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.

Все клиенты, от «транжир» до «почти потерянных покупателей» имеют различные потребности и желания, и, соответственно, по-разному реагируют на маркетинговые кампании.

Сегментация клиентов с помощью RFM-анализа

Для выполнения RFM-анализа сначала следует разделить клиентов на четыре равные группы, согласно распределению значений давности, частоты и величины покупок.

Четыре равные группы (квартили) с тремя переменными образуют 64 (4x4x4) клиентских сегмента, с такими цифрами вполне можно работать.

Заметьте, что вы можете использовать квинтили (пять равных групп) для лучшей детализации, однако, работа с 125 сегментами (5x5x5) может показаться непростой задачей.

Давность (R)	Частота (F)	Деньги (M)
Квартиль 1 (R=1)	Квартиль 1 (F=1)	Квартиль 1 (M=1)
Квартиль 2 (R=2)	Квартиль 2 (F=2)	Квартиль 2 (M=2)
Квартиль 3 (R=3)	Квартиль 3 (F=3)	Квартиль 3 (M=3)
Квартиль 4 (R=4)	Квартиль 4 (F=4)	Квартиль 4 (M=4)

Например, есть один клиент, и он:

Находится в группе, совершающих покупки наиболее часто (R=1)
Находится в группе, совершивших наибольшее количество покупок (F=1)
Находится в группе, потративших наибольшую сумму денег (M=1)

Данный клиент принадлежит RFM-сегменту 1-1-1 (Лучшие клиенты), (R=1, F=1, M=1).

Вот самые важные RFM-сегменты:

Сегмент	RFM	Описание	Маркетинговая деятельность
Лучшие клиенты	1-1-1	Клиенты, совершившие последние покупки, делающие это чаще остальных, и тратящие денег больше остальных	Без ценовых стимулов, новые продукты и программа скидок для постоянных клиентов
Лояльные клиенты	X-1-X	Клиенты, совершившие последние покупки	Изучите их R и M для дальнейшей сегментации
Транжиры	X-X-1	Клиенты, тратящие больше остальных	Продвиньте самые дорогие продукты
Почти потерянные клиенты	3-1-1	Не совершали покупки некоторое время, но покупали часто и тратили больше остальных	Агрессивные ценовые стимулы
Потерянные клиенты	4-1-1	Не совершали покупки давно, но покупали часто и тратили больше остальных	Агрессивные ценовые стимулы
Потерянные экономные клиенты	4-4-4	Не совершали покупки давно, покупали мало и тратили меньше остальных	Не прикладывайте много усилий к их возвращению

Как провести RFM-анализ

Чтобы провести RFM-анализ, вам понадобятся данные о всех покупках, совершенных всеми клиентами. Это должен быть файл с информацией, обычно экспортируемый из вашего бухгалтерского ПО или транзакционной базы данных.

Шаг 1. Скачайте скрипты для RFM-анализа и файлы примеров с Githtub .

Шаг 2. Подготовьте файл CSV со всеми покупками или же используйте шаблон sample-orders.csv. Имена столбцов должны быть теми же.

order_date	order_id	customer	grand_total
2016-01-01	US-52653	john
2016-01-02	US-52654	mary
…	…	…	…

Шаг 3. Запустите скрипт RFM-analysis.py, находящийся в папке, куда вы поместили файл с данными. В скрипте есть три аргумента:

>python RFM-analysis.py -i sample-orders.csv -o rfm-segments.csv -d "2014-04-01"

Файл с данными (-i sample-orders.csv)
Файл для вывода данных с RFM-сегментацией (-o rfm-segments.csv)
Дата экспорта файла с данными (-d «YYYY-mm-dd”)

Это создаст RFM-сегменты в CSV-файле с названием rfm-segments.csv или иначе, а зависимости от того, что было задано вами с параметром -o.

Расшифровка результатов RFM-анализа

Клиент	Давность	Частота	Сумма	Сегмент RFM
Мария Н.	4 дня	58 покупок	$2 869	1-1-1
Владимир У.	50 дней	1 покупка	$44	3-4-4
Екатерина А.	47 дней	2 покупки	$156	3-2-1

Мария Н. принадлежит к сегменту «Лучшие покупатели», она совершала покупки совсем недавно (R=1), заказывает часто (F=1) и тратит много (M=1).
Владимир У. практически попал в сегмент «Потерянные экономные клиенты», он не покупал довольно давно (R=3), покупал немного (F=4) и потратил мало (M=4).
Екатерина А. относится к сегменту «Почти потерянные клиенты». Она не совершала покупки довольно давно (R=3), покупала довольно часто (F=2), но при этом она тратила очень много (M=1).

Эти простые шаги и есть сегментация клиентов. Теперь определите кого-нибудь прочесывать базу данных клиентов и выявлять наиболее важных для вашего бизнеса.

Или же создайте собственную настройку в , как ниже, чтобы визуализировать данные:

Выведите свой email-маркетинг на новый уровень путем RFM-сегментации

Теперь пришел черед email маркетинга. Ниже приводится пошаговый RFM-анализ:

1. Выберите RFM-сегмент, нужный вам (Лучшие клиенты, Почти потерянные клиенты, итд).
2. Решите как лучше всего поступить с данным RFM-сегментом
3. Определите задачу для данных email кампании и RFM-сегмента
4. Настройте отслеживание конверсии e-mail маркетинга
5. Создайте еще одну email версию, привзяанную к RFM-сегменту, нужному вам
6. Запустите кампанию по A/B-тестированию через email, когда контрольная группа получает обычную версию письма, а экспериментальная группа — письмо, выбранное согласно RFM-сегменту
7. Проанализируйте результаты и повторите — чаще то, что действует и реже то, что не действует

Заключение

RFM является относительно простой техникой, с чьей помощью возможно существенно улучшить вашу маркетинговую деятельность.

Обновляйте RFM-сегментацию путем автоматизирования процесса, например, с помощью скрипта RFM-анализа. Лучше всего обновлять данные каждый день.

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 :

Александров В.И. Применение RFM-анализа при разработке таргетированных маркетинговых стратегий в сфере e-commerce // Маркетинг и маркетинговые исследования. 2014. № 5. С. 332-339.
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.
Баженов Р.И. Об организации деловых игр в курсе «Управление проектами информационных систем» // Научный аспект. 2014. Т. 1. № 1. С. 101-102.
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.
Баженов Р.И. Проектирование методики обучения дисциплины «Информационные технологии в менеджменте»// Современная педагогика. 2014. № 8 (21). С. 24-31.
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.
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.
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.
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.
Голубков Е.П. RFM-анализ: методика и практика применения // Маркетинг в России и за рубежом. 2013. № 6. C. 11-24.
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.
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.
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.
Сорокина Т.И. Как увеличить продажи дистрибьюторской сети // Молочная промышленность. 2015. № 2. С. 13-14.
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).
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.
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).
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.

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.

В наше время любая компания нуждается в привлечении клиентов. Для этого нужно постоянно поддерживать поток и рост клиентов для стремительного и стабильного развития бизнеса. Но держаться на одних привлечениях этого недостаточно. Нужно еще также их заинтересовать и задержать как можно большее время.

Чтобы привлечь внимание клиента к себе, необходимо иметь представление о том, какого рода предложения больше всего заинтересуют данным клиентам. Для этого нужно оценить клиентскую базу на предмет ее склонности к отклику на предоставленное предложение. В данном случае мы воспользуемся RFM-анализом. Он удобно подходит для нашего случая, так как компания, которую мы будем анализировать, занимается продажей и доставкой различных блюд. Сама база данных была предоставлена на обоюдном соглашении в конфиденциальном виде, кроме таких данных, как дата покупки и стоимость покупки клиентов (сами идентификаторы клиентов мы сгенерировали для большей наглядности). Этого нам достаточно для RFM-анализа.

RFM-анализ является самым распространенным методом исследования в данной сфере. Данный анализ описывали различные российские ученые. Р.И.Баженов и В.А.Векслер применяли RFM-анализ в разработанной авторской конфигурации для системы 1С:Предприятие «Анализ потребительских корзин» . Е.П. Голубков рассматривал сущность и методику проведения RFM-анализа . В.И. Александров и А.А. Клюева изучали связь RFM-анализа и e-mail-маркетинга и, рассказывая, как RFM-анализ может быть применен к реальной клиентской базе . В.И. Александров исследовал применение RFM-анализа в сфере e-commerce и привел схемы, которые наглядно показывают сегментацию потребителей интернет-магазина по критериям давности и частоты . Различные стороны анализа описывали А.А.Наумов, Р.И.Баженов и др. в применении к различным областям знания . Также RFM-анализ исследовали и зарубежные ученые .

RFM-анализ – это аббревиатура от слов Recency , Frequency и Monetary . Как видим, данный анализ основан на трех показателях:

Recency – в нашем случае понимается как дата последней совершаемой покупки клиента.

Frequency – количество совершаемых покупок данного клиента за весь период времени.

Monetary – затраченные денежные средства клиента за весь период совершаемых его покупок.

Во время расчета данного анализа нам нужно определить, из скольких частей надо разбить по каждому из этих показателей для оценивания клиентов, например, из 3-ех частей (групп). Где в первой части будут находиться «наихудшие» клиенты по тем или иным показателям. Во второй части – «средние» клиенты. В третьей – «наилучшие» клиенты. Но в нашем случае, для оценки клиентской базы, будем использовать в процентном соотношении от 1 до 5 групп, для большей гибкости и различным подходам к тем или иным клиентам.

Для того чтобы проделать RFM-анализ, мы воспользуемся программным обеспечением Microsoft Excel и готовой таблицей с базой данных клиентов:

Рисунок 1 – Таблица клиентской базы

Для начала нужно привести данную таблицу в нужный нам вид для проведения RFM-анализа, для этого выделим всю таблицу и воспользуемся функцией «Сводная таблица», которая находится в разделе «Вставка».

После того как создали «Сводную таблицу», нам нужно, в списке полей сводной таблицы, перенести поле «ID Клиента» в область «Названия строк». Затем дважды переносим поле «Дата покупки» в область «Значение». Напоследок переносим поле «Стоимость покупки (в руб.)» в ту же область «Значения».

Получаем следующую таблицу:

Рисунок 2 – Сводная таблица клиентской базы

Затем, в столбце «B», кликнув правой мышкой на поле под названием «Дата покупки», выбираем строку «Параметры полей значений…». После нажатия данной строки, откроется следующее окно:

Рисунок 3 – Окно «Параметры поля значений»

Где во вкладке «Операция» выбираем строку «Максимум», и применяем настройки. Потом применяем поля в формате «Дата» к столбцу «B». И формат «Денежный» к столбцу «D».

В результате получаем следующую таблицу:

Рисунок 4 – Готовая таблица для расчета RFM-анализа

В полученной таблице можем увидеть, например, клиента с идентификатором равной «10000», который совершал всего 3 покупки с общей стоимостью в сумме 877 рублей, и последняя его покупка была совершена в 01.12.2012.

Теперь, когда наша таблица полностью готова и приведена в нужном виде, перейдем непосредственно к самому RFM-анализу.

Как уже было сказано ранее, мы будем оценивать, и делить клиентов на 5 категории. Где в первой категории попадут клиенты с «наихудшими» показателями, а в пятой категории – с «наилучшими» показателями. Возьмем за каждую категорию в процентном соотношении с шагом в 20%.

То есть, по показателю «Monetary» в первую категорию попадут те клиенты, которые приобрели товары и принесли компанию до 20% прибыли от максимальной суммы всех значении полей столбца «Monetary». Во второй категории попадут от 20% до 40% от той же максимальной суммы, и так далее, вплоть, до пятой категории, где попадут клиенты с процентным соотношением от 80% до 100% принесенной прибыли. То же самое будем проделывать и с показателями «Recency» и «Frequency».

Для этого нужно создать еще несколько столбцов, таких как «Recency», «Frequency», «Monetary» и «Количество пройденных дней».

Рисунок 5 – Таблица с подготовленными RFM столбцами

Столбец «Количество пройденных дней» будет отображать нам количество прошедших дней до максимальной последней покупки клиента в компании из всех имеющихся. В дальнейшем он нам понадобится для расчета показателя «Recency», определяя давность последних покупок клиентов.

=МАКС($B$2:$B$2296)-B2

В итоге получаем следующий результат:

Рисунок 6 – Таблица с рассчитанным столбцом «Количество пройденных дней»

Далее приступим к анализу показателя «Recency». Нужно в полях данного столбца ввести формулу, которая будет рассчитывать данный показатель относительно степени давности последней покупки клиента. В нашем случае выглядит так:

=ЕСЛИ(F2<=0,2*МАКС($F$2:$F$2296);5;ЕСЛИ(F2<=0,4*МАКС($F$2:$F$2296);4;ЕСЛИ(F2<=0,6*МАКС($F$2:$F$2296);3;ЕСЛИ(F2<=0,8*МАКС($F$2:$F$2296);2;1))))

То же самое проделываем и для столбца «Frequency»:

=ЕСЛИ(C2<=0,2*МАКС($C$2:$C$2296);1;ЕСЛИ(C2<=0,4*МАКС($C$2:$C$2296);2;ЕСЛИ(C2<=0,6*МАКС($C$2:$C$2296);3;ЕСЛИ(C2<=0,8*МАКС($C$2:$C$2296);4;5))))

Для столбца «Monetary» вводим следующую формулу в полях:

=ЕСЛИ(D2<=0,2*МАКС($D$2:$D$2296);1;ЕСЛИ(D2<=0,4*МАКС($D$2:$D$2296);2;ЕСЛИ(D2<=0,6*МАКС($D$2:$D$2296);3;ЕСЛИ(D2<=0,8*МАКС($D$2:$D$2296);4;5))))

После ввода всех формул для расчета данных показателей, мы в итоге получаем следующий результат:

Рисунок 7 – Результат RFM-анализа

На этом этапе мы и закончили RFM-анализ. Для удобства можно отсортировать столбцы «Recency», «Frequency» и «Monetary» в порядке возрастания/убывания для удобного поиска и анализа клиентской базы по данным рассчитанным показателям.

Например, в нашем случае, клиент с идентификатором «10002» является наихудшим покупателем данной компании, и имеет показатели в виде «111 » (Recency – 1 ; Frequency – 1 ; Monetary – 1 ). Так как данный клиент уже почти два с половиной года (857 дней) не совершает покупки данной компании, и за свое время он сделал только одну покупку в сумме 210 рублей.

С такими клиентами компании предпочитают провести разные подходы. Кто-то пытаются привлечь к себе внимания к данному клиенту, для того чтобы он заинтересовался в компании и снова совершил какие-либо покупки. Либо, некоторые считают их «одноразовыми» клиентами, и предпочитают не уделять собственное время на них, а нацеливаться только на более «перспективных» покупателях, которые имеют более высокие RFM показатели вплоть до «555 », для того, чтобы улучшить отношения между клиентом и компанией, и предлагать различные акции или бонусы.

Также можно и провести различные анализы, делая выводы на основе RFM показателях данных клиентов. Например, существует клиент с показателем «155 » (Recency – 1 ; Frequency – 5 ; Monetary – 5 ). Данный клиент нам говорит о том, что он когда-то совершал много покупок и приносил хорошую прибыль этой компании. Но, по каким-то причинам уже давно перестал совершать какие-либо покупки. В таких случаях можно либо лично поинтересоваться у клиента, по каким причинам он отказался проявлять интерес к данной компании, либо самим пересмотреть свои прошлые отношения в сторону клиента в тот период, когда он перестал сотрудничать с компанией.

Вдобавок также, например, существуют клиенты с показателями «511 ». Это те клиенты, которые только начали совершать какие-либо покупки и являются «новичками». Компания обычно старается не разочаровать таких клиентов, и демонстрировать им различные конкурентоспособные преимущества.

Предложенное исследование может быть использовано в работе торговых компаний и в обучении студентов различных направлений .

Библиографический список

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.

Голубков Е.П. RFM-анализ: методика и практика применения // Маркетинг в России и за рубежом. 2013. № 6. C. 11-24.

Александров В.И., Клюева А.А. RFM-анализ и e-mail-маркетинг. Теория и практика // Интернет-маркетинг. 2012. № 2. С. 96-106.

Александров В.И. Применение RFM-анализа при разработке таргетированных маркетинговых стратегий в сфере e-commerce // Маркетинг и маркетинговые исследования. 2014. № 5. С. 332-339.

Наумов А.А., Наумова А.А., Баженов Р.И. О некоторых моделях и модификациях классического ABC-анализа // Современные научные исследования и инновации. 2014. № 12 [Электронный ресурс]. URL: http://web.snauka.ru/issues/2014/12/42200 (дата обращения: 27.12.2014).

Жилкин С.А., Баженов Р.И. Совершенствование ассортимента товаров медицинского назначения на основе ABC-анализа // Экономика и менеджмент инновационных технологий. 2014. № 12 [Электронный ресурс]. URL: (дата обращения: 27.12.2014).

Резниченко Н.В., Наумов А.А., Баженов Р.И. Совершенствование ассортимента блюд кафе и системы закупок компонентов на основе ABC-XYZ-анализа // Экономика и менеджмент инновационных технологий. 2014. № 12 [Электронный ресурс]. URL: (дата обращения: 27.12.2014).

Наумов А.А., Баженов Р.И. О проблемах классических показателей эффективности инвестиционных проектов // Современные научные исследования и инновации. 2014. № 11-2 (43). С. 181-187.

Бронштейн К.С., Наумов А.А., Баженов Р.И. Применение классического ABC-анализа для анализа ассортимента блюд кафе // Экономика и менеджмент инновационных технологий. 2014. № 11 (38). С. 100-110.

Наумов А.А., Баженов Р.И. О неустойчивости метода нормализации критериев // Современные научные исследования и инновации. 2014. № 11-1 (43). С. 64-68.

Остроушко А.А., Баженов Р.И. Анализ ассортимента электротоваров с использованием ABC-анализа // Экономика и менеджмент инновационных технологий. 2014. № 10(37). С. 73-81.

Сизых А.Ф., Баженов Р.И. Разработка программной системы поиска ассоциативных правил на основе алгоритма apriori // Современные научные исследования и инновации. 2014. № 10-1 (42). С. 52-59.

Vexler V.A., Bazhenov R.I., Bazhenova N.G. Entity-Relationship Model of Adult Education in Regional Extended Education System // Asian Social Science. 2014. Т. 10. №20. С.1-14.

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.

Пронина О.Ю., Баженов Р.И. Исследование методов регрессионного анализа программной среды Eviews // Nauka-rastudent.ru. – 2015. – No. 01 (013) / [Электронный ресурс] – Режим доступа. – URL: http://nauka-rastudent.ru/13/2320/

Rhee S.B. Customer selection in database marketing: the meaning of RFM // Thesis. 2003.

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.

Kristof C., Filip A.M., Koen W. Data accuracy’s impact on segmentation performance: Benchmarking RFM analysis, logistic regression, and decision trees // Journal of Business Research. 2014. Т. 67. C. 2751-2758.

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.

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: 10.01.15).

Bazhenov R.I., Luchaninov D.V. Use of blended learning elements for formation of a humanitarian student’s creative initiative at learning modern information technologies // Life Science Journal. 2014. Т. 11. № 11s. С. 371-374.

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.

Количество просмотров публикации: Please wait