Power BI Müşteri Analizi: RFM Segmentasyonu ve Yaşam Boyu Değer

Müşteri analitiği, her işletmenin yanıtlaması gereken soruyu yanıtlar, ancak çok az kişi kesin olarak yanıtlayabilir: Hangi müşteriler en değerlidir, hangileri ayrılıyor ve bu konuda ne yapmalıyız? Segmentasyon olmadan, pazarlama her müşteriye aynı şekilde davranır; aynı e-postalar, aynı teklifler, aynı ilgi. Geçen yıl 50.000 ABD Doları harcayan müşteri, 29 ABD Doları tutarında tek bir satın alma işlemi gerçekleştiren ve bir daha geri dönmeyen müşteriyle aynı tatil indirim kodunu alır.

RFM (Yenilik, Sıklık, Parasal) segmentasyonu, grup analizi, müşteri kaybı tahmini ve müşteri yaşam boyu değeri (CLV) hesaplaması, ham işlem verilerini eyleme dönüştürülebilir müşteri istihbaratına dönüştürür. Power BI, bu teknikleri geniş ölçekte uygulamak için görselleştirme ve analitik platform sağlayarak milyonlarca işlem kaydını bölümlere ayrılmış, puanlanabilir ve eyleme dönüştürülebilir müşteri profillerine dönüştürür.

Bu kılavuz, RFM puanlamasına yönelik veri modelinden ve DAX ölçümlerinden kohort analizi, kayıp görselleştirme, CLV hesaplaması ve müşteri yolculuğu haritalamasına kadar Power BI'da müşteri analitiğinin tam olarak uygulanmasını kapsar.

---

Müşteri Analitiği için Veri Modeli

Temel Tablolar

Müşteri analitiği, müşteri kimliğiyle bağlantılı eksiksiz işlem geçmişine dayanır.

Müşteri boyutu (DimCustomer). Müşteri Kimliği, MüşteriAdı, E-posta, AcquisitionDate, AcquisitionSource (organik, ücretli, yönlendirme, iş ortağı), Sektör (B2B için), Bölge, Ülke, Şehir, AccountManager, CustomerTier (daha önce segmentlere ayrılmışsa) ve IsActive dahil olmak üzere müşteri ana verileri.

İşlem bilgi tablosu (FactTransaction). Her satın alma etkinliği. Sütunlar arasında TransactionID, CustomerID, TransactionDate, OrderAmount, ItemCount, ProductCategory, PaymentMethod, Kanal (çevrimiçi, mağaza içi, telefon), İndirimAmount ve IsReturn yer alır.

Etkileşim bilgi tablosu (FactInteraction). Destek biletleri, web sitesi ziyaretleri, e-posta açma işlemleri ve uygulama oturum açma işlemleri dahil, satın alma işlemlerinin ötesindeki müşteri temas noktaları. Sütunlar arasında InteractionID, CustomerID, InteractionDate, InteractionType (satın alma, destek, email_open, email_click, website_visit, app_login), Kanal ve Süre bulunur.

Tarih boyutu (DimDate). Standart tarih tablosu.

---

RFM Segmentasyonu

RFM Puanlarını Hesaplama

RFM puanlaması, her müşteriye üç davranış boyutuna dayalı bir puan atar.

Yenilik: Müşteri ne kadar yakın zamanda bir satın alma işlemi gerçekleştirdi? Daha yeni satın almalar daha yüksek etkileşimi gösterir.

Sıklık: Müşteri ne sıklıkta alışveriş yapıyor? Daha yüksek frekans daha güçlü sadakati gösterir.

Parasal: Müşteri ne kadar harcıyor? Daha yüksek harcama, daha fazla değere işaret eder.

Her boyut, beşte birlik sıralamalar kullanılarak 1-5 arası bir ölçekte puanlanır. RFM puanı 5-5-5 olan müşteri en iyi müşterinizdir. 1-1-1 puanı en az etkileşime girdiğiniz puandır.

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'ta Beşli Puanlama

Quintile hesaplaması, her müşteriyi her RFM boyutu için beş eşit gruptan birine atar. Yenilik için daha düşük günler daha yüksek puan anlamına gelir (daha yeni olan daha iyidir). Frekans ve Parasal için daha yüksek değerler, daha yüksek puanlar anlamına gelir.

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"
    )

RFM Görselleştirme

Segment dağılımı. Her RFM segmentindeki müşterilerin sayısını ve toplam değerini gösteren bir ağaç haritası veya yatay çubuk grafik. Bu, müşteri tabanınızın sağlığını anında ortaya çıkarır; büyük bir "Şampiyonlar" segmenti olumludur; büyük bir "Risk Altında" veya "Kayıp" segmenti soruna işaret eder.

RFM dağılım grafiği. X ekseninde Frekans ve Y ekseninde Parasal olan, Yenilik puanıyla renklendirilmiş bir dağılım grafiği. Bu üç boyutlu görünüm, segment etiketlerinin tek başına gözden kaçırabileceği kümeleri ve aykırı değerleri ortaya çıkarır.

Segment eylem matrisi. Her segmenti önerilen eylemlerle eşleştiren bir tablo.

---

Kohort Analizi

Kohort Metrikleri Oluşturma

Kohort analizi, müşterileri satın alma dönemlerine (ay veya çeyrek) göre gruplandırır ve sonraki dönemlerdeki davranışlarını izler. Bu, müşteri kalitesinin zaman içinde iyileşip iyileşmediğini ortaya çıkarır.

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)

Kohortu Elde Tutma Matrisi

Klasik kohort tutma matrisi, satırlarda kohort aylarını ve sütunlarda dönem numaralarını (edinimden bu yana geçen aylar) içeren bir ısı haritasıdır. Hücre değerleri, koşullu biçimlendirmenin koyu yeşilden (yüksek tutma) koyu kırmızıya (düşük tutma) kadar bir geçiş oluşturmasıyla tutma oranını gösterir.

Matrisin okunması kalıpları ortaya çıkarır. Her grubun zaman içinde nasıl korunduğunu görmek için satırlara bakın. Belirli bir görev noktasında elde tutmanın kohortlar arasında iyileşip iyileşmediğini veya kötüleştiğini görmek için sütunlara bakın. Son zamanlardaki tüm kohortlarda "3. Ay" sütununda ani bir düşüş, bir katılım sorununa işaret ediyor olabilir. Birbirini takip eden gruplarda "1. Ay" sütunundaki kademeli iyileşme, ilk satın alma deneyiminizin daha iyi hale geldiğini gösteriyor.

Gelir Kohort Analizi

Elde tutmanın ötesinde, yaşam boyu değer eğilimlerini anlamak için grup başına geliri izleyin.

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])
    )
)

Her satırın bir grubu temsil ettiği, grup başına kümülatif geliri örtüşen çizgi grafikler olarak görselleştirin. Yeni grupların gelir eğrileri eski gruplara göre daha dikse müşteri değeriniz artıyor demektir. Daha düzse, ortalama müşteri değeri düşüyor.

---

Kayıp Tahmini Görselleştirmesi

Kaybetmeyi Tanımlama

Kayıp tanımı iş modelinize bağlıdır. Abonelik gerektiren işletmeler için aboneliği kaybetme, iptal anlamına gelir. İşlem bazlı işletmeler için, kayıp genellikle belirli bir süre içinde (örneğin, ortalama satın alma aralığının iki katı) hiçbir satın alma işlemi yapılmaması olarak tanımlanır.

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
)

Kayıp Riski Görselleştirmesi

Her müşteri için bir kayıp olasılığının çıktısını alan tahmine dayalı bir modeliniz varsa (örneğin, Python'da scikit-learn ile yerleşik) bu puanları Power BI'ya aktarın ve görselleştirin.

Kaybetme riski dağılımı. Müşteri tabanınız genelinde ayrılma olasılığı puanlarının dağılımını gösteren bir histogram. İdeal olarak, çoğu müşteri düşük riskli uçta kümelenir ve yüksek risk altında daha küçük bir kuyruk bulunur.

Yüksek riskli müşteri listesi. En yüksek kayıp olasılığına sahip müşterileri RFM segmenti, görev süresi, son satın alma tarihi ve toplam yaşam boyu değeriyle birlikte gösteren sıralanmış bir tablo. Bu, eyleme geçirilebilir çıktıdır --- saklama ekibi bu listeyi günlük olarak çalışır.

Segmente göre ayrılma riski. Müşteri segmentine (sektör, satın alma kaynağı, ürün kategorisi) göre ortalama ayrılma olasılığını gösteren bir çubuk grafik. Bu, geniş stratejilerin ele alabileceği sistematik risk faktörlerini ortaya koymaktadır.

Kaybolma zaman çizelgesi. 24 ay boyunca aylık kayıp oranını gösteren çizgi grafik. Hedef kayıp oranı ve sektör karşılaştırması için referans çizgileri ekleyin. Elde tutma girişimlerinin etkisini görselleştirmek için pazarlama kampanyası tarihlerini yerleştirin.

---

Müşteri Yaşam Boyu Değeri (CLV)

Tarihsel CLV

En basit CLV hesaplaması, bir müşteriden elde edilen tüm geçmiş gelirleri toplar.

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

Tahmine dayalı CLV

Tahmine dayalı CLV, bir müşterinin gelecekteki toplam gelirini tahmin eder. Basitleştirilmiş bir yaklaşım, dönem başına ortalama gelirin beklenen kalan kullanım ömrüyle çarpılmasını kullanır.

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]

CLV Görselleştirme

CLV dağıtımı. Müşteri tabanınız genelinde CLV'nin dağılımını gösteren bir histogram. Şekil, değerin birkaç balina müşterisinde mi yoğunlaştığını (sağa çarpık) yoksa daha eşit bir şekilde mi dağıtıldığını ortaya koyuyor.

Edinim kaynağına göre CLV. Edinim kanalları genelinde ortalama CLV'yi karşılaştıran bir çubuk grafik. Bu en önemli pazarlama ölçümüdür çünkü pahalı satın alma kanallarının (ücretli reklamlar) aslında daha ucuz kanallardan (organik, yönlendirme) daha yüksek değerli müşteriler üretip üretmediğini ortaya çıkarır.

CLV ve CAC. Her noktanın bir edinme kanalını veya kampanyayı temsil ettiği, X ekseninde müşteri edinme maliyetini ve Y ekseninde CLV'yi gösteren bir dağılım grafiği. Başabaş köşegeninin üzerindeki noktalar kârlıdır; Aşağıdaki noktalar kârsızdır. Çizgiye olan mesafe kar veya zararın büyüklüğünü gösterir.

CLV trendi. Yeni grupların zaman içindeki ortalama CLV'sini izleyin. Daha yeni grupların ortalama CLV'si daha düşükse, müşteri kaliteniz düşüyor olabilir; bunun nedeni muhtemelen daha az nitelikli kitlelere genişlemenizdir.

---

Müşteri Yolculuğu Haritalaması

Yolculuk Aşamaları

Power BI'daki müşteri yolculuğu haritalaması, müşterilerinizin ürün veya hizmet deneyiminiz boyunca izlediği yolları görselleştirir. İş modelinize göre aşamaları tanımlayın.

Bir e-ticaret işletmesi için aşamalar; ilk ziyaret, hesap oluşturma, ilk satın alma, ikinci satın alma, sadakat programına kayıt ve savunuculuğu (yönlendirme) içerebilir.

Bir SaaS işletmesi için aşamalar, deneme kaydı, ilk katılımın tamamlanması, ilk özelliğin benimsenmesi, genişletme (yükseltme veya eklenti), yenileme ve savunuculuğu içerebilir.

Yolculuk Hunisi

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)

Yolculuk Görselleştirmesi

Sankey diyagramı. Power BI'ın özel Sankey görseli (AppSource'tan), şube genişlikleri müşteri hacmiyle orantılı olacak şekilde müşterilerin aşamalar arasındaki akışını gösterir. Bu, yalnızca her aşamada kaç müşterinin ilerlediğini değil, aynı zamanda bunların nerede farklılaştığını da ortaya koyuyor; aşamaları atlıyorlar mı, alternatif yollara mı gidiyorlar yoksa yolculuktan tamamen mi çıkıyorlar?

Müşteri zaman çizelgesi. Bireysel müşteri analizi için, her etkileşimi kronolojik olarak gösteren bir zaman çizelgesi görseli, eksiksiz bir müşteri hikayesi sağlar. Bu, belirli bir müşteriyle etkileşime geçmeden önce bağlama ihtiyaç duyan destek, satış ve başarı ekipleri için değerlidir.

Bırakma analizi. Aşamalar arasındaki azalmaların vurgulandığı, her yolculuk aşamasındaki müşteri sayısını gösteren bir şelale grafiği. En büyük düşüşler en kritik iyileştirme fırsatlarını tanımlar. Hesap oluşturan müşterilerin %60'ı hiç alışveriş yapmıyorsa ilk satın alma deneyimi önceliğinizdir.

---

Kontrol Paneli Tasarımı ve Uygulaması

Yönetici Özeti Sayfası

Müşteri analitiği yönetici özeti bir bakışta beş soruyu yanıtlamalıdır. Kaç aktif müşterimiz var ve bu sayı artıyor mu? RFM segmentlerindeki müşteri dağılımımız nedir? Genel kayıp oranımız ve eğilimimiz nedir? Ortalama CLV'miz nedir ve gelişiyor mu? Hangi satın alma kanalları en değerli müşterileri üretiyor?

4-6 KPI kartı, segment dağıtım grafiği, müşteri kaybı trend çizgisi ve kanala göre CLV karşılaştırması kullanın.

Ayrıntılı Sayfaları Segmentlere Ayırın

Her büyük RFM segmenti, temel ölçümleri içeren müşteri listesini, segmentin davranış modellerini (satın alma sıklığı, ortalama sipariş değeri, ürün tercihleri), segmentin gelir katkısını ve eğilimini ve eylem sonuçlarının takibiyle birlikte önerilen eylemleri gösteren ayrıntılı bir sayfayı hak eder.

Self Servis Filtreleme

Dönem, edinme tarihi aralığı, müşteri bölgesi, ürün kategorisi ve edinme kaynağı için dilimleyicileri ekleyin. Bunlar, pazarlama, satış ve müşteri başarısı ekiplerinin, özel raporlar talep etmeden kendi segmentlere ayrılmış analizlerini gerçekleştirmesine olanak tanır.

---

Sıkça Sorulan Sorular

Kaç RFM segmenti oluşturmalıyım?

Klasik yaklaşım, boyut başına 5 dilim kullanır ve 125 olası RFM puanı kombinasyonu (5 x 5 x 5) üretir. Bunlar daha sonra pratik kullanım için 8-12 adlandırılmış segmentle eşleştirilir. İşlem yapılabilir segmentlerin tam sayısı, tedavinizi farklılaştırma yeteneğinize bağlıdır. Pazarlama ekibiniz yalnızca 4 farklı kampanyayı yönetebiliyorsa 12 segment kullanmak, değeri olmayan bir karmaşıklık yaratır. 5-6 segmentle başlayın ve operasyonel kapasiteniz arttıkça genişletin.

Abonelik işi ve işlem işi için CLV'yi nasıl hesaplarım?

Abonelik işletmeleri için, CLV = Kullanıcı Başına Ortalama Aylık Gelirin (ARPU) ay cinsinden Ortalama Müşteri Ömrü ile çarpılmasından hizmet maliyetinin çıkarılmasıyla elde edilir. Müşteri ömrü, 1'in aylık kayıp oranına bölünmesiyle hesaplanır. Aylık %3'lük kayıp oranı için ortalama ömür 33,3 aydır. Abonelik olmayan işlem işletmeleri için CLV = Ortalama Sipariş Değeri ile Yıllık Satın Alma Sıklığı çarpımı ve yıl cinsinden Ortalama Müşteri Ömrü çarpımı. İşlem yaklaşımı, "aktif" müşteriyi neyin oluşturduğunun tanımlanmasını gerektirir.

Müşteri analizlerini yaygın olarak hangi veri kalitesi sorunları etkiliyor?

En yaygın sorunlar, yinelenen müşteri kayıtları (birden fazla kimliğe sahip aynı kişi), eksik işlem verileri (çevrimdışı satın alma işlemlerinin yakalanmaması), eksik müşteri özellikleri (eksik edinme kaynağı veya demografik veriler) ve sistemler arasında tutarsız tarih biçimlendirmesidir. Kopyaları bir ana veri yönetimi süreci veya bulanık eşleştirmeyle adresleyin. Yakalama noktasında veri doğrulamayı uygulayın. Eksik geçmiş veriler için atama tekniklerini kullanın veya etkilenen metrikleri yaklaşık olarak açıkça işaretleyin.

Power BI, kayıp tahmin modelini kendisi oluşturabilir mi?

Power BI'ın yerleşik AI görselleri (Anahtar Etkileyenler, Anomali Tespiti), kayıpla ilişkili faktörleri tanımlayabilir ancak üretim düzeyinde bir tahmin modeli için Python (scikit-learn) veya Power BI ile tümleşik R, yayınlanmış bir puanlama uç noktasına sahip Azure Machine Learning veya Amplitude ya da Mixpanel gibi özel bir müşteri analizi platformu kullanın. Power BI'ın gücü, modellerin kendisini oluşturmak değil, model çıktılarını görselleştirmek ve bunlara göre hareket etmektir.

RFM puanları ne sıklıkla yeniden hesaplanmalıdır?

Çoğu işletme için RFM puanlarını aylık olarak yeniden hesaplayın. Yüksek sıklıkta işlem yapan işletmeler (e-ticaret, yemek teslimatı) haftalık yeniden hesaplamadan yararlanabilir. Yenileme sıklığı, pazarlama kampanyanızın temposuna uygun olmalıdır; yalnızca aylık kampanyalar yayınlıyorsanız, günlük olarak yeniden hesaplamanın hiçbir değeri yoktur. Power BI yenileme zamanlamanızın yeniden hesaplamayla uyumlu olduğundan emin olun.

RFM segmentleri ile CLV arasındaki ilişki nedir?

RFM segmentleri CLV ile güçlü bir şekilde ilişkilidir ancak farklı şeyleri ölçer. RFM geriye dönüktür; mevcut davranışı tanımlar. CLV ileriye dönüktür; gelecekteki değeri tahmin eder. Şampiyonlar genellikle en yüksek CLV'ye sahiptir. Yeni Müşterilerin CLV'si belirsizdir. Risk Altındaki müşteriler yüksek geçmiş MYBD'ye sahiptir ancak tahmini gelecek değeri azalmaktadır. Her ikisini de birlikte kullanın: Taktiksel segmentasyon için RFM (hangi kampanyanın gönderileceği) ve stratejik kararlar için CLV (her bir müşteri segmentinin kazanılması ve elde tutulması için ne kadar yatırım yapılması gerektiği).

"Müşteri"nin bir şirket olduğu durumlarda B2B müşteri analitiğini nasıl ele alırım?

B2B analitiğinde müşteri varlığı, bireysel alıcıdan ziyade genellikle hesaptır (şirkettir). RFM puanlaması, hesap düzeyinde işlem verileri kullanılarak hesap düzeyinde uygulanır. Ancak, çoklu iş parçacığı analizi için hesaplardaki bireysel kişileri de izleyin. Önemli B2B eklemeleri arasında hesap sağlığı puanlaması (kullanım, destek biletleri, genişletme ve sözleşme yenileme verilerinin birleştirilmesi), satın alma komitesi haritalaması ve genişletme gelir takibi (net dolar tutma) yer alıyor. Veri modeli, çoktan çoğa köprü tablosuyla hem hesap hem de ilgili kişi boyutlarına ihtiyaç duyar.

---

Profesyonel Müşteri Analitiği

Müşteri analitiği, pazarlamayı sezgiye dayalı harcamalardan veriye dayalı yatırıma dönüştürür. Bu kılavuzdaki teknikler (RFM segmentasyonu, kohort analizi, CLV hesaplaması ve kayıp tahmini), verileriniz büyüdükçe değeri birleşen müşteri istihbaratı yeteneğinin temelini oluşturur.

ECOSIRE'ın Power BI hizmetleri, müşteri analitiği ve segmentasyonu için pano geliştirmeyi, tahmine dayalı modelleme ve kayıp önleme için AI analitiği ve self servis analiz yetenekleri geliştiren ekipler için eğitim içerir.

---

En değerli müşteri analitiği içgörüsü genellikle en basit olanıdır: En iyi müşterileriniz, sandığınız kişiler değildir. RFM puanlaması, sürekli satın alan ancak asla şikayet etmeyen sessiz sadık müşterileri, ayrılmanın ardından kötü bir deneyim yaşayan risk altındaki balinaları ve Şampiyon olmanın erken sinyallerini veren yeni müşterileri ortaya koyuyor. Segmentasyon, insanları kategorize etmekle ilgili değildir; onları farklı şekilde hizmet edebilecek kadar iyi anlamakla ilgilidir.