Rfm анализ в продажах кейс. RFM анализ в email маркетинге

Таким образом, клиентам, которые купили недавно, являются частыми покупателями и тратят много, назначается оценка 5 |5|5 . Они ваши лучшие клиенты.

В данном случае Александра является VIP – клиентом, а не Анна, которая потратила больше всех.

С другой стороны, клиенту, который потратил меньше всех, покупал давно и не часто присваивается оценка 1|1|1 . В данном случае это Николай. Теперь это имеет смысл, не так ли?

Как рассчитать оценку RFM по шкале 1-5?
Различные предприятия могут использовать разные методы для ранжирования значений RFM в масштабе от 1 до 5. Но вот два наиболее распространенных метода.

МЕТОД 1: Простые фиксированные диапазоны:

Пример:

Если кто-то купил в течение последних 24 часов, назначьте им оценку 5 .
За последние 3 дня - 4 . Назначьте 3 , если они купили в течение текущего месяца, 2 - за последние шесть месяцев и 1 - для всех остальных.

Как вы можете видеть, мы сами определили диапазон для каждого балла. Пороговые значения диапазона основаны на характере бизнеса. Таким же образом вы определяете диапазоны для частоты и денежных значений.

Этот метод оценки зависит от отдельных предприятий - поскольку они решают, какой диапазон они считают идеальным для периодичности, частотности и денежных значений.

При использовании данного метода расчета есть некоторые нюансы.
По мере роста бизнеса, диапазон баллов может потребовать частых корректировок.

МЕТОД 2: Процентное разделение на 5 равных значений на основе доступных данных.

Этот метод чуть сложнее, так как придётся работать с процентами, но в свою очередь он решает множество проблем, с которыми можно столкнуться при использовании первого метода. Данный подход работают с любой отраслью, поскольку диапазоны выбираются из самих данных и распределяются равномерно.
Конечно, мы рекомендуем использовать именно этот метод, поскольку сегментация будет более точной.

Сводка расчетов RFM :

Возьмите данные своего клиента, дайте оценку от 1 до 5 для R , F и M .
Графическое представление RFM поможет вам и другим лицам, принимающим решения, лучше понять RFM-анализ вашей организации.

R , F и M имеют оценки от 1 -5 , всего 5 x5 x5 = 125 комбинаций значений. Три измерения R , F и M могут быть наилучшим образом построены на трехмерной диаграмме. Если бы мы посмотрели, сколько клиентов у нас есть для каждого значения RFM , нам придется посмотреть 125 точек данных.

Но работа с 3D -графиками на бумаге или экране компьютера не сработает. Нам нужно что-то в двух измерениях, что-то легче изобразить и понять.

Упрощенное представление RFM-анализа:

В этом подходе мы используем частотность + денежный балл по оси X (диапазон от 0 до 10) и время последней покупки (диапазон от 0 до 5) по оси Y, Это уменьшает возможные комбинации со 125 до 50. Объединение F и M в один критерий имеет смысл, потому что оба значения связаны с тем, сколько клиент покупает. R (давность) на другой оси дает нам быстрый взгляд на уровни повторного взаимодействия с клиентом.

Повышение эффективности - создание сегментов.

Понимание 50-и элементов все еще может быть утомительным. Поэтому мы можем обобщить наш анализ на 11 сегментов, чтобы лучше понять наших клиентов.
Если вы помните, мы обсуждали эти сегменты в начале этой статьи.

Вот таблица, в которой объясняется, как вы можете создать 11 сегментов клиентов на основе оценок RFM .
Предоставление четкого цвета для каждого сегмента позволит легче запомнить клиентов и понять текущую ситуацию в бизнесе.

Вот наш окончательный сводный отчет RFM -анализа !

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

Recency Frequency Monetary

Область применения

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

Описание

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

Основу RFM-анализа составляют следующие характеристики:

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

Алгоритм

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

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

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

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.

Теоретические аспекты RFM -подхода

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.

Практика RFM -анализа

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:

  1. Каждому столбцу таблицы присваиваем свое значение («Параметры полей значений»). Для столбца «Дата» выбирается операция «Максимум»и числовой формат «дата», для столбца «Стоимость» — числовой формат «денежный»).
  1. Разделяем покупателей на 5 категорий в зависимости от потраченной на приобретенные товары/ услуги суммы (до 20%, от 20% до 40%, от 40% до 60%, от 60% до 80%, от 80% до 100%).
  2. Определяем количество прошедших дней (в Excel для вычисления параметра можно выбрать готовую формулу по дате и времени («Дней360»)).

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:

  • «сливки» клиентской базы оценят vip-обслуживание и специальные предложения, программу лояльности;
  • выгодные клиенты – определиться с тем, что препятствует более частым покупкам с их стороны, и исправить это;
  • постоянные покупатели с небольшим чеком – увеличить чек, предложив сопутствующие товары;
  • недавно совершившие покупку – дать время для того, чтобы определиться, привлекать внимание актуальной и интересной информацией;
  • наименее перспективные покупатели – сделать им «провокационное» предложение, «растормошить» или удалить из базы данных, избавиться от «балласта».

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.