Last Data

5.5.5 [购买时间少于 30 天].[购买 5 次或以上].[总支出超过 1,200 欧元]
5.4.5 [购买时间少于 30 天].[4 次购买].[总支出超过 €1200]
4.4.5 [1/3 个月前购买].[4 次购买].[总支出超过 €1200]
我们所做的是将这 3 个得分接近 南非 whatsapp 号码数据 但不同的 RFM 微细分分为一个更大的细分，我们将其称为“冠军”。



用于营销自动化中细分的 RFM
基于RFM分割的接触分布示例
我们可以用这些片段做些什么的一些例子：

抢先体验“冠军”部分的预发布和促销活动。通过这种方式，我们奖励他们并为他们提供价值。即使是提前大客户的购买也可以减轻促销活动的全面影响。
“休眠”段的重新激活操作。该段由[1.1.1]、[1.2.1]…等类型的微段组成。他们是那些至少从我们这里购买过一次但已经很久没有购买过的顾客。我们可以创建一个自动化流程，向我们的联系人发送重新激活激励，以重新激活他们，并在他们回到该细分市场时发送该奖励。
基于线索评分的细分
通过这种细分模型，我们用分数来评价某些操作，因此当用户执行操作时，他们会累积总分。例如：

访问产品 = 5 分
打开电子邮件 = 3 分
购买产品 = 25 积分
每月至少访问该网站 3 次 = 5 分
6 个月未购买 = – 50 积分
潜在客户评分工作流程
通过 Connectif 的潜在客户评分模型示例
想象一下这些任务，假设一个联系人打开电子邮件、访问产品并进行购买，将累积 33 分。

正如我们在 RFM 模型中看到的那样，我们可以根据累积的总积分（>250 点 =“VIP”）创建类型细分：VIP、感兴趣、有风险...等

RFM 细分和潜在顾客评分的混合
使用单一模型很常见，但事实是每个模型都有自己有趣的特性。例如，RFM 非常关注买家，因此注重提高重复率，而潜在客户评分则评估购买之外的其他有价值的行为。

因此，能够使用这两个模型而不相互冲突的一个好公式是仅对买家使用 RFM 模型，对非买家使用潜在客户评分模型：

通过RFM模型我们引导与买家的沟通达到提高重复率的目标。
通过潜在客户评分 模型，我们引导由此产生的细分和通信，以实现联系人首次购买的目标。
因此，如果我们将这两个模型结合起来，潜在客户评分系统产生的细分可以是SQL（销售合格潜在客户）和 MQL （营销合格潜在客户）之间的区别。也就是说，那些积累一定数量积分的非购买联系人将进入 SQL 段，并且将比那些分数 (MQL) 较低的非购买联系人收到更多的交易通信。
在 Connectif 中创建的动态段
通过 Connectif 基于潜在客户评分模型的动态 SQL 细分
这样我们就可以保证两个渠道具有不同但绝对互补的目标。