Mengenal Metrik-Metrik Pelanggan Terpopuler (2)

(The Manager’s Lounge – Sales & Marketing) – Artikel sebelumnya sudah membahas mengenai beberapa metrik terpopuler dalam mengukur pelanggan. Berikut ini akan dibahas beberapa metrik lainnya yang juga bisa Anda gunakan:

Transition Matrix
Transition Matrix, yakni matriks yang mengukur kecenderungan pelanggan dalam membeli brand tertentu selama suatu periode. Sehingga, melalui matriks ini juga dapat diperoleh pemahaman mengenai kemungkinan pelanggan untuk berpindah brand dalam periode tertentu.

Misalnya, jika Anda ingin mengukur probabilitas bahwa konsumen dari merek A akan beralih pada merek B kemudian kembali pada merek A lagi dalam dua waktu pembelian berbeda, maka perhitungannya 20%*10% = 2%. Lalu, jika seandainya dalam satu periode konsumen membeli dua kali, maka kemungkinan pembeliannya adalah AA, AB, AC, BA, BB, BC, CA, CB, dan CC , atau seluruh kombinasi A, B, dan C.

Transition matrix dibaca secara horizontal, karena konsumen dihitung sebagai 100%, karena konsumen diasumsikan seharusnya pasti berakhir pada brand tertentu. Hanya saja, probabilitas dari perhitungan melalui transition matrix ini hanya bisa dilakukan jika kita mengetahui merek apa yang terakhir kali dibeli pelanggan.

Metode RFM
RFM, yakni metode yang berdasar pada Recency, Frequency, dan Monetary. Recency adalah berapa lama sejak pelanggan melakukan pembelian; Frequency yakni seberapa sering pelanggan membeli dalam kurun waktu tertentu; dan Monetary yakni jumlah pengeluaran pelanggan dalam transaksi. RFM ini menggunakan data historis, dan bertujuan untuk memahami perilaku konsumen.

RFM terdiri dari dua metode, yakni:
Metode pertama: mensortir data-data pelanggan berdasarkan RFM, mengelompokkannya dan menganalisa hasilnya. Setiap atribut (Recency, Frequency dan Monetary) masing-masing punya kategori-kategori tertentu, dan dari irisan antara atribut dan kategori, terciptalah segmen-segmen.

Misalnya, jika dalam tiap atribut ada tiga kategori, maka akan menghasilkan matrix dengan kemungkinan 27 kombinasi. Segmen-segmen ini dikelompokkan terdiri dari yang segmen yang paling berharga (recency, frequency dan monetary tertinggi) hingga yang paling tidak bernilai (recency, frequency dan monetary terendah).
Metode kedua: mengkalkulasi bobot relatif dari R, F dan M menggunakan regresi

Metode ini menggunakan regresi dalam menentukan bobot masing-masing dari R, F dan M. Kemudian metode ini menetapkan skor bagi tiap pelanggan, berdasarkan data recency, frequency dan monetary mereka. Sehingga, tiap pelanggan punya weighted points pada masing-masing atribut, yang kemudian jika disatukan dengan hasil dari atribut lainnya menjadi poin kumulatif.

Melalui kedua analisa RFM ini, maka Anda akan dapat memahami perilaku konsumen secara lebih mendalam, sehingga dapat membantu Anda dalam melakukan segmentasi dan targeting selanjutnya. Anda dapat mengetahui segmen-segmen bahkan individual mana saja yang paling berharga bagi perusahaan. Artinya, untuk melakukan RFM ini Anda membutuhkan data yang mendetail mengenai pelanggan.

 

 

(Rinella Putri/AA/TML)