پاور BI کسٹمر تجزیات: RFM سیگمنٹیشن اور لائف ٹائم ویلیو

کسٹمر اینالیٹکس اس سوال کا جواب دیتا ہے جس کا جواب ہر کاروبار کو درکار ہوتا ہے لیکن بہت کم جواب دے سکتے ہیں: کون سے گاہک سب سے زیادہ قیمتی ہیں، کون جا رہے ہیں، اور ہمیں اس کے بارے میں کیا کرنا چاہیے؟ تقسیم کے بغیر، مارکیٹنگ ہر صارف کے ساتھ یکساں سلوک کرتی ہے --- وہی ای میلز، وہی پیشکشیں، وہی توجہ۔ گاہک جس نے پچھلے سال $50,000 خرچ کیے تھے وہی چھٹی والے ڈسکاؤنٹ کوڈ وصول کرتے ہیں جو اس گاہک نے $29 کی ایک خریداری کی اور کبھی واپس نہیں کی۔

RFM (Recency, Frequency, Monetary) Segmentation، cohort analysis، churn prediction، اور کسٹمر لائف ٹائم ویلیو (CLV) کیلکولیشن خام لین دین کے ڈیٹا کو قابل عمل کسٹمر کی ذہانت میں تبدیل کرتا ہے۔ پاور BI ان تکنیکوں کو پیمانے پر لاگو کرنے کے لیے تصور اور تجزیاتی پلیٹ فارم مہیا کرتا ہے، جس سے لاکھوں لین دین کے ریکارڈ کو سیگمنٹڈ، قابل سکور، اور قابل عمل کسٹمر پروفائلز میں تبدیل کیا جاتا ہے۔

یہ گائیڈ پاور BI میں کسٹمر کے تجزیات کے مکمل نفاذ کا احاطہ کرتا ہے، ڈیٹا ماڈل سے لے کر RFM اسکورنگ کے لیے کوہورٹ تجزیہ، چرن ویژولائزیشن، CLV کیلکولیشن، اور کسٹمر ٹریول میپنگ کے لیے DAX اقدامات۔

---

کسٹمر کے تجزیات کے لیے ڈیٹا ماڈل

بنیادی میزیں۔

کسٹمر کے تجزیات کسٹمر کی شناخت سے منسلک مکمل لین دین کی تاریخ پر انحصار کرتے ہیں۔

کسٹمر کا طول و عرض (DimCustomer)۔ کسٹمر کا ماسٹر ڈیٹا بشمول CustomerID، CustomerName، Email، Acquisition Date، Acquisition Source (نامیاتی، ادا شدہ، حوالہ، پارٹنر)، صنعت (B2B کے لیے)، علاقہ، ملک، شہر، اکاؤنٹ مینیجر، CustomerTier (اگر پہلے سے الگ کیا گیا ہو)۔

ٹرانزیکشن فیکٹ ٹیبل (فیکٹ ٹرانزیکشن)۔ ہر خریداری کا واقعہ۔ کالموں میں TransactionID، CustomerID، TransactionDate، OrderAmount، ItemCount، Product Category، Payment Method، Channel (آن لائن، ان اسٹور، فون)، DiscountAmount، اور IsReturn شامل ہیں۔

انٹرایکشن فیکٹ ٹیبل (FactInteraction)۔ کسٹمر ٹچ پوائنٹس بشمول سپورٹ ٹکٹس، ویب سائٹ وزٹ، ای میل اوپن، اور ایپ لاگ ان۔ کالموں میں InteractionID، CustomerID، InteractionDate، InteractionType (خریداری، سپورٹ، email_open، email_click، website_visit، app_login)، چینل، اور دورانیہ شامل ہیں۔

تاریخ کا طول و عرض (DimDate)۔ معیاری تاریخ کی میز۔

---

RFM سیگمنٹیشن

RFM اسکورز کا حساب لگانا

RFM اسکورنگ ہر گاہک کو تین رویے کی جہتوں پر مبنی اسکور تفویض کرتا ہے۔

تازہ کاری: کسٹمر نے حال ہی میں کتنی خریداری کی؟ مزید حالیہ خریداری زیادہ مصروفیت کی نشاندہی کرتی ہے۔

تعدد: کسٹمر کتنی بار خریداری کرتا ہے؟ اعلی تعدد مضبوط وفاداری کی نشاندہی کرتا ہے۔

مالی: کسٹمر کتنا خرچ کرتا ہے؟ زیادہ خرچ زیادہ قدر کی نشاندہی کرتا ہے۔

ہر جہت کو کوئنٹائل درجہ بندی کا استعمال کرتے ہوئے 1--5 پیمانے پر اسکور کیا جاتا ہے۔ 5-5-5 کے RFM سکور والا گاہک آپ کا بہترین گاہک ہے۔ 1-1-1 کا اسکور آپ کی کم سے کم مصروفیت ہے۔

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 میں کوئنٹائل اسکورنگ

کوئنٹائل کیلکولیشن ہر صارف کو ہر RFM ڈائمینشن کے لیے پانچ برابر گروپوں میں سے ایک کو تفویض کرتا ہے۔ Recency کے لیے، کم دنوں کا مطلب ہے زیادہ اسکور (زیادہ حالیہ بہتر ہے)۔ فریکوئنسی اور مانیٹری کے لیے، اعلیٰ اقدار کا مطلب زیادہ اسکور ہوتا ہے۔

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"
    )

آر ایف ایم ویژولائزیشن

حصہ کی تقسیم۔ ایک ٹری میپ یا افقی بار چارٹ جو ہر RFM سیگمنٹ میں صارفین کی تعداد اور کل قیمت دکھاتا ہے۔ یہ فوری طور پر آپ کے کسٹمر بیس کی صحت کو ظاہر کرتا ہے --- ایک بڑا "چیمپئنز" طبقہ مثبت ہے۔ ایک بڑا "خطرے میں" یا "گمشدہ" طبقہ پریشانی کا اشارہ کرتا ہے۔

RFM سکیٹر پلاٹ۔ X-axis پر فریکوئنسی اور Y-axis پر Monetary کے ساتھ ایک سکیٹر پلاٹ، Recency سکور سے رنگین۔ یہ تین جہتی نقطہ نظر کلسٹرز اور آؤٹ لیرز کو ظاہر کرتا ہے جو اکیلے سیگمنٹ لیبلز سے محروم ہوسکتے ہیں۔

سگمنٹ ایکشن میٹرکس۔ ایک ٹیبل ہر سیگمنٹ کو تجویز کردہ کارروائیوں کے لیے نقشہ بناتا ہے۔

---

کوہورٹ تجزیہ

کوہورٹ میٹرکس بنانا

کوہورٹ تجزیہ گاہکوں کو ان کے حصول کی مدت (ماہ یا سہ ماہی) کے مطابق گروپ کرتا ہے اور بعد کے ادوار میں ان کے رویے کا پتہ لگاتا ہے۔ اس سے پتہ چلتا ہے کہ وقت کے ساتھ ساتھ کسٹمر کا معیار بہتر ہو رہا ہے یا گر رہا ہے۔

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)

کوہورٹ ریٹینشن میٹرکس

کلاسک کوہورٹ ریٹینشن میٹرکس ایک ہیٹ میپ ہے جس میں قطاروں پر سہ ماہی اور کالموں پر پیریڈ نمبرز (ایکویوزیشن کے بعد سے مہینے) ہوتے ہیں۔ سیل کی قدریں برقرار رکھنے کی شرح کو ظاہر کرتی ہیں، مشروط فارمیٹنگ کے ساتھ گہرے سبز (زیادہ برقرار رکھنے) سے گہرے سرخ (کم برقرار رکھنے) تک ایک میلان پیدا ہوتا ہے۔

میٹرکس کو پڑھنے سے پیٹرن کا پتہ چلتا ہے۔ یہ دیکھنے کے لیے قطاروں میں دیکھیں کہ ہر گروہ وقت کے ساتھ کس طرح برقرار رہتا ہے۔ کالموں کو نیچے دیکھیں تاکہ یہ معلوم ہو سکے کہ آیا کسی مخصوص مدت کے نقطہ پر برقراری کوہورٹس میں بہتر یا خراب ہو رہا ہے۔ تمام حالیہ کوہورٹس میں "ماہ 3" کالم میں اچانک کمی آن بورڈنگ کے مسئلے کی نشاندہی کر سکتی ہے۔ "ماہ 1" کے کالم میں یکے بعد دیگرے گروپس میں بتدریج بہتری بتاتی ہے کہ آپ کی پہلی خریداری کا تجربہ بہتر ہو رہا ہے۔

ریونیو کوہورٹ تجزیہ

برقرار رکھنے کے علاوہ، زندگی بھر کی قدر کے رجحانات کو سمجھنے کے لیے فی جماعت آمدنی کا پتہ لگائیں۔

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])
    )
)

ہر ایک کوہورٹ کی نمائندگی کرنے والی لائن کے ساتھ، اوور لیپنگ لائن چارٹس کے طور پر جمع ہونے والی آمدنی کا تصور کریں۔ اگر حالیہ کوہورٹس کی آمدنی پرانے گروپوں کے مقابلے میں زیادہ ہوتی ہے، تو آپ کے گاہک کی قدر بڑھ رہی ہے۔ اگر وہ چاپلوس ہیں تو، اوسط گاہک کی قدر کم ہو رہی ہے۔

---

پیشین گوئی کا تصور

چرن کی تعریف کرنا

چرن کی تعریف آپ کے کاروباری ماڈل پر منحصر ہے۔ سبسکرپشن کے کاروبار کے لیے، منتھن منسوخی ہے۔ لین دین پر مبنی کاروبار کے لیے، churن کو عام طور پر ایک متعین مدت کے اندر خریداری نہ کرنے کے طور پر بیان کیا جاتا ہے (جیسے، خریداری کے اوسط وقفے سے دوگنا)۔

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
)

رسک ویژولائزیشن کو چرن

اگر آپ کے پاس پیشن گوئی کرنے والا ماڈل ہے (مثال کے طور پر اسکِٹ لرن کے ساتھ ازگر میں بنایا گیا ہے) جو ہر گاہک کے لیے ایک امکان پیدا کرتا ہے، تو ان اسکورز کو Power BI میں درآمد کریں اور ان کا تصور کریں۔

چرن رسک ڈسٹری بیوشن۔ ایک ہسٹوگرام جو آپ کے کسٹمر بیس میں چرن کے امکانی سکور کی تقسیم کو ظاہر کرتا ہے۔ مثالی طور پر، زیادہ تر گاہک کم رسک والے سرے پر ایک چھوٹی دم کے ساتھ زیادہ خطرے میں جمع ہوتے ہیں۔

زیادہ خطرے والے صارفین کی فہرست۔ ایک ترتیب شدہ ٹیبل جس میں صارفین کو ان کے RFM سیگمنٹ، مدت، خریداری کی آخری تاریخ، اور زندگی بھر کی کل قیمت کے ساتھ، سب سے زیادہ churn امکان کے ساتھ دکھایا گیا ہے۔ یہ قابل عمل آؤٹ پٹ ہے --- برقرار رکھنے والی ٹیم روزانہ اس فہرست پر کام کرتی ہے۔

سگمنٹ کے لحاظ سے خطرہ۔ ایک بار چارٹ جو صارف کے طبقہ (صنعت، حصول کا ذریعہ، پروڈکٹ کیٹیگری) کے لحاظ سے اوسطاً منتھن کا امکان ظاہر کرتا ہے۔ یہ منظم خطرے کے عوامل کو ظاہر کرتا ہے جن کو وسیع حکمت عملی حل کر سکتی ہے۔

چرن ٹائم لائن۔ ایک لائن چارٹ جو 24 مہینوں میں ماہانہ چرن ریٹ کو دکھاتا ہے۔ ٹارگٹ کرن ریٹ اور انڈسٹری بینچ مارک کے لیے ریفرنس لائنز شامل کریں۔ برقرار رکھنے کے اقدامات کے اثرات کو دیکھنے کے لیے مارکیٹنگ مہم کی تاریخوں کو اوورلے کریں۔

---

کسٹمر لائف ٹائم ویلیو (CLV)

تاریخی CLV

CLV کا آسان ترین حساب ایک گاہک سے تمام تاریخی آمدنی کو جمع کرتا ہے۔

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

پیشین گوئی سی ایل وی

پیشن گوئی CLV کل مستقبل کی آمدنی کا تخمینہ لگاتا ہے جو ایک صارف پیدا کرے گا۔ ایک آسان طریقہ کار فی مدت اوسط آمدنی کا استعمال کرتا ہے جو متوقع بقیہ زندگی بھر سے ضرب کرتا ہے۔

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 ویژولائزیشن

CLV کی تقسیم۔ ایک ہسٹوگرام جو آپ کے کسٹمر بیس میں CLV کی تقسیم کو ظاہر کرتا ہے۔ شکل سے پتہ چلتا ہے کہ آیا قدر چند وہیل صارفین میں مرکوز ہے (دائیں طرف سے ترچھی) یا زیادہ یکساں طور پر تقسیم کی گئی ہے۔

سی ایل وی بذریعہ حصول ماخذ۔ ایک بار چارٹ جس میں حصول کے چینلز میں اوسط CLV کا موازنہ کیا گیا ہے۔ یہ سب سے اہم مارکیٹنگ میٹرک ہے کیونکہ اس سے پتہ چلتا ہے کہ آیا مہنگے حصول کے چینلز (معاوضہ اشتہارات) واقعتاً سستے چینلز (نامیاتی، حوالہ) کے مقابلے زیادہ قیمت والے صارفین پیدا کرتے ہیں۔

CLV بمقابلہ CAC۔ X-axis پر گاہک کے حصول کی لاگت کے ساتھ ایک سکیٹر پلاٹ اور Y-axis پر CLV، جس میں ہر ایک نقطہ حصولی چینل یا مہم کی نمائندگی کرتا ہے۔ بریک ایون اخترن کے اوپر پوائنٹس منافع بخش ہیں۔ نیچے دیئے گئے نکات غیر منافع بخش ہیں۔ لائن سے فاصلہ نفع یا نقصان کی شدت کو ظاہر کرتا ہے۔

CLV رجحان۔ وقت کے ساتھ ساتھ نئے گروہوں کی اوسط CLV کو ٹریک کریں۔ اگر نئے ساتھیوں کا اوسط CLV کم ہے، تو ہو سکتا ہے آپ کے گاہک کا معیار گر رہا ہو --- ممکنہ طور پر اس وجہ سے کہ آپ کم اہل سامعین تک پھیل رہے ہیں۔

---

کسٹمر کے سفر کی میپنگ

سفر کے مراحل

پاور BI میں کسٹمر ٹریول میپنگ ان راستوں کا تصور کرتی ہے جو گاہک آپ کے پروڈکٹ یا سروس کے تجربے کے ذریعے اختیار کرتے ہیں۔ اپنے کاروباری ماڈل کی بنیاد پر مراحل کی وضاحت کریں۔

ای کامرس کاروبار کے لیے، مراحل میں پہلا دورہ، اکاؤنٹ بنانا، پہلی خریداری، دوسری خریداری، لائلٹی پروگرام کا اندراج، اور وکالت (ریفرل) شامل ہو سکتے ہیں۔

SaaS کاروبار کے لیے، مراحل میں ٹرائل سائن اپ، آن بورڈنگ کی تکمیل، پہلی خصوصیت کو اپنانا، توسیع (اپ گریڈ یا ایڈ آن)، تجدید اور وکالت شامل ہو سکتی ہے۔

سفر کا فنل

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)

سفر کا تصور

سنکی خاکہ۔ پاور BI کا حسب ضرورت سانکی ویژول (AppSource سے) صارفین کے بہاؤ کو مراحل کے درمیان دکھاتا ہے، برانچ کی چوڑائی کسٹمر کے حجم کے متناسب ہوتی ہے۔ اس سے نہ صرف یہ ظاہر ہوتا ہے کہ ہر مرحلے میں کتنے گاہک ترقی کرتے ہیں بلکہ وہ کہاں سے ہٹ جاتے ہیں --- کیا وہ مراحل چھوڑتے ہیں، متبادل راستے اختیار کرتے ہیں، یا سفر سے مکمل طور پر باہر نکل جاتے ہیں؟

کسٹمر ٹائم لائن۔ کسٹمر کے انفرادی تجزیے کے لیے، ایک ٹائم لائن ویژول جو ہر تعامل کو تاریخ کے مطابق دکھاتا ہے ایک مکمل گاہک کی کہانی فراہم کرتا ہے۔ یہ سپورٹ، سیلز، اور کامیابی کی ٹیموں کے لیے قابل قدر ہے جنہیں کسی مخصوص گاہک کو شامل کرنے سے پہلے سیاق و سباق کی ضرورت ہوتی ہے۔

ڈراپ آف تجزیہ۔ ایک آبشار چارٹ جس میں ہر سفر کے مرحلے پر صارفین کی تعداد کو دکھایا گیا ہے، جس میں مراحل کے درمیان کمی کو نمایاں کیا گیا ہے۔ سب سے بڑی کمی سب سے اہم بہتری کے مواقع کی نشاندہی کرتی ہے۔ اگر اکاؤنٹس بنانے والے 60% صارفین کبھی بھی خریداری نہیں کرتے ہیں، تو پہلی خریداری کا تجربہ آپ کی ترجیح ہے۔

---

ڈیش بورڈ ڈیزائن اور عمل درآمد

ایگزیکٹو خلاصہ صفحہ

کسٹمر اینالیٹکس ایگزیکٹیو سمری کو ایک نظر میں پانچ سوالات کے جوابات دینے چاہئیں۔ ہمارے کتنے فعال صارفین ہیں، اور کیا یہ بڑھ رہا ہے؟ RFM حصوں میں ہماری کسٹمر کی تقسیم کیا ہے؟ ہماری مجموعی طور پر مٹانے کی شرح اور رجحان کیا ہے؟ ہمارا اوسط CLV کیا ہے، اور کیا یہ بہتر ہو رہا ہے؟ کون سے حصولی چینلز سب سے قیمتی صارفین پیدا کرتے ہیں؟

4--6 KPI کارڈز، ایک سیگمنٹ ڈسٹری بیوشن چارٹ، ایک چرن ٹرینڈ لائن، اور چینل کے لحاظ سے CLV کا موازنہ استعمال کریں۔

سیگمنٹ ڈیپ ڈائیو پیجز

ہر بڑا RFM طبقہ ایک ڈرل تھرو صفحہ کا مستحق ہے جس میں کلیدی میٹرکس کے ساتھ کسٹمر کی فہرست، طبقہ کے طرز عمل کے نمونے (خریداری کی فریکوئنسی، اوسط آرڈر کی قیمت، مصنوعات کی ترجیحات)، سیگمنٹ کی آمدنی میں شراکت اور رجحان، اور کارروائی کے نتائج کی ٹریکنگ کے ساتھ تجویز کردہ اقدامات۔

سیلف سروس فلٹرنگ

وقت کی مدت، حصول کی تاریخ کی حد، گاہک کے علاقے، مصنوعات کے زمرے، اور حصول کے ذریعہ کے لیے سلائسرز شامل کریں۔ یہ مارکیٹنگ، سیلز، اور کسٹمر کی کامیابی کی ٹیموں کو اپنی مرضی کے مطابق رپورٹس کی درخواست کیے بغیر اپنے الگ الگ تجزیے کرنے کے قابل بناتے ہیں۔

---

اکثر پوچھے گئے سوالات

مجھے کتنے RFM سیگمنٹ بنانے چاہئیں؟

کلاسک نقطہ نظر 5 کوئنٹائل فی طول و عرض کا استعمال کرتا ہے، 125 ممکنہ RFM سکور کے مجموعے (5 x 5 x 5) پیدا کرتا ہے۔ اس کے بعد عملی استعمال کے لیے ان کو 8--12 ناموں والے حصوں میں میپ کیا جاتا ہے۔ قابل عمل حصوں کی صحیح تعداد آپ کے علاج میں فرق کرنے کی آپ کی صلاحیت پر منحصر ہے۔ اگر آپ کی مارکیٹنگ ٹیم صرف 4 مختلف مہمات کا انتظام کر سکتی ہے، تو 12 سیگمنٹس کا استعمال بغیر قیمت کے پیچیدگی پیدا کرتا ہے۔ 5--6 سیگمنٹس کے ساتھ شروع کریں اور آپ کی آپریشنل صلاحیت بڑھنے کے ساتھ پھیلائیں۔

میں سبسکرپشن بزنس بمقابلہ لین دین کے کاروبار کے لیے CLV کا حساب کیسے لگا سکتا ہوں؟

سبسکرپشن کاروباروں کے لیے، CLV = اوسط ماہانہ آمدنی فی صارف (ARPU) کو مہینوں میں اوسط کسٹمر لائف ٹائم سے ضرب، سروس کی لاگت کو کم کر کے۔ کسٹمر لائف ٹائم کا حساب 1 کے حساب سے کیا جاتا ہے جو ماہانہ کرن ریٹ سے تقسیم ہوتا ہے۔ 3% ماہانہ مٹانے کی شرح کے لیے، اوسط زندگی 33.3 ماہ ہے۔ سبسکرپشنز کے بغیر لین دین کے کاروبار کے لیے، CLV = اوسط آرڈر ویلیو کو سال میں خریدی جانے والی فریکوئنسی سے ضرب کر کے صارفین کی اوسط عمر سے سال میں ضرب۔ لین دین کے طریقہ کار کے لیے اس بات کی وضاحت کی ضرورت ہوتی ہے کہ "ایکٹو" کسٹمر کیا ہے۔

ڈیٹا کے معیار کے کون سے مسائل عام طور پر کسٹمر کے تجزیات کو متاثر کرتے ہیں؟

سب سے زیادہ عام مسائل ڈپلیکیٹ کسٹمر ریکارڈز (ایک سے زیادہ IDs کے ساتھ ایک ہی شخص)، لین دین کا ڈیٹا غائب ہونا (آف لائن خریداری کیپچر نہیں کی گئی)، نامکمل کسٹمر کی خصوصیات (غائب حصول کا ذریعہ یا آبادیاتی ڈیٹا)، اور سسٹمز میں تاریخ کی متضاد فارمیٹنگ۔ ایڈریس ڈپلیکیٹس ایک ماسٹر ڈیٹا مینجمنٹ کے عمل یا مبہم مماثلت کے ساتھ۔ کیپچر کے مقام پر ڈیٹا کی توثیق کو لاگو کریں۔ گمشدہ تاریخی ڈیٹا کے لیے، تقلید کی تکنیک استعمال کریں یا واضح طور پر متاثرہ میٹرکس کو تخمینی کے طور پر نشان زد کریں۔

کیا Power BI خود ہی چرن پریڈیکشن ماڈل بنا سکتا ہے؟

پاور BI کے بلٹ ان AI ویژولز (Key Influencers, Anomaly Detection) churn کے ساتھ جڑے عوامل کی نشاندہی کر سکتے ہیں، لیکن پروڈکشن گریڈ کے پیشن گوئی کرنے والے ماڈل کے لیے Python (scikit-learn) یا R کو Power BI، Azure Machine Learning کے ساتھ ایک شائع شدہ اسکورنگ اینڈ پوائنٹ کے ساتھ استعمال کریں، یا ایک کسٹمر پلیٹ فارم جیسا کہ ایک ڈیلیپلیٹیڈک پلیٹ فارم۔ پاور BI کی طاقت ماڈل آؤٹ پٹس کو تصور کرنا اور ان پر عمل کرنا ہے، خود ماڈلز کی تعمیر نہیں کرنا۔

RFM سکور کو کتنی بار دوبارہ گننا چاہیے؟

زیادہ تر کاروباروں کے لیے ماہانہ RFM سکور کا دوبارہ حساب لگائیں۔ اعلی تعدد والے لین دین کے کاروبار (ای کامرس، کھانے کی ترسیل) ہفتہ وار دوبارہ گنتی سے فائدہ اٹھا سکتے ہیں۔ ریفریش فریکوئنسی آپ کی مارکیٹنگ مہم کی رفتار سے مماثل ہونی چاہئے --- اگر آپ صرف ماہانہ مہم چلاتے ہیں تو روزانہ دوبارہ گنتی کرنے کی کوئی قیمت نہیں ہے۔ یقینی بنائیں کہ آپ کا پاور BI ریفریش شیڈول دوبارہ گنتی کے ساتھ موافق ہے۔

RFM سیگمنٹس اور CLV کے درمیان کیا تعلق ہے؟

RFM سیگمنٹس CLV کے ساتھ مضبوطی سے منسلک ہیں لیکن مختلف چیزوں کی پیمائش کرتے ہیں۔ RFM پسماندہ نظر آنے والا ہے --- یہ موجودہ طرز عمل کو بیان کرتا ہے۔ CLV آگے نظر آنے والا ہے --- یہ مستقبل کی قیمت کا تخمینہ لگاتا ہے۔ چیمپئنز کے پاس عام طور پر سب سے زیادہ CLV ہوتا ہے۔ نئے صارفین کے پاس غیر یقینی CLV ہے۔ خطرے میں صارفین کے پاس تاریخی CLV زیادہ ہے لیکن مستقبل کی قیمت میں کمی کی پیش گوئی کی گئی ہے۔ دونوں کو ایک ساتھ استعمال کریں: ٹیکٹیکل سیگمنٹیشن کے لیے RFM (کونسی مہم بھیجنی ہے) اور سٹریٹجک فیصلوں کے لیے CLV (ہر کسٹمر سیگمنٹ کو حاصل کرنے اور اسے برقرار رکھنے میں کتنی سرمایہ کاری کرنی ہے)۔

میں B2B کسٹمر اینالیٹکس کو کیسے ہینڈل کروں جہاں "کسٹمر" ایک کمپنی ہے؟

B2B تجزیات میں، صارف کا ادارہ عام طور پر انفرادی خریدار کے بجائے اکاؤنٹ (کمپنی) ہوتا ہے۔ RFM اسکورنگ اکاؤنٹ کی سطح پر اکاؤنٹ لیول ٹرانزیکشن ڈیٹا کا استعمال کرتے ہوئے لاگو ہوتی ہے۔ تاہم، ملٹی تھریڈنگ تجزیہ کے لیے اکاؤنٹس کے اندر انفرادی رابطوں کو بھی ٹریک کریں۔ کلیدی B2B اضافے میں اکاؤنٹ ہیلتھ اسکورنگ (استعمال، سپورٹ ٹکٹ، توسیع، اور معاہدے کی تجدید کے اعداد و شمار کو یکجا کرنا)، کمیٹی میپنگ، اور ایکسپینشن ریونیو ٹریکنگ (نیٹ ڈالر برقرار رکھنا) شامل ہیں۔ ڈیٹا ماڈل کے لیے اکاؤنٹ اور رابطہ کے طول و عرض دونوں کی ضرورت ہوتی ہے جس میں کئی سے کئی پل ٹیبل ہوتے ہیں۔

---

پیشہ ورانہ کسٹمر تجزیات

گاہک کے تجزیات مارکیٹنگ کو وجدان سے چلنے والے اخراجات سے ڈیٹا پر مبنی سرمایہ کاری میں تبدیل کرتے ہیں۔ اس گائیڈ میں موجود تکنیک --- RFM سیگمنٹیشن، کوہورٹ تجزیہ، CLV کیلکولیشن، اور churn prediction --- کسٹمر کی انٹیلی جنس صلاحیت کی بنیاد بناتے ہیں جو کہ آپ کے ڈیٹا کے بڑھنے کے ساتھ ساتھ قدر میں اضافہ کرتی ہے۔

ECOSIRE's Power BI سروسز میں شامل ہیں ڈیش بورڈ ڈیولپمنٹ کسٹمر کے تجزیات اور تقسیم کے لیے، AI تجزیات پیشین گوئی ماڈلنگ اور روک تھام کے لیے، اور تربیت ٹیموں کے لیے جو سیلف سروس اینالیٹکس کی صلاحیتیں بناتی ہیں۔

---

سب سے قیمتی کسٹمر تجزیاتی بصیرت اکثر آسان ہوتی ہے: آپ کے بہترین گاہک وہ نہیں ہیں جو آپ کے خیال میں وہ ہیں۔ RFM سکورنگ ان خاموش وفاداروں کو ظاہر کرتی ہے جو مستقل طور پر خریداری کرتے ہیں لیکن کبھی شکایت نہیں کرتے، خطرے میں پڑنے والی وہیل جن کو چھوڑنے کا ایک برا تجربہ ہے، اور نئے صارفین جو چیمپئن بننے کے ابتدائی اشارے دکھاتے ہیں۔ فرقہ بندی لوگوں کی درجہ بندی کرنے کے بارے میں نہیں ہے -- یہ ان کو اچھی طرح سے سمجھنے کے بارے میں ہے تاکہ ان کی مختلف طریقے سے خدمت کی جا سکے۔