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.

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 данной компании и повысить лояльность клиентов для успешного бизнеса.

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

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!

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 :

1. Александров В.И. Применение RFM-анализа при разработке таргетированных маркетинговых стратегий в сфере e-commerce // Маркетинг и маркетинговые исследования. 2014. № 5. С. 332-339.
2. 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.
3. Баженов Р.И. Об организации деловых игр в курсе «Управление проектами информационных систем» // Научный аспект. 2014. Т. 1. № 1. С. 101-102.
4. 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.
5. Баженов Р.И. Проектирование методики обучения дисциплины «Информационные технологии в менеджменте»// Современная педагогика. 2014. № 8 (21). С. 24-31.
6. 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.
7. 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.
8. 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.
9. 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.
10. Голубков Е.П. RFM-анализ: методика и практика применения // Маркетинг в России и за рубежом. 2013. № 6. C. 11-24.
11. 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.
12. 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.
13. 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.
14. Сорокина Т.И. Как увеличить продажи дистрибьюторской сети // Молочная промышленность. 2015. № 2. С. 13-14.
15. 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).
16. 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.
17. 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).
18. 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.

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