RFM 고객 세분화 분석이란

현업에서는 마케팅팀에서 푸시, 메일링을 위해 특정조건의 사용자 리스트를 요청하는 경우가 있다. 이런 CRM을 할때 사용하는 기법중 하나가 RFM 고개 세분화 분석이다. 

푸시를 보낼 사용자 리스트를 추출하는 방식은 여러가지가 있을수 있는데, 대표적으로 이런방식들을 사용할 수 있다.

 

• 사용자들은 성별, 나이 등의 인구통계학적 정보로 리스트를 추출하는 방식
• 사용자의 행동 패턴을 통해 리스트를 추출하는 방식
• 서비스 내에 정해진 특정 조건에 의해 사용자군을 나누어 리스트를 추출하는 방식 등

위에 나열한 방식 이외에도 산업군에 따라 비즈니스의 특성 따라 또는 푸시, 메일링을 위해 사용하는 툴에 따라서 사용자 타겟팅을 하는 방식은 다를 수 있다. 

 

RFM분석기법은 사용자들의 행동패턴을 통해 타겟팅을 하는 방식 중 가장 범용적으로 사용할 수 있고, 구매 사용자 분류에 효과적이다. 해당 기법을 이용한 사용자 분류를 어떻게 할 수 있는지 이야기 해보겠다.

 

RFM 분석이란?

RFM의 개념은 비교적 단순하다. 아래 세가지 단어의 약자를 따서 RFM이라고 부른다.

 

Recency : 얼마나 최근에 구매했는가
Frequency : 얼마나 자주 구매했는가
Monetary : 얼마나 많은 금액을 지출했는가

 

즉, 사용자별로 얼마나 최근에, 얼마나 많은 금액을 지출했는지에 따라 사용자들의 분포를 확인하거나 사용자 그룹을 나누어 분류하는 분석기법이다.

구매 가능성이 높은 고객을 선정할 때 용이한 데이터 분석 방법이다. 사용자들의 평소 구매 패턴을 기준으로 분류를 진행하기 때문에 각 사용자 그룹의 특성에 따라 차별화된 마케팅 메시지를 전달할 수 있다.

예를 들어 쿠팡과 같은 이커머스 플랫폼에서 RFM 고객 세분화 분석을 한다고 가정해 보자. 사용자 A와 B의 구매 기록을 체크해 보았을 때 아래와 같이 표현된다면, A와 B 중에서 누가 더 해당 서비스의 충성 고객이라고 할 수 있는가?

 

사용자	최근 구매일	총 구매 횟수	총 구매 금액
A	3개월 전	28	1,280,000
B	2년 전	1	50,000

 

Recency, Frequency, Monetary 중 어느 것을 보더라도 B보다는 A가 해당 서비스에 충성도가 높다고 생각할 수 있다. 이로써 RFM의 기본 개념을 완벽히 이해한 것이다. 사용자들을 이런 식으로 분류할 수 있게 되면 사용자들마다 각각 다르게 리워드를 제공하며 서비스를 더 잘 이용할 수 있게 도움을 줄 수 있다.

예를 들어 A 고객은 이미 최근에도 구매를 활발히 진행한 사용자이기에 A 사용자는 그대로 두고 B 사용자에게 할인 쿠폰을 보내줄 수 있다. 또는 반대로 이미 A 사용자가 서비스를 잘 사용하고 있으므로, 더 잘 사용하라는 의미에서 VIP 고객을 위한 할인 쿠폰을 보내줄 수도 있다. 이런 식으로 RFM을 활용하면 사용자의 특성별로 각기 다른 정책을 적용하고 서비스를 더 잘 사용하게끔 유도하는 전략을 세워볼 수 있다.

 

RFM segmentation 직접수행

개념을 간단히 알아보았으니 예시 데이터를 통해 직접 RFM을 통한 사용자 분류를 해보도록 하겠다. 어느 서비스에서 사용자 구매 내역으로 RFM 수치를 확인해 본 결과, 아래와 같은 데이터를 확인할 수 있었다고 가정해 보자. 이때 구매 내역은 기간 제한 없이 서비스가 시작된 이래로 전체 기간 동안의 데이터라고 상정한다.

사용자	최근 구매일	총 구매 횟수	총 구매 금액
1	2020-12-28	12	903
2	2020-12-26	7	462
3	2020-12-14	1	943
4	2020-12-03	2	120
5	2020-11-17	6	623
6	2020-11-08	9	135
7	2020-10-21	2	801
8	2020-10-01	1	13

 

간단하게 사용자군을 분류하기 위해 다음과 같이 기준을 설정한다.

 

• Recency: 2021-01-01을 기준으로 최근 한 달 이내에 결제가 이루어졌는가
• Frequency: 3회 이상 주문하였는가
• Monetary: 500달러 이상 주문하였는가각 컬럼에는 아래의 기준에 따라 값을 기록한다.

 

• Recency: 2021-01-01 기준 한 달 이내 구매 기록이 있으면 ‘recent’, 그 외에는 ‘past’
• Frequency: 3회 이상 구매 시 ‘high’, 3회 미만 구매 시 ‘low’
• Monetary: 500달러 이상 구매 시 ‘high’, 500달러 미만 구매 시 ‘low’

이 기준을 적용하면 총 2 x 2 x 2= 8개의 사용자 그룹이 생성된다. 예를 들어 모든 조건이 충족된 'recent-high-high' 그룹은 최우수 고객으로, 모든 조건이 미달인 'past-low-low' 그룹은 이탈 고객으로 분류할 수 있다.

 

사용자	recency	frequency	monetary
1	recent	high	high
2	recent	high	low
3	recent	low	high
4	recent	low	low
5	past	high	high
6	past	high	low
7	past	low	high
8	past	low	low

 

이제 모든 사용자들의 RFM 수치가 간단한 값으로 변환이 되었다. 변환된 데이터들을 기준으로 사용자군을 임의로 나눠보면 이런 식으로 분류를 할 수 있다.

 

사용자	recency	frequency	monetary	사용자 분류
1	recent	high	high	서비스 충성도가 높은 고객
2	recent	high	low	ㅤ
3	recent	low	high	ㅤ
4	recent	low	low	최근까지 접속은 있었지만 구매는 많이 없는 고객
5	past	high	high	떠나간 VIP
6	past	high	low	ㅤ
7	past	low	high	ㅤ
8	past	low	low	떠났지만 뼈 아프진 않은 고객

 

지금은 이해를 돕기 위해 일부 사용자군의 분류만 임의로 작성해 보았지만, 이렇게 변환한 RFM 리스트를 이용하면 다양한 시도를 해볼 수 있다.

예를 들어, 최근에 서비스에서 구매를 하지 않은 사용자들을 깨우기 위한 마케팅 캠페인을 기획하고 있다고 가정해 보자. 최근에 서비스에서 구매를 진행하지 않은 사용자 중 구매 횟수가 높았거나 구매 금액이 높았던 사용자들을 하나의 그룹으로 묶어 할인 쿠폰을 보내고 싶다면 어떤 사용자들을 선정하면 되겠는가? 예상한 대로 5, 6, 7번 사용자들을 추출하여 전달하면 된다. 이런 식으로 상황과 목적에 맞게 사용자 그룹을 선별하여 활용하면 된다.

 

실제 서비스에 적용

사용자	최근 구매일	총 구매 횟수	총 구매 금액
A	3개월 전	28	1,280,000
B	2년 전	1	50,000

 

위에서 이와 같은 데이터를 확인했다. 실제 서비스의 데이터도 이처럼 명료하고 간단하면 좋겠지만 현실은 그렇지 않다. 이처럼 사용자가 몇 명 되지 않고 눈으로 명확하게 확인이 가능하다면 사용자군을 나누는 일은 매우 쉬울 것이다. 그럼 이번에는 아래의 데이터를 함께 살펴보기로 하겠다.

사용자	최근 구매일	총 구매 횟수	총 구매 금액
C	1개월 전	1	50,000
D	6개월 전	300	3,000,000
E	3년 전	2	5,000,000

 

C, D, E 사용자 중에서 서비스에 가장 충성도가 높거나 비즈니스 관점에서 가치가 있는 사용자는 누구인지 판단해 보겠다. 이제는 판단이 조금 어려울 수 있다.

• C 사용자: 가장 최근에 구매가 일어났지만 구매 횟수는 1회뿐이다. (Recency는 높으나 Frequency가 낮음)
• D 사용자: 최근 6개월 동안 구매가 없었으나 이전 구매 내역은 300회에 달한다. 다만 전체 금액은 300만 원으로 1회당 구매액은 높지 않다. (Frequency는 압도적이나 Recency가 낮음)
• E 사용자: 3년 동안 구매가 없었고 구매 횟수도 2회에 불과하지만 전체 구매액은 500만 원으로 1회당 구매액이 매우 높다. (Monetary는 높으나 Recency와 Frequency가 매우 낮음)

그렇다면 이 사용자들을 어떻게 분류해야 잘 분류했다고 말할 수 있을까?

이들을 비즈니스 관점에서 분류하면 다음과 같다.

1. C 사용자 (신규 고객/잠재 고객): 최근에 유입되었으므로 서비스에 안착할 수 있도록 유도하는 것이 중요하다.
2. D 사용자 (이탈 위기 고객): 과거에 매우 활발히 이용했던 핵심 사용자였으므로, 다시 서비스로 복귀시키기 위한 강력한 재방문 캠페인이 필요하다.
3. E 사용자 (과거 고액 결제 고객): 현재는 사실상 이탈한 상태이지만, 한 번 구매 시 객단가가 매우 높았으므로 프리미엄 상품 제안 등을 통해 복귀 가능성을 타진해 볼 수 있다.

종합적으로 볼 때, 현재 시점에서 가장 '살아있는' 가치는 C가 높을 수 있으나, 과거 기여도를 고려한 재활성화 우선순위는 D가 높다고 볼 수 있다.

 

실전에서 RFM 적용 시 고려할 점

사실 RFM 고객 세분화 분석에서 ‘반드시 이렇게 해야 한다’고 정해진 규칙은 존재하지 않는다. 비즈니스의 성격과 상황에 따라 알맞은 기준을 세우면 된다. 대표적으로 서비스마다 다르게 적용 가능한 요소는 다음과 같다.  

• Recency, Frequency, Monetary를 각각 몇 단계로 나눌 것인가
• Frequency, Monetary를 집계하는 기간을 어떻게 설정할 것인가   분석하는 서비스에 따라 위 항목에서 설정되는 값이 모두 다를 수 있다. 따라서 똑같이 RFM 기법을 적용하더라도 어느 서비스에서는 사용자 그룹을 3개로, 어느 곳에서는 5개로 분류할 수 있는 것이다.

예를 들어, 쿠팡같이 생필품을 판매하는 플랫폼의 경우 한 달 이내 구매가 없을 때 이미 Recency가 떨어지는 고객으로 분류할 수 있다. 하지만 29cm같이 고급화 전략을 쓰는 플랫폼에서는 Recency 구분 기준을 한 달로 설정하면 너무 타이트한 기준이 될 수 있다.

 

더 생각해 보기

RFM은 단순하게 생각하면 서비스 내에서 구매를 한 사용자들을 분류하는 기법이지만, 조금 더 넓게 생각해 보면 사용자를 간편하게 분류하기 위한 대표적인 아이디어이기도 하다. ‘Recency, Frequency, Monetary를 기준으로 분류한다’는 것 이외에는 정해진 것이 아무것도 없기 때문에 막상 실제 서비스에 적용하려고 하면 난감할 수도 있다. 하지만 거꾸로 생각해 보면 그만큼 분석가의 의도에 따라 자유롭게 분석해 볼 수 있는 기법이기도 하다.

분석 시 필요하다면 Recency, Frequency, Monetary를 기본으로 하고 회원가입 일시 데이터까지 추가로 확인할 수 있다. 또한 콘텐츠 소비 데이터를 Recency(얼마나 최근에 콘텐츠를 봤는지), Frequency(얼마나 많이 봤는지), Duration(얼마나 오래 봤는지)으로 나누어 비슷하게 사용자들의 등급을 분류해 볼 수도 있다.

이처럼 RFM 고객 세분화 분석은 그 요소와 방식을 자유롭게 변형하여 분석에 적용하는 것이 얼마든지 가능하다. 추가적으로 각각의 그룹에 해당하는 사용자들의 특성을 분석하여 서비스에 충성도가 높은 사용자가 특별히 많이 방문한 페이지나 많이 사용한 기능을 찾아내고, 해당 기능을 일반 사용자들이 더 많이 이용하도록 유도하는 등의 작업을 해볼 수도 있다.