RFM-анализ. Сегментация и построение сетки удержания. Применение RFM для базы данных частных клиентов

Recency Frequency Monetary

Область применения

Анализ ассортимента товаров и услуг компании по частоте обращения (покупки, заказа и т.д.). Аналогичен ABC-анализу товарных позиций, если в качестве параметра брать число обращений. Используется для определения доходности клиентов, позволяет оценить вероятность их ухода, изучить лояльность клиентов.

Описание

RFM-анализ чаще всего используется для изучения товарного ассортимента по частоте обращений, а также его применяют для классификации клиентов.

Основу RFM-анализа составляют следующие характеристики:

1. Recency (новизна) – новизна какого-либо события. Чем меньше времени прошло с момента последней активности клиента (последней продажи товара), тем более вероятно, что действие повторится.
2. Frequency (частота или количество) – количество покупок, которые совершил клиент (количество продаж). Чем их больше, тем выше вероятность того, что клиент повторит действия в будущем. Данный параметр рассматривается за определённый промежуток времени (неделя, месяц, квартал, год и т. д.).
3. Monetary (деньги) – сумма, которую потратил клиент (выручка от продажи товара). Чем больше потраченная сумма, тем выше вероятность того, что клиент повторит заказ. На практике Monetary обычно не используют, т. к. она сильно коррелирует с Frequency. Поэтому RFM сегментацию часто называют RF сегментацией.

Алгоритм

1. Классификация по параметру Recency:
   • для каждого клиента определить дату последней покупки;
   • для каждого клиента рассчитать давность покупки (Recency) как разность между текущей датой (в примере 10.01.2008) и датой последней покупки;
   • разбить полученные данные на 5 групп (квантилей). Каждый клиент при этом получит идентификатор от 1 до 5 в зависимости от его активности. Тем, кто недавно осуществлял покупку, будет присвоен код R=5. Те, кто дольше всех не покупал ничего, получат R=1.
2. Классификация по параметру Frequency:
   • для каждого клиента определить количество покупок за определённый период;
   • разбить полученные данные на 5 групп (квантилей). Клиентам, совершившим наибольшее число покупок, будет присвоен код F=5, наименее активные покупатели получат F=1.
3. Классификация по параметру Monetary:
   • для каждого клиента определить сумму потраченных денег;
   • разбить полученные данные на 5 групп (квантилей). Клиентам, потратившим наибольшие суммы, будет присвоен код М=5, клиентам, потратившим наименьшие суммы – М=1.
4. Совместить полученные результаты, каждый клиент при этом получит код RFM, состоящий из трёх цифр.

В начале таблицы располагаются постоянные клиенты, которые чаще всего приносят основную часть прибыли. Для этих клиентов можно разработать специальные предложения. Клиенты с кодом RF=15 являются новыми, и если в этой группе есть те, чей показатель Monetization равен 5, то на них стоит обратить особое внимание.

Все клиенты, от «транжир» до «почти потерянных покупателей» имеют различные потребности и желания, и, соответственно, по-разному реагируют на маркетинговые кампании.

Сегментация клиентов с помощью RFM-анализа

Для выполнения RFM-анализа сначала следует разделить клиентов на четыре равные группы, согласно распределению значений давности, частоты и величины покупок.

Четыре равные группы (квартили) с тремя переменными образуют 64 (4x4x4) клиентских сегмента, с такими цифрами вполне можно работать.

Заметьте, что вы можете использовать квинтили (пять равных групп) для лучшей детализации, однако, работа с 125 сегментами (5x5x5) может показаться непростой задачей.

Давность (R)	Частота (F)	Деньги (M)
Квартиль 1 (R=1)	Квартиль 1 (F=1)	Квартиль 1 (M=1)
Квартиль 2 (R=2)	Квартиль 2 (F=2)	Квартиль 2 (M=2)
Квартиль 3 (R=3)	Квартиль 3 (F=3)	Квартиль 3 (M=3)
Квартиль 4 (R=4)	Квартиль 4 (F=4)	Квартиль 4 (M=4)

Например, есть один клиент, и он:

• Находится в группе, совершающих покупки наиболее часто (R=1)
• Находится в группе, совершивших наибольшее количество покупок (F=1)
• Находится в группе, потративших наибольшую сумму денег (M=1)

Данный клиент принадлежит RFM-сегменту 1-1-1 (Лучшие клиенты), (R=1, F=1, M=1).

Вот самые важные RFM-сегменты:

Сегмент	RFM	Описание	Маркетинговая деятельность
Лучшие клиенты	1-1-1	Клиенты, совершившие последние покупки, делающие это чаще остальных, и тратящие денег больше остальных	Без ценовых стимулов, новые продукты и программа скидок для постоянных клиентов
Лояльные клиенты	X-1-X	Клиенты, совершившие последние покупки	Изучите их R и M для дальнейшей сегментации
Транжиры	X-X-1	Клиенты, тратящие больше остальных	Продвиньте самые дорогие продукты
Почти потерянные клиенты	3-1-1	Не совершали покупки некоторое время, но покупали часто и тратили больше остальных	Агрессивные ценовые стимулы
Потерянные клиенты	4-1-1	Не совершали покупки давно, но покупали часто и тратили больше остальных	Агрессивные ценовые стимулы
Потерянные экономные клиенты	4-4-4	Не совершали покупки давно, покупали мало и тратили меньше остальных	Не прикладывайте много усилий к их возвращению

Как провести RFM-анализ

Чтобы провести RFM-анализ, вам понадобятся данные о всех покупках, совершенных всеми клиентами. Это должен быть файл с информацией, обычно экспортируемый из вашего бухгалтерского ПО или транзакционной базы данных.

Шаг 1. Скачайте скрипты для RFM-анализа и файлы примеров с Githtub .

Шаг 2. Подготовьте файл CSV со всеми покупками или же используйте шаблон sample-orders.csv. Имена столбцов должны быть теми же.

order_date	order_id	customer	grand_total
2016-01-01	US-52653	john
2016-01-02	US-52654	mary
…	…	…	…

Шаг 3. Запустите скрипт RFM-analysis.py, находящийся в папке, куда вы поместили файл с данными. В скрипте есть три аргумента:

>python RFM-analysis.py -i sample-orders.csv -o rfm-segments.csv -d "2014-04-01"

• Файл с данными (-i sample-orders.csv)
• Файл для вывода данных с RFM-сегментацией (-o rfm-segments.csv)
• Дата экспорта файла с данными (-d «YYYY-mm-dd”)

Это создаст RFM-сегменты в CSV-файле с названием rfm-segments.csv или иначе, а зависимости от того, что было задано вами с параметром -o.

Расшифровка результатов RFM-анализа

Клиент	Давность	Частота	Сумма	Сегмент RFM
Мария Н.	4 дня	58 покупок	$2 869	1-1-1
Владимир У.	50 дней	1 покупка	$44	3-4-4
Екатерина А.	47 дней	2 покупки	$156	3-2-1

• Мария Н. принадлежит к сегменту «Лучшие покупатели», она совершала покупки совсем недавно (R=1), заказывает часто (F=1) и тратит много (M=1).
• Владимир У. практически попал в сегмент «Потерянные экономные клиенты», он не покупал довольно давно (R=3), покупал немного (F=4) и потратил мало (M=4).
• Екатерина А. относится к сегменту «Почти потерянные клиенты». Она не совершала покупки довольно давно (R=3), покупала довольно часто (F=2), но при этом она тратила очень много (M=1).

Эти простые шаги и есть сегментация клиентов. Теперь определите кого-нибудь прочесывать базу данных клиентов и выявлять наиболее важных для вашего бизнеса.

Или же создайте собственную настройку в , как ниже, чтобы визуализировать данные:

Выведите свой email-маркетинг на новый уровень путем RFM-сегментации

Теперь пришел черед email маркетинга. Ниже приводится пошаговый RFM-анализ:

1. Выберите RFM-сегмент, нужный вам (Лучшие клиенты, Почти потерянные клиенты, итд).
2. Решите как лучше всего поступить с данным RFM-сегментом
3. Определите задачу для данных email кампании и RFM-сегмента
4. Настройте отслеживание конверсии e-mail маркетинга
5. Создайте еще одну email версию, привзяанную к RFM-сегменту, нужному вам
6. Запустите кампанию по A/B-тестированию через email, когда контрольная группа получает обычную версию письма, а экспериментальная группа — письмо, выбранное согласно RFM-сегменту
7. Проанализируйте результаты и повторите — чаще то, что действует и реже то, что не действует

Заключение

RFM является относительно простой техникой, с чьей помощью возможно существенно улучшить вашу маркетинговую деятельность.

Обновляйте RFM-сегментацию путем автоматизирования процесса, например, с помощью скрипта RFM-анализа. Лучше всего обновлять данные каждый день.

RFM сегментация состоит из трёх параметров:

Recency (R) - давность последней покупки

То есть, сколько времени прошло со времени взаимодействия c клиентом в днях, неделях или месяцах. Рассчитывается как разность между текущей и датой последнего заказа. Клиенты, которые недавно совершали у вас покупки, более предрасположены к повторным заказам, чем те, кто давно уже не проявлял никаких действий. Пользователей, которые покупали давно, можно возобновить только предложениями, которые привлекают вернуться обратно.

Frequency (F) - суммарная частота покупок

Показывает сколько взаимодействий (покупок) в течение определённого периода времени было у вас с клиентом. Если обе стороны остались довольны - есть шанс поддержать частоту покупок или увеличить в свою пользу. Чем больше клиент совершал покупок у вас, тем больше вероятность, что он их будет повторять и в будущем. Обычно, этот показатель тесно взаимосвязан с давностью покупки.

Monetary (M) - объём покупок

Как и предыдущие показатели, рассчитывается за определенный период или количество взаимодействий. Показывает какой была «стоимость клиентов» с точки зрения доходов и прибыльности, а точнее, сумма денег, которая была потрачена. Сгруппированные по денежным показателям анализы часто получают представление клиентов, чьи покупки отражают более высокую ценность для вашего бизнеса.

Все вышеуказанные показатели важно рассчитывать за период, который наиболее точно отобразит нужные данные. Допустим, можно взять выборку за один год и разделить её на кварталы.

Как правило, небольшой процент клиентов реагирует на общие рекламные предложения. RFM является отличным для прогнозирования реакции клиента и улучшения взаимодействия, а также повышение прибыли. RFM использует поведение покупателей, чтобы определить, как работать с каждой группой клиентов. Важность показателей ранжируется согласно последовательности букв – давность, частота, деньги. Иногда встречается название RF сегментация , когда показатель Monetary не используется, потому что его значение часто зависит от Frequency. Сегментация клиентской базы по такому принципу позволяет выделить тех с кем вам действительно надо работать, разделяя их на сегменты клиентов (активный, спящий, растущий), разрабатывая целевые маркетинговые предложения для наиболее активной группы клиентов.

Хотите провести RFM анализ контактной базы клиентов вашего бизнеса?

• Мы свяжемся с вами, уточним, какие данные у вас есть и на их основе в течение недели подготовим документ с отчетом бесплатно.
• Нам доверяют более 2 000 компаний, но чтобы вы были уверены в сохранности данных ваших клиентов, мы можем подписать договор о защите конфиденциальных данных.

Определение условий RFM

Определения «давность», «частота» и «деньги» понятны даже интуитивно, но наша задача, превратить их в цифры, которые можно использовать для оценки RFM, а это уже несколько сложнее.

Представим наши данные в виде таблицы, упорядоченной по первому значению - дате последней покупки (R).

	Дата последней покупки (R)	Объём покупок (F)	Сумма покупок, грн	Средний чек, грн. (M)
Иван Петров
Петр Иванов
Олег Плющ
Сидор Петров
Оля Сидорова
Анна Волкова

Сразу же проставим по каждому показателю (R, F, M) «вес» для каждого клиента, исходя из полученных данных. Для оценки клиентской базы будем использовать числовые значения от 1 до 3, или же в процентном соотношении, назначенном каждому клиенту в результате анализа. Для удобства разделим всю клиентскую базу для начала на 5 равных частей по каждому из показателей. Допустим, из нашего примера по показателю «объём покупок» F - 1,2,3,4,5.

1 - наихудший для нас объём, пометим, как 1;

2,3,4 - средний результат, отметим его, как 2;

5 - самое лучшее значение F. Это наше 3.

Итак: 1 - это плохо, 2 - средний показатель и 3 - хороший. Проставив по каждому показателю «вес», чтобы с помощью этих весов ранжировать список.

Теперь мы можем легко определить, что для нас лучший клиент с результатами 333. 111 показывает, что клиент интересуется нами редко, возможно даже единоразово. Исходя из полученных результатов можно выбирать варианты, как поступать с той или иной группой клиентов.

Грустно то, что обычно 111 - самый большой сегмент. А радостно, что можно не тратить время на тех, кто уже потерян и сконцентрироваться на действительно важных для нас киентах.

Плюс RFM сегментации ещё и в том, что анализ можно делать даже по одному показателю, котрый вас наиболее интересует или комбинировать показатели, хотя полная сегментация клиентской базы даст вам гораздо больше возможностей. Допустим, возьмём за основу только давность и частоту, а получившиеся данные изобразим графически:

Зелёный сектор 5% - самые лучшие клиенты, которые активно на всё реагируют, покупают и т.д., соответственно сектор 1,1 - «мы их теряям». С каждым из сегментов таблицы нужно работать по-разному, предлагая им разные условия сотрудничества.

Мы всегда говорим, что хорошо видеть ситуацию в статике (как у нас дела сейчас), но еще важнее увидеть в динамике (куда мы движемся). Если рассчитать такую же таблицу за предыдущий период и «наложить» её на актуальную сегодняшнюю - можо увидеть, как изменяются данные:

В секторе 1,1 показатель упал на 6%, благодаря уменшению числа пассивных клиентов. Зато в секторе 3,3 число «хороших клиентов» увеличилось на 2%. Что же, значит мы работаем в нужном направлении. Надо проанализировать за счет чего это происходит и закрепить результат.

Этих данных уже достаточно для эффективной работы с клиентами, но если ещё к этому показателю добавить и сегмент денег, то работать над цифрами станет ещё интереснее:) RFM позволяет сегментировать базу так, чтобы вы тратили время и деньги на нужных клиентов. Попробуйте сделать сегментацию хотя бы по одному показателю и даже работа с этими данными может способствовать росту постоянных клиентов.

статья обновлена от даты 17.11.2013

Это отдельные сегменты аудитории, выделить их позволяет RFM-анализ. В статье вы увидите все его возможности и способы применения.

Зачем нужен RFM-анализ

Группировать вручную — долго и муторно, и не всегда очевидно, какие признаки лучше применить. RFM-анализ дает готовую схему, согласно которой более «дорогим», как и менее «дорогим», клиентам нужен особый подход.

Одних мы хотим заполучить в ряды постоянных клиентов. По вторым об этом говорить рано, и наша цель — просто их удержать, чтобы они не ушли к конкурентам. Вы группируете клиентов и определяете, кто покупает часто и много, кто — часто, но по мелочи, а кто давно ничего не покупал.

В зависимости от этого можно разрабатывать релевантные коммуникации и контент. Лояльным клиентам — спецпредложения. Тем, кто давно не покупал — бонус или скидку + таргетинг, чтобы напомнить о себе. В отдельном параграфе этой статьи рассмотрим конкретные примеры.

Область применения

Данный метод подходит B2C компаниям с клиентской базой от 10 000 контактов. Можно применять и для B2B, но там база, как правило, гораздо меньше. В таком случае стоит сократить количество сегментов.

Чаще всего этот метод сегментации используется в email-рассылках. Также он пригодится при подготовке скриптов для телефонных звонков клиентам или любых узко таргетированных маркетинговых кампаний на существующих клиентов.

Кроме того, RFM-анализ подходит, если конверсионное действие отлично от покупки и не заканчивается получением денег от клиентов (допустим, просмотр статей блога).

Механика RFM-сегментации

Основа — три показателя, названия которых зашифрованы в названии метода:

• Recency (давность, новизна) — как давно клиенты делали последнюю покупку;
• Frequency (частота) — как часто они покупают;
• Monetary (суммарная стоимость покупок; для других действий — ценность взаимодействия) — на какую сумму они покупают. Либо показатель можно привязать к просмотру страниц сайта (длительность или глубина).

Классический способ — поделить клиентскую базу по этим показателям на 3 диапазона. Например, высокий показатель новизны — до 2 месяцев, средний — от 2 до 6 и низкий — более 6. Универсальных рекомендаций нет, так как здесь влияют многие факторы — отрасль, жизненный цикл покупателя и т.д.

Вы сами решаете, что значит маленькая, средняя и большая стоимость продаж на клиента. Для одного бизнеса 10 000 рублей — приличная сумма, для другого — слишком скромная.

В Excel эти интервалы можно выделить с помощью формулы, как — смотрите в следующем параграфе.

Для простоты принадлежность клиента к определенному диапазону представляют их в виде 3-балльной системы.

Давность заказа:

1 — давние;

2 — «спящие» (относительно недавние);

3 — недавние.

Частота покупок:

1 — разовые;

2 — редкие;

3 — частые.

Сумма покупок:

1 — низкий чек;

2 — средний чек;

3 — высокий чек.

Пересечения показателей и уровней дают 27 возможных комбинаций (сегментов):

Забегая вперед, скажем, что некоторые могут быть пустыми или очень маленькими. Например, если у вас нет клиентов, которые в прошлом покупали на большие суммы.

Примечание . Можно использовать только один или два показателя, но это снизит однородность сегментов. А можно наоборот выделить больше уровней, однако это усложнит анализ и дальнейшую работу с сегментами, так как их получится еще больше. Если 4 — то 64 сегмента, 5 — уже 125 и т.д.

Делать всё это вручную трудоемко, лучше использовать сводные таблицы Excel или Google Таблиц. Данный функционал позволяет автоматически делить базу данных на три условно равные группы. Рассмотрим подробнее на примере.

Алгоритм RFM-анализа в Excel

1) Представьте данные о клиентской базе в виде таблицы со столбцами:

В примере за ID мы взяли номер, но там может быть любая контактная информация клиента — email, телефон, имя.

2) Создайте и настройте сводную таблицу, чтобы посчитать:

• Сколько раз клиент заказывал — перетягиваем столбец с ID и значение количества по полю «Сумма». Так мы видим, сколько заказов по каждому ID;
• На какую сумму клиент заказывал — значение суммы по полю «Сумма»;
• Когда клиент в последний раз заказывал — значение максимума по полю «Дата».

Скопируйте данные на новый лист, переименуйте поля в читаемый вид и для удобства поменяйте порядок столбцов (дата — на второе место, так как дальше работать именно с ней):

3) В отдельном столбце рассчитайте, сколько дней прошло с последнего заказа по любой из формул:

• Для сегодняшнего дня:

• Для другой даты (в примере — 01.01.2018):

У нас готов показатель Recency (давность покупки).

4) Разбейте клиентов на группы по показателю Recency.

Можно использовать функцию ПРОЦЕНТИЛЬ.ВКЛ. Из всех вариантов давности она вытягивает те, которые входят в 33% и 66%.

Получаются три равные группы: кто совершил заказ максимум 39 дней назад (недавние), от 39 до 91 дня включительно (относительно недавние) и от 92 дня (самые давние клиенты).

Чтобы узнать, к какой группе относится каждый клиент, примените такое условие:

Вот результат:

5) Определите то же самое по столбцу «Количество», чтобы применить показатель Frequency (Частота).

Формулу ПРОЦЕНТИЛЬ перетяните и измените диапазон значений:

Получается также три равные группы: первая совершает до 2 заказов, вторая — от 2 до 4, третья — больше 4.

Примените условие:

6) Определите то же самое по столбцу «Сумма», чтобы применить показатель Monetary (Сумма покупки).

Формулу ПРОЦЕНТИЛЬ перетяните и измените диапазон значений. Примените условие:

Вы получили все нужные показатели для RFM-анализа.

7) Рассчитайте обозначение (код) каждого клиента по методу RFM:

8) Сделайте сводную таблицу на основании этих кодов. Включите в строки RFM, в значения — количество по полю «Клиент»:

Скопируйте на новый лист и переименуйте столбцы:

Из этой таблицы вы видите количество клиентов в каждом сегменте.

Все подробности смотрите в этом видео:

Технические особенности

Определять границы сегментов — основная сложность, так как нет конкретного правила.

Как вы видели в нашем примере, сегменты получаются неравномерные. Один включает 74 человека, другой — всего 1, а самих сегментов 27! Слишком широкие группы можно разбивать на несколько по дополнительным признакам, немногочисленные близкие по поведению объединять. Но это лишняя ручная работа.

Можно при разделении целенаправленно соблюдать равное количество клиентов в группах. Чем это грозит? Трудно выделить «самых-самых». В одном сегменте могут оказаться покупатели на 1 и на 15 тысяч рублей.

В обоих случаях вы получаете слишком большое количество сегментов. Не факт, что они критически отличаются друг от друга, и есть смысл в отдельных программах.

Конечно, можно всё безукоризненно сделать руками, получить оптимальное количество равномерных по содержанию сегментов. Но это десятки часов работы специально обученного сотрудника. Ведь сегменты со временем еще полезно обновлять. Это не всегда реально и эффективно.

Обойти эти ограничения позволяет специализированный сервис Mindbox , который автоматизирует RFM-анализ. Благодаря алгоритмам кластеризации он определяет, сколько на самом деле сегментов (3-15 штук) и что они включают. То есть не по заданным параметрам, а по данным в базе. Пустых сегментов не выдает.

Дополнительный и важный плюс — он подстраивается под любую сферу.

Визуализация результата:

В Mindbox можно построить отчет по сегментации. Достаточно нажать кнопку. Отчет включает три таблицы.

Оценка состояния базы

Ключевые показатели сводной таблицы: активность потребителей (давность последней покупки) и ценность (потраченная сумма).

«Отток» — это клиенты, которые давно не покупали, а «Риск оттока» — которые покупали среднее количество времени назад. Активные — те, кто недавно совершил покупку.

Этот отчет помогает выбрать сегмент, с которым стоит работать в первую очередь.

Изучение сегментов

Показатели: размер сегментов, оборот (сумма, которую потратили все клиенты сегмента), средний чек.

Например, вот список сегментов, которые совершали покупки:

Фильтр позволяет увидеть определенную категорию по ценности:

В примере вы видите 7 сегментов с высокой ценностью:

На основе этой информации можно решать, с какими сегментами работать.

Детальная информация по сегментам

Показатели: границы сегментов по каждому признаку (R, F, M) и средние значения по ним.

Когда сегменты для дальнейших действий выбраны, можно запускать для них маркетинговые кампании.

Как разрабатывать коммуникации для сегментов

Во-первых, охарактеризуйте полученные сегменты, чтобы дальше было проще с ними работать. Например, клиент 111 давно делал единичные заказы на маленькую сумму. А клиент 333 напротив покупает часто и тратит на покупки много, последняя была не так давно.

Далее оцените ценность и разработайте стратегию работы с каждым сегментом. Решите, какие сообщения подойдут для каждого сегмента. Главный принцип: лучших клиентов удерживаем, середнячков «раскручиваем» до лучших, уходящих и почти потерянных возвращаем.

Потерянные

На самых давних клиентов не стоит тратить много времени и усилий (111, 112, 113). Можно попробовать их вернуть, попытка не пытка. Например, расскажите об акциях, скидках и распродажах.

Также напишите, почему выгодно оставаться с вами, но не настаивайте — возможно, их отток неизбежен.

Если они никак не отреагируют на эти действия, можно спокойно удалять их из базы.

Под угрозой оттока

Для более перспективных, чем потерянные, можно постараться больше, чтобы их вернуть. Ведь они покупали много раз и / или на большую сумму.

Что их может заинтересовать?

• Скидка или купон на покупку, информация о распродаже;
• Персональная товарная подборка;
• Полезные видео или статьи (как в примере ниже).

Полезно напомнить о преимуществах. Если клиенты перестали покупать недавно, также спросите причину.

Новички

Новичков с низким и средним чеком — 311, 312 — возможно, заинтересует обучающий контент, справочная информация, помощь в выборе продукта.

Постарайтесь их перевести в ряды лояльных. Для этого поделитесь другим полезным контентом (обзоры, статьи, руководства). И не забудьте поздравить с покупкой или поблагодарить за выбор вашей компании.

Перспективные

Клиенты, которые купили на большую сумму (313) — потенциальные VIP, поэтому постарайтесь удержать их интерес.

Выясните с помощью опроса, доволен ли он, какие у него пожелания. И другую информацию, которая пригодится для удержания: что ему интересно, какие у него потребности.

Будьте аккуратны со скидками. У таких клиентов все шансы стать постоянными покупателями по полной стоимости. Поэтому лучше мотивировать чем-то другим. Например, как в рассылке выше — шанс получить подарок в обмен на отзыв.

Тем, которые покупают регулярно, но на небольшую сумму (321, 322, 331, 332), предложите сопутствующие товары.

Идеальные

И наконец, самые желанные покупатели — сегмент 333. Важно убедить этих клиентов в том, что вы их цените. Попросите оставить отзыв и сообщите о персональном обслуживании. Или просто польстите им, как в примере:

Скидки для этих клиентов противопоказаны! Ваша цель — мотивировать их на дальнейшие регулярные покупки. Подайте идеи в персональной товарной подборке или, если это инфопродукт, напомните о продлении подписки:

Не стоит утомлять лишними коммуникациями тех, кто итак покупает. Сообщайте только самую важную информацию и предложения «для любимых клиентов».

Как часто обновлять сегменты

Со временем показатели RFM-анализа меняются, и клиенты переходят из одного сегмента в другой. Лояльные покупатели могут сделать тайм-аут, а «спящие» — проснуться от ваших сообщений и стать активнее.

Частота обновления данных зависит от того, насколько подвижная у вас база: какой жизненный цикл клиента, естественный период покупки, а также период, за который клиент успеет сделать повторную покупку. Для крупного успешного интернет-магазина — не чаще, чем раз в месяц. Если заказы происходят редко, достаточно пересматривать сегменты раз в квартал или полгода.

При этом учитывайте, что на качество данных влияют сезонность, акции и праздники. Если клиент с богатой историей покупок за текущий месяц ничего не покупает, это не значит, что его сразу нужно переводить в другой сегмент. Возможно, это просто влияние сезонности, и через время покупки возобновятся.

Если клиент новый, у него пока очень мало данных о покупках. Нет смысла включать его в анализ для всей базы, либо можно для таких провести отдельный анализ.

Высоких вам продаж!

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:)