BigQuery İle RFM Analizi / Müşteri Segmentasyonu

E-ticaret sitelerinde her ay markanın ve sitenin hacmine göre bin,  on bin, yüz binlerce kullanıcı alışveriş yapıyor. Elimizde çok büyük bir tüketici kitlesi var. Peki bu kitleden hangilerinin bizim için daha değerli bir kullanıcı olduğunu nasıl bileceğiz? Ve bunun neticesinde kullanıcılarımızı segmentleyip Google Reklamları ve Facebook Reklamlarıyla yeniden pazarlama çalışmalarına nasıl bir yön verebileceğiz?

RFM Nedir?

RFM Analizi yapmak ve kullanıcıları bu analiz neticesinde segmentlemek, hangi kullanıcıların ne kadar değerli olduğunu anlamak için güzel bir yol. Peki RFM’in açılımı nedir?

R=Recency (Bir kullanıcının en son ne zaman alışveriş yaptığı)

F=Frequency (Bir kullanıcının toplam kaç kez alışveriş yaptığı)

M=Monetary (Bir kullanıcının alışverişleri sonucunda toplam ne kadar ciroya katkı sağladığı)

RFM analizi

• Müşterilerinizin uzun süre sizinle kalmasına (life time value)
• E-ticaret dönüşüm oranlarınızın artışına (transaction rate)
• E-ticaret cironuzun artışına (revenue)
• Mailing, sms, yeniden pazarlama çalışmalarınızdaki tıklama oranlarının artmasına yardım eder.

Bu teknik ile, BigQuery üzerinden SQL ve makine öğrenimi (machine learning) algoritması kullanarak analiz yapıp analiz sonucunda kullanıcıları segmentleyeceğiz ve bu verileri görselleştireceğiz. Daha sonra bu kullanıcıları dijital pazarlama kanalları üzerinden nasıl hedefleyebileceğimizi konuşacağız.

BigQuery İle RFM Analizi Nasıl Yapılır?

Google BigQuery, Google’ın bulut bilişim(cloud service) hizmetlerinden birisidir. BigQuery sayesinde, birkaç farklı platformdan topladığımız verileri BigQuery’e aktarıp tablolar oluşturabiliriz. Daha sonra bu veriler üzerinde SQL ile sorgu işlemleri yaparak veri anlamlandırma, analiz etme, sonuca ulaşma, görsel raporlar oluşturma ve hatta analiz sonuçlarından çıkan dataları pazarlama aktivitelerinde kullanma şansına sahibiz.

Tüm işlemler bittikten sonra verileri görselleştirmek istediğimizde, verileri Google Data Studio‘ya aktararak aşağıdaki gibi bir rapor elde edceğiz.

 

 

BigQuery’de RFM Analizi Yapmak İçin Gerekli Adımlar

Sonuçların anlamlı olması için en az 100.000 kişilik bir kullanıcı alışveriş datası çok iyi olur. Ancak daha az bir data ile de yapılabilir. Bu alışveriş datası kullanıcının sitedeki userID‘lerini, alışveriş tarihini, alışveriş tutarı bilgilerini içermelidir. Daha sonra bu veriler, BigQuery’e yüklenmelidir. Aşağıdaki gibi bir tablomuz olmalıdır.

 

BigQuery’e bilgisayarınızdan bir veri aktarmak için aşağıdaki yolları takip edebilirsiniz.

Şimdi, aşağıdaki SQL komutumuzla her bir kullanıcının recency, frequency ve monetary değerlerini hesaplayacağız.

Bu birinci sorgumuz olsun. Analiz sonucu aşağıdaki tabloyu elde edeceğiz.

 

Bu tablo üzerinden yeni sorgular yazacağız. Bu sebeple bu tablomuzu BigQuery’e kaydedelim.

 

Şimdi, BigQuery ile k-means kümelendirme (clustering) yöntemiyle, RFM tablomuzda veriler üzerinden kullanıcıları segmentleyeceğiz.

K-Means Kümelendirme Yöntemiyle Kullanıcı Segmentleri Oluşturma

BigQuery ile makine öğrenmesi modellerini kolayca verilerimiz üzerine uygulayabiliyoruz. RFM değerlerini segmentlemek için k-means kümelendirme yöntemiyle datamız üzerinde makine öğrenmesi algoritması çalıştıracağız ve BigQuery, otomatik olarak kullanıcıları segmentlere ayıracak.

Yukarıda kaydettiğimiz tablomuzdaki veriler üzerinden makine öğrenmesi algoritmasını aşağıdaki şekilde oluşturuyoruz. Bu 2. sorgumuz olacak.

Sorgumuzu çalıştırdıktan sonra otomatik olarak yeni bir tablo oluşacak. Tablomuzun içine girip evaluation tab’ına tıklayınca aşağıdakine benzer bir sonuç göreceksiniz.

Centroid ID kısmında 5 adet satır görmekteyiz. Çünkü 2. sorgumuzda, kullanıcıları 5 adet segmente ayırma komutunu vermiştik.

Verileri okuyacak olursak 3. segmentimiz 17 adet kullanıcıdan oluşuyor. Ortalama 38 gün önce alışveriş yapmışlar, bu segmentteki kullanıcılar ortalama 43 kere alışveriş yapmış ve bir kullanıcı ortalama 29.221 TL ciro kazandırmış. En değerli kitle olarak duruyor. Bu kitle telefondan aranarak kendilerini özel hissettirecek şekilde teklifler sunulabilir. Bu kişileri tutmak çok önemli.

4. segmentimizi ise en değerli 2. kitlemiz olarak görebiliriz. Alışveriş yapma sıklıkları 4 ve ortalama en son 88 gün önce alışveriş yapmışlar. Kişi başı ortalama 705 TL kazandırmışlar. Bu segmentimizde 11.965 kişi var. Bu kitleye özel mailing, sms çalışmaları yapılabilir. Facebook ve Google reklamlarıyla bu kullanıcılara özel iletişim çalışmaları yapmak gerekebilir. Bizim için en değerli 2. kitle grubumuz.

Şimdi, segmentlerimizi isimlendirme ve kullanıcıları bu doğrultuda etiketleme zamanı. Burada, makine öğrenmesi tahminleme algoritması (BigQuery ML Predict) çalıştıracağız.  BigQuery, kullanıcının RFM verilerine göre kullanıcıya uygun gelen segmenti karşısına yazacak.

Aşağıdaki 3. sorgumuz da centroid ID’lere belirlediğimiz isimlendirmeleri yazıyoruz. Siz de segment tablosundaki sonuçlara göre uygun isimlendirmelerde bulunabilirsiniz.

Bu sorgumuzu da çalıştırdığımız zaman aşağıdaki gibi bir sonuç elde edeceğiz. Ve final tablomuza ulaşmış olacağız. Görüldüğü gibi, BigQuery makine öğrenimi algoritması, her bir kullanıcı başına uygun gelen bir segment etiketi yapıştırdı.

Aşağıdaki yolu takip ederek verileri Data Studio’ya bağlayıp görselleştirebilirsiniz.

RFM Analizi Sonuçları Özelinde Yeniden Pazarlama

Segmentlediğimiz kullanıcılar özelinde ayrı ayrı yeniden pazarlama çalışmaları yapmak münkün. Örneğin, en son alışveriş yapma tarihleri eski olan ama o zamanlar iyi ciro kazandırmış olan kullanıcılara, tekrar siteye gelmeleri ve eskisi gibi alışveriş yapmalarını sağlayacak bir indirim kuponu tanımlanabilir. En son alışveriş yapma tarihleri çok yakın olan ve az para kazandırmış kullanıcı grubuna yani yeni müşterilere, uzun süre müşterimiz olmaya devam etmeleri için her siparişlerinde ufak bir hediye yollanabilir. Bu fikirler çoğaltılabilir.

Analiz sonucunda ortaya çıkan kullanıcı gruplarımıza yeniden pazarlama yapmanın 2 farklı yolu var.

İlk yolumuz, bu veriyi BigQuery’den bilgisayara indirmek olacak. İndirdiğimiz datada user id’ler vardı. Bu user id’ler de kullanıcıların üyeliklerinden oluştuğu için, sitemizin veritabanında onların e-mail adreslerini de bulabiliriz. Daha sonra bu mail adreslerini şifrelendirmiş bir şekilde Facebook’a özel hedef kitle (custom audience) seçeneklerinden müşteri listesi olarak yükleriz. Bu işlemleri yaptığınızda aşağıdaki gibi bir hedef kitle listeniz olabilir.

Bu kişilerin user id’leri veritabanımızda olduğu için email bilgilerini sistemimizde bulabileceğimizden bahsetmiştik. Nasıl ki Facebook’a hedef kitle olarak yükleyebiliyorsak aynı datayı Google Ads‘e de yükleyebiliriz. Telefon numaralarını da yine sistemimizden alarak SMS pazarlaması (sms marketing) çalışmaları ve e-mail pazarlama (e-mail marketing) çalışmaları yapılabilir.

RFM analizimiz sonucunda yeniden pazarlama yapmak için ikinci yol ise, verilerimizi Google Analytics’e measurement protocol yöntemiyle, Google Cloud Platform üzerinden aktarmak olacak. Bunu farklı bir makalede anlatacağım. Google Analytics’e aktarımı sonucunda aşağıdaki gibi veri göreceğiz ve bunlardan hedef kitle oluşturabileceğiz.

 

Tüm işlemler doğrultusunda veritabanımızdan aldığımız kullanıcı alışveriş bilgilerimizle; BigQuery üzerinde SQL, k-means, makine öğrenimi algoritmaları kullanarak pazarlama aktivitelerinde kullanabileceğimiz, data bilimini kullandığımız bir çalışma oldu. Bu şekilde e-ticaret dönüşüm oranlarını, reklamlardan alacağımız performansları, müşterilerimizin sitemizdeki hayat boyu değerlerini (life-time value) artırabiliriz.

 

K-means algoritması hakkında bilgi almak için buraya tıklayabilirsiniz.

Bu modeli projelerimde uygulamama rehberlik eden makale: https://towardsdatascience.com/rfm-analysis-using-bigquery-ml-bfaa51b83086

Telegram kanalımıza katılın;

https://t.me/boosmart

Diğer içeriklerimize ulaşmak için, tıklayın.

YouTube kanalımıza abone olmak için, tıklayın.