RFM-анализ — это метод маркетингового анализа, который используют для сегментации контактов в базе на основе их поведения. Он оценивает стоимость клиентов для бизнеса в зависимости от истории транзакций или других взаимодействий контакта, которые вы можете зафиксировать и измерить. Информация, собранная этим методом, помогает увидеть какой покупатель приносит большую выгоду, а какой меньшую.
Ориентируясь на эти данные, возможно направлять маркетинговые активности на удержание лояльных клиентов и повышение прибыли с них. Но также понимая сегмент менее лояльных клиентов можно направить маркетинговые усилия на то, чтобы понять и удовлетворить потребности своей аудитории. Это увеличит количество лояльных контактов.
В чём преимущества RFM-анализа?
Одно из основных преимуществ RFM — для анализа и сегментации вам достаточно иметь информацию о покупках или активностях, которые хотите отследить. Сопоставив активность с ее частотой и временем, вы получите нужный результат.
Аббревиатура RFM расшифровывается как:
- Recency (Давность) — давность последней покупки. Покупавшие недавно считаются более активными и ценными.
- Frequency (Частота) — сегментация покупателей по количеству покупок. Те кто покупают чаще, имеют большую ценность для нас.
- Monetary (Средний чек) — средняя доходность от действий. Клиенты, которые тратят больше денег, считаются более ценными. Средний чек рассчитывается делением суммы всех покупок на их количество (F).
«Давность» и «Частота» — довольно вариативные параметры, которые могут видоизменяться в зависимости от целей сегментации.
Например, маркетологу может быть интересна давность последнего открытия письма и частота открытий в целом. За счет анализа он может определить сегмент тех, кто хорошо открывает письма и тех, кто давно их не открывал. Определив нужный сегмент можно направить активности на реактивацию контактов давно не читавших письма и сделать часть контактов вновь активными.
Тех, кто игнорирует активности компании, стоит удалить из базы, чтобы не тратить на них маркетинговый бюджет.
Аналогичные действия можно проводить и с клиентами, которые давно ничего не покупали.
Еще один большой плюс RFM-анализа — аналитику можно провести только по двум, самым интересным для вас показателям. При сегментации довольно часто используется RF-анализ, где учитываются показатели давности (R) и частоты (F). Показатель среднего чека (M) не учитывается, поскольку часто зависит от частоты покупок (F).
Большое количество компаний, для которых параметр Monetary не так важен или не несет конкретной прикладной пользы в текущей задаче, не используют этот показатель, а используют именно RF-анализ.
Например, при отправке информационных Email-рассылок для маркетплейса, важна частота открытия писем и давности их открытия. Исходя из этих данных, выводятся свои сегменты. В этом случае параметр Monetary имеет мало прикладной пользы, так как нужны не прямые продажи, а стимуляция открытий и переходов.
А вот при отправке промо-рассылок, конкретно для магазина электроники, может понадобиться параметр среднего чека: с его помощью возможно стимулировать клиента к возвращению и повторным покупкам. Как видите, даже для одного и того же канала используются разные сегменты анализа, исходя из текущих задач.
Аббревиатура также указывает степень важности каждой переменной. От Recency (R) — самой важной, до Monetary (M) — менее важной.
Для чего проводят RFM-анализ?
RFM-анализ используют в компаниях, имеющих
- Оптимизации маркетинговых кампаний. Помогает компаниям понять: какие покупатели имеют наибольшую ценность, как часто они совершают покупки и сколько денег тратят. Это позволяет направлять маркетинговые кампании на конкретные группы пользователей для оптимизации бюджета и повышения эффективности работы с аудиторией.
- Удержания. RFM-анализ позволяет выделить клиентов, которые находятся на грани ухода, и предложить персонализированные услуги или скидки для их удержания.
- Повышения лояльности. Благодаря созданной на основе RFM-анализа сегментации, возможно измерять количество лояльных и нелояльных клиентов. Это позволяет направлять усилия для повышения лояльности конкретных сегментов и измерять эффективность этих усилий.
- Оптимизации ассортимента. Помогает определить, какие товары или услуги наиболее популярны среди покупателей. Это помогает оптимизировать работу и сосредоточить внимание на производстве, масштабировании самых выгодных продуктов и услуг бизнеса.
Какие недостатки у RFM-анализа?
- Сосредоточенность только на трех конкретных параметрах, ограничивает анализ. Другие факторы, такие как возраст, география и социальный статус, не учитываются.
- Недостаточный учет активности клиентов. RFM не учитывает такие формы активности: комментарии, рекомендации, отзывы и т.д.
- Если данные неоднородны, возникает сложность определения границ между сегментами.
- Необходимость дополнительной аналитики. RFM-анализ клиентов дает общее представление о клиентах бизнеса. Для более глубокого понимания, его может быть недостаточно.
- Необходимость регулярного обновления. Классификация покупателей должна производиться регулярно, так как их параметры со временем будут меняться.
Какова получаемая аудитория
Аудитория, получаемая из RFM-анализа, зависит от выбранных критерий. Обычно, клиентов разделяют на несколько групп, в зависимости от их поведения и стоимости:
- «VIP» или же «Лучшие» — это группа часто покупающих, тратящих много денег и совершавших покупки недавно. Они обычно являются самыми ценными клиентами. Предложите им особые условия и программы лояльности, для их удержания.
- «Новые» — те кто совершал покупки недавно. Их общая сумма не очень высока, но они купили впервые. Эти клиенты потенциально перспективные для компании, на них можно направить маркетинговые усилия, чтобы удержать их и превратить в постоянных.
- «Спящие» — группа, пользователи которой давно не совершали никаких действий, но были активными раньше и тратили много денег. Эти клиенты потенциально ценные, поэтому стоит направлять на них маркетинговые активности, чтобы перевести их в категорию «VIP».
- «Потерянные» — это группа клиентов, которые давно не совершали никаких взаимодействий с нами и их общая сумма покупок невысока. Попытайтесь вернуть этих клиентов, предлагая им скидки или другие привлекательные предложения.
Получаемые группы помогают компаниям эффективно нацелить свои маркетинговые усилия, делая для каждого сегмента наиболее удачное предложение, что позволяет возвращать и удерживать пользователей.
Пример формирования сегментов
Для формирования анализа существует множество инструментов, которые я рассмотрю позже. Пример RFM-анализ буду проводить в Exel-таблице, для наглядности.
Есть некий список контактов с информацией по дате последней покупки, количестве покупок и их общей сумме. Исходя из этих данных я вывожу сегменты R, F и M.
Для начала вычислю количество дней с последней покупки. Вычитаю дату последней покупки из текущей даты.
Далее нужно разделить клиентов на 3 группы, назначив им ценность 1, 2 или 3, исходя из того, как давно они покупали. Я вычисляю максимальное количество дней от даты последней покупки, на основе которого буду формировать группы.
Использую функцию «PERCENTILE.INC»: она суммирует значения и возвращает цифру, которая входит в указанный диапазон процентов. Поскольку я ищу всего три группы, мне нужно разбить среднюю сумму дней с последнего заказа на 3 равные части, чтобы присвоить им ценность. 33% для значения 3, 66% для значения 2 и остаток для значения 1.
К примеру, чтобы найти 33% купивших меньше всего времени назад, я использую формулу: =PERCENTILE.INC(D2:D16;0,33).
D2;D16 — это диапазон ячеек из которых я считаю, а 0,33 — это 33%.
Получил 3 группы: те кто совершил заказ максимум 99 назад (лучшие), от 99 до 208 дней (средние) и третья группа, те кто заказал от 208 дней назад и позже (худшие).
Далее я вычисляю к какой группе принадлежит каждый из контактов, применяя следующее условие: если D2 меньше 99, тогда присвоить значение 3, если D2 меньше 208 — присвоить значение 2, если иначе — присвоить 1.
В формуле для примера это выглядит так: =IF(D2<99;3;IF(D2<208;2;1)).
Далее протягиваю формулу по столбцу вниз и получаю результат:
Проделал то же самое для остальных показателей.
Далее, когда я проставил все значения ценности всем из параметров, вывожу группы. Использую простую формулу:
Ценность R*100 + Ценность F*10 + Ценность М
В формуле для примера это выглядит так: G2*100+H2*10+I2.
Теперь у меня есть группы, которые можно использовать для анализа. Лучшие клиенты — это те кто в группе 333, худшие 111. Порог вхождения в группы определяйте, отталкиваясь от ваших потребностей. Например, к лучшим можно отнести 333, 332, 331, 323, 322. А 133, 132, 123 — к спящим. К новым же можно отнести 311, 312, 313 и так далее.
Что отправлять сегментам
RFM-анализ применяют для более эффективного управления базой и нацеливания маркетинговых кампаний. Вот несколько примеров, какие сообщения стоит отправлять разным сегментам:
- Группа «VIP». Отправляйте им сообщения об особых предложениях, эксклюзивных акциях, новых продуктах и услугах, специальных скидках или бонусах за лояльность. Также можно предложить им программы лояльности, например, скидки, бесплатная доставка или эксклюзивные подарки.
- Группа «Спящие». Отправляйте сообщения о том, что вы скучаете по ним. Предлагайте специальные скидки, чтобы привлечь их обратно, используйте персонализированные рекламные кампании, основанные на их предыдущих покупках, чтобы привлечь их вновь.
- Группа «Новые». Отправляйте сообщения о том, какие продукты и услуги вы предоставляете, а также предлагайте им специальные скидки и привилегии для новых пользователей, промокоды. Также можно отправлять им информацию об условиях гарантии и возврата, тем самым формируя доверие.
- Группа «Потерянные». Чтобы привлечь этих клиентов обратно, отправляйте сообщения с предложениями, такими как скидки, бонусы, подарки или бесплатная доставка. Также можно отправить информацию о новых продуктах и услугах, которые могут заинтересовать пользователей вернуться и совершить покупку.
Сообщения, отправляемые каждой группе, должны быть персонализированными и соответствовать их потребностям и интересам.
Ниже пример того, как компания Maxi (Азербайджан) использует промокод и подборку интересных товаров с акцентом на ограниченность предложения. Цель — реактивации потерянных клиентов, которые не покупали более полугода:
Какие инструменты используются
Как я уже говорил, для проведения RFM-сегментации используются различные инструменты, включая традиционные таблицы Excel или Google Sheets, специализированные программы и онлайн-сервисы, а также программирование на языке Python. Давайте рассмотрим некоторые из этих инструментов:
- Excel или Google Sheets — наиболее распространенные инструменты. В них можно легко создать таблицу с данными о пользователях и их покупках, а также использовать функции для расчета интересующих нас параметров и сегментации, как в примере.
- Kissmetrics, Mixpanel, Salesforce — онлайн-сервисы, которые при подключении к сайту, отслеживают действия и поведение пользователей, предоставляют возможность анализировать активности. Используются для проведения RFM-анализа.
- Язык программирования Python (если вы с ним уже знакомы) может использоваться для автоматической сегментации клиентов. Существуют библиотеки и фреймворки, такие, как Pandas и Scikit-learn, которые позволяют быстро и эффективно проводить сегментацию в Python.
Pandas позволяет обрабатывать большие объемы данных, осуществлять группировку, сортировку и расчеты Recency, Frequency и Monetary.
Scikit-learn обеспечивает доступ к различным алгоритмам машинного обучения, которые классифицируют клиентов по различным сегментам с учетом результатов RFM-анализа. Совместное использование этих инструментов делает процесс RFM-анализа более эффективным и надежным.
Выбор конкретного инструмента для проведения RFM-анализа зависит от целей, объема данных и уровня технических знаний маркетолога. К примеру, имея хорошие технические знания, с помощью Python можно довольно быстро и удобно проводить сегментацию баз больших объемов. Не имея должной технической подготовки, доверьте это онлайн-сервисам.
Exel-таблицы дают быстро и удобно проводить анализ, но для большой базы лучше использовать иные методы.
Выводы
- RFM-анализ — это метод маркетингового анализа, который используют для сегментации контактов в базе на основе их поведения. Информация, собранная этим методом, помогает увидеть какой покупатель приносит большую выгоду, а какой меньшую.
- RFM расшифровывается, как R-recency — давность последней покупки, F-frequency — сегментация покупателей по количеству покупок, M-monetary — средняя доходность от действий.
- Основные преимущества RFM-анализа – это минимальное количество нужных для анализа данных и возможность проводить аналитику только по нужным показателям.
- У RFM-анализа есть недостатки, такие как:
- сосредоточенность только на трех конкретных параметрах;
- недостаточный учет активности клиентов;
- сложность определения границ между сегментами;
- необходимость дополнительной аналитики;
- необходимость регулярного обновления.
- Аудитория, получаемая из RFM-анализа, зависит от выбранных критерий. Обычно это VIP-клиенты, спящие, новые и потерянные. Каждой из этих категорий следует слать разные сообщения.
- Проводить RFM-анализ можно как в Exel или Google таблицах, так и с помощью веб-сервисов и даже языка программирования Python.
Материал написн в соавторстве с Виталием Ивановым.
Свежее
Кейс: как увеличить показы и установки приложения на 16% за две недели
Подробно о том, как мы улучшили позиции в топе и видимость в поисковой выдаче
Как легко запомнить пароли, пин-коды, телефоны и все важное
В статье поделюсь несколькими лайфхаками, которые помогут сохранить вашу память (и нервы!) и вовремя вспоминать, наконец, пин-коды банковских карт, исторические даты и другие важные вещи
Как оптимизировать конверсии для страниц приложения в App Store и Google Play
Какие поля и параметры имеют больше значения, и как выжать из них все