RFM(Recency, Frequency, Monetary)분석
고객 데이터베이스는 그 자체가 목적이 아니라, 이를 마케팅정보로 전환하여 현상을 기술하고 미래를 예측하는데 그 가치가 있다. 이는 수집된 정보에 대한 양적인 분석을 통해 이루어질 수 있다. 따라서 원활한 데이터베이스의 활용을 위해 통계적 분석과 다변량 분석에 관한 지식이 요구된다.
성공적인 데이터베이스 활용의 요체는 기존고객 및 잠재고객 가운데서 가장 고객가치가 높은 고객을 발견해 내고, 또한 이들의 특성을 알아내는데 있다고 할 수 있으며, 따라서 데이터베이스에 대한 분석도 이에 초점을 맞추고 있다.
데이터베이스 마케팅에서 유용하게 이용되는 분석방법으로는 RFM 점수분석 (Recency, Frequency, Monetary Score analysis)과 세분화 분석(Segmentation analysis)이 있다.
● RFM 점수분석
RFM은 Recency, Frequency, Monetary의 약자로
고객이 얼마나 최근에 구입했는가(Recency),
고객이 얼마나 빈번하게 우리 상품을 구입했나(Frequency: 빈도)
고객이 구입했던 총금액은 어느 정도인가(Monetary)
등에 관한 정보를 축약하여 구입 가능성이 높은 고객들을 추려내는 간단하고 편리한 모델링이다. 회사 입장에서 가장 중요한 고객은 앞으로 많이 구입해 줄 고객들이고 어떤 사람들이 이런 고객들이 될 것인가를 생각해보면 Recency, Frequency, Monetary같은 요소들이 들어간다는 것은 당연하다.
통신판매 회사의 예를 들어 설명하자면, R-F-M각 요소에 따라 각각 고객들에게 점수를 부여하는데, 먼저 Recency 관련 점수는 다음과 같이 구입 일이 가까울수록 높은 점수를 준다.
24점 - 과거 3개월 이내.
12점 - 과거 6개월에서 과거 3개월 사이.
6점 - 과거 9개월에서 과거 6개월 사이.
3점 - 과거 12개월에서 과거 9개월 사이.
구매빈도에 따른 점수는 구매건수에 4점을 곱해 산출한다.
구매금액에 따른 점수는 1만원 단위로 1점씩 주어 계산하되 상한 점을 9점으로 하여 9만원이 넘더라도 9점을 초과할 수 없게 한다. 그 이유는 비정상적으로 높은 금액들이 이 공식에서 나올 결과치를 왜곡할 우려가 있기 때문이다.
여기서 짚고 넘어갈 것은 과연 이렇게 점수를 부여하는 기준들을 어떻게 정하느냐 하는 문제인데, 이것이 모델링의 핵심이다. 구매빈도에 따라 1건당 4점을 줄 것인지 5점을 줄 것인지 어떻게 정확히 알아내느냐는 질문이다. 통계적으로 타당성있는 공식이 되기 위해서는 다중회기분석을 통해 각 변수의 계수 값을 구해내는 것이다.
약간의 통계적 지식을 갖추고 SPSS혹은 SAS와 같은 통계 처리용 컴퓨터 소프트웨어 패키지를 이용하여 구해낼 수 있다. 정확한 분석에서는 독립변수 상호간의 영향력도 제거하는 과정을 거쳐야 하는데 통계패키지가 이런 일들을 자동 계산해준다.
이처럼 P = aX + bY + cZ + 에서 계수 a, b, c 값을 구하기 위해 통계처리가 필요하지만, 통계 전문인력이나 소프트웨어가 없는 경우에는 단순히 마케팅 담당자의 직관으로 단위 당 점수 기준을 설정해도 소기의 목적을 충분히 달성한다. 이 공식에 사용되는 R, F, M 요소들이 워낙 예측력이 강한 변수이기 때문이다.
일단 각 고객별로 각 요소(R, F, M)마다 산출된 점수를 합하면 각 고객에 대한 총점이 나오는데, 이 총점이 바로 예측하려는 변수로 위의 등식에서 종속 변수P가 된다. 이용 목적에 따라서 P는 다른 데이터 값을 넣을 수 있다.
종속변수는 결과가 되는 변수 즉 독립 변수들의 영향을 받아 사후적으로 나타나는 변수가 되어야 한다. 즉 P는 고객의 매출액이나 순이익 등 상대적인 기여도 등을 정할 수 있으며, 모델P = aX + bY + cZ + 를 풀어서 말한다면 현상 X, Y, Z의 정보들을 이용하여 종속변수P(여기서는 고객의 예상 기여도)를 예측해내어 고객들을 구분해 보자는 것이다.
이 총점에 따라서 마케팅 프로그램을 선별적인 마케팅 업무를 실시하며 비용도 줄이고 이익을 극대화할 수 있다. 요컨대 소비자의 과거 구매 형태에 따라 어떤 판촉 수단을 쓸 것인지, 얼마나 자주 판촉활동을 해야할 지를 결정할 수 있으며, 백화점이나 카드회사 등 자사고객의 구매 기록을 가지고 있는 백화점에서는 지금 당장에라도 활용할 수 있는 강력한 기법이다.
점점 커지는 방대한 데이터베이스를 선별적으로 이용하는 것은 매우 효과적인 마케팅을 할 수 있게 해준다. 카탈로그 통신판매, 텔레마케팅을 실시하고 있는 다이렉트 마케팅 전문회사 뿐만 아니라, 은행, 백화점, 카드사 등 고객에 대한 데이터(위에서 언급한 R, F, M)를 보유하고 있는 조직에서는 현재 실시하고 있는 마케팅 커뮤니케이션의 비용을 재검토해 볼 필요가 있다. 아직 데이터를 갖추지 못한 기업에서는 데이터베이스 시스템 구축할 때부터 이런 모델링을 염두에 두고 단계적 계획을 세우고 실시해야 한다.
전산 시스템이 잘 구축되면 위와 같은 일련의 분석과정 전체를 자동화시킬 수 있으므로 이용자로서는 쉽게 마케팅 전략에 참고할 수 있는 정보가 된다. 그리고 위와 같이 고객정보와 거래정보를 혼합하여 분석하는 것은 생각보다 쉬운 일이다. R-F-M데이터는 대금의 결제나 기업의 회계 처리 목적상 혹은 다른 운영상의 이유로 이미 회사 어디에선가 이용되고 있는 기본 자료들이기 때문에 단지 마케팅 목적을 위해 이전하여 활용하는 것은 매우 용이한 일이기 때문이다.
● RFM 모델의 확장
융통성 있게 활용하도록 변형된 형태의 예를 하나 들어본다. 상품 종류가 한가지 범주에 들어가는 경우에는 R-F-M공식이 소비자 행동을 잘 반영하나, 여러 종류의 품목을 판매하는 회사의 경우에는 앞서 설명한 R-F-M공식이 잘 적용되지 않는다.
특정 품목의 구입자들의 특성들이 다른 품목 구입자들의 특성과 다른 경우가 많기 때문이다. Robert Kestnbaum은 RFM에 한가지 요소를 덧붙여 FRAT이라는 공식을 가지고 기업들에게 컨설팅을 했는데 실제로 원래 R-F-M보다 더 좋은 결과를 볼 수 있었다. FRAT은 F(빈도:Frequency), R(최근성: Recency), A(구매력:Amount), T(구입상품: Type of merchandi -se/ service)의 4가지 요소들 약자이다.
원래 R-F-M공식에 상품의 종류(T)만 추가시킨 것에 불과하다. 통계적 분석 방법으로 비중치(계수)를 부여하지 않고 마케팅 담당자의 직관으로 혹은 특정목적에 따라서 임의로 점수를 부여 할 수도 있다. 이 경우 상품의 종류(T)에 따라 점수를 달리하는 방법은 마케팅 담당자의 목적에 따라 달라진다. 한가지 예로 마진이 높은 품목을 구입한 경우는 높은 점수를 부여하여, 회사 이익에 대한 공헌도를 중시하는 것도 하나의 좋은 방법이다.
그리고 고객이 최근에 어떤 제품을 샀다는 사실이 미래 구매행동을 예측하고 다른 제품을 교차판매 하는데 매우 중요한 요소로 작용하기 때문에 꼭 이 모델의 점수계산 목적이 아니라도 품목 거래정보는 고객선별에 필수 정보로서 계속 보관할 데이터이다.
실제로 모든 통계모델에서는 예측을 위한 변수가 늘어날수록 그 모델의 예측능력이 커지기 때문에 FRAT공식이 RFM보다 더 유용한 것이 당연하며 이를 이용하여 우리회사의 모델링에는 어떤 변수들이 필요한지를 재구성 해보는 것도 좋다.
미국의 몇몇 다이렉트 마케팅 회사들은 '고객리스트 출처'나 '대금결제 방법'들도 매우 중요한 변수로 위의 공식에 포함시키는 경우도 있는데, 구입한 상품의 대금을 은행지로나 현금으로 결제하는 고객과 VISA카드를 이용하는 고객과는 실제로 어떤 이유든 다르다는 것이 파악되었기 때문이다.
결론적으로 Y = aX1 + bX2 + cX3 + 로 표현되고 설명되는 어떤 모델에서 독립변수로서 과연 무엇이 주요변수로 선택되었는가에 따라서 R-F-M이 될 수도 있고 F-R-A-T가 되기도 한다는 것이다.
패밀리 사이트 바로가기
처음
