마티니 Martinee

가이드
인사이트
Full FunnelPerformanceGrowthCRM
이벤트사전 등록Creatives마티니 만나보기
GROWTH

[프로젝트 후기] 멤버십 및 RFM 분석

[프로젝트 후기] 멤버십 및 RFM 분석

김주아
|
February 26, 2024
멤버십 및 RFM 분석 포스팅 썸네일

‍

1. Membership 및 RFM 개념

1-1) Membership 개념 및 중요성

멤버십 시스템은 고객 충성도를 높이고, 장기적인 고객관계를 구축하는데 중요한 역할을 합니다.

멤버십 프로그램은 고객에게 해당 사이트(/브랜드)의 충성도를 높이는 데 도움을 주며, 고객들은 이를 바탕으로 특별한 혜택과 서비스를 받게 됩니다.
(e.g: 할인, 포인트 적립, 프로모션 대상선정 등)

그 중 특히 패션 e커머스의 경우 멤버십 시스템은 고객 충성도와 장기적인 관계 구축에 핵심적인 역할을 합니다. 패션 e커머스에서 멤버십 시스템은 다음과 같은 중요성을 지닙니다.

  • 등급별 혜택 제공: 멤버십 등급에 따라 다양한 혜택을 제공함으로써 고객의 충성도를 높이고, 장기적인 관계를 유지합니다. 이를 통해 고객의 재방문과 재구매를 유도하여 매출 증대에 기여합니다.
  • 고객 데이터 수집: 고객의 구매 이력, 선호도, 행동 패턴등의 데이터를 수집하고 분석하여 맞춤형 마케팅 전략을 수립하여 매출 증대에 기여합니다.

‍

1-2) RFM 개념 및 중요성

RFM 분석이란, 고객을 최근 구매 시점(Recency), 구매 빈도(Frequency), 구매 금액(Monetary)을 기반으로 세분화하는 방법입니다.

RFM 분석은 고객이 얼마나 가치 있는 고객인지를 평가하는데 사용됩니다.

‍

  • Recency (최근성): 고객이 마지막으로 구매한 시점이 언제인지?
    → 최근 구매한 고객일수록 다시 구매할 가능성이 높습니다.
  • Frequency (빈도): 특정 기간 동안 고객이 얼마나 자주 구매하는지?
    → 빈번한 구매는 고객 충성도의 지표가 될 수 있습니다.
  • Monetary (금액): 고객이 소비한 총 금액이 얼마인지?
    → 구매 금액은 고객의 가치를 나타내는 지표가 될 수 있습니다.

RFM 분석을 통해 고객을 다양한 그룹으로 그룹화하고, 각 그룹에 맞는 맞춤형 전략을 수립할 수 있습니다.
(e.g: 최근에 자주 높은 금액을 지출하는 고객 : 보상 제공, 오랫동안 구매를 하지 않은 고객: 재방문/재구매 프로모션 제공)

이러한 고객 세분화는 마케팅의 효율성을 높이고 고객 만족도를 증가시키는데 도움을 줄 수 있습니다.

‍

1-3) Membership 및 RFM을 함께 확인하는 이유

멤버십과 RFM 모두 고객의 행동과 고객의 가치를 이해하는데 중요한 분석 방법입니다.

그렇기 때문에 이 두 방법론을 함께 사용한다면, 보다 정밀한 고객 세분화가 가능하며 이를 통해 더욱 효과적인 고객 관리 및 맞춤형 마케팅 전략을 수립할 수 있습니다.

‍

2. 진행배경

2-1) 경쟁사 레퍼런스

  • 분석하고자 하는 커머스가 패션 e커머스임을 감안하여 패션 e커머스 대표 브랜드인 ‘무신사’, ‘29CM’, ‘W컨셉’을 경쟁사로 두고 레퍼런스를 서치했습니다.
무신사, 29CM, W컨셉의 등급점수 계산방법

‍

‍

1. 무신사(링크)

무신사 멤버십

등급 점수 계산 방법: 최근 5년간 누적 구매 금액 + 포인트

  • 누적 구매 금액
    • ‘상품 판매가-등급 할인-쿠폰 할인+결제 수수료’
  • 포인트
    • 오늘의 미션 수행 및 커뮤니티 활동을 통해 획득
      • 포인트를 적립금으로 전환해서 사용 가능하며, 적립금 전환 시 회원 등급이 낮아질 수 있음
        • 참고) 오늘의 미션
        • 참고) 무신사 커뮤니티 (링크)
무신사 포인트 적립 및 미션 수행 화면

‍

‍

  • 등급(8개)별 구간 및 혜택
무신사 등급별 구간 및 혜택

‍

2. 29cm (링크)

29CM 멤버십 구간 및 혜택

등급 점수 계산 방법: 최근 6개월간 누적 구매 금액

  • 누적 구매 금액
    • 구매 확정된 상품 판매가의 합 (배송비 금액 제외)
  • 등급(4개)별 구간 및 혜택
29CM 등급표

3. W컨셉 (링크)

W컨셉 마이페이지 및 회원혜택

등급 점수 계산 방법: 최근 6개월간 누적 구매 상품건수 및 금액

  • 등급(6개)별 구간 및 혜택
W컨셉 등급별 구간 및 혜택

2-2) 고객사 현 상황

저희 회사에서 분석하고 있는 e커머스 패션 플랫폼은 현재 멤버십 설계가 되어있지 않습니다.

멤버십 설계 없이 필요에 따라 프로모션을 진행하며 고객들에게 동일하게 혜택을 제공하고 있습니다.

이렇게 계속해서 멤버십 설계없이 사이트를 운영할 경우 발생할 수 있는 문제점은 다음과 같습니다.

  1. 경쟁력 악화
    • 현재 무신사, 29CM, W컨셉으로 대표되는 많은 패션 플랫폼에서 다양한 멤버십 혜택을 제공하고 있습니다. 멤버십 프로그램이 없는 경우, 경쟁사 대비 경쟁력이 떨어질 수 있으며, 고객이 해당 플랫폼에 애착을 느끼지 못하고 이탈할 가능성이 증가합니다.
  2. 고객 충성도 감소
    • 멤버십 프로그램은 고객에게 특별한 혜택과 보상을 제공하여 충성도를 높여 고객과의 장기적인 관계를 구축하는 역할을 합니다. 멤버십이 없으면 고객이 플랫폼에 충성도를 느끼기 어려워 재방문율과 재구매율이 감소할 수 있으며, 이는 장기적인 비즈니스 성장에 부정적인 영향을 미칠 수 있습니다.

‍

3. 진행과정

3-1) 주문 데이터 요청 및 검증

데이터가 고객사의 DB에 존재하기 때문에 자유로운 접근이 어려웠습니다.

따라서 RFM 분석을 시작하기 앞서, 필요한 데이터를 정의하고 해당 데이터를 고객사에 요청했습니다.

주문 데이터 요청 화면

그 후, 전달받은 데이터를 Amplitude(PA Tool)의 데이터와 비교하여 데이터의 정합성을 확인했습니다.

‍

❓ PA Tool(Product Analytics tool)이란?
: 제품 분석 도구를 말하며, 제품이나 서비스의 사용자 행동 데이터를 수집, 분석하여 제품 개선,
사용자 경험 최적화, 전략 수립 등에 도움을 주는 소프트웨어를 말합니다.

‍

  • 1차 정합성 검증 1차 정합성 검증 기준 DB데이터와 Amplitude 데이터의 유사성은 약 80%수준
데이터 1차 정합성 검증 화면

‍

  • 최종 정합성 검증 : 최종 정합성 검증 기준 DB데이터와 Amplitude 데이터의 유사성은 약 93%수준
데이터 최종 정합성 검증 화면

‍

3-2) 데이터 형식 변경: 주문 데이터 → 유저 데이터

정합성 확인을 진행한 최종 DB 데이터(주문 데이터)를 바탕으로 데이터 형식 변환을 진행했습니다.

RFM분석을 위해서는 고객 기준 데이터가 필요하기 때문에 user_id 기준으로 유저별 ‘Recency(최근 구매일자)’, ‘Frequency(주문빈도)’, ‘Monetary(누적 주문액)’을 계산했습니다.

데이터 형식 변경 화면

‍

3-3) EDA (유저분포 확인)

그 후, 적절한 RFM scoring 기준을 확인하기 위해 유저 분포를 확인했습니다. 유저를 10%, 5%, 1% 기준으로 구분하고 항목별 분포를 확인했습니다.

EDA를 통한 유저 분포 확인

‍

3-4) 이상치 제거

EDA에서 확인한 유저별 분포를 바탕으로 이상치를 제거했습니다.

전체 유저의 40%정도가 구매 이후 5개월 이상이 경과하였고, 70%정도가 구매횟수가 1회였기 때문에 Recency(최근 구매일자)와 Frequency(주문빈도)를 이상치 제거 기준으로
설정할 수 없다고 판단하였습니다. 따라서 최종 이상치 제거의 기준은 Monetary(누적 주문액)로 설정했습니다.

RFM 분석 초기에는 일반적인 이상치 제거 기준은 IQR(4분위수), 표준편차 등의 기준으로 이상치를 제거하고자 시도했으나,
해당 분석의 목적이 멤버십 설계를 고려한 RFM 분석이기 때문에 상위 유저가 중요하다는 점을 고려하여 이상치 제거의 기준을 ‘N만원 이상 유저’로 설정했습니다.

이상치 제거의 기준을 1) M기준 M1만원 이상, 2) M기준 M2만원 이상, 3) M기준 M3만원 이상으로 설정하고, 이상치의 갯수 및 비율을 확인했습니다.

‍

option1. M이 M1만원 이상 유저수 n1명 (누적비율 0.17%)
option2. M이 M2만원 이상 유저수 n2명 (누적비율 0.09%)
option3. M이 M3만원 이상 유저수 n3명 (누적비율 0.05%)

‍

해당 과정을 통해 최종적으로 이상치의 기준을 “option3”로 설정했습니다.

‍

3-5) RFM

1. RFM Scoring

다음으로 각 R,F,M 항목별로 점수를 구해주었습니다. 점수를 산출하는 방식은 다양합니다. 해

당 분석에서는 작업시간 및 편의성 등의 여러 요건을 고려하여 엑셀을 통해 분석을 진행했습니다. 엑셀을 통한 RFM 산출 과정은 해당 블로그를 참고했습니다.
(출처: 엑셀을 활용한 RFM 고객가치 분석방법 (링크))

R과 M는 “비율(%)”을 기준으로, F는 전체 구매회원 중 약 80%가 1회 구매인 것을 고려하여 “구매횟수”를 기준으로 설정했습니다.

R Score, M Score을 계산하기 위한 비율(%)기준은 다음과 같습니다. 전체를 1~5까지로 구분한 후, 분모를 1~5까지 더한 값으로, 분자를 점수별 내림차순 기준 값(ex. 1일때 5, 2일때 4)으로 설정했습니다. 해당 방식으로 점수별 비율을 계산하면 다음과 같습니다.

RFM 스코어링 및 계산비율

‍

F Score를 계산하기 위한 구매횟수 기준은 다음과 같습니다. 1,2,3,4,5회 이상으로 구분했습니다.

RFM 중 F 계산을 위한 구매 횟수 기준

‍

예를 한 번 들어보겠습니다. 주문 데이터에 10명의 유저가 구매한 이력이 있다고 가정해봅시다.

고객의 주문 데이터 예시

앞서 이야기한 RFM scoring을 적용해보면 다음과 같이 계산됩니다.

‍

  • R Score (비율(%) 기준)
예시 주문 데이터 기반 R 스코어

‍

  • F Score (구매횟수 기준)
예시 주문 데이터 기반 F 스코어

‍

  • M Score (비율(%) 기준)
예시 주문 데이터 기반 M 스코어

‍

2. RFM Seg 매칭

RFM 점수가 산출되었다면, 각 점수별로 유저들을 세분화(User Segmenation)하는 과정이 필요합니다. RFM 분석 시 유저들을 세분화하는 여러가지 이유가 존재합니다.

먼저 유저를 세분화하므로써 각 그룹별 맞춤형 마케팅 전략을 개발하여 고객 만족도와 충성도를 향상시킬 수 있습니다.

또한 이탈 위험 고객들을 파악하고 이들에게 재활성화 캠페인을 진행하므로써 적절한 위험 관리를 할 수 있습니다.

유저 세분화 그룹은 해당 사이트를 참고했습니다. (출처: RFM Segmentation (링크))

최종적으로 도출된 점수별 유저 세분화 그룹 및 각 그룹에 대한 특징은 아래와 같습니다.

RFM 세그멘트 매칭 화면

‍

3-6) Membership

1. 가중치 계산

RFM score를 멤버십 구간 설정에 활용하기 위해 R,F,M 각 요소별 가중치를 계산했습니다. 가중치를 계산하는 이유는 고객의 가치를 보다 정확하게 평가하기 위해서입니다.

RFM의 각 요소는 고객의 충성도 및 구매 가능성을 반영합니다. 그러나 모든 요소가 모든 비즈니스에 동일한 중요도를 나타내지 않습니다.

예를 들어, 패션 커머스의 경우 트렌드가 빠르게 변함에 따라 고객의 최신 패션 트렌드에 대한 관심과 구매 의사를 파악하는 것이 중요하므로 R(최근 구매일자)이 상대적으로 높은
중요도를 갖습니다. 반면 럭셔리 상품을 취급하는 커머스의 경우 고객의 구매 금액이 매우 중요하므로 M(누적 주문액)이 상대적으로 높은 중요도를 갖습니다.

RFM 가중치 계산식

‍

엑셀을 통해 가중치를 구하는 방법으로는 크게 2가지가 있습니다.

첫째, 매출 기여효과의 합계를 통한 가중치 구하기와 둘째, 매출 기여효과와 매출액의 상관관계를 통한 가중치 구하기가 이에 해당합니다.

‍

1. 가중치1: 매출 기여효과의 합계를 통한 가중치를 구하는 방식은 구매 금액이 높을수록 더 높은 점수를 받는 방식으로, 매출액이 높을 경우, 즉 M의 점수가 높을경우 RFM 지수가 높게 나타납니다. 해당 방식은 업종 특성상 구매주기가 길거나, 구매 금액이 미치는 영향도가 큰 업종에서 유의미한 방식입니다.

‍

2. 가중치2: 매출 기여효과와 매출액의 상관관계를 통한 가중치를 구하는 방식은 각 R/F/M Class별 기여효과 수치와 매출액의 상관계수를 구하여 그 값의 비중대로 가중치를 정하는 방식으로, 1번 방식과 달리 M 이외의 R과 F의 요소도 어느 정도 고려된다고 볼 수 있습니다.
해당 방식은 업종 특성상 반복 구매가 자주 일어나거나, 고객의 활동, 구매 스펙트럼이 넓은 업종에서 유의미한 방식입니다.

‍

RFM 가중치 계산 실제 예시 화면

‍

가중치1과 가중치2 기준 RFM 항목별 가중치를 확인한 후, 최종적으로 M(누적 구매액)의 비중이 높은 가중치1을 선택했습니다.

그 후, 가중치를 통해 도출된 최종 스코어를 기준으로 최종 스코어별 비율 및 R,F,M 분포(평균,최대,최소)를 확인했습니다.

‍

최종 스코어별 비율 확인 화면

‍

1차적으로 스코어별 분포를 확인하고, R보다는 F, R/F보다는 M의 중요도를 반영하는 방향으로 새로운 가중치를 생성했습니다.

그 후, 이를 바탕으로 도출된 스코어별 비율 및 R,F,M 분포를 재확인하는 과정을 거쳤습니다.

‍

스코어별 RFM 분포 확인

‍

이러한 과정을 거쳐 최종적으로 RFM의 가중치를 0.1:0.2:0.7으로 확정하였습니다.

‍

최종 RFM 가중치 확정 단계 화면

‍

2. 멤버십 기준 설계

멤버십은 RFM의 score을 기준으로 구간을 설정한 후, M(누적구매액)으로 기준을 변경해주었습니다.

  • RFM score 기준 구간설명
RFM 스코어 기준 구간설명 표
  • M(누적구매액) 기준 구간설명
누적 구매액 기준 구간설명 표

RFM score를 반영한 최종적은 멤버십 기준은 다음과 같습니다.

‍

🪜 멤버십 기준 (*최근 6개월 1회 이상 구매 유저의 누적 구매액 기준)

· 이상치: M4만원 이상 (0.035%)

· VVIP: M3만원 이상 M4만원 미만 (1%)

· VIP: M2만원 이상 M3만원 미만 (7.4%)

· CREW: M1만원 이상 M2만원 미만 (29.3%)

· WOK: M1만원 미만 (62%)

· NEW/CHURN: 미구매

‍

4. 결과

4.1) 멤버십 혜택 설계

매출 공식


매출을 증가시키기 위해서는 크게 두 가지 방법이 존재하는데, 주문수를 올리거나 즉, 주문빈도를 높이거나, 건단가를 높이는 방식이 이에 해당됩니다.

매출을 증가시키기 위해 각 멤버십별 유저들의 주문빈도 및 객단가를 높일 수 있도록 멤버십 설계를 바탕으로 구간별 특징을 파악하고, 멤버십 혜택을 설계했습니다.

먼저 Amplitude를 사용하여 각 구간 평균 주문수, 주문상품수, 객단가 및 건단가를 확인한 후, 이를 바탕으로 멤버십 구간별 특징을 파악했습니다.

‍

앰플리튜드 평균 주문수, 주문상품수, 객단가 및 건단가 확인 대시보드

‍

이를 바탕으로 기존에 진행한 쿠폰 프로모션의 성과를 바탕으로 쿠폰의 효율을 예측한 후,
쿠폰 할인율에 따른 매출 증분율과 마진율을 확인하고 멤버십 구간별 쿠폰 혜택을 설계했습니다.

‍

멤버십 구간별 쿠폰 혜택 설계 화면

‍

4.2) Membership/ RFM Dashboard

태블로(Tableau) 로고


태블로(Tableau)를 통해 멤버십과 RFM 세분화를 바탕으로 대시보드를 구현했습니다.

‍

태블로(Tableau) 멤버십 및 RFM 대시보드 구현 모습

해당 대시보드를 통해 멤버십 관련 정보(1. 멤버십 분포, 2. 월별 멤버십 비율, 3. R(최근 주문일자), 4.F(주문빈도) 5.M(누적주문액)) 및
RFM 관련 정보(6.RFM Segment 분포, 7.월별 RFM 비율)을 확인할 수 있습니다.

좌측 상단의 멤버십 버튼 클릭시 각 멤버십 단계에 해당하는 유저들이 필터링되어 표출됩니다.

이를 통해 멤버십별 분포 및 해당 멤버십에 해당하는 유저들의 RFM 세그먼트를 손쉽게 확인할 수 있습니다.

‍

  • 멤버십 VVIP 클릭
태블로(Tableau) 멤버십 및 RFM 대시보드

‍

또한 좌측 상단의 필터를 통해 각 멤버십 및 RFM 세그먼트별 회원 수 및 매출액을 파악하고 이를 비교함으로써 종합적인 비즈니스 성과를 파악할 수 있습니다.

‍

태블로(Tableau) 멤버십 및 RFM 대시보드 세그먼트별 비교

‍

‍

원본 포스팅 링크

[프로젝트 후기] 멤버십 및 RFM 분석

김주아
Data Analyst
InstagramFacebookLinkedIn
데이터 분석과 시각화를 통해 데이터의 가치를 극대화합니다.

Related

recomm_thumbnail
EVENT

2024 마티니 데이터 캠프 RFM 기반 고객 세그멘테이션과 멤버십 전략

June 19, 2024

recomm_thumbnail
EVENT

브레이즈 자동화 & 데이터 분석 활용 마스터 클래스 모집중!

November 11, 2024

recomm_thumbnail
CRM

마케팅 수신 동의율 높이려면?… "개인화가 정답"

May 7, 2024

NewsCareers개인정보처리방침

©Martinee.io All Rights Reserved.