Direct Marketing Linked Resources—Book Selection #2
SEARCH
Enter the key words (OR) or phrase (AND) and go ahead to selected pages all available on DMLR.ORG!
ADVANCED SEARCH
CONTATTI
Roberto Dondi
Elaborazione testo, programmazione html e altri trucchi.
Sondaggio
come sei stato informato di DMLR?
FEEDBACK
Online Poll
how were you informed on DMLR?
Further Information
contact Jim Novo via email
Turning Customer Data into Profits with a Spreadsheet.
| Excerpt from Chapter 4 |
|---|
| (Published and translated here courtesy of Jim Novo) |
| Customer Response, Retention and Valuation Concepts (RFM Model) Intro: Here's a more complex model using Recency and Frequency to rank the LifeTime Value and likelihood to respond of customers relative to each other. Have you ever heard somebody refer to his or her customer list as a "file"? If you have, you were probably listening to someone who has been around the catalog block a few times. Before computers (huh?), catalog companies used to keep all their customer information on 3 x 5 cards. They'd rifle through this deck of cards to select customers for each mailing, and when a customer placed an order, they would write it on the customer's card. These file cards as a group became known as "the customer file", and even after everything became computerized, the name stuck. Who cares? It happens that while going through these cards by hand, and writing down orders, the catalog folks began to see patterns emerge. There was an exchange taking place, and the data was speaking. What the data said to them, what they heard, were 3 things: 1. Customers who purchased recently were more likely to buy again versus customers who had not purchased in a while 2. Customers who purchased frequently were more likely to buy again versus customers who had made just one or two purchases 3. Customers who had spent the most money in total were more likely to buy again. The most valuable customers tended to continue to become even more valuable. Buy the book now! So the catalog folks tested this concept, the idea past purchase behavior could predict future results. First, they ranked all their customers on these 3 attributes, sorting their customer records so that customers who had bought most Recently, most Frequently, and had spent the most Money were at the top. These customers were labeled "best". Customers who had not purchased for a while, had made few purchases, and had spent little money were at the bottom of the list, and these were labeled "worst". Then they mailed their catalogs to all the customers, just like they usually do, and tracked how the group of people who ranked highest in the 3 categories above (best) responded to their mailings, and compared this response to the group of people who ranked lowest (worst). They found a huge difference in response and sales between best and worst customers. Repeating this test over and over, they found it worked every time! The group who ranked "best" in the 3 categories above always had higher response rates than the group who ranked "worst". It worked so well they cut back on mailing to people who ranked worst, and spent the money saved on mailing more often to the group who ranked best. And their sales exploded, while their costs remained the same or went down. They were increasing their marketing efficiency and effectiveness by targeting to the most responsive, highest future value customers. The Recency, Frequency, Monetary value (RFM) model works everywhere, in virtually every high activity business. And it works for just about any kind of "action-oriented" behavior you are trying to get a customer to repeat, whether it's purchases, visits, sign-ups, surveys, games or anything else. I'm going to use purchases and visits as examples. A customer who has visited your site Recently (R) and Frequently (F) and created a lot of Monetary Value (M) through purchases is much more likely to visit and buy again. And, a high Recency / Frequency / Monetary Value (RFM) customer who stops visiting is a customer who is finding alternatives to your site. It makes sense, doesn't it? Customers who have not visited or purchased in a while are less interested in you than customers who have done one of these things recently. Put Recency, Frequency, and Monetary Value together and you have a pretty good indicator of interest in your site at the customer level. This is valuable information to for a business to have. Buy the book now! The Drilling Down book teaches RFM customer scoring methods and how to use the scores to create high ROI marketing and site designs. The software that comes with the book automates the customer scoring process, importing your customer transaction files, creating a customer database, and assigning a score to each customer based on RFM theory. Buy the book now! |
| Buy the book now! |
To contact the author or buy the book online, please click thru the links provided on this page.
Turning Customer Data into Profits with a Spreadsheet.
| Estratto dal Capitolo 4 |
|---|
| (Pubblicato e tradotto qui per gentile concessione di J. Novo) |
| Risposta, Mantenimento e Concetti di Valutazione del Cliente (Modello RFM) Intro: Ora un modello più complesso che usa Recentezza*, e Frequenza per graduare Valore di Vita e probabilità di risposta dei clienti in relazione l'uno all'altro. Avete mai sentito qualcuno riferirsi al suo elenco di clienti come ad un "file"? Se si, stavate sentendo probabilmente qualcuno che è stato qualche volta in giro al reparto catalogo. Prima dei computer (mah?), le società di vendita su catalogo erano solite conservare l'informazione dei clienti su schede 3 x 5. Frugavano questo mazzo di schede per selezionare clienti per ogni mailing, e quando un cliente faceva un ordine, lo scrivevano sulla scheda del cliente. Queste schede d'archivio come insieme vennero chiamate il "customer file", e anche dopo che ogni cosa venne computerizzata, il nome rimase. A chi importa? Succede che mentre passavano in rassegna le schede a mano, e annotavano gli ordini, le persone del catalogo cominciarono a veder spuntare dei modelli. C'era uno scambio che prendeva piede, e i dati parlavano. Quello che i dati dicevano, quello che percepivano, erano 3 cose: 1. I clienti che acquistavano di recente erano più disposti a comprare di nuovo rispetto a quelli che non avevano acquistato da un po' 2. I clienti che acquistavano di frequente erano più disposti a comprare di nuovo di quelli che avevano fatto soltanto uno o due acquisti 3. I clienti che avevano speso più denaro in complesso erano più disposti a comprare di nuovo. I clienti di maggior valore (di acquisto, ndt) tendevano a diventare sempre più di valore. Prenota qui il libro! La gente dei cataloghi testò allora questo concetto, l'idea (che) il comportamento d'acquisto passato potesse prevedere i risultati futuri. Primo, essi classificarono tutti i loro clienti in base ai 3 attributi, scegliendo i record cliente in modo che i clienti che avevano acquistato più di Recente, più di Frequente, e che avevano speso più Denaro fossero in testa. Questi clienti furono etichettati "migliori". I clienti che non avevano acquistato da tempo, avevano fatto pochi acquisti, e avevano speso poco denaro erano in fondo all'elenco, e questi etichettati "peggiori". Poi impostarono i loro cataloghi per tutti i clienti, proprio come facevano sempre, e tennero traccia di come il gruppo delle persone che erano classificate in cima alle 3 categorie di cui sopra (migliori) rispondessero ai loro mailing, e confrontarono questa risposta col gruppo di persone che classificavano più in basso (peggiori). Trovarono un'enorme differenza per risposte e vendite tra i clienti migliori e peggiori. Ripetendo il test più e più volte, riscontrarono che funzionava ogni volta! Il gruppo che classificavano "migliore" nelle 3 categorie di cui sopra aveva sempre tassi di risposta più alti del gruppo che classificavano "peggiore". Funzionava tanto bene che essi tagliarono sul mailing alle persone classificate peggiori, e spesero il denaro risparmiato per mailing più numerosi alle persone che classificavano migliori. E le loro vendite esplosero, mentre i loro costi rimanevano gli stessi o diminuivano. Essi stavano incrementando la loro efficienza ed efficacia di marketing mirando ai clienti più reattivi e di più alto valore futuro. Il modello Recency, Frequency, Monetary value (RFM) funziona dovunque, virtualmente in qualsiasi business ad elevata attività. E funziona anche per ogni tipo di comportamento "orientato all'azione" che stai cercando di ottenere da un cliente come ripetizione, siano essi acquisti, visite, sottoscrizioni, indagini, giochi o altro ancora. Qui vado a usare acquisti e visite come esempi. Un cliente che ha visitato il tuo sito di Recente (R) e di Frequente (F) e creato molto Valore Monetario (M) in acquisti è molto più propenso a visitare ed acquistare di nuovo. E un cliente ad alto RFM che smette di visitare è un cliente che sta trovando alternative al tuo sito. Ha senso, non è vero? I clienti che non hanno visitato o acquistato da tempo sono meno interessati a te dei clienti che hanno fatto una di queste cose di recente. Poni Recentezza*, Frequenza, e Valore Monetario insieme e ottieni proprio un buon indicatore dell'interesse nel tuo sito a livello del cliente. Questa è un'informazione importante che un'impresa deve ottenere. *anche Recenziorità Prenota qui il libro! Il libro Drilling Down insegna i metodi RFM di classificazione dei clienti e come impiegare i risultati per creare elevato ROI di marketing e design del sito web. Il software abbinato al libro automatizza il processo di classificazione del cliente, con acquisizione di tuoi file di transazione clienti, con creazione di un database clienti, e assegnando un punteggio ad ogni cliente in base alla teoria RFM. |
| Prenota qui il libro! |
Per contattare l'autore o acquistare il libro online, clicca sui link inseriti nella pagina.