Rfm анализ это кратко и понятно

Обновлено: 06.07.2024

Некоторые клиенты нуждаются в индивидуальном подходе. Только так они совершают целевые действия, повышают частоту покупок и начинают тратить больше денег. Но как понять, на каких потребителей распространять персональные предложения? В этом помогает RFM-анализ, о котором вы подробно узнаете из этой статьи.

Что такое RFM-анализ

RFM-анализ — метод сегментации клиентов по частоте и сумме покупок для выявления потребителей, приносящих больше денег.

Еще Парето говорил, что 80% прибыли приносит 20% клиентов. Задача маркетолога — определить тех самых покупателей, приносящих большую часть прибыли. В этом поможет RFM-анализ, предусматривающий классификацию потребителей по трем значениями:

Recency (Давность сделки). Сколько времени (часов, дней, недель, месяцев) прошло с момента последней покупки клиента.
Frequency (Частота сделки). Как часто потребитель совершает покупки или другие целевые действия.
Monetary (Вложения).Сколько средств/ресурсов потратил клиент за определенный промежуток времени. Этот показатель необязательно измерять в деньгах . Например, некоторые маркетологи оценивают время нахождения на сайте, количество переходов по внутренним страницам и т.п.

Классификация по трем факторам помогает определить лояльных и неактивных клиентов. На основе этой информации создаются рекламные кампании, ориентированные на потребителей, приносящих большую часть прибыли. В результате доходы увеличиваются, а расходы на рекламу снижаются.

Область применения

RFM-анализ применяют компании из B2C-сегмента, клиентская база которых превышает 10 тысяч контактов. Но это не значит, что B2B-организациям или фирмам с меньшим количеством контактов стоит отказаться от метода. Просто в таком случае эффективность будет немного меньше. Этот негативный фактор обычно минимизируют уменьшением количества сегментов.

Метод применяют для организации эффективных email-рассылок, подготовки скриптов для телефонных звонков клиентам или любых узкотаргетированных рекламных кампаний на существующих клиентов.

Некоторые маркетологи применяют RFM-анализ для корректировки существующих кампаний. Например, когда переходы по рекламе происходят, но потенциальные клиенты читают блог вместо совершения целевых действий.

Как видите, метод достаточно универсальный и его используют во многих случаях. Для получения качественного результата важно правильное проведение RFM-анализа, о чем поговорим чуть позже.

Плюсы и минусы

Ничего идеального в этом мире нет, RFM-анализ — не исключение. У него есть как плюсы, так и минусы, о которых лучше узнать до начала применения.

снижает затраты на рекламные кампании за счет оптимизации таргетинга;
подходит для многих сфер бизнеса, в частности, интернет-торговли, рассылок, прямых продаж и некоммерческих компаний;
удобен в совместном применении с другими инструментами анализа;
минимизирует негативное поведение клиентов за счет грамотного таргетинга.

эффективность RFM-анализа зависит от объема клиентской базы (если она состоит из 1000-2000 контактов, ощутимого результата добиться сложно);
не подходит для компаний, работа которых ориентирована на разовые продажи;
не прогнозирует будущее, а лишь систематизирует массивы данных из прошлого;
без специального программного обеспечения и скриптов провести RFM-анализ сложно, особенно если клиентская база состоит из сотен тысяч контактов;
база клиентов постоянно обновляется, поэтому, как минимум, 1 раз в год анализ проводят повторно.

Для осуществления RFM-анализа исходные данные приводят к определенному формату, о чем поговорим дальше.

Какие данные подойдут для проведения RFM-анализа

Для проведения RFM-анализа используют данные о покупках всех клиентов и суммах сделок. Как правило, их выгружают из CRM-систем или систем аналитик.

Просто выгруженная информация не подойдет для осуществления анализа. Сначала потребуется предварительная обработка.

Для проведения анализа выгрузите данные о транзакциях (каждая следующая строчка — новая покупка). По количеству столбцов жестких требований нет, кроме наличия следующих данных в обязательном порядке:

идентификатор клиента (email, номер телефона, ID и т.п.);
дата транзакции;
количество покупок;
сумма сделки.

Информацию выгружайте в формате Excel, так как дальнейший пример анализа проведем в этой программе. Оптимальный формат данных представлен на изображении выше.

Как провести RFM-анализ

Приступаем к практике. Проведем анализ на примере небольшой организации. Сразу обозначим: навыков работы в специальном программном обеспечении не требуется. RFM-анализ легко провести в Excel или Google Таблицах.

Конечно, такой метод не подойдет для крупных компаний, клиентская база которых насчитывает десятки тысяч контактов. Они используют в работе специальный софт (как правило, самописный).

Сбор данных

Начинайте со сбора данных. Определите период анализа. Здесь строгих рамок нет, по большому счету все зависит от особенностей организации (в том числе направление работы — B2B или B2C). Обычно берут сведения за последние 1-2 года.

Как уже говорили выше, есть несколько обязательных требований к исходным данным. Они должны содержать следующие сведения:

идентификатор клиента (ID, номер телефона или заказа, ФИО, email и т.п.);
дата транзакции;
количество сделанных покупок (других целевых действий);
сумма потраченных средств.

Не формируйте таблицу вручную, это займет много времени. Воспользуйтесь CRM или системой аналитики, которые автоматизируют экспорт нужной информации. Например, отлично подходит Битрикс24 или Мегаплан.

После выгрузки добавьте еще несколько столбцов:

текущая дата;
количество дней с последней покупки;
R, F и M (пока что их оставьте пустыми, но дальше они пригодятся).

Возможно добавление других столбцов при необходимости. Предложенный шаблон — минимум того, что должно быть в вашей таблице.

Группировка и оценка потребителей

Начинается самое интересное и важное — группировка и оценка потребителей. Чем больше исходная база данных, тем больше групп и шире шкала оценок. Обычно ориентируются на три группы (оценки от 1 до 3). Но некоторые маркетологи, работая с большими массивами информации (от нескольких сотен тысяч контактов), берут 4 или 5 групп.

В нашем случае такой необходимости нет, поэтому остановимся на трех группах:

Группа 1. Выгодные потребители — часто покупают на крупные суммы.
Группа 2. Нормальные потребители — иногда покупают на средние суммы.
Группа 3. Невыгодные потребители — редко покупают на маленькие суммы.

Крупные суммы и частые покупки — относительные понятия. Каждый определяет это индивидуально для своего бизнеса. Например, для маленького цветочного магазина в остановочном комплексе выгодным потребителем будет человек, делающий две покупки в год на 3-4 тысяч рублей. А для крупного гипермаркета — делающий покупки несколько раз в неделю на 5-7 тысяч рублей.

Для каждой буквы (R, F и M) база разбирается отдельно. Поэтому после окончания анализа получается 27 сегментов потребителей.

Давность покупки (Recency)

Отсортируем потребителей по количеству дней с последний покупки (или иного целевого действия). Определите, что для вашего бизнеса считается хорошим, средним и плохим показателем в соответствии со средней длительностью сделок.

В нашем примере градация следующая:

Для этого посчитайте разность между текущей датой и днем последней покупки. Автоматизируйте процесс специальной формулой:

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.

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 .

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.

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 у всех примерно схожи.

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

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:

Здесь 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:

Распределение по группам неравномерное: в примере 86% потребителей в одном сегменте, 13% — во втором, 1% распределился по оставшимся семи сегментам.
Количество групп по каждому признаку одинаковое.
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):

Легко автоматизировать.
Обычно, нет сильного дисбаланса между группами.

Подход 3. Ручной

Аналитик изучает базу данных и подбирает правильное разделение.

Нужен специалист.
Нужно много времени.

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

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, рассказываем в отдельной 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:

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

В результате применения фильтра получаем семь 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.

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.

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

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.

Читайте также: