RFM Data Analysis

ရက်စွဲ - ၂၀၂၃ ဒီဇင်ဘာ

RFM ဆိုတာ Recency Value၊ Frequency Value နဲ့ Monetary Value ရဲ့ အတိုကောက် ဖြစ်ပါတယ်။ Customers တွေရဲ့ အရည်အသွေးကို တိုင်းတာဖို့အတွက် အသုံးပြုကြပါတယ်။ တစ်နည်းအားဖြင့် Customers တွေရဲ့ အပြုအမူ Behaviors ပေါ်မူတည်ပြီး Segmentation ခွဲတာမျိုး ဖြစ်ပါတယ်။ Retail Business နဲ့ E-commerce တွေမှာဆိုရင် Customer Segmentation၊ Application နဲ့ Web စ,တာတွေမှာဆိုရင် User Segmentation၊ Gaming Industry တွေမှာဆိုရင် Player Segmentation စသဖြင့် ခေါ်ဝေါ်သုံးစွဲ နိုင်ပါတယ်။ (ဒီနေရာမှာတော့ Customer Segmentation ဆိုတဲ့အသုံးကိုပဲ အသုံးပြုသွားပါမယ်) Segmentation ခွဲတဲ့အခါ Customers တွေဟာ မိမိရဲ့ Business မှာ ဘယ်လောက်ထိ Active ဖြစ်နေသလဲ၊ ဘယ်နှစ်ကြိမ်လောက်ထိ လာရောက်သလဲ၊ ငွေဘယ်လောက်သုံးခဲ့သလဲ? ဆိုတာတွေနဲ့ တိုင်းတာနိုင်ပါတယ်။ ဥပမာ - ဘယ်ရက်က ‌နောက်ဆုံး Order တင်သလဲ၊ နောက်ဆုံးဝယ်ယူထားတဲ့ရက် ဒါမှမဟုတ် နောက်ဆုံး Login ဝင်သွားတဲ့ရက်၊ ဘယ်နှစ်ကြိမ် Order တင်ဖူးသလဲ၊ ဘယ်နှစ်ကြိမ် ဝယ်ယူဖူးသလဲ၊ ဘယ်နှစ်ကြိမ် Login ဝင်သလဲ၊ ဘယ်နှစ်ကြိမ် Comment ပေးသလဲ၊ ငွေဘယ်လောက်ထိသုံးပြီး ဝယ်ယူသွားသလဲ၊ ပျမ်းမျှဘယ်လောက်သုံးနိုင်သလဲ စ,တဲ့ဒေတာ တွေကို ကောက်ယူတာမျိုး ဖြစ်ပါတယ်။

RFM Analysis က, နေ Best Customers၊ Loyal Customers၊ Churn Rate အစရှိတာတွေကို သိရှိနိုင်ပါတယ်။ Customer တစ်ယောက်ချင်းစီရဲ့ R.F.M တန်ဖိုးတွေကိုရတဲ့အခါ တစ်ယောက်ချင်းစီတိုင်းကို အဆင့် (Rank) သတ်မှတ်ပေးလို့ ရပြီဖြစ်ပါတယ်။ သတ်မှတ်ပေးလိုက်တဲ့ Rank ပေါ်မူတည်ပြီး RFM Scores တွက်ချက်ကာ တူရာတူရာ အုပ်စုတွေခွဲထုတ်လိုက်ခြင်းဖြင့် Segmentation ပြုလုပ်ရမှာ ဖြစ်ပါတယ်။

RFM Scores အတွက် သတ်မှတ်ချက်တွေက ယေဘူယျအားဖြင့် Rank အရေအတွက်ပေါ်မှာ မူတည်ပါတယ်။ များသောအားဖြင့် Rank ကို (၄) ခု သို့မဟုတ် (၅) ခု လောက်ထိ ထားတတ်ကြပါတယ်။ အချို့ကလည်း (၃) ခု လောက်ထားတတ် ကြပါတယ်။ (၅) ထက်ပိုများမယ်ဆိုရင်တော့ တွက်ရတာ အနည်းငယ်ပိုများနိုင်ပါတယ်။ အကယ်၍ Customer Data တွေအရမ်းအများကြီး ရှိနေခဲ့မယ်၊ ဘယ်လောက်ထိ Customer Group ရနိုင်မလဲ မသိတဲ့အခါ K-Means Clustering လိုမျိုး Machine Learning မှ Elbow Method တို့ကို အခြေခံ တွက်ချက်နိုင်ပါတယ်။

RFM Rank ကို (၄) ခုထိ ထားတယ် ဆိုကြပါစို့။ Recency အတွက် R1, R2, R3, R4၊ Frequency အတွက် F1, F2, F3, F4၊ Monetary အတွက် M1, M2, M3, M4 ရရှိပါလိမ့်မယ်။ Scores တစ်ခုစီတိုင်းအတွက် R1-F1-M1 စသဖြင့် တွဲထုတ်ရပါမယ်။ စုစုပေါင်း ၄ x ၄ x ၄ = (၆၄) ရှိပါလိမ့်မယ်။ Rank (၅) ခုဆိုရင် ၅ x ၅ x ၅ = (၁၂၅) ရရှိပါမယ်။ အောက်မှာပြထားတဲ့ပုံကို ကြည့်နိုင်ပါတယ်။

Fig (0.1)

Rank တစ်ခုချင်းစီတိုင်းအတွက် Range ကို မိမိတို့ Business နဲ့ကိုက်ညီမယ့် စံနှုန်းများဖြင့် သတ်မှတ်နိုင်ပါတယ်။ နောက်ဆုံးမှာ RFM Scores တွေရတဲ့အခါ Customer Segment ခွဲလို့ရပြီ ဖြစ်ပါတယ်။ အောက်မှာ ဥပမာ အနေနဲ့ ပြပေးထားပါတယ်။ လိုအပ်ပါက ဒီ့ထက်ပိုပြီးလည်း အုပ်စုတွေ ထပ်မံခွဲထုတ်နိုင်ပါတယ်။

Fig (0.2)

RFM Analysis ကို Power BI အသုံးပြုပြီး လွယ်ကူစွာ ပြုလုပ်နိုင်ပါတယ်။ ဒါ့အပြင် Python Language ကို အသုံးပြုပြီးလည်း လွယ်ကူစွာ ပြုလုပ်နိုင်ပါတယ်။ 

 

1. Power BI ဖြင့် RFM Analysis တည်ဆောက်ခြင်း

Step 01: Power BI Desktop ဖြင့် Data တွေကို ဦးစွာ Import လုပ်ထားရပါမယ်။ ပြီးရင်တော့ နဂိုမူရင်း Table က, နေ လိုအပ်တဲ့ Data တွေသာလျှင် ပါဝင်မယ့် Modeling>>New Table တစ်ခု ထပ်ဆောက်လိုက်ပါ။

Fig (1.1)

Step 02: အောက်မှာပြထားတဲ့ DAX Query မှာ သက်ဆိုင်ရာ Columns တွေကို အစားထိုးထည့်လိုက်ပါ။ ဒါဆိုရင် Calculated Table အသစ်တစ်ခုကို ရရှိမှာ ဖြစ်ပါတယ်။

Step 03: နောက်တစ်ဆင့်အနေနဲ့ R.F.M Scores တွေတွက်လို့ရပြီ ဖြစ်ပါတယ်။ အောက်မှာ ဥပမာ ပြပေးထား ပါတယ်။ သင့်တော်ရာ Range တွေကို အစားထိုးပြီး Factor (၃) ခုလုံးအတွက် သတ်မှတ်ပေးရမှာ ဖြစ်ပါတယ်။

Step 04: Factor တစ်ခုချင်းစီအတွက် Score နဲ့ Value ဆိုပြီး ရှိပါလိမ့်မယ်။

Fig (1.2)

Step 05: တစ်ခုချင်းစီရဲ့ Scores တွေကို အုပ်စုခွဲရလွယ်အောင် စု, ပစ်ပါမယ်။ 

Step 06: Segmentation ခွဲလို့ရတဲ့ အဆင့်ဖြစ်ပါတယ်။

Step 07: Visualization ဆွဲထုတ်ကြည့်နိုင်ပြီ ဖြစ်ပါတယ်။

Fig (1.3)

2. Python Language ဖြင့် RFM Analysis တည်ဆောက်ခြင်း

Step 01: လိုအပ်တဲ့ Libraries တွေကို အရင်ဦးစွာ Import လုပ်ပါ။ ပြီးရင် Pandas ရဲ့ read_csv ကိုသုံးပြီး Data တွေကို ဖတ်ပါမယ်။

Step 02: Quantity လွဲနေတဲ့ Data တွေကိုဖယ်ပါမယ်။ ဒီအဆင့်မှာ လိုအပ်သလို ထပ်မံပြင်ဆင်နိုင်ပါတယ်။

Step 03: Power BI မှာတုန်းကလို RFM Value တွေ ရအောင် Data တွေမှာ ပြင်ဆင်ပါမယ်။

 

Step 04: ပြီးရင် တစ်ခုချင်းစီအတွက် Score, RFM Score တွက်ပါမယ်။

Step 05: Segmentation ခွဲပါမယ်။ တစ်ပြိုင်တည်းမှာ mean တန်ဖိုးတွေပါ တွက်ချက်ကြည့်နိုင်ပါတယ်။

 

 

Step 06: ရလာတဲ့ Segments တွေကို Visualization ထုတ်ကြည့်ပါမယ်။ squarify treemap ကိုအသုံးပြုပြီး ဆွဲပြထားပါတယ်။