Розробка RFM-стратегій для сегментації користувачів алгоритмічними методами

Анотація

Стаття присвячена дослідженню поведінки споживачів за допомогою RFM-аналізу та алгоритму надання персоналізованої знижки з подальшим використанням методів машинного навчання. Розглянуто сутність клієнтської бази, поняття RFM-аналізу та моделі машинного навчання, що можуть ефективно використовуватися для аналізу клієнтської бази й подальшої розробки маркетингових стратегій. Проведена сегментація клієнтів за допомогою RFM-аналізу. Особлива увага приділена алгоритму RFM-аналізу та розрахунку персоналізованої знижки покупцям торговельної мережі алгоритмічними методами з урахуванням коефіцієнта цінової еластичності. У статті пропонується глибше розуміння RFM-сегментів для більш персоналізованого підходу з використанням алгоритмічних методів.

Ключові слова: сегментація, клієнтська база, клієнтська аналітика, RFM-аналіз, алгоритмічні методи, персоналізована знижка.

DOI: 10.15276/mdt.9.3.2025.3

1. SnovIo, А.Y.K. З. (2022, January 7). Customer database. Available at: https://snov.io/glossary/ua/customer-database-ua/ (accessed 12.01.2025).


2. Korchaga, M. O. & Yazvinska, N. V. (2019). Principles and methods of customer management. Implementation of customer management system. Current issues in economics and management, 13. Available at: https://ela.kpi.ua/bitstream/123456789/29489/1/2019-13_3-06.pdf. (accessed 12.01.2025).


3. Savina, G. & Yakovenko, O. (2019). Management of the customer base of a tourism enterprise using internet resources: economic aspects. Scientific Bulletin of Uzhhorod National University. Series: International Economic Relations and World Economy, 25(2), 107-110. Available at: http://www.visnyk-econom.uzhnu.uz.ua/archive/25_2_2019ua/23.pdf. (accessed 12.01.2025).


4. RFM segmentation: data analysis in marketing, overview with example. store. Available at: https://profit.store/uk/blog/expert/rfm-segmentaciya (accessed 12.01.2025).


5. Ustik T. & Kolodnenko N. (2024). Introduction of marketing tools to increase customer loyalty. Bulletin of Khmelnytsky National University. Economic Sciences, 1, 103- Available at: https://heraldes.khmnu.edu.ua/index.php/heraldes/article/download/36/36/123 (accessed 12.01.2025).


6. Khajvand, M., Zolfaghar, K., Ashoori, S., & Alizadeh, S. (2011). Estimating customer lifetime value based on RFM analysis of customer purchase behavior: Case study. Procedia Computer Science, 3, 57–63. Available at: https://doi.org/10.1016/j.procs.2010.12.011. (accessed 12.01.2025).


7. Rungruang, C., Riyapan, P., Intarasit, A., Chuarkham, K., & Muangprathub, J. (2023). RFM model customer segmentation based on hierarchical approach using FCA. Expert Systems With Applications, 237, 121449. Available at:  https://doi.org/10.1016/j.eswa.2023.121449. (accessed 12.01.2025).


8. Smaili, M. Y., & Hachimi, H. (2023). New RFM-D classification model for improving customer analysis and response prediction. Ain Shams Engineering Journal, 14(12), 102254. Available at: https://doi.org/10.1016/j.asej.2023.102254. (accessed 12.01.2025).


9. Rahim, M. A., Mushafiq, M., Khan, S., & Arain, Z. A. (2021). RFM-based repurchase behavior for customer classification and segmentation. Journal of Retailing and Consumer Services, 61, 102566. Available at: https://doi.org/10.1016/j.jretconser.2021.102566. (accessed 12.01.2025).


10. Verma, R., Rathor, D., Kumar, S., Mishra, M., & Baranwal, M. (2025). Enhancing Customer Repurchase Prediction: Integrating Classification Algorithms with RFM Analysis for Precision and Actionable Insights. IIMB Management Review, 100574. Available at:  https://doi.org/10.1016/j.iimb.2025.100574. (accessed 12.01.2025).


11. Yang, C., Dong, W., Yuan, Q., Cao, R., & Yu, C. (2025). Integrating user values assessment with the augmented RFM model to enhance bus transit systems’ market segmentation. Transport Policy, 171, 50-62. Available at: https://doi.org/10.1016/j.tranpol.2025.05.028. (accessed 12.01.2025).


12. Zaghloul, M., Barakat, S., & Rezk, A. (2025). Enhancing customer retention in Online Retail through churn prediction: A hybrid RFM, K-means, and deep neural network approach. Expert Systems With Applications, 290, 128465. Available at: https://doi.org/10.1016/j.eswa.2025.128465. (accessed 12.01.2025).


13. Tonmoy, M. A. K., Mahmood, T., Sevart, C., Ling, Y., & Wang, Y. (2024). Explainable and Reduced-Feature Machine learning models for shape and drag prediction of a freely moving drop in the sub-critical Weber number regime. Chemical Engineering Journal, 501, 157476. Available at: https://doi.org/10.1016/j.cej.2024.157476. (accessed 12.01.2025).


14. Tang, Z., Jiao, Y., & Yuan, M. (2024). RFM user value tags and XGBoost algorithm for analyzing electricity customer demand data. Systems and Soft Computing, 6, 200098. Available at: https://doi.org/10.1016/j.sasc.2024.200098. (accessed 12.01.2025).


15. Xu, H., Zhang, Y., Yan, P., Zhang, L., Liu, Y., Chen, Y., Fu, B., & Zhou, Y. (2024). Numerical investigation on seismic performance of drilled flange connection for steel frames. Soil Dynamics and Earthquake Engineering, 190, 109122. Available at: https://doi.org/10.1016/j.soildyn.2024.109122 (accessed 12.01.2025).


16. Enyoh, C. E., Ovuoraye, P. E., Rabin, M. H., Qingyue, W., & Tahir, M. A. (2024). Thermal degradation evaluation of polyethylene terephthalate microplastics: Insights from kinetics and machine learning algorithms using non-isoconversional TGA data. Journal of Environmental Chemical Engineering, 12(2), 111909. Available at: https://doi.org/10.1016/j.jece.2024.111909. (accessed 12.01.2025).


17. Okamura, H., Morita, S., & Kuroda, H. (2024). Forecasting fish recruitment using machine learning methods: A case study of arabesque greenling. Fisheries Research, 278, 107096. Available at: https://doi.org/10.1016/j.fishres.2024.107096. (accessed 12.01.2025).


18. Yahya, W., Baolin, Y., AlRassas, A. M., Wang, Y., Al-Khafaji, H., & Dawood, R. A. (2025). Developing robust machine learning techniques to predict oil recovery: a comprehensive field and experimental study. Geoenergy Science and Engineering, 250, 213853. Available at: https://doi.org/10.1016/j.geoen.2025.213853. (accessed 12.01.2025).


19. Online retail dataset. (2019, November 20). Kaggle. Available at: https://www.kaggle.com/datasets/lakshmi25npathi/online-retail-dataset (accessed 12.01.2025).