RFM-анализ позволяет взглянуть на базу клиентов по-новому: эти ребята вот-вот от нас уйдут, давайте попробуем их удержать, а вот эти давно потеряли интерес — наши промокоды им что мёртвому припарки.

Работа по составлению RFM-сегментов довольно трудоёмкая. Зато, при правильно построенной коммуникации с этими сегментами вы получаете плоды в виде удержания клиентов и повторных продаж.

RFM-анализ — анализ клиентской базы на основе истории покупок. RFM-анализ происходит по трём показателям:

Recency — давность покупки — промежуток времени с момента последней покупки. Клиенты, которые покупали недавно, с большей вероятностью купят снова.

Frequency — частота покупок — количество покупок за данный период. Вероятность продажи по клиентам будет больше, если человек совершал много покупок.

Monetary — сумма покупок — сумма всех покупок за данный период. Клиенты, потратившие на покупки большую сумму денег, вероятнее всего потратят снова.

В результате RFM-анализа обнаруживаются группы самых лояльных и приносящих больше всего денег клиентов и самых неактивных. В результате на основе RFM-анализа можно выстроить коммуникации так, чтобы стимулировать переход клиентов из одной группы в другую, удерживать их и мотивировать на повторяющиеся покупки.

RFM-подход может быть использован в любом бизнесе, независимо от направления деятельности, а наибольшей наглядностью он обладает, если в базе от 10 000 адресов. Простота и наглядность сегментации — главное преимущество данного подхода.

Исходные данные для RFM-анализа

Чтобы провести RFM-анализ, понадобятся данные о всех покупках, совершенных всеми клиентами и суммы всех этих покупок. Их выгружают из CRM или платформы аналитики. Например, на проектах, где мы делали RFM-анализ, информация хранилась в Magento.

С данными может возникнуть сложность: вряд ли вы сразу получите их в идеальном виде, как правило, требуется предварительная обработка данных.

Вам потребуется выгрузка по транзакциям. Каждая строка — отдельная транзакция, количество столбцов может быть разным, но обязательно должны быть:

уникальный идентификатор клиента (email, номер телефона, id);
дата покупки;
сумма покупки.

Вот так могут выглядеть подготовленные данные для RFM-анализа:

Как проводить RFM-анализ

Шаг 1. Собираем информацию по показателям

По каждому покупателю собирается информация для анализа: промежуток времени с последней покупки (Recency), количество покупок (Frequency) и сумма всех покупок (Monetary).

Шаг 2. Выбираем диапазоны сегментирования

По каждому показателю «Recency», «Frequency» и «Monetary» необходимо выбрать диапазоны сегментирования.

Для этого есть три подхода:

равномерное сегментирование по диапазонам значений;
равномерное сегментирование по количеству клиентов;
сегментирование с фиксированным диапазоном.

Равномерное сегментирование по диапазонам значений

Деление на сегменты при таком подходе происходит исходя из значений показателей. Вы смотрите на разброс цифр по каждому показателю, логически определяете количество возможных сегментов, берёте максимальное значение в каждом показателе и делите на количество сегментов.

В результате получаются сегменты с равными диапазонами по каждому показателю:

здесь по 106 дней и 6 покупок

В нашем случае получилось, что значения по R и F равным образом делились на 3 части.

Recency:

1 — 214–320 дней

2 — 107–213 дней

3 — 0–106 дней

Frequency:

1 — 13–18 покупок

2 — 7–12 покупок

3 — 0–6 покупок

Достоинства метода — сегменты легко выделить. Однако при таком делении распределение покупателей по сегментам будет неравномерным (в один сегмент могут попасть 90% всех клиентов, в другой — 1%).

Сегментирование по количеству потребителей

В данном механизме деление по каждому показателю происходит таким образом, чтобы в сегменты попало одинаковое количество покупателей.

Данное сегментирование позволяет быстро выделить сегменты, так чтобы отсутствовал сильный дисбаланс между группами. Недостаток в данном подходе — плохо выбираются сегменты.

В примере получилось так, что по показателю Recency — давности покупки — в разные сегменты попали клиенты, сделавшие покупки в один день.

Сегментирование с фиксированным диапазоном

Наш любимый метод. При сегментировании с фиксированным диапазоном необходимо самостоятельно определить границы значений для каждого показателя.

Здесь есть нюансы. Когда вы будете определять диапазон по давности покупок, нужно учесть:

сезонность;
время между совершёнными покупками;
среднюю продолжительность жизни клиента;
акции;
праздники.

Для того, чтобы их учесть, нет специальной формулы, это чисто логические размышления.

В нашем примере, выделяя пороги, в Recency мы опирались на среднее время между заказами и временем между первым и вторым заказом, в Monetary — на значение среднего чека. Во Frequency надо смотреть на среднее количество заказов от человека.

Мы получили следующие пороги:

Recency:

1 — последняя покупка более 6 месяцев назад

2 — последняя покупка 3-6 месяцев назад

3 — последняя покупка 0-3 месяца назад

Frequency:

1 — 1–2 заказа

2 — 3–5 заказов

3 — более 6 заказов

Определяя F, нужно помнить, что среднее время между первым и вторым заказом и всеми остальными заказами, скорее всего, будут разными. После первой покупки клиент ещё не успел привыкнуть к бренду, он будет дольше решаться на вторую, если вообще решит что-то заказать после первого раза. А дальше он конвертируется уже проще.

В нашем случае между первым и вторым заказами проходило в среднем 53 дня, а между другими заказами — 36. Мы это учли, чтобы верно выделить сегмент новичков. Если применять просто среднее время между заказами, то новички могут попасть в группу развивающихся клиентов, и вся работа с ними в будущем окажется выстроена неправильно.

Также для диапазонов по частоте покупок надо учитывать сезонность и тип продукта. Например, для магазина косметики 1 заказ за 2 месяца — это хорошо, и клиент с такой частотой покупок попадёт, возможно, в сегмент постоянных. Если же это покупки в продуктовом магазине, то 1 покупка за 2 месяца — считай, случайно забежавший клиент.

Для определения диапазонов по Monetary — cумме покупок — необходимо учитывать следующие факторы: тип бизнеса, цена, средний чек, сезонность.

Сумма покупок — 50 000 тыс. за год для магазина косметики, где средний чек около 4000 тыс — очень хорошо, а для

Плюс описанного метода выделения сегментов: разделение получается действительно качественным, и клиенты попадают в свои сегменты корректно. Таким образом работа с сегментами даст хороший результат. Недостаток — процесс выделения сегментов трудоёмкий, требует большого количества времени и привлечения специалиста.

Что ещё учесть при выделении сегментов — так это не забыть разделить оптовиков и розничных клиентов. Для них пороги R, F, M будут разными.

Шаг 3. Формируем сегменты по совокупности показателей: R, F, M

Итак, теперь у нас есть диапазоны для каждого показателя, и этим диапазонам надо присвоить оценку — коэффициент качества. Например, от 1 до 3, но количество может быть и больше в зависимости от того, насколько детально вы хотите проработать сегменты. 3 — стандартное число.

Мы считали, что 1 — это худшее значение, а 3 — лучшее. Получается три оценки по давности для каждого из трёх показателей. Из совокупности трёх показателей с одинаковыми оценками складывается сегмент:

R1—F1—M(1-3) — потерянные
R1—F(2-3)—M(1-3) — лояльные клиенты, потерявшие активность
R2-F(1-2)-M(1-3) — спящие
R2-F(3)-M(1-3) — лояльные спящие клиенты
R3—F1—M(1-3) — новички
R3—F2—M(1-3) — развивающиеся
R3—F3—M3 — постоянные

В результате каждый клиент оказывается присвоен конкретному сегменту:

Или для удобства то же самое можно представить в виде интерактивного дашборда:

В результате получается RFM-матрица:

Использование матриц RF, RM, FM

Довольно часто для построения сегментов используют по паре показателей из RFM-анализа.

RF-анализ

Анализ по давности покупок и частоте покупок. Поскольку monetary — сумма покупок — зависит от frequency — частоты покупок, иногда его можно не учитывать.

Сегментирование по RF показывает, как часто клиенты совершают покупки за анализируемый период, и позволяет выявить тех клиентов, которые недавно обращались за покупками и сотрудничают с компанией постоянно.

RM-анализ

RM-анализ показывает распределение клиентов по параметрам Recency и Monetary. Такой анализ позволяет выявить клиентов, которые приносят больше всего прибыли, и тех, чей вклад в общую прибыль незначителен.

FM-анализ

FM-анализ показывает распределение клиентов в зависимости от частоты и суммы покупок. Такое распределение клиентов позволяет выявить клиентов, которые покупают мало, но на большие суммы, и тех, кто совершает покупки часто, но с маленькими чеками.

Разделяем клиентов по лояльности с помощью RFM-анализа