예를 들어 최근성(R), 구매 금액(M), 구매 빈도(F)가 낮으면 저성과 고객으로 분류할 수 있습니다. 또 구매 금액은 높지만 최근성과 구매 빈도가 낮다면 이탈 방어 필요 고객으로 분류할 수 있습니다. 이처럼 RFM은 데이터를 분류하여 특징을 파악할 수 있는 기법입니다. 간단하면서도 직관적으로 고객을 분류할 수 있는 기법이기 때문에 CRM이나 고객 관리, 마케팅에서 많이 사용합니다.
우리도 멤버십을 기획할 수 있게 RFM 기법을 이용하여 고객 특성을 파악하고 분류해 보겠습니다. 이 책에서는 데이터 분석 편의를 위해 RFM 중 ‘방문 횟수’ F(frequency=구매 빈도)와 ‘매출’ M(monetary=구매 금액)만 이용해서 분석하겠습니다. 먼저 전체 고객의 F와 M을 확인해 보겠습니다.
가설: 우리 레스토랑은 여러 번 방문하는 고객이 다수이며 이들이 많은 매출을 일으킬 것이다.
# 테이블조인 # reserv_no를 키로 예약, 주문 테이블 연결 df_rfm_join_1 <- inner_join(reservation_r, order_info_r, by = "reserv_no") head(df_rfm_join_1) # 조인된 테이블 확인 # A tibble: 6 x 11 reserv_no reserv_date reserv_time customer_id branch visitor_cnt cancel order_no item_id quantity sales <chr> <chr> <chr> <chr> <chr> <dbl> <chr> <chr> <chr> <dbl> <dbl> 1 2019082701 20190827 1800 W1340914 마포 2 N 190827547272110010 M0001 2 48000 2 2019082602 20190826 1200 W341658 동작 5 N 190826137302710010 M0010 5 30000 3 2019082601 20190826 1800 W1328993 강북 4 N 190826137192910010 M0005 4 140000 4 2019082501 20190825 1800 W1340463 용산 2 N 190825107839310010 M0008 2 20000 5 2019082401 20190824 1200 W1344912 강동 3 N 190824137844710010 M0006 3 75000 6 2019082301 20190823 1800 W1344753 영등포 2 N 190823107844510010 M0004 1 25000