कि "सक्रिय" ग्राहक क्या है।

कौन सी डेटा गुणवत्ता संबंधी समस्याएं आमतौर पर ग्राहक विश्लेषण को प्रभावित करती हैं?

सबसे आम समस्याएं डुप्लिकेट ग्राहक रिकॉर्ड (एकाधिक आईडी वाला एक ही व्यक्ति), गुम लेनदेन डेटा (ऑफ़लाइन खरीदारी कैप्चर नहीं की गई), अपूर्ण ग्राहक विशेषताएँ (लापता अधिग्रहण स्रोत या जनसांख्यिकीय डेटा), और सिस्टम में असंगत दिनांक स्वरूपण हैं। मास्टर डेटा प्रबंधन प्रक्रिया या फ़ज़ी मिलान के साथ डुप्लिकेट का पता लगाएं। कैप्चर के बिंदु पर डेटा सत्यापन लागू करें। गुम ऐतिहासिक डेटा के लिए, प्रतिरूपण तकनीकों का उपयोग करें या प्रभावित मेट्रिक्स को अनुमानित के रूप में स्पष्ट रूप से चिह्नित करें।

क्या पावर बीआई स्वयं मंथन पूर्वानुमान मॉडल बना सकता है?

पावर बीआई के अंतर्निहित एआई विज़ुअल्स (मुख्य इन्फ्लुएंसर, एनोमली डिटेक्शन) मंथन से संबंधित कारकों की पहचान कर सकते हैं, लेकिन उत्पादन-ग्रेड पूर्वानुमानित मॉडल के लिए, पावर बीआई में एकीकृत पायथन (स्किकिट-लर्न) या आर का उपयोग करें, प्रकाशित स्कोरिंग एंडपॉइंट के साथ एज़्योर मशीन लर्निंग, या एम्प्लिट्यूड या मिक्सपैनल जैसे समर्पित ग्राहक विश्लेषण मंच का उपयोग करें। पावर बीआई की ताकत मॉडल आउटपुट की कल्पना करना और उस पर कार्य करना है, न कि स्वयं मॉडल बनाना।

आरएफएम स्कोर की कितनी बार पुनर्गणना की जानी चाहिए?

अधिकांश व्यवसायों के लिए मासिक रूप से आरएफएम स्कोर की पुनर्गणना करें। उच्च-आवृत्ति लेनदेन व्यवसायों (ई-कॉमर्स, खाद्य वितरण) को साप्ताहिक पुनर्गणना से लाभ हो सकता है। ताज़ा आवृत्ति आपके मार्केटिंग अभियान ताल से मेल खाना चाहिए --- यदि आप केवल मासिक अभियान चलाते हैं तो दैनिक पुनर्गणना करने का कोई मूल्य नहीं है। सुनिश्चित करें कि आपका Power BI रिफ्रेश शेड्यूल पुनर्गणना के साथ संरेखित हो।

आरएफएम खंडों और सीएलवी के बीच क्या संबंध है?

आरएफएम खंड सीएलवी के साथ दृढ़ता से सहसंबद्ध हैं लेकिन विभिन्न चीजों को मापते हैं। आरएफएम पीछे की ओर देखने वाला है --- यह वर्तमान व्यवहार का वर्णन करता है। सीएलवी भविष्योन्मुखी है --- यह भविष्य के मूल्य का अनुमान लगाता है। चैंपियंस के पास आमतौर पर उच्चतम सीएलवी होता है। नए ग्राहकों के पास अनिश्चित सीएलवी है। जोखिम में ग्राहकों के पास उच्च ऐतिहासिक सीएलवी है लेकिन भविष्य में अनुमानित मूल्य में गिरावट आ रही है। दोनों का एक साथ उपयोग करें: सामरिक विभाजन के लिए आरएफएम (कौन सा अभियान भेजना है) और रणनीतिक निर्णयों के लिए सीएलवी (प्रत्येक ग्राहक खंड को प्राप्त करने और बनाए रखने में कितना निवेश करना है)।

मैं बी2बी ग्राहक विश्लेषण को कैसे संभालूं जहां "ग्राहक" एक कंपनी है?

बी2बी एनालिटिक्स में, ग्राहक इकाई आम तौर पर व्यक्तिगत खरीदार के बजाय खाता (कंपनी) होती है। आरएफएम स्कोरिंग खाता-स्तरीय लेनदेन डेटा का उपयोग करके खाता स्तर पर लागू होता है। हालाँकि, मल्टी-थ्रेडिंग विश्लेषण के लिए खातों के भीतर व्यक्तिगत संपर्कों को भी ट्रैक करें। प्रमुख बी2बी परिवर्धन में खाता स्वास्थ्य स्कोरिंग (उपयोग, समर्थन टिकट, विस्तार और अनुबंध नवीनीकरण डेटा का संयोजन), क्रय समिति मैपिंग, और विस्तार राजस्व ट्रैकिंग (शुद्ध डॉलर प्रतिधारण) शामिल हैं। डेटा मॉडल को अनेक-से-अनेक ब्रिज तालिका के साथ खाता और संपर्क आयाम दोनों की आवश्यकता होती है।

---

पेशेवर ग्राहक विश्लेषण

ग्राहक विश्लेषण मार्केटिंग को अंतर्ज्ञान-संचालित खर्च से डेटा-संचालित निवेश में बदल देता है। इस गाइड की तकनीकें --- आरएफएम विभाजन, समूह विश्लेषण, सीएलवी गणना, और मंथन भविष्यवाणी --- एक ग्राहक खुफिया क्षमता की नींव बनाती हैं जो आपके डेटा के बढ़ने के साथ मूल्य में वृद्धि करती है।

ECOSIRE की पावर बीआई सेवाओं में ग्राहक विश्लेषण और विभाजन के लिए डैशबोर्ड विकास, पूर्वानुमानित मॉडलिंग और मंथन रोकथाम के लिए एआई एनालिटिक्स, और स्वयं-सेवा विश्लेषण क्षमताओं का निर्माण करने वाली टीमों के लिए प्रशिक्षण शामिल हैं।

---

सबसे मूल्यवान ग्राहक विश्लेषण अंतर्दृष्टि अक्सर सबसे सरल होती है: आपके सर्वश्रेष्ठ ग्राहक वे नहीं हैं जो आप सोचते हैं कि वे हैं। आरएफएम स्कोरिंग से शांत वफादारों का पता चलता है जो लगातार खरीदारी करते हैं लेकिन कभी शिकायत नहीं करते हैं, जोखिम वाले व्हेल जो छोड़ने का एक बुरा अनुभव है, और नए ग्राहक जो चैंपियन बनने के शुरुआती संकेत दिखाते हैं। विभाजन लोगों को वर्गीकृत करने के बारे में नहीं है --- यह उन्हें अलग ढंग से सेवा देने के लिए पर्याप्त रूप से समझने के बारे में है।