맨위로가기

RFM

"오늘의AI위키"는 AI 기술로 일관성 있고 체계적인 최신 지식을 제공하는 혁신 플랫폼입니다.
"오늘의AI위키"의 AI를 통해 더욱 풍부하고 폭넓은 지식 경험을 누리세요.
목차

1. 개요

RFM은 고객 행동을 분석하고 세분화하는 데 사용되는 마케팅 기법이다. 이 모델은 고객의 최근성(Recency), 빈도(Frequency), 금액(Monetary value)을 기준으로 고객을 분류하며, 각 요소를 점수화하거나 범주화하여 고객 가치를 평가한다. RFM 모델은 다양한 방식으로 활용되며, RFM, RFD, RFE, RFM-I, RFMTC 등 다양한 변형 모델이 존재한다.

더 읽어볼만한 페이지

  • 시장 조사 - 세계에서 가장 살기 좋은 도시
    세계에서 가장 살기 좋은 도시는 평가 기관별 기준에 따라 순위가 다르지만, 안정성, 의료, 문화, 환경, 교육, 인프라 등 다양한 요소를 고려하며, 유럽과 오세아니아의 도시들이 상위권을 차지하고, 한국 도시들의 삶의 질 향상을 위해서는 녹지 공간 확보, 대중교통 시스템 개선, 시민 참여 확대 등이 필요하다.
  • 시장 조사 - 쿨헌팅
    쿨헌팅은 기업이 젊은 세대의 트렌드를 파악하도록 돕는 마케팅 활동으로, 청소년 문화 예측 보고서 판매, 컨설팅, 표적 집단 면접, 쿨 나르크 활용, 온라인 시장 조사 등의 방법으로 정보를 수집한다.
  • 마케팅 - 프레젠테이션
    프레젠테이션은 정보를 전달하고 청중을 설득하기 위한 발표 방식으로, 대한민국에서는 표준 용어로 사용되며, 시각 자료 활용과 함께 기업, 교육 등 다양한 분야에서 효과를 극대화하는 의사소통 방식이다.
  • 마케팅 - 감정노동
    감정노동은 조직이나 고객의 기대에 맞춰 자신의 실제 감정과 다르게 특정 감정을 표현해야 하는 노동으로, 서비스 직종에서 주로 발생하며 정서적 소진 등의 문제를 야기하므로 개인 및 조직 차원의 관리와 사회적 인식 개선이 요구된다.
RFM

2. 핵심 모델

RFM 모델은 고객의 구매 행동을 분석하기 위해 최근성(Recency), 빈도(Frequency), 금액(Monetary)의 세 가지 요소를 활용한다. 고객 구매는 고객 이름, 구매 날짜 및 구매 가치 열이 있는 표로 나타낼 수 있다.[2] RFM 값을 정량적으로 정의하는 방법은 다양하며, 최적의 방법은 고객 여정과 비즈니스 모델에 따라 달라진다.[2]

이 기법은 데이터 세트를 사용하여 RFM 세분화 프로세스의 결과를 검증하는 것이 좋다. 또한 전문적인 통계 소프트웨어가 필요하지 않고 비즈니스 담당자가 결과를 쉽게 이해할 수 있다는 장점이 있다. 다른 타겟팅 기술이 없는 경우 프로모션에 대한 응답률을 높일 수 있다.

2. 1. 점수 할당 방식

RFM의 요인을 각각 5등급으로 등간격으로 분류하는 방법이 있다. 현재 개발된 RFM 모형은 크게 4가지로 분류할 수 있는데, 이 문서의 내용은 정설이 아니며 신뢰하기 어려움을 전제로 참고해야 한다.

  • 모델1. RFM 각 요소의 20% 규칙(rule) 적용
  • 모델2. 비율 척도에 의한 양적인 정도의 차이에 따른 등간격의 5등급 분류
  • 모델3. 상하 20%를 제외한 등간격 척도에 의한 그룹 분류
  • 모델4. 군집 분석에 의한 각 요소 별 5개의 그룹 분류


데이터 마이닝 기법을 이용한 모형으로는 회귀분석, 확률적 RFM 모형 등이 있다.

  • 회귀분석
  • 선형 회귀 분석을 이용한 모형: 고객의 구매 최근성, 구매 빈도, 구매 금액 등 고객의 수익 기여도를 나타내는 세 가지 지표들의 선형결합으로 세 가지 지표들을 점수화한다.
  • 다중 회귀 분석을 이용한 모형: 각 고객의 구매 행동을 나타내는 R, F, M의 변수들을 독립변수로 하고 고객의 미래 구매 행동을 예측하는 기법이다.
  • 신경망을 적용한 모형: 로지스틱 회귀 모형을 보완하는 차원에서 연구되었다.
  • 확률적 RFM모형: 콜롬보(Colombo)와 와이나(Weina)의 확률적인 RFM모형은 과거의 고객의 응답 이력으로 고객의 미래 응답을 예측하는 행동모델이다.[10]


RFM 값을 정량적으로 정의하는 방법에는 여러 가지가 있으며, 최적의 방법은 고객 여정과 비즈니스 모델에 따라 다를 수 있다.[2] 한 가지 접근 방식은 각 차원에 1에서 10까지의 점수를 할당하는 것이다. 최대 점수는 선호하는 행동을 나타내며 각 고객에 대해 세 가지 점수를 계산하는 데 공식을 사용할 수 있다. 예를 들어, 서비스 기반 비즈니스는 다음과 같은 계산을 사용할 수 있다.

  • 최근성 = 10 - 고객이 마지막으로 구매한 이후 경과한 개월 수[2]
  • 빈도 = "지난 12개월 동안 고객의 구매 횟수(최대 10회)"와 1 중에서 최대값
  • 금액 = 일부 벤치마크 값과 관련하여 표현된 고객의 모든 구매 중 가장 높은 가치


예를 들어, 금액 벤치마크가 연간 지출 500USD 이상에 10점을 할당한 경우, 지난 1년 동안 3번 구매했고 가장 최근 구매가 3개월 전이며 연간 600USD를 지출한 고객의 점수는 다음과 같다. R=7; F=3; M=10.[2]

또는 각 속성에 대한 범주를 정의할 수 있다. 예를 들어 최근성은 90일 이내에 구매한 고객, 91일에서 365일 사이의 고객, 365일 이상된 고객의 세 가지 범주로 나눌 수 있다. 이러한 범주는 비즈니스 규칙이나 의미 있는 분기를 찾기 위한 데이터 마이닝 기술을 사용하여 파생될 수 있다.

각 속성에 적절한 범주가 정의되면 값의 교차점에서 세그먼트가 생성된다. 각 속성에 세 개의 범주가 있는 경우 결과 행렬은 27개의 가능한 조합을 갖게 된다. 잘 알려진 상업적 접근 방식은 속성당 5개의 빈을 사용하며, 이는 125개의 세그먼트를 생성한다.[3] 기업은 또한 세분화가 너무 작아서 유용하지 않다고 보이면 특정 하위 세그먼트를 병합하기로 결정할 수 있다. 결과 세그먼트는 가장 가치 있는 세그먼트(가장 높은 최근성, 빈도 및 가치)에서 가장 가치 없는 세그먼트(가장 낮은 최근성, 빈도 및 가치) 순으로 정렬될 수 있다.

2. 2. 범주 정의 방식

RFM 모형은 고객의 구매 행동을 분석하기 위해 최근성(Recency), 빈도(Frequency), 금액(Monetary)의 세 가지 요소를 사용하며, 각 요소를 정량적으로 정의하는 다양한 방법이 존재한다. 이러한 방법들은 고객 여정과 비즈니스 모델에 따라 달라진다.[2]

RFM 값을 정의하는 한 가지 방법은 각 차원에 1에서 10까지의 점수를 할당하는 것이다. 예를 들어, 서비스 기반 비즈니스에서는 다음과 같은 공식을 사용할 수 있다.[2]

  • 최근성 = 10 - 고객이 마지막으로 구매한 이후 경과한 개월 수[2]
  • 빈도 = "지난 12개월 동안 고객의 구매 횟수(최대 10회)"와 1 중에서 최대값
  • 금액 = 일부 벤치마크 값과 관련하여 표현된 고객의 모든 구매 중 가장 높은 가치


예를 들어, 금액 벤치마크가 연간 지출 500USD 이상에 10점을 할당한 경우, 지난 1년 동안 3번 구매했고 가장 최근 구매가 3개월 전이며 연간 600USD를 지출한 고객의 점수는 다음과 같다. R=7; F=3; M=10.[2]

또 다른 방법으로는 각 속성에 대한 범주를 정의하는 것이다. 예를 들어, 최근성은 다음과 같이 세 가지 범주로 나눌 수 있다.

  • 90일 이내에 구매한 고객
  • 91일에서 365일 사이의 고객
  • 365일 이상된 고객


이러한 범주는 비즈니스 규칙이나 데이터 마이닝 기술을 사용하여 결정할 수 있다.

각 속성에 적절한 범주가 정의되면, 이 값들을 조합하여 세그먼트를 생성한다. 각 속성에 세 개의 범주가 있다면 27개의 가능한 조합이 생긴다. 상업적으로 잘 알려진 접근 방식은 속성당 5개의 구간을 사용하여 125개의 세그먼트를 생성한다.[3] 기업은 세분화가 너무 작아서 유용하지 않다고 판단되면 특정 하위 세그먼트를 병합하기도 한다. 결과 세그먼트는 가장 가치 있는 세그먼트(가장 높은 최근성, 빈도 및 가치)에서 가장 가치 없는 세그먼트(가장 낮은 최근성, 빈도 및 가치) 순으로 정렬할 수 있다.

이 기법은 통계 소프트웨어 없이도 비즈니스 담당자가 쉽게 결과를 이해할 수 있다는 장점이 있다. 또한, 다른 타겟팅 기술이 없는 경우 프로모션에 대한 응답률을 높이는 데 도움이 될 수 있다.

3. RFM 모형의 종류

RFM 모형은 기본 모형 외에도 다양한 변형이 존재한다.


  • '''RFD'''(최근성, 빈도, 기간): 시청, 열람, 서핑 중심의 비즈니스 제품 소비자 행동 분석에 사용되는 RFM 분석의 수정 버전이다. (예: 위키백과에서 서퍼가 보낸 시간)
  • '''RFE'''(최근성, 빈도, 참여): RFD 분석의 확장 버전으로, '참여'는 방문 기간, 방문당 페이지 수 등 관련 지표를 포함한다.
  • '''RFM-I'''(최근성, 빈도, 금전적 가치 - 상호 작용): 고객과의 마케팅 상호 작용(예: 광고 참여)의 최근성 및 빈도를 고려하도록 수정된 RFM 프레임워크 버전이다.
  • '''RFMTC'''(최근성, 빈도, 금전적 가치, 시간, 이탈률): Yeh et al.(2009)이 제안한 RFM 모델의 확장 버전이다. 이 모델은 확률 이론에서 베르누이 시퀀스를 활용하고 고객이 다음 프로모션 또는 마케팅 캠페인에서 구매할 확률을 계산하는 공식을 만든다.

3. 1. 기본 RFM 모형

현재 개발된 RFM 모형은 크게 4가지로 분류할 수 있다. 이 문서의 내용은 정설이 아니며 신뢰하기 어려움을 전제로 참고해야 한다.

  • 모델1. RFM 각 요소의 20% 규칙(rule) 적용
  • 모델2. 비율 척도에 의한 양적인 정도의 차이에 따른 등간격의 5등급 분류
  • 모델3. 상하 20%를 제외한 등간격 척도에 의한 그룹 분류
  • 모델4. 군집 분석에 의한 각 요소 별 5개의 그룹 분류[10]

3. 2. 데이터 마이닝 기법 활용 모형

RFM의 요인을 각각 5등급으로 등간격으로 분류하는 Scoring 기법이 있다. 현재 개발된 RFM 모형은 크게 4가지로 분류할 수 있는데, 이 내용은 정설이 아니며 신뢰하기 어려움을 전제로 참고해야 한다.

  • 모델1. RFM 각 요소의 20% rule 적용
  • 모델2. 비율 척도에 의한 양적인 정도의 차이에 따른 등간격의 5등급 분류
  • 모델3. 상하 20%를 제외한 등간격 척도에 의한 그룹 분류
  • 모델4. 군집 분석에 의한 각 요소별 5개의 그룹 분류


데이터 마이닝 기법을 활용한 모형은 다음과 같다.

  • 회귀분석
  • 선형 회귀 분석을 이용한 모형: 고객의 구매 최근성, 구매 빈도, 구매 금액 등 고객의 수익 기여도를 나타내는 세 가지 지표들의 선형 결합으로 세 가지 지표들을 점수화한다.
  • 다중 회귀 분석을 이용한 모형: 각 고객의 구매 행동을 나타내는 R, F, M의 변수들을 독립변수로 하고 고객의 미래 구매 행동을 예측하는 기법이다.
  • 신경망을 적용한 모형: 로지스틱 회귀 모형을 보완하는 차원에서 연구되었다.
  • 확률적 RFM 모형: Colombo와 Weina의 확률적인 RFM 모형은 과거 고객의 응답 이력으로 고객의 미래 응답을 예측하는 행동 모델이다.[10]

4. RFM 모델의 활용

RFM은 카탈로그 업계에서 고객을 세분화하는 데 널리 사용된다. 브린욜프슨 외 다수는 인터넷 검색 및 판매 행동 분석에 이를 적용했다.[4]

현재 개발된 RFM 모형은 크게 4가지로 분류할 수 있다. 이 문서의 내용들은 정설이 아니며 신뢰하기 어려움을 전제로 참고해야 한다.


  • 모델1. RFM 각 요소의 20% rule의 적용
  • 모델2. 비율 척도에 의한 양적인 정도의 차이에 따른 등간격의 5등급 분류
  • 모델3. 상하 20%를 제외한 등간격 척도에 의한 그룹 분류
  • 모델4. 군집 분석에 의한 각 요소 별 5개의 그룹 분류

  • 회귀 분석
  • 선형 회귀 분석을 이용한 모형: 고객의 구매 최근성, 구매 빈도, 구매 금액 등 고객의 수익 기여도를 나타내는 세 가지 지표들의 선형 결합으로 세 가지 지표들을 점수화한다.
  • 다중 회귀 분석을 이용한 모형: 각 고객의 구매 행동을 나타내는 R, F, M의 변수들을 독립변수로 하고 고객의 미래 구매 행동을 예측하는 기법.
  • 신경망을 적용한 모형: 로지스틱 회귀 모형을 보완하는 차원에서 연구.
  • 확률적 RFM 모형: Colombo와 Weina의 확률적인 RFM 모형은 과거 고객의 응답 이력으로 고객의 미래 응답을 예측하는 행동 모델이다.[10]

5. RFM 모델의 변형

RFM 모델은 다양하게 변형되어 활용되고 있다. 다음은 그 예시들이다.


  • '''RFD (Recency, Frequency, Duration)''': 최근성, 빈도, 기간을 분석하는 모델이다. 시청, 열람, 서핑 중심의 비즈니스 제품의 소비자 행동을 분석하는 데 사용될 수 있다. 예를 들어, 서퍼가 위키백과에서 보낸 시간을 분석할 수 있다.[10]
  • '''RFE (Recency, Frequency, Engagement)''': 최근성, 빈도, 참여를 분석하는 모델이다. RFD 분석의 확장된 버전으로, '참여'는 방문 기간, 방문당 페이지 수 등 다양한 지표를 포함할 수 있다.
  • '''RFM-I (Recency, Frequency, Monetary value – Interaction)''': 최근성, 빈도, 금전적 가치 – 상호 작용을 분석하는 모델이다. 고객과의 마케팅 상호 작용의 최근성 및 빈도를 고려하도록 수정된 RFM 프레임워크의 버전이다. 예를 들어, 매우 빈번한 광고 참여로 인해 발생할 수 있는 부정적인 효과를 제어하는 데 활용될 수 있다.
  • '''RFMTC (Recency, Frequency, Monetary value, Time, Churn rate)''': Yeh et al.(2009)이 제안한 RFM 모델의 확장 버전이다. 이 모델은 확률 이론의 베르누이 시퀀스를 활용하여 고객이 다음 프로모션이나 마케팅 캠페인에서 구매할 확률을 계산하는 공식을 제공한다. Alexandros Ioannidis는 이 모델을 수혈 및 CDNOW 데이터 세트와 같은 데이터 세트에 구현하였다.


데이터 마이닝 기법을 활용한 다양한 RFM 모델 변형도 존재한다.

  • '''회귀 분석'''
  • '''선형 회귀 분석'''을 이용한 모형: 고객의 구매 최근성, 구매 빈도, 구매 금액 등 고객의 수익 기여도를 나타내는 세 가지 지표들을 선형 결합하여 점수화한다.
  • '''다중 회귀 분석'''을 이용한 모형: 각 고객의 구매 행동을 나타내는 R, F, M 변수들을 독립변수로 하고, 고객의 미래 구매 행동을 예측한다.
  • '''신경망'''을 적용한 모형: 로지스틱 회귀 모형을 보완하는 차원에서 연구되었다.
  • '''확률적 RFM 모형''': Colombo와 Weina의 확률적 RFM 모형은 과거 고객의 응답 이력을 바탕으로 고객의 미래 응답을 예측하는 행동 모델이다.[10]

참조

[1] 논문 RFM and CLV: Using iso-value curves for customer base analysis
[2] 웹사이트 What is RFM modeling in marketing? https://datacx.ai/p/[...] 2022-08-29
[3] 웹사이트 Reporting on RFM for Ecommerce https://www.rfmcalc.[...] 2020-12-12
[4] 간행물 Goodbye Pareto Principle, Hello Long Tail: The Effect of Search Costs on the Concentration of Product Sales https://papers.ssrn.[...] 2014-06-19
[5] 문서 Autonomous CRM Control via CLV Approximation with Deep Reinforcement Learning in Discrete and Continuous Action Space https://arxiv.org/ab[...] arXiv.org 2015-04-08
[6] 논문 Knowledge discovery on RFM model using Bernoulli sequence
[7] 웹사이트 RFMTC (New Marketing Predictive Model / Bernoulli Sequence ) Using the Blood Transfusion Dataset: It21208/RFMTC-Using-the-Blood-Transfusion-Dataset https://github.com/i[...] 2018-12-17
[8] 웹사이트 GitHub - it21208/RFMTC-Implementation-Using-the-CDNOW-dataset https://github.com/i[...] 2018-12-17
[9] 논문 통계적 기법을 이용한 RFM 모형 비교분석
[10] 문서 의류 패션 기업의 고객관계관리(CRM)를 위한 RFM 고객 세분화 모형 설계


본 사이트는 AI가 위키백과와 뉴스 기사,정부 간행물,학술 논문등을 바탕으로 정보를 가공하여 제공하는 백과사전형 서비스입니다.
모든 문서는 AI에 의해 자동 생성되며, CC BY-SA 4.0 라이선스에 따라 이용할 수 있습니다.
하지만, 위키백과나 뉴스 기사 자체에 오류, 부정확한 정보, 또는 가짜 뉴스가 포함될 수 있으며, AI는 이러한 내용을 완벽하게 걸러내지 못할 수 있습니다.
따라서 제공되는 정보에 일부 오류나 편향이 있을 수 있으므로, 중요한 정보는 반드시 다른 출처를 통해 교차 검증하시기 바랍니다.

문의하기 : help@durumis.com