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.

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

Категории:

Как провести классификацию клиентов. RFM-анализ

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

RFM-анализ

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

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

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

Сегментирование по давности покупки

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

Пример выбора диапазонов сегментирования по давности покупки:

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

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

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

Сегментирование по частоте покупок:

Сегментирование по денежной ценности покупок:

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

Разбиение базы на сегменты

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


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

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

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

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

Наши преимущества

Специализация

100% наших клиентов из сферы торговли.

Готовые решения

Наши разработки проверены на практике.

Оптимальная цена

1200 р/час - дешево даже для регионов.

Магазин

Хит продаж
Интеграция дисконтной системы UDS Game с 1С
9 000 руб В корзину
Использование купонов на скидку в УТ 10.3
20 000 руб В корзину
Чат-бот на 1С для Telegram
120 000 руб В корзину
Подарочные сертификаты в облаке для 1С УТ 10.3
30 000 руб

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!

Целевая аудитория компании редко бывает однородной – чаще встречается ситуация, когда одни и те же услуги или товары приобретают покупатели с разными доходами, ценностями, потребностями. Для каждого из них бизнес должен сохранять привлекательность: предлагать выгодные условия, создавать и поддерживать ощущение ценности, совершенствовать сервис. Для того чтобы найти индивидуальный подход к представителям целевой аудитории, компания разделяет клиентов на категории по различным критериям. Одним из современных и хорошо зарекомендовавших себя способов сегментирования покупателей признан RFM-анализ. Он позволяет выделить группы потребителей по лояльности и выбрать для них соответствующие приемы стимулирования.

Теоретические аспекты RFM -подхода

Название RFM-анализа складывается их первых букв слов, каждое из которых представляет отдельный критерий сегментации:

R (Recency) – новизна, давность действия/ время, прошедшее с момента последней покупки.

Критерий определяет вероятность возвращения клиента на основании его покупательской активности. Чем меньше времени прошло с момента приобретения продукта, тем больше существует шансов, что потребитель совершит повторную покупку. При этом под действием может пониматься как оформленный заказ, так и посещение сайта компании, переход по ссылке и др.

Рассчитываетсякак разность между текущим днем и днем последней покупки (в днях/ неделях/ месяцах). Например, выделяются следующие группы покупателей: недавние (до 3 месяцев), средней давности (от 3 до 6 месяцев) и давние (больше 12 месяцев).

F (Frequency) – частота действий за выбранный период/ суммарная частота покупок (заказов).

Критерий наглядно демонстрирует то, как часто клиент совершает покупки и, соответственно, насколько он лоялен по отношению к компании/ бренду. Чем выше данный показатель, тем больше вероятность, что потребитель будет покупать снова и снова.

Могут быть выделены три группы: частые (1 раз в квартал и чаще), средней частоты (1 раз в полгода/ год) и редкие (меньше 1 раза в год).

M (Monetary) – объем покупок в денежном выражении, финансовые вложения/сумма денег.

Критерий отражает то, насколько клиент важен для бизнеса, или, другими словами, как много денег он оставил в магазине. Взаимосвязь, как и в предыдущих случаях такова: чем больше человек потратил средств, тем выше вероятность, что он потратит столько же или больше.

Рассчитывается как сумма всех расходов покупателя за определенный промежуток времени. Иногда может не учитываться – например, в случаях, когда ценность клиента не измерима деньгами.

Таким образом, каждый клиент оценивается по трем критериям (давность, частота, деньги). Четвертым показателем становится общий «вердикт» RFM, объединяющий все три оценки в одну. Наиболее перспективными и ценными признаются те клиенты, у кого сочетание «баллов» больше, — они со значительной долей вероятности откликнутся на торговое предложение. Например, при ранжировании по 5 различным группам существует 125 возможных оценок, при этом максимальным будет значение 555.

Практика RFM -анализа

Для проведения RFM-анализа, как правило, не требуется сложного программного обеспечения – достаточно привычной таблицы Microsoft Excel. При подготовке к работе для разделения клиентов используются 5 числовых значений, где:

1 – это наихудший показатель (наименьший объем покупок, наибольшая давность, самая большая редкость);

5 – это наилучший показатель (наибольший объем, наименьшая давность, минимальная редкость).

Для оценки могут выбираться как числовые значения, так и процентные показатели. Например, в первую группу будут отнесены покупатели, которые приобрели товары и принесли компании прибыль в размере до 20% от всей совокупности денежных средств в графе Monetary, а в пятую – клиенты с показателями от 80% до 100%.

(Id/ ФИО) клиента	дата последней покупки	количество покупок	общая стоимость покупки

После составления первичной таблицы переходим непосредственно к RFM-анализу и составляем сводную таблицу (в область «Названия строк» пойдет «№ клиента», в область «Значения» — дата последней покупки, количество покупок и общая стоимость). Далее:

Каждому столбцу таблицы присваиваем свое значение («Параметры полей значений»). Для столбца «Дата» выбирается операция «Максимум»и числовой формат «дата», для столбца «Стоимость» — числовой формат «денежный»).

Разделяем покупателей на 5 категорий в зависимости от потраченной на приобретенные товары/ услуги суммы (до 20%, от 20% до 40%, от 40% до 60%, от 60% до 80%, от 80% до 100%).
Определяем количество прошедших дней (в Excel для вычисления параметра можно выбрать готовую формулу по дате и времени («Дней360»)).

ЕСЛИ (количество пройденных дней <=0,2*МАКС (диапазон столбца количества пройденных дней);5;ЕСЛИ (количество пройденных дней <=0,4*МАКС диапазон столбца количества пройденных дней);4;ЕСЛИ (количество пройденных дней <=0,6*МАКС диапазон столбца количества пройденных дней);3;ЕСЛИ (количество пройденных дней <=0,8*МАКС диапазон столбца количества пройденных дней);2;1))))

По аналогичным формулам высчитываются значения критериев Frequency и Monetary.

Итоговая таблица выглядит следующим образом:

(Id/ ФИО) клиента	дата последней покупки	количество покупок	общая стоимость	количество пройденных дней



	05.05.2017		5 550,00

Таким образом, наиболее ценным покупателем для компании может быть признан клиент №4 (с показателем RFM 555: и покупает часто, и тратит много в сравнении с остальными), а наименее привлекательными – клиенты №2 (131) и №6 (221), так как делают незначительные и редкие заказы.

После разделения аудитории на сегменты, становится возможным подобрать для каждого из них индивидуальные способы коммуникации:

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

RCM-подход может быть полезен практически любому бизнесу, независимо от направления деятельности или размера товарооборота. Его главное достоинство – простота и наглядность сегментации целевой аудитории и точность определения значимости клиентов для компании.

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.

Доверенности