Bu yazı, Sıfırıncı Elden Veri yazısının devamıdır.

Önceki yazıda,  “The Importance of Zero-party Data” (Sıfırıncı Elden Veri’nin Önemi) isimli bir Bloomreach makalesi üzerine görüşlerimi anlatmıştım. “Makalede birçok önemli noktaya değinilmiş. Ben sadece bir bölümünü ele aldım. Siz makalenin tamamını okuyun. Makaledeki bazı noktaları, başka bir blog yazısında irdeleyeceğim” demiştim.

Makalenin Sıfırıncı Elden Veri Stratejisinin Faydaları paragrafında şöyle diyor:

Sıfırıncı Elden Verilerin toplama kolaylığı ve diğer veri türlerinin potansiyel dezavantajları, sıfırıncı elden verilerin neden e-ticaret işletmeleri için ana odak noktası olması gerektiğini anlamayı kolaylaştırır. İşletmelerin müşterilerle daha iyi bir ilişki kurmasına temel olarak yardımcı olan bilgidir ve böylelikle hem işletmenizin kârlılığı hem de müşterinizin markanızla olan deneyimi için büyük avantajlar sağlar.

…

Konseptin özü şudur: Müşteriler, kendi istek ve ihtiyaçlarına göre özelleştirilmiş bir deneyim karşılığında markalarla veri paylaşmaya isteklidir. Müşteriler kişiselleştirilmiş içerik ister, ancak bir kurumla bu kişiselleştirilmiş deneyimi elde etmek için hangi verilerin paylaşılacağını kontrol etmek isterler.

🙂

Öncelikle makalede vurgulanan “Müşterilerin hem kişiselleştirilmiş içerik istediği, hem de kurumla bu kişiselleştirilmiş deneyimi elde etmek için hangi verilerin paylaşılacağını kontrol etmek istedikleri” konusuna kesinlikle katılıyorum. Daha önce de Veri / Deneyim Dengesi yazımda bahsetmiştim. Deneyimle uyuşmayan ölçüde veri talep ettiğinizde hem veri alamıyorsunuz, hem de güven kaybediyorsunuz.

Burada önemli olan, sıfırıncı elden veriyi nasıl elde ettiğimizdir.

Bazı sektörlerde kendiniz veya aileniz hakkında ayrıntılı bilgi vermeniz, (makalede söylendiği gibi) deneyiminizi iyileştirir ve hayatınızı kolaylaştırır. Örneğin konaklama sektöründe rezervasyon yaparken

• çocukların yaşları,
• sizin ve onların (varsa) fiziksel zorlukları,
• alerjileriniz olup olmadığı,
• sert veya yumuşak yastık tercihiniz,
• vb… (elbette bunlarla sınırlı değil, bunlar sadece örnek)

konularında ne kadar çok bilgi verirseniz, o kadar rahat edersiniz. Hatta size bu konular sorulduğunda “ne yapacaksınız bu bilgiyi” demezsiniz, aksine “ne güzel, bunu da dikkate almışlar” diye düşünürsünüz (ve hizmet kalitesi beklentiniz de artar).

E-ticaret tarafına geldiğimizde, teklif (elde ettiğiniz veriler sayesinde) kişiselleşebilir ama ürün çoğunlukla kişiselleştirilemiyorsa ve müşteriyi diğerlerinden ayıran (çok uzun veya kısa olmak, çok kilolu veya zayıf olmak, vb.) özellikleri yoksa, fazladan kişisel bilgi vermeye müşteriyi ikna etmeniz zorlaşır. Bu durumda, müşterinin ayak izlerini takip etmek (ama harici verileri de dikkate alarak) anlamlandırmak en doğrusudur. (Önceki yazıya yorum yapan Sn. Yasemin Koç da bu konuyu vurgulamıştı.)

Bu noktada, kişiselleştirilmiş teklif yapan yazılımı iyi seçmek gerekiyor. Şurada, yüksek konçlu basketbol ayakkabısı ve ilginç resimli kravat bakınca beni zerre kadar tanımayan bir öneri sistemini okuyabilirsiniz.

Ayrıntıları yazdığım için makalenin temel söyleminden sizi uzaklaştırmayayım. “Müşterinizi, daha iyi bir deneyim yaşaması için verilerini gönüllü paylaşmaya ikna etmenin yollarını düşünmelisiniz“. Tekrarlıyorum, bu kavrama katılıyorum.

Hangi farklı kaynaktan gelirse gelsin, verilerin nihai ulaşım noktası müşteri odaklı veri ambarıdır. [Bu konudaki son yazıyı referans veriyorum. Orada önceki yazıların linkleri de var.]

Yeter ki siz verileri [1] + [2] ve istisnaları anlamlandırmayı bilin.

 

Linkedin’de “BigQuery’de SQL ile RFM analizi yaptık. Amacımız müşteri kitlesi içinde hangilerinin sitemiz için daha değerli olduğunu bulmaktı. K-means clustering ve BigQuery makine öğrenimi algoritmasını kullanarak her kullanıcıyı RFM değerlerine göre segmentledik. ” diye başlayan bir çalışma okudum.

Çalışmayı yapan arkadaş, adım adım tüm çalışmayı yazmıştı. Esinlendiği kaynak olarak da şu yazıyı referans vermişti.

Referansta da “User Segmentation using RFM analysis in BigQuery ML and Visualization in the Data Studio” (BigQuery ML’de RFM analizi kullanarak Kullanıcı Segmentasyonu ve Data Studio’da Görselleştirme) denilmiş.

“RFM ile ilgili en çok yapılan hata, RFM sonuçlarına göre segmentasyon yapılmasıdır. Oysa, önce segmentasyon yapılmalı, sonra segment bazında RFM çalışması yapılmalıdır.” diye yorum yazdım.

Gerekçeyi de eklemek için daha önce bu konuda yayınladığım yazıları [1] , [2] , [3] tekrar okuduğumda yeteri kadar açıklamadığını ve bu vesileyle, RFM’i yeniden anlatan bir yazı yazmak gerektiğini düşündüm. Danışmanlık yaptığım bir mobilya şirketi için RFM modeli hazırlamıştım. IT ile sorun yaşıyorlardı ve “asgari IT kullanarak müşteriyi anlamaya” ihtiyaçları vardı.

Benim tasarımım ve onların müşteri deneyimi birikimiyle birlikte oluşturduğumuz RFM modelini hayata geçirdiler. Hatta kısa süre sonra erken uyarı sistemi olarak kullanmaya başladılar. Birkaç sene sonra da bir MS CRM Dynamics çözüm ortağı ile anlaştılar.

Bu çözüm ortağının kurucusu beni buldu. O kurumla birlikte yaptığımız RFM modelinin (ki artık sadece RFM denemezdi) ne kadar kullanışlı olduğunu görmüş ve modeli tasarlayanla tanışmak istemiş.

RFM analizi bir devirler çok konuşulan bir yöntemdi. Bu yazıda, geleneksel RFM’in neden bugünkü veri ve teknolojik ortamda geçerli olmadığını ve nasıl değişiklik yapılırsa, asgari IT desteğiyle başarılı sonuçlar alınabileceğini anlatacağım.

😉

RFM İngilizce bir kısaltma.

• R: Recency (Müşterinin en son alışverişinden bu yana ne kadar zaman geçtiği = Zaman açısından yakınlık)
• F: Frequency (Müşterinin belirli bir zaman diliminde yaptığı alışveriş sayısı = Sıklık)
• M: Monetary (Müşterinin F için temel alınmış belirli zaman diliminde ne kadar ciro yaptığı = Ciro)

Geleneksel RFM analizlerinde R, F ve M’nin her biri 1 – 5 arası gruplara ayrılır. Sonra sıralanır. 5-5-5 olan müşteriler çok değerlidir; 1-1-1 olan müşteriler olmasa da olur.

Bazı geleneksel (bugünkü veri yönetimi ortamında bence KESİNLİKLE YANLIŞ olan) RFM hesaplamalarında bir kurumun tüm müşterileri aynı ölçeklerle değerlendirilir ve analiz sonucunda “hangi müşterilerin değerli olduğunun bulunacağı” düşünülür. Bu yöntem için neden KESİNLİKLE YANLIŞ dediğimi anlatayım.

Önemli not: RFM’in geleneksel şekilde kullanılması kesinlikle geleneksel modelleri bugün uygulayanların suçu değil. Yerli – yabancı birçok kaynakta RFM bu şekilde yazılmış.

Eğitimlerimde, neden yanlış olduğunu ve doğrusunu uzun uzadıya anlatıyorum. Yukarıda referans verdiğim [1] , [2] , [3] yazılar yeterince açıklayıcı olmadığı için burada aktarmaya çalışacağım. Uzun bir yazı olursa, lütfen kusuruma bakmayın.

😉

RFM demek İngilizcede FRM demekten daha kolaydır ama bence önce F ile başlanmalıdır.

“Neden?” diye sorarsanız… R (zaman açısından yakınlık) aslında F (sıklık)’ın bir sonucudur. Alışveriş sıklığı fazla olan, örneğin ayda 3 kere mağazaya (veya e-ticaret sitesine) gelip alışveriş yapan bir müşterinin R değeri ister istemez 0 – 10 gün arasında olur. R aslında F’den türeyen bir değer olduğu için, F’de temel aldığınız süre (tanımda “belirli bir zaman diliminde yaptığı alışveriş sayısı” demiştik) yani o ZAMAN DİLİMİ, çalışmanın en önemli parçasıdır.

Bana “R aslında F’nin doğal sonucu olmayabilir. Zaman dilimini bir yıl alırsak ve yılda 3 kez gelmiş ama son 10 aydır hiç uğramamış olabilir” derseniz, size iki soru sorarım.

1 – RFM analizini ne amaçla yapıyorsunuz?

2 – RFM analizini hangi sıklıkta yapmayı düşünüyorsunuz?

Bu soruya yanıt olarak yılda bir, iki yılda bir gibi uzun bir süre verirseniz,

3 – Neden o zaman dilimini seçtiniz? diye üçüncü soruyu sorarım.

Bu üç sorunun yanıtları, F’in temeli olan zaman dilimine nasıl karar verdiğinizi sorgulamaktır.

Zaman diliminin seçimi çok önemlidir. Temel alacağınız zaman dilimi sektörler arasında değişiklik gösterir. Mevsimsel etkisi olan (abiye konfeksiyon gibi) sektörler ile zaten sıkça gidilen (süpermarket gibi) sektörleri aynı zaman diliminde değerlendiremezsiniz.

Konaklama sektöründe bile farklı zaman dilimleri üzerinde çalışılır. Şehir oteli ile tatil köyü farklı ölçütler kullanır. Tatil köyü veya kayak otelleri (eğer RFM yaparlarsa) en az bir yıllık zaman dilimi almalı ama değerlendirmeyi 3 – 4 sene boyunca her sene RFM analizi aldıktan sonra yapmalı. Bir yıllık zaman dilimi aldığında da ertesi sene turizm sezonu başlarken değil sezon biter bitmez analiz yapılmalıdır. Yani, bir yıllık zaman dilimi aldıktan sonra “müşteri 10 ay önce 3 kere gelmiş” demek için haklı ve geçerli bir senaryonuz olmalı.

Örneğin: Daha turizm sezonu açılır açılmaz, havalar ısınmadan gelen yaşlı turistlerden olabilir. Bir başka yaşlı turist grubu da havaların sıcaklığı azaldıktan sonra Eylül gibi, tatil köyü kapanmadan hemen önce geliyordur. Aslında aynı segment.

İşte bu nedenle, “önce segmentasyon , sonra RFM çalışması yapılmalı” diyorum.

Dikkat ederseniz, “RFM analizi yapılmalı mı?” diye de sorguluyorum. Özellikle bugünün veri kaynayan ortamında.

Sorunun yanıtını da vereyim: Eğer kurumunuzdaki BT ekibi CRM konusunda çok yetkin değilse RFM’i erken uyarı sistemi gibi kullanabilirsiniz. Kullanabilirsiniz ama… önce bazı konularda ön çalışma yapmanız gerek.

😉

F’e (alışveriş sıklığına) tekrar bakalım.

Bir mağaza veya dükkan için “oraya çok sık giderim” dediğinizde… Eğer işyerinizin yakınında bir lokantayı söylüyorsanız “haftada 2 – 3 kez” anlamına geliyordur. Ama spor malzemeleri satan bir mağaza ise, ayda bir kez bile oldukça sık sayılır.

Demek ki… sıklık kavramı, işyerinin özelliğine, sektörüne, sattığı ürün veya hizmete göre değişiyor.

😀

Çalışmanın bundan sonrasında hem mobilya, hem mutfak aletleri (buzdolabı ve bulaşık makinesinden mutfak robotu, tencere tava, tost makinesine kadar ev için gerekli hemen her alet) hem de ev tekstili ürünleri (yatak çarşafından havlu ve bornoza, halıdan döşemelik kumaşa kadar hemen her tekstil ürünü) satan bir mağazalar zinciri olduğunu düşünerek devam edeceğim.

Not: İstanbul’da daha bir dikey uzmanlaşma var. Mobilya, mutfak aletleri ve ev tekstili ürünleri satanlar ayrı markalar altında zincirler oluşturuyor. Anadolu’da birçok şehirde, ev için gerekli hemen her şeyi satan mağazalardan görmüşümdür. Bazıları “çeyiz mağazası” olarak sıfatlanıyor.

RFM’in temeli olan F’yi hesaplarken 5 (en sık) için şu kavramı kullanırız: “Mağazadan çıkmıyorlar” veya “mutlaka uğruyorlar” dediğimizde hangi sıklığı esas alırsınız? diye sorarız. Evlenmenin (veya birlikte yaşamanın) arifesinde olan çiftler için “haftada 2” gibi bir sıklık olur.

Şehirdeki en bilinen mobilya + mutfak eşyaları + ev tekstili satan markasınız. Evlenmenin hemen öncesinde olan müşterileriniz haftada bir-iki kere gelecekler. Bazen çift olarak, bazen (parayı ödeyecek olan) baba ve annelerle mağazanızı ziyaret edecekler. Çoğunlukla bir şeyler satın alacaklar. Evdeki eksiklerini tamamladıkça size gelmeleri azalacak.

Aynı çift, birlikte yaşamaya başladıklarının ikinci senesinde yine “mağazadan çıkmıyorlar” denildiğinde ayda bir sıklık düşünülür. Bebek olacağı haberini almışlarsa, sıklık yine artar.

Çalışmanın sonunu beklemeden buraya ekleyeyim. Sadece 3 başlık (R ve F ve M) yetersizdir. Son satın alınan 3 – 4 ürün de bir başka sütun olarak yer almalıdır.

Gelelim orta yaşta birine… Onun için “çok sık uğrar” dediğimizde muhtemelen ayda bir-iki ziyaretten bahsediyoruzdur. Birden sıklık artmışsa… ya ev-ofis çalışmaya geçmiştir, evi düzenlemek için alışveriş yapıyordur; ya boşanma öncesindedir, yeni ev düzenliyordur; ya da çocuğu evleniyordur ve parasını o ödeyecektir.

DİKKAT: Burada 3 önemli konudan bahsediyorum.
1 – Neden son satın alınan 3 – 4 ürün bir başka sütun olarak yer almalı?
2 – Neden önce segmentasyon, sonra RFM çalışması yapılmalı?
3 – RFM analizini neden yapıyorsunuz?
sorularının yanıtını anlatıyorum.

Bu sektörde RFM Analizini erken uyarı sistemi olarak kullanacaksanız, en geç ayda bir kez hazırlamanızı öneririm. Böylece müşterilerinizin yaşam evresindeki değişiklikleri anlarsınız.

Önemli bir noktayı da atlamayalım. Geleneksel RFM modeli kesinlikle yaşam boyu değeri (YBD) ölçmek için kullanılamaz. YBD gelecekle ilgilidir, oysa geleneksel RFM sadece geçmişi gösterir. Geleceğe ilişkin ipuçları görmek isterseniz, bahsettiğim eklemeleri yapmanız gerekir.

Bu arada, son satın alınan 3 – 4 ürün sadece yaşam evresi değişimini ölçmek için değil, rekabete kaybınızı ölçmek için de kullanılır.

Evlenmeye (veya birlikte yaşamaya) karar vermiş bir çift önce yatak odası takımı alır, sonra mutfak, sonra salon, vb… diye müşteri deneyim haritası çıkarmışsanız, neleri sizden satın almadığını da görürsünüz. Onları muhtemelen rakiplerinizden almışlardır.

İşiniz bitmedi: Yukarıdaki ev-ofis çalışmaya karar vermiş veya boşanmış kişi örneğini de dikkate almalısınız. Sizinle sık alışveriş yapabilecek her persona için deneyim yolculuğu haritası çıkarmalı ve RFM analizinizi anlamlandırmalısınız.

😀

Yazı çok uzadı ve RFM’in sadece F’inden bahsettik.

Buraya kadar yazılan kısmı özetlersek,

• Her sektör, hatta her kurum için (F’nin dolayısıyla R’nin temeli olan) ayrı zaman dilimleri söz konusu.
• Her segment için ayrı RFM yapılmalı. Dolayısıyla, önce segmentasyon, sonra RFM yapılır.
• Yakın geçmişte çok alışveriş yapması, (evlilik öncesindeki çift örneği gibi) aynı şekilde devam edeceği anlamına gelmez. Dolayısıyla, basit tahminler için bile geleneksel RFM modelini kullanamazsınız.
• 5-5-5 ölçekli RFM modeli, bugünün veri ve teknoloji ortamında artık hükümsüzdür.

RFM’in kalan R ve M harflerini ve RFM çalışmasının yanına eklenmesi gereken diğer maddeleri daha sonra ele alacağım. Hepsini bir araya getirdikten sonra, abone olanlara bir kitapçık şeklinde sunmayı amaçlıyorum.

.

Bunca data var. Bu datayı nasıl kullanırsanız daha çok müşteri sorununu çözersiniz?

Aslında bu soruyu başka şekilde de sorabiliriz. “Sorun olduğunu nasıl anlarsınız?” Birçok yolu var. “En çok şikayet edilen konular neler?” onu araştırırsınız.  Bir e-ticaret platformu yöneticisinin dediği gibi “Bir kişinin sorununu çözünce, aslında binlerce kişinin sorununu çözmüş olabilirsiniz.”

Çok sayıda ve farklı konularda şikayetler olabilir. “Hangi müşteri sorununun ilk olarak ele alınması gerektiği” zaman zaman, gerek CRM gerekse Dijital Dönüşüm dersinin final soruları içinde yer alır. Bu sorunun doğru yanıtı elbette müşteri memnuniyeti + zaman + emek + yatırımın geri dönüş oranı ile ilgilidir.

Ne var ki, şikayetleri araştırmak da yeterli değildir. İngiliz komedyen Benny Hill’in şu cümlesi,

şikayet yönetiminin temel kavramlarından biridir. “Şikayet edilmeyen konular neler?” Hatta… “Neden şikayet etmiyorlar?”

😀

Burada, araştırma yöntemlerindeki survivor bias (“hayatta kalan ön yargısı” diye tercüme edilmiş) hatasını vurgulamıyorum.

Meraklısına not: Savaşta geri dönen uçakların nerelerinden yara aldıklarına bakıp, “oraları zırhla sağlamlaştıralım” denildiğinde (yandaki şekil) survivor bias (“hayatta kalan ön yargısı“) oluyor. Aslında zırh eklenmesi gereken, dönen uçaklarda hiç yara almayan bölümler. Motorlardan, pilot kabininden veya yakıt deposundan yara aldığında hiç geri dönemiyor.  İsterseniz İngilizce ve Türkçe kaynaklara da bakabilirsiniz.

😉

Saha (müşteriler, satıcılar, pazar dinamikleri, vb.)  ile tümden uzak olup, veriye gömülerek çalışan bazı analistler, kendilerini veri bilimci olarak sıfatlıyor. En çok da “sahada çalışmaya gerek yok” “veriler her şeyi söyler” diyenlere gülüyorum. İlki tümden yanlış da… o ikinci cümlecik ancak “Doğru soruyu sorarsanız…” diye başlarsa doğrudur.  Doğru soruyu da sahada çalışmadan pek öğrenemezsiniz.

Çok becerikli veri bilimcilerinizin olması yetmiyor. Sorun arayan, müşterinin derdini anlamaya çalışan düşünce yapısının olması gerek. Kurum zaten o hizmeti sunmadığı ve müşteriler de bunu bildikleri için kuruma sormadıkları hizmetlerin neler olduğunu araştırmak  önemli bir başlangıç noktası olabilir.

Bunca iddialı konuşunca birkaç farklı sektörden örnekler vereyim.

1- Biri öneri sistemleri konusunda. Daha önce uzunca yazmıştım. Burada tekrarlamayayım. Bu örnekte, neden hemen bıraktığımı öğrenebilselerdi, belki yapıyı geliştirebilirlerdi.

2 – Bir diğer örnek, üniversiteler konusunda. Okula kayıt yaptırmadan hemen önce veya kayıttan hemen sonra ne yaptıklarını öğrensek, okulun yurdu olmadığı için öğrencinin kalacağı yer aradıklarını öğrenebiliriz. Pandemi sonsuza kadar sürmeyecek. Bazı dersleri yüz yüze almak gerekiyor. Veliler ve öğrenciler, okulun zaten yurdu olmadığını bildikleri için hiç şikayet etmiyorlardır. Ayrıntılı bir “öğrenci deneyim yolculuğu haritası” bize çok fikir verebilirdi.

Sakın ha “yurt inşa etmeli” dediğimi zannetmeyin. Okula başvurmadan önce kalacak yer olanakları araştırılıyorsa, okulun web sitesinin başvuru sayfasını bir platforma dönüştürmek ve civardaki mekanlar hakkında “kullanıcı yorumlarını da içeren” sayfalar eklemek zor olmazdı. Okula başvuru sayısını da arttırırdı. Unutmayalım ki, yeni bir konaklama mekanı, sadece bir ev veya oda değildir; yeni bir yaşam biçimidir. Buna uyum sağlanmasını kolaylaştırmak, ilgili her tarafın verimini arttıracaktır. (Okulların dönüşümü konusunda uzun süreden beri her önüme gelen kaynağı okumaya çalışıyorum)

3 – Kendi aralarında yarattıkları çözümler. Şu yazıda ayrıntılı yazmıştım. Merkezi bir raporlama birimi olmadığı için farklı departmanlarda, görevi sadece raporlama olan 4-5 kişilik müdürlükler vardı. Hepsi ayrı kaynaklardan beslendikleri için farklı sonuçlar çıkıyordu. Kurumun tepe yöneticisi, gerçekte neyin doğru olduğunu tam olarak bilemiyordu.

Yazıda ayrıntısı var. Merkezi raporlama sistemi yatırımının geri dönüş süresi, bir yıldan az hesaplanmıştı. İlk olarak yapılacak iş, açıkça ortadaydı.

4 – Bir başka “kendi yarattıkları çözümler” örneği şu yazıda. ODTÜ’nün ilk mimarları Behruz ve Altuğ Çinici, binaları bitirmiş, araba yollarını yapmış, ANA YOL denilen yaya yolunu da yapmış ama küçük yaya yollarını, özellikle binaların arasındaki geçiş patikalarını bırakmışlar. Nedeni sorulduğunda «Biraz bekleyin» demişler. Zaten inşaat birkaç sene sürüyor. Biten binalarda eğitim yapılıyor. Öğrenciler gidip gelmeye başlıyor. Bir yıl sonra, öğrencilerin yürüyerek patikaya çevirdiği yerleri taşla, betonla kaplanmış.

Bu düşünceyi dijital altyapıya hızla uyarlayabiliyorsanız, başkalarından ders alabildiğinizi gösterir.

Veri bilimciler, kurumun hizmet ve ürünlerine değil, müşterinin ihtiyacına odaklandıkları takdirde, kuruma çok daha fazla katkı sağlayabilirler. Bence, veri analisti ile veri bilimciyi ayıran çizgi bu bakış açısıdır.

😉