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.

Этот вид анализа является проверенной маркетинговой моделью для сегментации клиентов на основе их поведения. Под поведением мы будем понимать историю покупок (транзакций).
С помощью данного инструмента можно группировать клиентов на основе истории транзакций – как часто, сколько и когда в последний раз клиенты покупали. RFM помогает разделить клиентов на различные категории или кластеры, чтобы идентифицировать клиентов, которые с большей вероятностью будут реагировать на рекламные акции, а также на будущие услуги персонализации.

RFM-анализ: переходим к сути

R (Recency) – показатель давности действия. Этот показатель дает ответ на вопрос сколько времени прошло со времени последнего действия или транзакции клиента с брендом? Обычно это покупка, хотя иногда используются варианты, например, последнее посещение веб­сайта или использование мобильного приложения. В большинстве случаев, когда клиент недавно взаимодействовал или торговал с брендом, более вероятно, что клиент будет реагировать на сообщения от бренда.

F (Frequency) – частота. Как часто клиент совершает транзакцию или взаимодействует с брендом в течение определенного периода времени? Очевидно, что клиенты с частыми действиями более активны и, вероятно, более лояльны, чем клиенты, которые редко это делают. И одноразовые клиенты находятся в собственном классе.

M (Monetary) – вложения/сумма денег. Также называемая «денежной стоимостью». Этот фактор отражает то, сколько клиент потратил на бренд в течение определенного периода времени. Большие траты обычно следует рассматривать иначе, чем те, кто мало тратит. Взгляд на денежные средства, разделенные на частоту, указывает среднюю сумму покупки ­ важный вторичный фактор, который следует учитывать при сегментировании клиентов.

RFM-анализ: алгоритм подсчета

Как только у нас есть значения истории покупок наших клиентов, мы должны присвоить оценку от одного до пяти по каждой группе: новизна, частота и денежная стоимость. Причем оценка должна быть индивидуальной для каждого клиента. Пятерка лучших клиентов является высшей ценностью. Окончательный результат RFM рассчитывается просто путем объединения отдельных чисел RFM-результата.

Для небольших баз возможно деление каждого параметра от 1 до 3, итого 9 групп. Или деление: 5 групп (Давность) х 2 группы (Частота) х 2 группы (Деньги) = 20 RFM­-ячеек.

Пример расчета

1) Классификация по параметру Recency :

— для каждого клиента определить дату последней покупки; — для каждого клиента рассчитать давность покупки (Recency) как разность между текущей датой (например, 10.01.2017) 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 присвоено значение 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 присвоено значение F=5, наименее активные покупатели получат F=1.

3) Классификация по параметру Monetary :

— для каждого клиента определить сумму потраченных им денег;

— разбить полученные данные на 5 групп (квантилей). Клиентам, потратившим наибольшие суммы, будет присвоено значение М=5, клиентам, потратившим наименьшие суммы – М=1.

4) Совместить полученные результаты, каждый клиент при этом получит код RFM, состоящий из трёх цифр.

Пример сегментации клиентов с помощью FRM-анализа

Мы только что самостоятельно определили диапазон для каждой оценки. Пороги диапазона напрямую связаны с моделью и циклом продаж в вашем бизнесе. Например, в рознице имеет место активная модель продаж и низкий цикл, а в бизнесе B2B зачастую может встречаться длинный цикл (от 1 месяца до 1 года) и пассивная модель продаж (когда клиенты находят вас сами).

При росте бизнеса показатели часто меняются, поэтому необходимо оперативно корректировать данные для расчета.

RFM-анализ: выводы

RFM-­анализ не повышает эффективности хорошего менеджера по продажам. Менеджер всегда может лучше понять клиента, так как общается лично и знает больше информации. Он может сделать полностью персонализированное предложение, основываясь на персональных характеристиках клиента.

Если база клиентов большая, то лучше 20% самых важных клиентов отдать в работу менеджерам по продажам, а с остальными 80% вести коммуникацию с помощью email­-маркетинга, телефонных звонков или социальных сетей.

О проведении анализа с помощью специальных решений и Excel вы сможете прочитать в следующих материалах.

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!

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.

Специализация: CRM, Дисконтная система UDS Game, Подарочные сертификаты, Дисконтные карты, RFM-анализ, Отправка СМС, обмен с Bitrix.

Категории:

Как провести классификацию клиентов. RFM-анализ

Сегментация клиентской базы помогает выделить тех клиентов, которым будет интересно Ваше рекламное предложение с большей вероятностью. Проведение рекламной кампании, нацеленной на наиболее заинтересованных клиентов, позволяет получить прибыль при меньших затратах на рекламу.

RFM-анализ

Одним из наиболее эффективных методов сегментации клиентской базы можно считать RFM-анализ, основанный на трех показателях, расположенных в порядке убывания их значимости:

1. Давность покупки (Recency) ― период, который прошел с момента последней покупки и до сегодняшнего дня. Чем меньше прошло времени с последней покупки, тем больше вероятность отклика клиента на рекламное предложение.
2. Частота покупок (Frequency) ― общее количество покупок клиента. Чем чаще клиент делает покупки, тем выше вероятность того, что он захочет совершить покупку еще раз.
3. Денежная ценность покупок (Monetary) ― общая сумма денег, на которую были совершены покупки за весь период. Покупатели, которые потратили больше денег, больше склонны к новой покупке, чем те, кто потратил меньше.

Первым этапом в RFM-анализе является присвоение каждому клиенту значений по трем показателям (давность покупки, частота покупок, денежная ценность покупок). Каждый из показателей имеет пять значений оценки от 1 до 5, при этом лучшим показателем считается 5, а худшим 1.

Сегментирование по давности покупки

Для сегментирования по давности покупки необходимо выделить пять временных промежутков, попадание в которые будут определять значение каждого клиента

Пример выбора диапазонов сегментирования по давности покупки:

Диапазон (в месяцах)		Примечание
0 — 2	5	Совсем недавно
2 — 5	4	Недавно
5 — 9	3	Средней давности
9 — 12	2	Давно
от 12	1	Очень давно

Выбор диапазонов значений зависит от особенностей работы фирмы (сезонность. время потребления покупки, средний интервал между покупками клиента, срок жизни клиента и т.д.).

Сегментирование по частоте покупок и денежной ценности происходит аналогичным образом. Стоит отметить, что также нужно учитывать специфику фирмы и продаваемых товаров или услуг (популярность, стоимость товаров и т.д.). Ниже приведем примеры.

Сегментирование по частоте покупок:

Сегментирование по денежной ценности покупок:

В результате каждый клиент будет иметь 3 оценки (например, R5-F1-M1). Совокупность этих оценок и является сегментом. Таких сегментов может быть 125.

Разбиение базы на сегменты

Денежная ценность покупок часто не учитывается на практике, поскольку сильно зависит от частоты покупок, поэтому можно рассмотреть сегменты по показателям R и F (либо R и M).

	R5-F5	R4-F5	R3-F5	R2-F5	R1-F5
	R5-F4	R4-F4	R3-F4	R2-F4	R1-F4
	R5-F3	R4-F3	R3-F3	R2-F3	R1-F3
	R5-F2	R4-F2	R3-F2	R2-F2	R1-F2
	R5-F1	R4-F1	R3-F1	R2-F1	R1-F1

Лучшие клиенты	VIP обслуживание. Без ценовых стимулов, новые продукты и программа для постоянных клиентов
Лучшие из лучших
С большим потенциалом	Без ценовых стимулов, новые продукты и программа для постоянных клиентов
Новые
Лояльные	Мотивировать акциями, скидками, бонусами
Почти потерянные	Мотивировать акциями, скидками, бонусами
Потерянные	Сделать выгодное предложение, чтобы перевести в другой сегмент, а если это не поможет, то не тратить на них силы
Полностью потерянные
Потерянные постоянные (лучшие) клиенты	Получить обратную связь, почему перестали покупать. Сделать выгодное предложение, чтобы перевести в другой сегмент, а если это не поможет, то не тратить на них силы
Постоянные Показатель F = 5	Если при таком показателе показатель M невысок, то можно стимулировать предложением сопутствующих товаров для увеличения суммы чека
Много тратят Показатель M = 5	Делать выгодные предложения, узнать, что им мешает покупать чаще

После разбиения Вашей клиентской базы на сегменты Вы сможете определить, какие клиенты в Вашей клиентской базе заслуживают большего внимания, а на какие тратить время и силы нет необходимости.

По материалам статьи подготовлена обработка 1С, выполняющая RFM-классификацию клиентской базы.

Наши преимущества

Специализация

100% наших клиентов из сферы торговли.

Готовые решения

Наши разработки проверены на практике.

Оптимальная цена

1200 р/час - дешево даже для регионов.

Магазин

• 

  Хит продаж

  Интеграция дисконтной системы UDS Game с 1С

  9 000 руб В корзину
• 

  Использование купонов на скидку в УТ 10.3

  20 000 руб В корзину
• 
  

  Чат-бот на 1С для Telegram

  120 000 руб В корзину
• 

  Подарочные сертификаты в облаке для 1С УТ 10.3

  30 000 руб