Rename the doc to something like <Company> Glossary or <Team> Glossary, inserting the name of your company or team.
Important: Make sure the word “Glossary” remains in the name.
Add terms to the
Broken link
table.
Share this doc with your workspace.
Using the glossary
Install the Glossary Pack in a doc where you want to reference the glossary.
When prompted to enter the name “Glossary” for your API token.
Select from the list the glossary you want to use.
Use the formula =Term(Account, “term”) to look up a term from the glossary.
That’s it! You can delete this page now. (You only need the
Broken link
page).
Troubleshooting
“No glossaries found”
In order to show up in the list of glossaries, the doc and table must contain the word “Glossary” in the name. For example, a doc named “ACME Glossary” and a table named “Our Glossary”. It may take a minute for changes to the doc to be reflected in the list of glossaries.
El análisis RFM es un enfoque común para comprender el comportamiento de compra de los clientes. Es bastante popular, especialmente en la industria minorista. Como su nombre lo indica, implica el cálculo y el examen de tres KPI (recency/actualidad, frequency/frecuencia y monetary value/monetario) que resumen las dimensiones correspondientes de la relación del cliente con la organización. La medición de antigüedad indica el tiempo transcurrido desde la última transacción de compra del cliente. La frecuencia denota el número y la tasa de las transacciones de compra. Monetario indica el valor de las compras. Por lo general, estos indicadores se calculan a nivel de cliente (ID de cliente) a través de un simple procesamiento de datos de los datos transaccionales disponibles. El análisis RFM se puede utilizar para identificar a los buenos clientes con las mejores puntuaciones en los KPI relevantes, que generalmente tienden a ser buenos prospectos para compras adicionales. También puede identificar otros patrones de compra y los respectivos tipos de interés de los clientes, como los que gastan mucho con poca frecuencia o los clientes con compras pequeñas pero frecuentes que también pueden tener perspectivas de ventas, según el mercado y el producto específico promocionado. En la industria minorista, las dimensiones RFM generalmente se definen de la siguiente manera:
Reciente: el tiempo (en unidades como días/meses/años) desde la transacción de compra o visita de compra más reciente.
Frecuencia: El número total de transacciones de compra o visitas de compra en el período examinado. Un enfoque alternativo, y probablemente mejor definido, que también tiene en cuenta la antigüedad del cliente calcula la frecuencia como el número promedio de transacciones por unidad de tiempo, por ejemplo, el número promedio mensual de transacciones.
Monetario: El valor total de las compras dentro del período examinado o el valor promedio (por ejemplo, el valor promedio mensual) por unidad de tiempo. De acuerdo con una definición alternativa, pero no tan popular, el indicador monetario se define como el valor promedio de transacción (valor promedio por transacción de compra). Dado que el valor total tiende a correlacionarse con la frecuencia de las transacciones, el razonamiento detrás de esta definición alternativa es capturar un aspecto diferente y complementario del comportamiento de compra.
La construcción de los indicadores RFM es una tarea sencilla de gestión de datos que no implica ningún tipo de modelado de minería de datos. Sin embargo, implica una serie de agregaciones y cálculos simples que transforman los registros de compra sin procesar en puntuaciones significativas. Para realizar un análisis RFM, cada transacción debe vincularse con un cliente específico (ID de cliente) para que el historial de compras del cliente pueda rastrearse e investigarse a lo largo del tiempo. Afortunadamente, en la mayoría de las situaciones, el uso de un programa de fidelización hace posible la recopilación de datos transaccionales "personalizados".
Los componentes de RFM deben calcularse de forma periódica y almacenarse junto con los demás indicadores de comportamiento en la despensa de datos de minería de la organización y la tabla MCIF. Se pueden utilizar como campos individuales en tareas posteriores, por ejemplo, como entradas, junto con otros predictores, en los próximos modelos de venta cruzada supervisada. También se pueden incluir como campos de agrupamiento para el desarrollo de un esquema de segmentación de comportamiento multi-atributo. Por lo general, simplemente se combinan para formar una sola medida RFM y un esquema de segmentación basado en celdas respectivo.
Normalmente, el análisis RFM implica la agrupación (agrupación) de clientes en trozos de igual tamaño, o cuantiles, de forma similar a la que se presenta para la segmentación basada en el valor. Este procedimiento de discretización se aplica de forma independiente a las tres medidas de componentes RFM. Los clientes se clasifican según la medida respectiva y se agrupan en clases de igual tamaño. Por ejemplo, la descomposición en cuatro grupos da como resultado cuartiles del 25%, y la descomposición en cinco grupos, en quintiles del 20%. Como consecuencia, las medidas RFM se transforman en puntuaciones ordinales. En el caso de la agrupación en quintiles, por ejemplo, las medidas RFM se convierten en puntuaciones de clasificación que van de 1 a 5. El grupo 1 incluye el 20% de los clientes con los valores más bajos y el grupo 5 el 20% de los clientes con los valores más altos en la medida correspondiente. Especialmente para la medida de actualidad, la escala de la puntuación ordinal derivada debe invertirse para que las puntuaciones más grandes representen a los compradores más recientes. Los bins 12, F y M derivados se convierten en los componentes de la asignación de celdas RFM. Estos bins se combinan con una simple concatenación para proporcionar la asignación de celdas. Los clientes con los valores de RFM más altos y los valores de quintil de 5 se asignan a la celda 555. Del mismo modo, los clientes con la antigüedad media (quintil 3), la frecuencia máxima (quintil 5) y los valores monetarios más bajos (quintil 1) forman la celda 351, y así sucesivamente. Este procedimiento para construir las celdas RFM se ilustra en la siguiente figura:
Al agrupar a los clientes en quintiles (grupos del 20%), el procedimiento da como resultado un total de 5 × 5 × 5 = 125 celdas RFM, como se muestra aquí:
Esta combinación de los componentes R, F y M en las células se usa ampliamente, aunque tiene una cierta desventaja. La gran cantidad de células derivadas hace que el procedimiento sea bastante engorroso y difícil de manejar. Un método alternativo para segmentar a los clientes de acuerdo con sus patrones RFM es usar los componentes respectivos como entradas en un modelo de agrupación en clústeres y dejar que el algoritmo revele las agrupaciones naturales subyacentes de clientes. Los especialistas en marketing de la empresa minorista decidieron realizar un análisis RFM, antes de proceder al desarrollo de un esquema de segmentación multiatributo más general. El procedimiento seguido se presenta en "El procedimiento de segmentación RFM".