RFM-анализ позволяет взглянуть на базу клиентов по-новому: эти ребята вот-вот от нас уйдут, давайте попробуем их удержать, а вот эти давно потеряли интерес — наши промокоды им что мёртвому припарки.
Работа по составлению RFM-сегментов довольно трудоёмкая. Зато, при правильно построенной коммуникации с этими сегментами вы получаете плоды в виде удержания клиентов и повторных продаж.
RFM-анализ — анализ клиентской базы на основе истории покупок. RFM-анализ происходит по трём показателям:
Recency — давность покупки — промежуток времени с момента последней покупки. Клиенты, которые покупали недавно, с большей вероятностью купят снова.
Frequency — частота покупок — количество покупок за данный период. Вероятность продажи по клиентам будет больше, если человек совершал много покупок.
Monetary — сумма покупок — сумма всех покупок за данный период. Клиенты, потратившие на покупки большую сумму денег, вероятнее всего потратят снова.
В результате RFM-анализа обнаруживаются группы самых лояльных и приносящих больше всего денег клиентов и самых неактивных. В результате на основе RFM-анализа можно выстроить коммуникации так, чтобы стимулировать переход клиентов из одной группы в другую, удерживать их и мотивировать на повторяющиеся покупки.
Готовая схема писем для программы лояльности интернет-магазина.
RFM-подход может быть использован в любом бизнесе, независимо от направления деятельности, а наибольшей наглядностью он обладает, если в базе от 10 000 адресов. Простота и наглядность сегментации — главное преимущество данного подхода.
Чтобы провести RFM-анализ, понадобятся данные о всех покупках, совершенных всеми клиентами и суммы всех этих покупок. Их выгружают из CRM или платформы аналитики. Например, на проектах, где мы делали RFM-анализ, информация хранилась в Magento.
С данными может возникнуть сложность: вряд ли вы сразу получите их в идеальном виде, как правило, требуется предварительная обработка данных.
Вам потребуется выгрузка по транзакциям. Каждая строка — отдельная транзакция, количество столбцов может быть разным, но обязательно должны быть:
Вот так могут выглядеть подготовленные данные для RFM-анализа:
По каждому покупателю собирается информация для анализа: промежуток времени с последней покупки (Recency), количество покупок (Frequency) и сумма всех покупок (Monetary).
По каждому показателю «Recency», «Frequency» и «Monetary» необходимо выбрать диапазоны сегментирования.
Для этого есть три подхода:
Деление на сегменты при таком подходе происходит исходя из значений показателей. Вы смотрите на разброс цифр по каждому показателю, логически определяете количество возможных сегментов, берёте максимальное значение в каждом показателе и делите на количество сегментов.
В результате получаются сегменты с равными диапазонами по каждому показателю:
здесь по 106 дней и 6 покупок
В нашем случае получилось, что значения по R и F равным образом делились на 3 части.
Recency:
1 — 214–320 дней
2 — 107–213 дней
3 — 0–106 дней
Frequency:
1 — 13–18 покупок
2 — 7–12 покупок
3 — 0–6 покупок
Достоинства метода — сегменты легко выделить. Однако при таком делении распределение покупателей по сегментам будет неравномерным (в один сегмент могут попасть 90% всех клиентов, в другой — 1%).
В данном механизме деление по каждому показателю происходит таким образом, чтобы в сегменты попало одинаковое количество покупателей.
Данное сегментирование позволяет быстро выделить сегменты, так чтобы отсутствовал сильный дисбаланс между группами. Недостаток в данном подходе — плохо выбираются сегменты.
В примере получилось так, что по показателю Recency — давности покупки — в разные сегменты попали клиенты, сделавшие покупки в один день.
Наш любимый метод. При сегментировании с фиксированным диапазоном необходимо самостоятельно определить границы значений для каждого показателя.
Здесь есть нюансы. Когда вы будете определять диапазон по давности покупок, нужно учесть:
Для того, чтобы их учесть, нет специальной формулы, это чисто логические размышления.
В нашем примере, выделяя пороги, в Recency мы опирались на среднее время между заказами и временем между первым и вторым заказом, в Monetary — на значение среднего чека. Во Frequency надо смотреть на среднее количество заказов от человека.
Мы получили следующие пороги:
Recency:
1 — последняя покупка более 6 месяцев назад
2 — последняя покупка 3-6 месяцев назад
3 — последняя покупка 0-3 месяца назад
Frequency:
1 — 1–2 заказа
2 — 3–5 заказов
3 — более 6 заказов
Определяя F, нужно помнить, что среднее время между первым и вторым заказом и всеми остальными заказами, скорее всего, будут разными. После первой покупки клиент ещё не успел привыкнуть к бренду, он будет дольше решаться на вторую, если вообще решит что-то заказать после первого раза. А дальше он конвертируется уже проще.
В нашем случае между первым и вторым заказами проходило в среднем 53 дня, а между другими заказами — 36. Мы это учли, чтобы верно выделить сегмент новичков. Если применять просто среднее время между заказами, то новички могут попасть в группу развивающихся клиентов, и вся работа с ними в будущем окажется выстроена неправильно.
Также для диапазонов по частоте покупок надо учитывать сезонность и тип продукта. Например, для магазина косметики 1 заказ за 2 месяца — это хорошо, и клиент с такой частотой покупок попадёт, возможно, в сегмент постоянных. Если же это покупки в продуктовом магазине, то 1 покупка за 2 месяца — считай, случайно забежавший клиент.
Для определения диапазонов по Monetary — cумме покупок — необходимо учитывать следующие факторы: тип бизнеса, цена, средний чек, сезонность.
Сумма покупок — 50 000 тыс. за год для магазина косметики, где средний чек около 4000 тыс — очень хорошо, а для
Плюс описанного метода выделения сегментов: разделение получается действительно качественным, и клиенты попадают в свои сегменты корректно. Таким образом работа с сегментами даст хороший результат. Недостаток — процесс выделения сегментов трудоёмкий, требует большого количества времени и привлечения специалиста.
Что ещё учесть при выделении сегментов — так это не забыть разделить оптовиков и розничных клиентов. Для них пороги R, F, M будут разными.
Итак, теперь у нас есть диапазоны для каждого показателя, и этим диапазонам надо присвоить оценку — коэффициент качества. Например, от 1 до 3, но количество может быть и больше в зависимости от того, насколько детально вы хотите проработать сегменты. 3 — стандартное число.
Мы считали, что 1 — это худшее значение, а 3 — лучшее. Получается три оценки по давности для каждого из трёх показателей. Из совокупности трёх показателей с одинаковыми оценками складывается сегмент:
В результате каждый клиент оказывается присвоен конкретному сегменту:
Или для удобства то же самое можно представить в виде интерактивного дашборда:
В результате получается RFM-матрица:
Довольно часто для построения сегментов используют по паре показателей из RFM-анализа.
Анализ по давности покупок и частоте покупок. Поскольку monetary — сумма покупок — зависит от frequency — частоты покупок, иногда его можно не учитывать.
Сегментирование по RF показывает, как часто клиенты совершают покупки за анализируемый период, и позволяет выявить тех клиентов, которые недавно обращались за покупками и сотрудничают с компанией постоянно.
RM-анализ показывает распределение клиентов по параметрам Recency и Monetary. Такой анализ позволяет выявить клиентов, которые приносят больше всего прибыли, и тех, чей вклад в общую прибыль незначителен.
FM-анализ показывает распределение клиентов в зависимости от частоты и суммы покупок. Такое распределение клиентов позволяет выявить клиентов, которые покупают мало, но на большие суммы, и тех, кто совершает покупки часто, но с маленькими чеками.
К сожалению, не доступен сервер mySQL