Таким образом, клиентам, которые купили недавно, являются частыми покупателями и тратят много, назначается оценка 5 |5|5 . Они ваши лучшие клиенты.

В данном случае Александра является VIP – клиентом, а не Анна, которая потратила больше всех.

С другой стороны, клиенту, который потратил меньше всех, покупал давно и не часто присваивается оценка 1|1|1 . В данном случае это Николай. Теперь это имеет смысл, не так ли?

Как рассчитать оценку RFM по шкале 1-5?
Различные предприятия могут использовать разные методы для ранжирования значений RFM в масштабе от 1 до 5. Но вот два наиболее распространенных метода.

МЕТОД 1: Простые фиксированные диапазоны:

Пример:

Если кто-то купил в течение последних 24 часов, назначьте им оценку 5 .
За последние 3 дня - 4 . Назначьте 3 , если они купили в течение текущего месяца, 2 - за последние шесть месяцев и 1 - для всех остальных.

Как вы можете видеть, мы сами определили диапазон для каждого балла. Пороговые значения диапазона основаны на характере бизнеса. Таким же образом вы определяете диапазоны для частоты и денежных значений.

Этот метод оценки зависит от отдельных предприятий - поскольку они решают, какой диапазон они считают идеальным для периодичности, частотности и денежных значений.

При использовании данного метода расчета есть некоторые нюансы.
По мере роста бизнеса, диапазон баллов может потребовать частых корректировок.

МЕТОД 2: Процентное разделение на 5 равных значений на основе доступных данных.

Этот метод чуть сложнее, так как придётся работать с процентами, но в свою очередь он решает множество проблем, с которыми можно столкнуться при использовании первого метода. Данный подход работают с любой отраслью, поскольку диапазоны выбираются из самих данных и распределяются равномерно.
Конечно, мы рекомендуем использовать именно этот метод, поскольку сегментация будет более точной.

Сводка расчетов RFM :

Возьмите данные своего клиента, дайте оценку от 1 до 5 для R , F и M .
Графическое представление RFM поможет вам и другим лицам, принимающим решения, лучше понять RFM-анализ вашей организации.

R , F и M имеют оценки от 1 -5 , всего 5 x5 x5 = 125 комбинаций значений. Три измерения R , F и M могут быть наилучшим образом построены на трехмерной диаграмме. Если бы мы посмотрели, сколько клиентов у нас есть для каждого значения RFM , нам придется посмотреть 125 точек данных.

Но работа с 3D -графиками на бумаге или экране компьютера не сработает. Нам нужно что-то в двух измерениях, что-то легче изобразить и понять.

Упрощенное представление RFM-анализа:

В этом подходе мы используем частотность + денежный балл по оси X (диапазон от 0 до 10) и время последней покупки (диапазон от 0 до 5) по оси Y, Это уменьшает возможные комбинации со 125 до 50. Объединение F и M в один критерий имеет смысл, потому что оба значения связаны с тем, сколько клиент покупает. R (давность) на другой оси дает нам быстрый взгляд на уровни повторного взаимодействия с клиентом.

Повышение эффективности - создание сегментов.

Понимание 50-и элементов все еще может быть утомительным. Поэтому мы можем обобщить наш анализ на 11 сегментов, чтобы лучше понять наших клиентов.
Если вы помните, мы обсуждали эти сегменты в начале этой статьи.

Вот таблица, в которой объясняется, как вы можете создать 11 сегментов клиентов на основе оценок RFM .
Предоставление четкого цвета для каждого сегмента позволит легче запомнить клиентов и понять текущую ситуацию в бизнесе.

Вот наш окончательный сводный отчет RFM -анализа !

В другой статье. Я подготовил RFM анализ для нашего сервиса eSputnik, чтобы понять картину с нашими клиентами. Мне понравился этот метод, как очень простой способ визуализации поведения клиентов. Да, это было интересно, но очень скоро я понял, что в этой картинке нет практической пользы.

В цифрах вообще нет пользы, если они не меняют наших действий на завтра.

RFM анализ в email маркетинге

В этот раз я поделюсь с вами опытом и наблюдениями как извлекать пользу из RFM даже не имея трёхлетней истории продаж . Мы провели RFM анализ для десятков различных магазинов и столкнулись с рядом преград на пути к получению реальных результатов. До того как описать их все, давайте ещё раз вспомним, что нам даёт RFM. RFM анализ основан на 3 показателях:

• R ecency - давность последней покупки
• F requency - суммарная частота покупок
• M onetary - средний чек

Мне кажется, показатель Monetary не обязательно привязывать к деньгам. Это может быть любой фильтр, наложенный на основные показатели этого метода: Давность и Частота. Например, для информационного портала можно взять время просмотра страницы или глубину просмотра страниц на сайте. RF матрицу можно рассматривать отдельно для разных типов клиентов, фильтруя по источнику клиента, по регионам, по категориям купленых товаров, по возрасту и многое другое.

Как провести RFM анализ?

Если разбить всех ваших клиентов по давности последней покупки на несколько групп и по количеству сделанных покупок, то можно построить матрицу из которой видно как разбить ваших клиентов по группам, на основании их активности:

• Новички
• Одноразовые покупатели
• Растущие
• Потерянные клиенты

На самом деле групп гораздо больше, но об этом потом. Обычно я строю шкалы по частоте и давности, по принципу: от плохого к хорошему. Получается:

• По давности : слева те, кто покупал очень давно, а справа - кто покупал недавно.
• По частоте: снизу те, кто сделал одну покупку, а сверху - много. Тогда визуально разделение групп будет выглядеть примерно так:

Об этом мы уже писали и раньше, но давайте посмотрим детальнее как разбить базу на группы и разметить шкалы, сколько групп выделить и что с ними делать дальше.

Самый важный показатель - «Давность». Чем больше времени прошло с момента последней продажи, тем меньше вероятность следующей покупки. И падает эта вероятность очень стремительно. Давайте разберёмся с «Давностью» с самого начала. К примеру, у нас есть 3 клиента (квадрат, круг, треугольник), и на графике мы отметим время когда каждый клиент делал покупку.

Важно , прошу прощения, я почему-то нарисовал график давности в обратном направлении от хорошего к плохому, исправлю, но чуть позже:(

Задача - определить сколько клиентов по «Давности» попадёт в каждый из периодов. Важно понимать, что давность - это показатель, который принимает во внимание только последнюю покупку, предыдущие покупки будут отмечены в частоте. Таким образом правильным ответом на задачку будет:

• Период 1: 1 (только круг)
• Период 2: 1 (только треугольник)
• Период 3: 1 (только квадрат, потому что круг и треугольник покупали и после того)
• Период 4: 0 (все делали покупку после этого)

И снова вопрос: какой из трёх вариантов лучше?

Часто я слышу что «красный (3)» - потому что он стабильный. На самом деле, он показывает что мы постоянно привлекаем клиентов, которые делают покупку и не возвращаются снова. Хорошо что показатель немного нарастает, но всё же «сиреневый (1)» - лучше. По нему видно, что большинство нашей аудитории недавно покупали и сильно вовлечены в процесс покупки. Конечно, самый плохой - «зеленый (2)» график.В этом случае у нас был всплеск активности (может быть Новый год или сильные инвестиции в контекст), а потом всё растеряли.

В большинстве книг по анализу, в том числе в популярном издании «Маркетинг на основе баз данных» Артура М. Хьюза, предлагается очень простой механизм разделения «Давности» по сегментам: отсортировать все контакты по давности и разбить на 5 равных групп. То же самое рекомендуется сделать и с Частотой и с Деньгами:

Этот способ работает и помогает разбить всех клиентов на: покупали только что, недавно, так себе, давно, очень давно относительно друг друга. Но что значит «когда»? Если мы не можем сказать точно «когда», то и оценивать эту группу тоже тяжело. Например, в соседние группы могут попасть контакты покупавшие в один и тот же день. Это лишь значит, что для одинаковых клиентов мы будем по разному себя вести... Зачем тогда вообще такой анализ? Всю глубину проблемы я постараюсь показать на двух примерах:

Пример 1 : В вашем магазине всё было хорошо, и вдруг в течение месяца ни одной покупки. Всё плохо, но если разбивать на равные части - ничего не изменится и всё те же последние покупатели попадут в сегмент «только что покупали».

Пример 2 : Если у вас ещё нет данных о продажах за несколько лет, а Вы только начали свой бизнес, то границы с каждым днём будут очень сильно отличаться и пользоваться результатом такого анализа вообще нет смысла.

Сезонности, акции и праздники тоже сильно влияют на общую картину.

Любой сегмент контактов, о которых вы не можете сказать что-то определённое - плохой сегмент

Мне кажется логичнее фиксировать не количество, а время. Тогда оптимизация количества в группах и будет нашей задачей. Надо как можно больше получить контактов в группе «только что» и как можно меньше «давно».

Осталось только определить какие временные пределы лучше выставить. Для этого надо ответить для себя на несколько вопросов:

• Какой естественный период покупки?
• Какая сезонность?
• За какое время большинство клиентов успевает совершить повторную покупку?
• Какой период неактивности клиента можно считать, что мы потеряли клиента (длина жизненного цикла клиента)

Для компаний, у которых нет данных, можно предположить эти периоды. Для компаний «с историей» очень помогут несколько графиков (о которых я расскажу дальше) с разницей между покупками.

Я привёл пример графика с разницей в месяцах между первой и второй покупками. У большинства магазинов он выглядит примерно также, как на рисунке. Тут видно, что 50% всех повторных покупок делаются в течение 2 первых месяцев. За полгода 75% процентов делают свой второй заказ и 90% из тех кто покупают снова - покупают в течение 13 месяцев. Какой из этого можно сделать практический вывод? Мне кажется, ненадо спешить давать скидку тем, кто купит и так, без нашей помощи. Предлагать скидку надо через 2 месяца после первой покупки. До этого надо показывать релевантные предложения, быть на слуху и главное - быть полезным клиенту.

Если построить матрицу разности между любыми соседними покупками, то получится примерно следующая картина:

Интересно, что разница между первой и второй покупкой всегда больше, чем между второй и третьей. А между второй и третьей больше, чем между третьей и четвёртой, но чем дальше, тем меньше влияет количество покупок на разницу между ними. Выходит, что вначале человеку надо время, чтобы поверить. Возможно, в следующий раз он попробует купить в другом месте или просто подождёт. Но чем чаще он покупает, тем время между покупками становится меньше. Джим Ново в своей книге Drilling Down говорит, что этот график сначала падает, потом стабилизируется, потом начинает расти. Это очень похоже на жизненный цикл клиента, когда он понемногу перестаёт быть клиентом, все реже покупая. Но я ни разу не видел этой картины на практике.

Важно : для получения этих цифр лучше использовать не среднее, а медиану. Сейчас быстро попытаюсь объяснить разницу. Среднее - это сумма всех значений делённая на их количество, а медиана - это значение элемента, который находится посередине в отсортированной последовательности. То есть гарантировано 50% всех значений меньше или равны медиане, и 50% больше или равны медиане. Медиана лучше среднего, потому что в средних значениях сильное влияние имеют «аномальные значения». Те значения, которые очень редкие, но сильно выходящие за пределы большинства. Обычно медианы значительно меньше средних.

Ещё хорошо бы посмотреть на сезонность - часто это 12 месяцев. Посмотрев на все цифры можно сделать вывод, какой период поставить для групп, например:

• до 1 месяца
• до полугода
• до года
• до двух лет
• более двух лет

Но даже с таким подходом есть вопросы. А что если у одних клиентов естественный период покупки маленький, а у других большой? В таком случае я создаю каждому из клиентов профиль и для каждого профиля создаю свою градацию, которую нормализую по оси Давности в относительные категории:

• ожидаемого времени покупки
• если не купил - что-то странное
• мы его теряем
• мы его потеряли, но есть последний шанс
• наверняка мы его потеряли

Точно такая же история и для «Частоты», только почти всегда у меня получается приблизительно одна и та же шкала. Те, кто сделали:

• 1 покупку (этих большинство)
• 2 покупки (преодолели психологический барьер и пришли снова, уже зная о том, как работает магазин)
• 3-4 покупки (несмотря ни на что, продолжают покупать. Надо удержать любой ценой)
• 5-15 покупок (поверили, на них вся надежда. Тут верхняя граница бывает очень разная)
• больше 15 покупок (маньяки, часто это перекупщики, партнёры, т.п. К ним надо присмотреться отдельно)

Ну вот и весь RF анализ. Если посмотреть на матрицу RF, зная как разбиты сегменты, то сразу понятно кто такие новички: совершили одну покупку совсем недавно. Одноразовые - совершили покупку давно, и уже наверняка забыли об этом. Вряд ли они придут к нам снова. Джим Ново говорит, что таких клиентов всегда 50-60% от всей базы клиентов и с этим надо смириться. Я обычно вижу 70% от всей базе в этом грустном сегменте. Для того, чтобы убедиться, что сегмент грустный можно попробовать вернуть кого-то и для этого Джим Ново предлагает стратегию - «смириться», но если не верите, то начните с:

1. Тех у кого несколько товаров в чеке
2. Тех у кого чек больше
3. Одноразовые покупатели, которые вернули товар - вероятнее придут к вам за второй покупкой, чем те, кто «всем доволен».

Если не удается их вернуть - вам никого не получится вернуть.

Единственная возможность вернуть покупателей за второй покупкой - обратиться к ним как можно быстрее. Но не слишком рано

Обратитесь слишком рано и будете навязчивым и будете предлагать лишние убийственные для бизнеса скидки.

Давайте посмотрим на RF в динамике. Интересно, что по шкале давности мы всегда начинаем с хорошего (только что купили) и скатываемся к плохому (давно не покупал). И как только сделана покупка, мы всегда возвращаемся снова в самый оптимистичный сегмент:

С частотой все наоборот. Начинаем всегда с самого плохого сегмента (1 покупка) и с каждой покупкой становимся лучше. Шансов вернуться обратно практически нет (если считать частоту за какое-то окно (например, 2 года), то частота может уменьшаться)

А теперь посмотрим на всю картину целиком в матрице RF:

Мы всегда начинаем в сегменте «Только что» и с «1 покупки». А мечтаем, чтобы все клиенты попали в сегмент VIP. И самый короткий путь для этого - постоянные покупки. Если со старта клиент ничего не делает, он «сползает» по Давности в «редко», в сегмент «Одноразовых клиентов». Наша цель - не дать ему уйти. Для этого и созданы автоматические реанимационные письма;)

Есть ещё один тонкий момент: что делать если пауза «затянулась» и клиент не покупал очень давно (значительно превышая жизненный цикл клиента). Мне кажется, в таком случае если он и придет к нам снова, то только если мы снова его «купим» контекстом, сео или разонравится тот магазин, где он все это время покупал. В любом случае к нам придёт совсем другой человек с другими интересами и возможностями. Поэтому мы предлагаем как в детской игре сделать «сброс».

Особенности такого подхода к RFM в том, что его можно применять в первый же день использования магазина. Сразу настроить триггера основанные на неактивности клиента. Следить за динамикой активности ваших клиентов. Кого вы теряете? Что надо сделать, чтобы вернуть клиентов тогда, когда это ещё возможно?

На этом я обзорную статью заканчиваю, и обещаю написать следующую, в которой постараюсь дать ответы на такие вопросы:

• Как каждый из сегментов читает почту? Сегмент «потерянные» вообще реагируют на почту?
• Какая доля в продажах каждого сегмента?
• Какое типичное соотношение клиентов по сегментам?
• Как изменяется стратегия работы с каждым сегментом?
• Кому продавать, а кому не мешать покупать?

Хороших клиентов вам, пусть они все идут по самому короткому пути от Новичков в VIP:)

В наше время любая компания нуждается в привлечении клиентов. Для этого нужно постоянно поддерживать поток и рост клиентов для стремительного и стабильного развития бизнеса. Но держаться на одних привлечениях этого недостаточно. Нужно еще также их заинтересовать и задержать как можно большее время.

Чтобы привлечь внимание клиента к себе, необходимо иметь представление о том, какого рода предложения больше всего заинтересуют данным клиентам. Для этого нужно оценить клиентскую базу на предмет ее склонности к отклику на предоставленное предложение. В данном случае мы воспользуемся RFM-анализом. Он удобно подходит для нашего случая, так как компания, которую мы будем анализировать, занимается продажей и доставкой различных блюд. Сама база данных была предоставлена на обоюдном соглашении в конфиденциальном виде, кроме таких данных, как дата покупки и стоимость покупки клиентов (сами идентификаторы клиентов мы сгенерировали для большей наглядности). Этого нам достаточно для RFM-анализа.

RFM-анализ является самым распространенным методом исследования в данной сфере. Данный анализ описывали различные российские ученые. Р.И.Баженов и В.А.Векслер применяли RFM-анализ в разработанной авторской конфигурации для системы 1С:Предприятие «Анализ потребительских корзин» . Е.П. Голубков рассматривал сущность и методику проведения RFM-анализа . В.И. Александров и А.А. Клюева изучали связь RFM-анализа и e-mail-маркетинга и, рассказывая, как RFM-анализ может быть применен к реальной клиентской базе . В.И. Александров исследовал применение RFM-анализа в сфере e-commerce и привел схемы, которые наглядно показывают сегментацию потребителей интернет-магазина по критериям давности и частоты . Различные стороны анализа описывали А.А.Наумов, Р.И.Баженов и др. в применении к различным областям знания . Также RFM-анализ исследовали и зарубежные ученые .

RFM-анализ – это аббревиатура от слов Recency , Frequency и Monetary . Как видим, данный анализ основан на трех показателях:

Recency – в нашем случае понимается как дата последней совершаемой покупки клиента.

Frequency – количество совершаемых покупок данного клиента за весь период времени.

Monetary – затраченные денежные средства клиента за весь период совершаемых его покупок.

Во время расчета данного анализа нам нужно определить, из скольких частей надо разбить по каждому из этих показателей для оценивания клиентов, например, из 3-ех частей (групп). Где в первой части будут находиться «наихудшие» клиенты по тем или иным показателям. Во второй части – «средние» клиенты. В третьей – «наилучшие» клиенты. Но в нашем случае, для оценки клиентской базы, будем использовать в процентном соотношении от 1 до 5 групп, для большей гибкости и различным подходам к тем или иным клиентам.

Для того чтобы проделать RFM-анализ, мы воспользуемся программным обеспечением Microsoft Excel и готовой таблицей с базой данных клиентов:

Рисунок 1 – Таблица клиентской базы

Для начала нужно привести данную таблицу в нужный нам вид для проведения RFM-анализа, для этого выделим всю таблицу и воспользуемся функцией «Сводная таблица», которая находится в разделе «Вставка».

После того как создали «Сводную таблицу», нам нужно, в списке полей сводной таблицы, перенести поле «ID Клиента» в область «Названия строк». Затем дважды переносим поле «Дата покупки» в область «Значение». Напоследок переносим поле «Стоимость покупки (в руб.)» в ту же область «Значения».

Получаем следующую таблицу:

Рисунок 2 – Сводная таблица клиентской базы

Затем, в столбце «B», кликнув правой мышкой на поле под названием «Дата покупки», выбираем строку «Параметры полей значений…». После нажатия данной строки, откроется следующее окно:

Рисунок 3 – Окно «Параметры поля значений»

Где во вкладке «Операция» выбираем строку «Максимум», и применяем настройки. Потом применяем поля в формате «Дата» к столбцу «B». И формат «Денежный» к столбцу «D».

В результате получаем следующую таблицу:

Рисунок 4 – Готовая таблица для расчета RFM-анализа

В полученной таблице можем увидеть, например, клиента с идентификатором равной «10000», который совершал всего 3 покупки с общей стоимостью в сумме 877 рублей, и последняя его покупка была совершена в 01.12.2012.

Теперь, когда наша таблица полностью готова и приведена в нужном виде, перейдем непосредственно к самому RFM-анализу.

Как уже было сказано ранее, мы будем оценивать, и делить клиентов на 5 категории. Где в первой категории попадут клиенты с «наихудшими» показателями, а в пятой категории – с «наилучшими» показателями. Возьмем за каждую категорию в процентном соотношении с шагом в 20%.

То есть, по показателю «Monetary» в первую категорию попадут те клиенты, которые приобрели товары и принесли компанию до 20% прибыли от максимальной суммы всех значении полей столбца «Monetary». Во второй категории попадут от 20% до 40% от той же максимальной суммы, и так далее, вплоть, до пятой категории, где попадут клиенты с процентным соотношением от 80% до 100% принесенной прибыли. То же самое будем проделывать и с показателями «Recency» и «Frequency».

Для этого нужно создать еще несколько столбцов, таких как «Recency», «Frequency», «Monetary» и «Количество пройденных дней».

Рисунок 5 – Таблица с подготовленными RFM столбцами

Столбец «Количество пройденных дней» будет отображать нам количество прошедших дней до максимальной последней покупки клиента в компании из всех имеющихся. В дальнейшем он нам понадобится для расчета показателя «Recency», определяя давность последних покупок клиентов.

=МАКС($B$2:$B$2296)-B2

В итоге получаем следующий результат:

Рисунок 6 – Таблица с рассчитанным столбцом «Количество пройденных дней»

Далее приступим к анализу показателя «Recency». Нужно в полях данного столбца ввести формулу, которая будет рассчитывать данный показатель относительно степени давности последней покупки клиента. В нашем случае выглядит так:

=ЕСЛИ(F2<=0,2*МАКС($F$2:$F$2296);5;ЕСЛИ(F2<=0,4*МАКС($F$2:$F$2296);4;ЕСЛИ(F2<=0,6*МАКС($F$2:$F$2296);3;ЕСЛИ(F2<=0,8*МАКС($F$2:$F$2296);2;1))))

То же самое проделываем и для столбца «Frequency»:

=ЕСЛИ(C2<=0,2*МАКС($C$2:$C$2296);1;ЕСЛИ(C2<=0,4*МАКС($C$2:$C$2296);2;ЕСЛИ(C2<=0,6*МАКС($C$2:$C$2296);3;ЕСЛИ(C2<=0,8*МАКС($C$2:$C$2296);4;5))))

Для столбца «Monetary» вводим следующую формулу в полях:

=ЕСЛИ(D2<=0,2*МАКС($D$2:$D$2296);1;ЕСЛИ(D2<=0,4*МАКС($D$2:$D$2296);2;ЕСЛИ(D2<=0,6*МАКС($D$2:$D$2296);3;ЕСЛИ(D2<=0,8*МАКС($D$2:$D$2296);4;5))))

После ввода всех формул для расчета данных показателей, мы в итоге получаем следующий результат:

Рисунок 7 – Результат RFM-анализа

На этом этапе мы и закончили RFM-анализ. Для удобства можно отсортировать столбцы «Recency», «Frequency» и «Monetary» в порядке возрастания/убывания для удобного поиска и анализа клиентской базы по данным рассчитанным показателям.

Например, в нашем случае, клиент с идентификатором «10002» является наихудшим покупателем данной компании, и имеет показатели в виде «111 » (Recency – 1 ; Frequency – 1 ; Monetary – 1 ). Так как данный клиент уже почти два с половиной года (857 дней) не совершает покупки данной компании, и за свое время он сделал только одну покупку в сумме 210 рублей.

С такими клиентами компании предпочитают провести разные подходы. Кто-то пытаются привлечь к себе внимания к данному клиенту, для того чтобы он заинтересовался в компании и снова совершил какие-либо покупки. Либо, некоторые считают их «одноразовыми» клиентами, и предпочитают не уделять собственное время на них, а нацеливаться только на более «перспективных» покупателях, которые имеют более высокие RFM показатели вплоть до «555 », для того, чтобы улучшить отношения между клиентом и компанией, и предлагать различные акции или бонусы.

Также можно и провести различные анализы, делая выводы на основе RFM показателях данных клиентов. Например, существует клиент с показателем «155 » (Recency – 1 ; Frequency – 5 ; Monetary – 5 ). Данный клиент нам говорит о том, что он когда-то совершал много покупок и приносил хорошую прибыль этой компании. Но, по каким-то причинам уже давно перестал совершать какие-либо покупки. В таких случаях можно либо лично поинтересоваться у клиента, по каким причинам он отказался проявлять интерес к данной компании, либо самим пересмотреть свои прошлые отношения в сторону клиента в тот период, когда он перестал сотрудничать с компанией.

Вдобавок также, например, существуют клиенты с показателями «511 ». Это те клиенты, которые только начали совершать какие-либо покупки и являются «новичками». Компания обычно старается не разочаровать таких клиентов, и демонстрировать им различные конкурентоспособные преимущества.

Как видим, данный RFM-анализ полезен для сегментирования клиентов в те или иные категории и позволяет нам изучить их. После распределения и изучения клиентов мы можем составлять свои индивидуальные подходы к ним, для того чтобы увеличить прибыль данной компании и повысить лояльность клиентов для успешного бизнеса.

Предложенное исследование может быть использовано в работе торговых компаний и в обучении студентов различных направлений .

Библиографический список

Баженов Р.И., Векслер В.А., Гринкруг Л.С. RFM-анализ клиентской базы в прикладном решении 1С: Предприятие 8.3 // Информатизация и связь. 2014. №2. С. 51-54.

Голубков Е.П. RFM-анализ: методика и практика применения // Маркетинг в России и за рубежом. 2013. № 6. C. 11-24.

Александров В.И., Клюева А.А. RFM-анализ и e-mail-маркетинг. Теория и практика // Интернет-маркетинг. 2012. № 2. С. 96-106.

Александров В.И. Применение RFM-анализа при разработке таргетированных маркетинговых стратегий в сфере e-commerce // Маркетинг и маркетинговые исследования. 2014. № 5. С. 332-339.

Наумов А.А., Наумова А.А., Баженов Р.И. О некоторых моделях и модификациях классического ABC-анализа // Современные научные исследования и инновации. 2014. № 12 [Электронный ресурс]. URL: http://web.snauka.ru/issues/2014/12/42200 (дата обращения: 27.12.2014).

Жилкин С.А., Баженов Р.И. Совершенствование ассортимента товаров медицинского назначения на основе ABC-анализа // Экономика и менеджмент инновационных технологий. 2014. № 12 [Электронный ресурс]. URL: (дата обращения: 27.12.2014).

Резниченко Н.В., Наумов А.А., Баженов Р.И. Совершенствование ассортимента блюд кафе и системы закупок компонентов на основе ABC-XYZ-анализа // Экономика и менеджмент инновационных технологий. 2014. № 12 [Электронный ресурс]. URL: (дата обращения: 27.12.2014).

Наумов А.А., Баженов Р.И. О проблемах классических показателей эффективности инвестиционных проектов // Современные научные исследования и инновации. 2014. № 11-2 (43). С. 181-187.

Бронштейн К.С., Наумов А.А., Баженов Р.И. Применение классического ABC-анализа для анализа ассортимента блюд кафе // Экономика и менеджмент инновационных технологий. 2014. № 11 (38). С. 100-110.

Наумов А.А., Баженов Р.И. О неустойчивости метода нормализации критериев // Современные научные исследования и инновации. 2014. № 11-1 (43). С. 64-68.

Остроушко А.А., Баженов Р.И. Анализ ассортимента электротоваров с использованием ABC-анализа // Экономика и менеджмент инновационных технологий. 2014. № 10(37). С. 73-81.

Сизых А.Ф., Баженов Р.И. Разработка программной системы поиска ассоциативных правил на основе алгоритма apriori // Современные научные исследования и инновации. 2014. № 10-1 (42). С. 52-59.

Vexler V.A., Bazhenov R.I., Bazhenova N.G. Entity-Relationship Model of Adult Education in Regional Extended Education System // Asian Social Science. 2014. Т. 10. №20. С.1-14.

Векслер В.А., Баженов Р.И. Определение взаимосвязи номенклатурных позиций средствами 1С:Предприятие 8.3 // Современные научные исследования и инновации. 2014. № 7 (39). С. 45-49.

Пронина О.Ю., Баженов Р.И. Исследование методов регрессионного анализа программной среды Eviews // Nauka-rastudent.ru. – 2015. – No. 01 (013) / [Электронный ресурс] – Режим доступа. – URL: http://nauka-rastudent.ru/13/2320/

Rhee S.B. Customer selection in database marketing: the meaning of RFM // Thesis. 2003.

Mahboubeh K., Kiyana Z., Sarah A., Somayeh A. Estimating customer lifetime value based on RFM analysis of customer purchase behavior: Case study // Procedia Computer Science. 2011. № 3. C. 57-63.

Kristof C., Filip A.M., Koen W. Data accuracy’s impact on segmentation performance: Benchmarking RFM analysis, logistic regression, and decision trees // Journal of Business Research. 2014. Т. 67. C. 2751-2758.

Ya-Han H., Tzu-Wei Y. Discovering valuable frequent patterns based on RFM analysis without customer identification information. // Knowledge-Based Systems. 2014. Т. 61. C. 76-88.

Wikipedia. RFM-анализ. [Электронный ресурс]. // Википедия: свободная энциклопедия. URL: https://ru.wikipedia.org/wiki/RFM-%D0%B0%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7 (дата обращения: 10.01.15).

Bazhenov R.I., Luchaninov D.V. Use of blended learning elements for formation of a humanitarian student’s creative initiative at learning modern information technologies // Life Science Journal. 2014. Т. 11. № 11s. С. 371-374.

Баженов Р.И. Об организации научно-исследовательской практики магистрантов направления «Информационные системы и технологии» // Современные научные исследования и инновации. 2014. № 9-2 (41). С. 62-69.

Количество просмотров публикации: Please wait

Каждый предприниматель в процессе развития бизнеса сталкивается с вопросом: как сделать своего клиента более лояльным и не дать ему уйти к конкуренту?

Существует два типа данных, которые можно узнать о покупателях: кто они такие (демографические данные) и что они делают (поведенческие данные). Как правило, маркетологи пытаются предугадать именно поведение клиентов. Ведь если вы планируете продать товар или услугу своим клиентам, то знание, что кто-то из них недавно приобрел несколько предметов общей стоимостью 10000 рублей, ценнее, чем знание их возраста, дохода, семейного положения или другой подобной информации.

Обычно для предсказания поведения клиентов специалисты по директ-маркетингу используют RFM-анализ. Главным становится вопрос, как формализовать размер пользы, принесенной каждым клиентом. Для этой цели изучаются три показателя:

• Recency - давность продажи (сколько времени прошло с момента последней покупки клиента);
• Frequency - частота покупок (общее количество покупок в периоде);
• Monetary - сумма продаж за всю историю (иногда используют средний чек).

Причем, показатель Monetary не обязательно привязывать к деньгам. Это может быть любой фильтр, наложенный на основные показатели этого метода: Давность и Частота. Монетизацию не всегда удается свести к покупкам. Например, для информационного портала можно взять время просмотра страницы или глубину просмотра страниц на сайте.

Как правило, процент покупателей, реагирующий на общие рекламные предложения, невелик. RFM-анализ – это простой и, в то же время, эффективный метод. Используя его, можно предсказать реакцию покупателя, улучшить взаимодействие и повысить прибыль. В зависимости от принадлежности клиента к одной из выделенных групп применяются разные способы воздействия. Важность показателей ранжируется согласно последовательности: Давность, Частота, Сумма продаж.

Применение RFM для базы данных частных клиентов

Рассмотрим небольшую компанию по продаже учебных пособий, которая использовала RFM-анализ для извлечения максимальной прибыли с каждого покупателя. Ежегодно лето всем клиентам рассылались письма с предложением приобрести их продукцию. Затраты на рассылку составляли 15 руб. на одно письмо, прибыль же от каждой продажи - 550 руб. Таким образом, чтобы оправдать затраты на рассылку, необходимо получать более 3% откликов. Но на протяжении нескольких лет доля откликов не превышала 1,6%, что не давало прибыли. Применив RFM, всю существующую базу данных клиентов разбили по 125 ячейкам (5х5х5) и определили долю откликов по каждой из ячеек. Далее рассылку писем стали осуществлять по ячейкам с долей откликов более 3%, что позволило компании в итоге получить прибыль.

Стоит отметить, что непрерывное использование RFM-анализа не пойдет на пользу бизнесу. Если постоянно его применять для решения вопроса: кому из клиентов написать или позвонить, - то некоторые из них вообще никогда не получат от вас известий, а другие - наиболее активно реагирующие, будут испытывать усталость от постоянного внимания, поскольку вы будете связываться с ними слишком часто. Необходимо разрабатывать стратегию контактирования и подумать, с каким предложением можно обратиться к менее восприимчивым клиентам, просто чтобы они знали, что о них помнят.

На практике встречается упрощенный RFM-анализ, который называют RF-сегментация, когда показатель Сумма продаж не используется, потому что его значение часто зависит от Частоты. С помощью такого анализа несложно выделить тех, с кем нужно проводить активную работу, и именно для них разрабатывать специальные предложения.

Применение RFM для базы данных корпоративных клиентов

Рассмотрим применение RFM-анализа к базе данных корпоративных клиентов. Такая база, в большинстве случаев, гораздо меньше базы частных клиентов, и можно прибегнуть к сокращению количества групп. Например, для базы в 10000 записей 125 ячеек RFM-анализа будут иметь всего 80 записей в каждой ячейке, а этого мало для получения статистических результатов. Сократим количество RFM-ячеек до 20 с уменьшенным количеством групп, отсортированных по Частоте и Сумме продаж. Например, 5 - по Давности покупки, 2 - по Частоте и 2 - по Сумме продаж.

В теории RFM-анализа предполагается очень простой механизм разделения Давности, Частоты и Суммы продаж по сегментам: отсортировать все контакты и разбить на 5 равных групп для каждого показателя. Этот способ работает и помогает разбить всех клиентов относительно друг друга на:

• покупали только что
• недавно
• давно
• очень давно

Но на практике возникает проблема изменения этих показателей во времени.

Бизнес развивается хорошо, но вдруг в течение месяца не совершается ни одной покупки - это плохо. Но если разбить базу данных на равные части - ничего не изменится и всё те же последние покупатели попадут в сегмент «покупали только что».

Новый бизнес ещё не имеет данных о продажах за несколько лет. В этом случае границы с каждым днём будут сильно отличаться и пользоваться результатом такого RFM-анализа вообще нет смысла.

Сезонности, акции и праздники тоже сильно влияют на качество анализируемых данных. Поэтому время стоит фиксировать. Для того, чтобы определиться какие временные интервалы лучше выставить, стоит ответить для себя на ряд вопросов:

• Какая длина жизненного цикла клиента?
• Какой естественный период покупки?
• Какая сезонность?
• За какое время большинство клиентов успевает совершить повторную покупку?

Действенность RFM-анализа совсем не означает, что он может полностью заменить менеджера по продажам. Личное общение с заказчиком позволяет сотруднику хорошо понимать его и многое знать о нем. Правильно будет сосредоточить внимание менеджера на ключевых клиентах, а с остальными вести работу по электронной почте, с помощью сообщений и социальных сетей. RFM-анализ в этом случае становится отличным инструментом, помогающим провести сегментацию покупателей.

Баженов Руслан Иванович

к.п.н., доцент, зав.кафедрой информатики и вычислительной техники факультет математики, информационных технологий и техники Приамурский государственный университет им. Шолом-Алейхема Биробиджан, Россия

Аннотация: В данной статье описывается сегментация клиентов на основе RFM-анализа. Приводится пример анализа на основе базы данных фотографа. Анализ проводится в программном обеспечении Microsoft Excel.

Ключевые слова: RFM-анализ, сегментация, заказчики, база данных, Excel

RFM-analysis of the database of customers photographer

Dubovik Aleksey Viktorovich

3th year student of the Faculty of Mathematics, Information Technology and Technics Sholom-Aleichem Priamursky State University Birobidzhan, Russia

Bazhenov Ruslan Ivanovich

candidate of pedagogical sciences, associate professor, Head of the Department of Computer Science Faculty of Mathematics, Information Technology and Technics Sholom-Aleichem Priamursky State University Birobidzhan, Russia

Abstract: The article describes the segmentation of customers based on RFM-analysis. An example of analysis based on a database of existing entrepreneur. Analysis is performed in software Microsoft Excel.

Keywords: RFM analysis, segmentation, customers, database, Excel

В наши дни любой фотограф хочет иметь у себя как можно больше заказчиков, которые будут часто нанимать его для фотографирования различного рода мероприятий. Для наилучшего спроса фотограф должен создавать благоприятные условия для стабильного развития своего бизнеса, искать новых клиентов для фотосессии, предлагать новые возможности для имеющихся клиентов. Для этого нужно оценить базу на предмет предоставления благоприятных условий. Поэтому мы воспользуемся RFM-анализом. Он подходит для решения нашего случая, так как индивидуальный предприниматель, чью деятельность мы будем анализировать, занимается фотографированием и созданием фотоальбомов. База данных должна быть представлена на обоюдном соглашении и конфиденциальности.

RFM-анализ является инструментом, позволяющим проводить сегментирование потребителей по уровню лояльности на основе их прошлых действий, прогнозировать их поведение. Его применяют многие ученые и практики в свой деятельности. В.И. Александров показал применение RFM-анализа при разработке таргетированных маркетинговых стратегий в сфере e-commerce . Р.И.Баженов и др. привели разнообразные решения в различных областях . Методику и практику применения RFM-анализа описал Е.П.Голубков . Анализ существующих методов управления клиентской базой для повышения конкурентоспособности аптечной организации провела И.С.Каверина . Е.М.Разумовская и др. разрабатывали стратегии ит-компаний путем сопоставления результатов сегментации клиентов и требований развития ит-рынка . Е.В.Романенко и А.Г.Кравец реализовали RFM-анализ в информационной системы «TOUREAST: CRM AI» . Как увеличить продажи дистрибьюторской сети на основе RFM-анализа предложила Т.И.Сорокина . Зарубежные ученые также применяют выделенный метод в своих исследованиях .

RFM - это аббревиатура от слов Recency - новизна, Frequency – частота и Monetary, что означает затраты или вложения .

Recency – Дата последнего заказа клиента наших услуг.

Frequency –Количество общих покупок наших услуг клиентом.

Monetary – На какую сумму клиенты купили наши услуги

Во время расчета RFM-анализа необходимо узнать какие клиенты лучше подходят для работы с ними, а с какими можно как реже взаимодействовать, или вовсе отказаться от сотрудничества с ними.

Для того чтобы проделать данный анализ, мы воспользуемся MS Excel и готовой базой данных заказчиков (рис.1).

Для начала требуется привести данную таблицу в упрощенный вид и сделать меньшее количество столбцов. У нас будут три столбца: Заказчики; Дата заказа; Сумма заказа (рис.2).

После этого необходимо привести данные для проведения RFM-анализа, для чего создадим таблицу на основе инструмента «Сводная таблица».

В полученной таблице (рис.3) видно, что «Высшее учебное заведение» которое совершило 12 заказов общей стоимостью 516 800 рублей, и последний его заказ был совершен 25.12.2014.

Теперь, когда таблица готова и приведена в нужный вид, перейдем непосредственно к самому RFM-анализу.

Также мы будем оценивать заказчиков и разделим их на 5 категорий. Где в первую категорию попадут заказчики с «наихудшими» показателями, а в пятую категорию – с «наилучшими». Для каждой категории в процентное соотношение с шагом в 20%.

В показатель «M», первой категории, попадут те заказчики, которые принимали услуги фотографа и принесли ему до 20% прибыли от максимальной суммы всех значении поля «M». Во вторую категорию попадут от 20% до 40% от той же максимальной суммы. Так будет продолжаться, вплоть, до пятой категории, куда попадут заказчики с процентным соотношением от 80% до 100% принесенной прибыли. Аналогично будем проделывать и с показателями «R» и «F».

На этом мы закончили RFM-анализ. Как мы видим «Фото для газет» является наихудшим клиентом для нашего фотографа, и имеет показатели в виде «111» (Recency – 1; Frequency – 1; Monetary – 1). Так как данное предложение не используется часто (232 дня), то можно и вовсе отказаться от них, хотя, дополнительный заработок не помешает.

С такими заказчиками фотографы предпочитают найти взаимодействовать по-другому. Может кто-то и для наилучшей прибыли пытаются найти и таких клиентов, взаимодействовать в разных кругах своей деятельности, А также привлекать больше клиентов, для того чтобы заинтересовался и как можно чаще брал услуги. Либо, некоторые считают их «одноразовыми» клиентами, и предпочитают не уделять собственное время на них, а лучше брать побольше выгодных предложений, наиболее «перспективных» заказчиков, которые имеют более высокие RFM показатели были приближены к показателям равным «555». Нужно улучшать отношения между заказчиками и фотографом, и предлагать новые варианты своих услуг.

Также можно и провести различные анализы, делая выводы на основе RFM-показателей заказчиков. Например, существует клиент с показателем «155» (Recency – 1; Frequency – 5; Monetary – 5). Данные интерпретируются, так - с данным клиентом поддерживается слабая связь, возможно, клиент не часто нуждается в услугах фотографов или он использует замену своему, постоянному. В таком случае можно либо лично поинтересоваться у клиента, нужны ли ему наши услуги в дальнейшем.

Существуют заказчики с показателями «511». Это те клиенты, которые только что обратились к фотографу и являются «новичками». Фотограф старается налаживать теплые отношения с данными клиентами, не разочаровать их.

Как видим, данный RFM-анализ полезен для сегментирования клиентов в те или иные категории и позволяет нам изучить их. После распределения и изучения клиентов мы можем составлять свои индивидуальные подходы к ним, для того чтобы увеличить прибыль нашего фотографа.

Данное исследование может быть использовано в других фотостудиях, в обучении начинающих фотографов и студентов различных направлений и специальностей .

Список литературы :

1. Александров В.И. Применение RFM-анализа при разработке таргетированных маркетинговых стратегий в сфере e-commerce // Маркетинг и маркетинговые исследования. 2014. № 5. С. 332-339.
2. Баженов Р.И. О применении балльно-рейтинговой системы для оценивания курсовых работ по дисциплине «Интеллектуальные системы и технологии» // Приволжский научный вестник. 2014. № 5 (33). С. 135-138.
3. Баженов Р.И. Об организации деловых игр в курсе «Управление проектами информационных систем» // Научный аспект. 2014. Т. 1. № 1. С. 101-102.
4. Баженов Р.И. Об организации научно-исследовательской практики магистрантов направления «Информационные системы и технологии» // Современные научные исследования и инновации. 2014. № 9-2 (41). С. 62-69.
5. Баженов Р.И. Проектирование методики обучения дисциплины «Информационные технологии в менеджменте»// Современная педагогика. 2014. № 8 (21). С. 24-31.
6. Баженов Р.И., Векслер В.А., Гринкруг Л.С. RFM-анализ клиентской базы в прикладном решении 1С: Предприятие 8.3 // Информатизация и связь. 2014. №2. С. 51-54.
7. Баженов Р.И., Лобанова А.М. Обучение основам предпринимательства в компьютерной экономической игре «Капитализм 2» // Экономика и менеджмент инновационных технологий. 2014. № 4 (31). С. 35.
8. Векслер В.А., Баженов Р.И. Определение взаимосвязи номенклатурных позиций средствами 1С:Предприятие 8.3// Современные научные исследования и инновации. 2014. № 7 (39). С. 45-49.
9. Векслер В.А., Баженов Р.И. Формирование модели обучения взрослых основам информационных технологий: региональный аспект: монография. - Биробиджан: Издательский центр ФГБОУ ВПО «ПГУ им. Шолом-Алейхема», 2014. 126 с.
10. Голубков Е.П. RFM-анализ: методика и практика применения // Маркетинг в России и за рубежом. 2013. № 6. C. 11-24.
11. 11. Каверина И.С. Анализ существующих методов управления клиентской базой для повышения конкурентоспособности аптечной организации // Бюллетень сибирской медицины. 2014. Т. 13. № 4. С. 172-180.
12. Разумовская Е.М., Куцевол Н.Г., Попов М.Л. Разработка стратегии ит-компаний путем сопоставления результатов сегментации клиентов и требований развития ит-рынка // Ученые записки Казанского университета. Серия: Гуманитарные науки. 2011. Т. 153. № 4. С. 211-221.
13. Романенко Е.В., Кравец А.Г. Некоторые вопросы проектирования и реализации распределенной информационной системы “TOUREAST: CRM AI” // Прикаспийский журнал: управление и высокие технологии. 2013. № 4. С. 165-176.
14. Сорокина Т.И. Как увеличить продажи дистрибьюторской сети // Молочная промышленность. 2015. № 2. С. 13-14.
15. Якимов А.С., Баженов Р.И. Сегментация клиентов с помощью RFM-анализа // Экономика и менеджмент инновационных технологий. 2015. № 1 [Электронный ресурс]. URL: http://ekonomika.snauka.ru/2015/01/7064 (дата обращения: 27.03.2015).
16. Mahboubeh K., Kiyana Z., Sarah A., Somayeh A. Estimating customer lifetime value based on RFM analysis of customer purchase behavior: Case study // Procedia Computer Science. 2011. № 3. C. 57-63.
17. Wikipedia. RFM-анализ. [Электронный ресурс]. // Википедия: свободная энциклопедия. URL: https://ru.wikipedia.org/wiki/RFM-%D0%B0%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7 (дата обращения: 27.03.15).
18. Ya-Han H., Tzu-Wei Y. Discovering valuable frequent patterns based on RFM analysis without customer identification information. // Knowledge-Based Systems. 2014. Т. 61. C. 76-88.