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.

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!

С тех пор как в компании Mindbox впервые произнесли Machine Learning, общей целью стала Большая Зеленая Кнопка. Это такая кнопка во весь экран, при нажатии на которую всё работает само и приносит прибыль.

В аналитическом проекте «RFM» цель менее амбициозная — Маленькая зеленая кнопка. Нажимаешь, и база автоматически делится на сегменты, по которым запускается отправка писем (например).

Новая кнопка в нашей системе

Чтобы добиться цели, мы написали автоматический RFM-сегментатор и разработали специальный отчет, чтобы наглядно представлять результаты.

Рассказываем, как это все случилось и почему теперь можно обойтись без аналитиков уделять больше времени менее тривиальным задачам.

Что такое RFM-анализ

Результат email-рассылки зависит от охвата аудитории и качества самой рассылки. Бесконечно увеличивать охват нельзя, а значит, нужно увеличивать качество. Для этого рассылку нужно персонализировать, так как все люди разные и каждому нужно что-то свое.

Потребителей обычно много, сделать индивидуальное письмо под каждого сложно. Чтобы справиться с проблемой, маркетологи делят потребителей на группы — сегменты.

Делить можно по-разному. Один из вариантов — RFM-анализ .

То есть RFM-анализ — это способ сегментации. Сегментами называются непересекающиеся группы потребителей. RFM-анализ предлагает для каждого покупателя выделить три признака:

• R (Recency) — насколько давно клиент сделал последний заказ.
• F (Frequency) — сколько всего заказов сделал клиент.
• M (Monetary) — сколько денег клиент потратил.

Многие маркетинговые компании делают и используют RFM-анализ. Мы в том числе. В статье про RFM-сегментацию рассказали, какой отчет умеем делать, и как он может помочь маркетологам.

Существующие подходы к RFM-анализу

Существующие подходы к RFM-анализу у всех примерно схожи.

Клиентов делят на группы по каждому признаку. Обычно таких групп не больше пяти. Пересечения групп называют сегментами.

Так выглядит сегментация потребителей с помощью RFM-анализа. Здесь каждый признак разбит на три группы, а некоторые группы разбиты на подгруппы

Например, при делении на четыре группы по каждому из трех признаков образуется 64 (4x4x4) сегмента потребителей, а на пять — уже 125 сегментов.

Основная сложность — определить границы групп, потому что нет определенного правила, как это делать.

Рассмотрим наиболее популярные подходы на примере одной базы клиентов:

Пример распределения потребителей по количеству потраченных денег (M) и давности последнего заказа (R)

Мы используем только два измерения (R и M) из трех для удобства восприятия.

В нашем примере:

• Сумма покупок лежит в диапазоне от 0 до 15 тысяч рублей.
• Давность покупки лежит в диапазоне от 1 часа до 240 дней.

Подход 1. Разделение на равные части по диапазонам значений

При этом подходе разделение делается исходя из из значений признаков. В нашем случае выделяем три группы по тратам: до 5 тысяч рублей, от 5 до 10 тысяч и от 10 тысяч. И три группы по давности срока покупки: до 80 дней, от 80 до 160 дней, от 160 дней.

Получаем девять сегментов.

При разделении на равные части по диапазонам значений в «угловой» сегмент попадает бо́льшая часть потребителей

Плюсы метода:

• Легко автоматизировать.
• Можно выявить «самых-самых»: покупающих больше всех, чаще всех и не покупавших дольше всех.

Минусы метода:

• Распределение по группам неравномерное: в примере 86% потребителей в одном сегменте, 13% — во втором, 1% распределился по оставшимся семи сегментам.
• Много сегментов (помним, что даже при разделении на 3 части по каждому признаку, сегментов будет 27).

Подход 2. Разделение на равные части по количеству потребителей

При таком подходе разделение по каждому признаку выполняется так, чтобы в группы попадало одинаковое количество потребителей.

Вот так распределяются покупатели из нашего примера (по-прежнему делим на три части по каждому признаку):

При разделении на равные по количеству людей группы в один сегмент могут попасть как клиенты, потратившие тысячу рублей, так и клиенты, которые потратили 15 тысяч рублей

Плюсы метода:

• Легко автоматизировать.
• Обычно, нет сильного дисбаланса между группами.

Минусы метода:

• Плохо выделяются «особые» клиенты.
  В примере в одном сегменте оказались потребители, купившие на 1 тыс. рублей и на 15 тысяч. При этом те, кто покупал на действительно крупные суммы, в отдельную группу не выделились (в отличие от предыдущего метода).
• Количество групп по каждому признаку одинаковое.
• Много сегментов.

Подход 3. Ручной

Аналитик изучает базу данных и подбирает правильное разделение.

Плюсы метода:

• Хорошее разделение на сегменты.

Минусы метода:

• Нужен специалист.
• Нужно много времени.

RFM-отчет одной кнопкой с помощью Machine Learning

Мы решили избавиться от недостатков старых подходов. Для этого пришлось прибегнуть к алгоритмам .

Используя методы кластеризации, мы автоматически определяем, сколько же на самом деле сегментов потребителей в базе и что это за сегменты. А с помощью решающего дерева приводим эти сегменты к удобному для восприятия виду. Как это работает, рассказали в статье про устройство сегментатора .

Для примера выше мы получили вот такой результат:

Чтобы все это было удобным и понятным для маркетологов, мы разработали отчет, в котором удобно и понятно (как нам кажется) описаны результаты сегментации.

Чтобы получить его, достаточно нажать одну кнопку — и система все сделает сама.

Отчет помещается на одну страницу и состоит из трех таблиц.

Часть 1. Оценка состояния базы

Первая таблица — сводная. В ней собрана информация по всем сегментам базы, полученная на основе RFM-анализа. Ключевые показатели: активность потребителей в сегменте и их ценность.

Активность определяется давностью последней покупки, а ценность — потраченной суммой.

Каждый сегмент относится к одной из категорий. В каждой категории может быть несколько сегментов или вообще не быть ни одного. В ячейках указано общее количество потребителей из всех сегментов категории.

P.S. Здесь выражения “Отток” и “Риск оттока” используются как сокращения для “Давно не покупавшие клиенты” и “Клиенты, покупавшие среднее количество времени назад” и не означают отток в прямом смысле этого слова. Аналогично, “Активные” — обозначение для “Клиенты, недавно сделавшие покупку”.

В примере выше 80% клиентов не имеют покупок, почти треть высокоценных — в оттоке, еще треть — в группе риска.

Оценка состояния базы помогает выбрать категорию, с которой важно работать в первую очередь.

Чтобы показать, как пользоваться отчетом, возьмем клиентов с высокой ценностью, то есть клиентов, потративших больше всего денег.

Часть 2. Изучение сегментов

Во второй таблице отчета выводятся: размер сегментов, оборот, то есть сумма, потраченная всеми потребителями в сегменте, и средний чек.

Все сегменты потребителей представляются списком. Например, вот список сегментов покупателей, имеющих покупки.

В нашей базе получилось 12 сегментов покупателей с покупками

Чтобы вывести в отчет только потребителей с высокой ценностью, используем фильтр.

Так выглядит настройка фильтра для поиска сегментов потребителей с высокой ценностью

В результате применения фильтра получаем семь сегментов потребителей с высокой ценностью.

Результат применения фильтра для поиска сегментов потребителей с высокой ценностью

На основе этой информации можно сделать разные выводы.

Например, сегмент №2 имеет значительно больший оборот, чем другие, при умеренном среднем чеке. Это говорит о большом числе покупок потребителей в этом сегменте и их высокой лояльности. Не опасаясь оттока клиентов, им можно рассылать письма и рассказывать, например, о новинках.

Теперь обратим внимание на средний чек: сегмент №7 с самым большим средним чеком находится в оттоке, а сегмент №9 со вторым по величине средним чеком — в группе риска. Потребители из данных сегментов готовы покупать на крупные суммы, но не покупали уже давно. Возможно, имеет смысл побудить их к действиям с помощью промокода или информационного письма.

Изучение сегментов нужно, чтобы понять, с какими сегментами стоит усиленно поработать.

Часть 3. Детальная информация по сегментам

В последней таблице показаны границы сегментов по каждому признаку (R, F, M) и средние значения по ним

Подробное описание в третьей таблице помогает получить больше информации по заинтересовавшим сегментам. Например, из этой таблицы видно, что потребители из сегмента №2 действительно имеют больше покупок, чем другие — в среднем 12

Нам нужно выбрать, с каким сегментом мы хотим работать первым. Допустим, нас заинтересовали сегменты с самыми большими средними чеками: №7 и №9. Рассмотрим их подробнее.

В сегменте №7 клиенты не делали покупки почти год — вернуть их будет нелегко. Но, возможно, попробовать стоит, поскольку в среднем потребители из данного сегмента покупали 2,1 раза — это значит, что первая покупка их не разочаровала. Вполне вероятно, что хорошая скидка поможет им снова активно заинтересоваться брендом.

С сегментом №9 проще — средняя давность покупки у клиентов из него составляет всего три месяца, а среднее количество покупок — 2,8. Скорее всего, эти клиенты достаточно лояльны и не требуют по отношению к себе никаких действий. Но можно отправить письмо с рекламой или небольшой скидкой, чтобы напомнить о бренде.

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

До настоящей Зеленой Кнопки осталось совсем немного

Мы создали автоматический RFM-сегментатор и остались довольны — нужно 20 секунд времени человека, чтобы получить распределение базы клиентов по сегментам.

Мы собираемся автоматизировать настройку маркетинговых кампаний для сегментов, чтобы человеку и на это не нужно было тратить время.

Конечно, жалко будет, что никому больше не понадобится наш отчет, но технический прогресс не щадит никого.

Команда Mindbox

Специалист по машинному обучению

Лана Шакирова
Контент-маркетолог

Что это

RFM анализ - это метод анализа клиентской базы, основаный на поведенческих факторах группы или сегмента существующих клиентов.

RFM анализ позволяет оценить общее состояние базы, более эффективно организовать e-mail маркетинг и выгодно отличаться от большинства других методик наглядностью и простотой применения.

Как это работает?

Все просто. Клиентская база разбивается на сегменты по трем параметрам:

Recency (R) - давность последней покупки

То есть, сколько времени прошло со времени последней покупки в днях, неделях или месяцах. Рассчитывается от момента последнего заказа до текущей даты.

Сегменты разбиваются на 3 условные: хорошо - норма - плохо. Еще можно интерпретировать как:

«новички» - «пора покупать вновь» - «давно это было».

Так как бизнес у всех разный, то и условные «хорошо - норма - плохо» тоже будут у всех разные. У кого-то цикл повторных продаж 1 неделя, у кого то 1 мес., а у кого то и год. Поэтому в зависимости от вашей специфики бизнеса (или поставленных целей) вы можете настраивать свои «хорошо - норма - плохо» в нужных вам диапазонах.

Чтобы было проще определить, 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)

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 заданный период 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.

Здесь также, как и в сегменте давность есть свои условные «хорошо - норма - плохо». Для кого то «хорошо» - это 10-20 покупок, «норма» 5-10, а «плохо» - 1-5. А кому то а для кого-то и 5 покупок - «очень хорошо!»

Вы можете настраивать это количество по своему усмотрению, в зависимости от поставленной цели.

Monetary (M) - объём покупок

Как и предыдущие показатели, рассчитывается за определенный период или количество взаимодействий. Показывает какой была так называемая «денежная ценность клиента», проще говоря - сумма денег, которая была потрачена клиентом у вас. 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.

Зачем нужен RFM анализ

Как правило, большинство клиентов слабо реагирует на общие рекламные предложения.

RFM является отличным методом сегментации клиентов для прогнозирования реакции клиента и улучшения взаимодействия с ним, а также повышение повторных продаж.

Этот метод использует поведение покупателей, чтобы определить, как работать с каждой группой клиентов.

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.
• Тех клиентов, которым «уже пора опять покупать» - например, пора менять линзы или купить новую пачку корма, потому что прошел месяц
• Кому мы хотим сделать «особенное» предложение
• Кого мы рискуем потерять
• Даже для тех, кого скорее всего уже потеряли (реактивация)

Не менее важно следить за количественным составом важных нам сегментов во времени. Например, хорошая новость, что растет ваш сегмент «Золотые» клиенты и плохая - сегменты «Риск потерять» и «Разовые клиенты» тоже растут.

Как это использовать?

Наиболее наглядно стратегию работы с каждым сегментом отображает следующая таблица.

Таб.1 Пример работы с RFM сегментами

Сегмент	Активность
	Благодарность, научить пользоваться, рассказать о ваших основных плюсах
Активные	Обычный режим маркетинговой активности, плановая рассылка
Перспективные
Особое внимание
	Приглашение в особый клуб, предложить особые условия и льготы, особый сервис
Не дать уйти	Программа лояльности, Удержание, реактивация
Разовая покупка	Напоминание, реактивация, новинки
Риск потерять	Реактивация, новинки, живой контакт - выявление проблемы

Стоит помнить, что это лишь один из примеров использования RFM сегментов. В каждом бизнесе свои особенности и одного универсального решения не бывает.

Несколько важных замечаний или советов:

• Никогда не раздавайте скидки сразу после первой покупки (сегмент Новички). Ничего кроме потери прибыли это не даст. Главная задача на этом этапе - понравиться! Сервисом, продуктом, вниманием. Подсказать какие ваши продукты могут идеально дополнить покупку клиента
• Внимательно отслеживайте количество клиентов в критически важных для вас сегментах: «Золотые», «активные», «Перспективные» и «Не дать уйти»
• Сегмент «Разовая покупка» в большинстве торговых бизнесов - самый большой. Это нормально, хоть и надо стремиться к уменьшению доли этого сегмента

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.

Енвд