Segmentatie op basis van klantdata uit email

Als marketeer in de retail, heb je vast een of meer campagnes lopen. Bijvoorbeeld om je klanten betrokken te houden bij je merk of te verleiden tot kopen. Maar hoe bepaal je welke van de klanten uit je e-mail database het meest geïnteresseerd en het meest waardevol zijn? Is er een makkelijke manier om klanten te segmenteren, zodat je op een meer persoonlijke manier met ze kunt communiceren? Jazeker! Dat kan met een eRFM datamodel.

Wat is een eRFM model?

Een standaard RFM model gaat uit van drie waardes: Recency of purchase, Frequency of purchase en Monetary value of purchase. Klanten krijgen een score tussen 1 en 5 voor elk van deze waardes. Als je de drie scores combineert, krijg je een persoonlijk overzicht per klant, altijd in de volgorde R-F-M. Daarmee kun je de waarde van je klanten bepalen volgens jouw eigen criteria. Bijvoorbeeld: de RFM-scores 125, 251, 512 bevatten dezelfde numerieke waardes op verschillende plekken. Als jouw doel een hoge Monetary value is, dan heeft de klant met een score van 125 de meeste waarde voor jouw bedrijf.

Dit model kun je, met een kleine aanpassing, ook gebruiken voor e-mailcampagnes. Je meet dan Recency van de laatste e-mailactiviteit, Frequency van de e-mailactiviteit en Monetary value, oftewel conversie. De eRFM score per klant meet zijn interactie met je e-mails. eRFM scores geven veel informatie over je klanten en als je ze regelmatig opnieuw berekent kun je de veranderingen in je klantenbestand goed bijhouden.

In de Praktijk

Klanten met een hoge Recency en Frequency score, maar een lage Monetary value, zijn blijkbaar wel geïnteresseerd in je merk, maar moeten nog overgehaald worden om te kopen. Wanneer je weet wie deze klanten zijn, kun je ze met een gerichte campagne benaderen om te proberen de conversie te verhogen.

Je kunt eRFM scores gebruiken om je database te segmenteren.  Zo kun je met gerichte campagnes minder geïnteresseerde klanten activeren en je meest waardevolle klanten behouden. Als je ziet dat de eRFM scores van een segment veranderen nadat je deze klanten met een gerichte campagne hebt benaderd, dan weet je meteen meer over de effectiviteit van die campagne.

Een (e)RFM model helpt je om je klanten beter te leren kennen. Met deze kennis kun je effectieve campagnes opzetten om te communiceren op de manier die aan hun wensen en verwachtingen voldoet.

Voor een winkelbedrijf in huishoudelijke artikelen met zowel fysieke winkels als een webshop, heeft CloseContact een datamodel gebouwd. We hadden alleen de online verkoopgegevens, niet die van de winkels. Daarom maakten we een eRFM model op basis van hun e-maildata. Na onze analyse van deze data, besloot het winkelbedrijf korting in de winkels aan te bieden aan klanten met een lage RFM/hoge eRFM score.

TIPS: We raden aan om klanten met lage eRFM en RFM scores uit te sluiten van commerciële e-mails. Klanten die niet geïnteresseerd zijn in wat je aanbiedt een e-mail sturen is niet kosten-effectief. Wel heel belangrijk: vergeet je trouwe klanten met een hoge eRFM/RFM niet!

Als je precies wilt weten hoe je een eRFM model opzet in Salesforce Marketing Cloud, lees dan verder op ons (Engelstalige) technische blog Marketing Cloud Today. Daar leggen we uit hoe je dat aanpakt.

Heb je hulp nodig bij data-analyse, campagnestrategie of andere vragen over marketing automation?
Neem contact met ons op, wij helpen je graag verder!