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.
Целевая аудитория компании редко бывает однородной – чаще встречается ситуация, когда одни и те же услуги или товары приобретают покупатели с разными доходами, ценностями, потребностями. Для каждого из них бизнес должен сохранять привлекательность: предлагать выгодные условия, создавать и поддерживать ощущение ценности, совершенствовать сервис. Для того чтобы найти индивидуальный подход к представителям целевой аудитории, компания разделяет клиентов на категории по различным критериям. Одним из современных и хорошо зарекомендовавших себя способов сегментирования покупателей признан RFM-анализ. Он позволяет выделить группы потребителей по лояльности и выбрать для них соответствующие приемы стимулирования.
Название RFM-анализа складывается их первых букв слов, каждое из которых представляет отдельный критерий сегментации:
R (Recency) – новизна, давность действия/ время, прошедшее с момента последней покупки.
Критерий определяет вероятность возвращения клиента на основании его покупательской активности. Чем меньше времени прошло с момента приобретения продукта, тем больше существует шансов, что потребитель совершит повторную покупку. При этом под действием может пониматься как оформленный заказ, так и посещение сайта компании, переход по ссылке и др.
Рассчитываетсякак разность между текущим днем и днем последней покупки (в днях/ неделях/ месяцах). Например, выделяются следующие группы покупателей: недавние (до 3 месяцев), средней давности (от 3 до 6 месяцев) и давние (больше 12 месяцев).
F (Frequency) – частота действий за выбранный период/ суммарная частота покупок (заказов).
Критерий наглядно демонстрирует то, как часто клиент совершает покупки и, соответственно, насколько он лоялен по отношению к компании/ бренду. Чем выше данный показатель, тем больше вероятность, что потребитель будет покупать снова и снова.
Могут быть выделены три группы: частые (1 раз в квартал и чаще), средней частоты (1 раз в полгода/ год) и редкие (меньше 1 раза в год).
M (Monetary) – объем покупок в денежном выражении, финансовые вложения/сумма денег.
Критерий отражает то, насколько клиент важен для бизнеса, или, другими словами, как много денег он оставил в магазине. Взаимосвязь, как и в предыдущих случаях такова: чем больше человек потратил средств, тем выше вероятность, что он потратит столько же или больше.
Рассчитывается как сумма всех расходов покупателя за определенный промежуток времени. Иногда может не учитываться – например, в случаях, когда ценность клиента не измерима деньгами.
Таким образом, каждый клиент оценивается по трем критериям (давность, частота, деньги). Четвертым показателем становится общий «вердикт» RFM, объединяющий все три оценки в одну. Наиболее перспективными и ценными признаются те клиенты, у кого сочетание «баллов» больше, — они со значительной долей вероятности откликнутся на торговое предложение. Например, при ранжировании по 5 различным группам существует 125 возможных оценок, при этом максимальным будет значение 555.
Для проведения RFM-анализа, как правило, не требуется сложного программного обеспечения – достаточно привычной таблицы Microsoft Excel. При подготовке к работе для разделения клиентов используются 5 числовых значений, где:
1 – это наихудший показатель (наименьший объем покупок, наибольшая давность, самая большая редкость);
5 – это наилучший показатель (наибольший объем, наименьшая давность, минимальная редкость).
Для оценки могут выбираться как числовые значения, так и процентные показатели. Например, в первую группу будут отнесены покупатели, которые приобрели товары и принесли компании прибыль в размере до 20% от всей совокупности денежных средств в графе Monetary, а в пятую – клиенты с показателями от 80% до 100%.
(Id/ ФИО) клиента |
дата последней покупки |
количество покупок |
общая стоимость покупки |
После составления первичной таблицы переходим непосредственно к RFM-анализу и составляем сводную таблицу (в область «Названия строк» пойдет «№ клиента», в область «Значения» — дата последней покупки, количество покупок и общая стоимость). Далее:
ЕСЛИ (количество пройденных дней <=0,2*МАКС (диапазон столбца количества пройденных дней);5;ЕСЛИ (количество пройденных дней <=0,4*МАКС диапазон столбца количества пройденных дней);4;ЕСЛИ (количество пройденных дней <=0,6*МАКС диапазон столбца количества пройденных дней);3;ЕСЛИ (количество пройденных дней <=0,8*МАКС диапазон столбца количества пройденных дней);2;1))))
По аналогичным формулам высчитываются значения критериев Frequency и Monetary.
Итоговая таблица выглядит следующим образом:
(Id/ ФИО) клиента |
дата последней покупки |
количество покупок |
общая стоимость |
количество пройденных дней |
|||
05.05.2017 |
5 550,00 |
||||||
Таким образом, наиболее ценным покупателем для компании может быть признан клиент №4 (с показателем RFM 555: и покупает часто, и тратит много в сравнении с остальными), а наименее привлекательными – клиенты №2 (131) и №6 (221), так как делают незначительные и редкие заказы.
После разделения аудитории на сегменты, становится возможным подобрать для каждого из них индивидуальные способы коммуникации:
RCM-подход может быть полезен практически любому бизнесу, независимо от направления деятельности или размера товарооборота. Его главное достоинство – простота и наглядность сегментации целевой аудитории и точность определения значимости клиентов для компании.
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:
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.
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.
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:
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:
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.
Recency Frequency Monetary
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.
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:
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.
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:
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 |
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"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.
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 |
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:
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
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.