RFM-анализ – полное руководство

В этой статье мы рассмотрим RFM анализ, в основе которого лежат поведенческие факторы групп или сегментов клиентов. Данный метод анализа позволяет изучить поведение пользователей и то, как они совершают платежи. В результате вы получите ценные инсайты по построению директ-маркетинга для вашей компании.​

• Что такое RFM-анализ и зачем он нужен маркетологу
• Алгоритм RFM-анализа и механика RFM-сегментации:
• С помощью Excel
• С помощью OWOX BI
• Как использовать RFM-анализ в маркетинге:
• Выводы

RFM-анализ — метод анализа, позволяющий сегментировать клиентов по частоте и сумме покупок и выявлять тех клиентов, которые приносят больше денег.

Аббревиатура RFM расшифровывается:

• Recency — давность (как давно ваши клиенты что-то у вас покупали);
• Frequency — частота (как часто они у вас покупают);
• Monetary — деньги (общая сумма покупок).

По этим признакам можно разделить всех ваших клиентов на группы, понять, кто из клиентов покупает у вас часто и много, кто — часто, но мало, а кто вообще давно ничего не покупал.

Как правило, небольшой процент клиентов реагирует на общие рекламные предложения. RFM является отличным методом сегментации для прогнозирования реакции клиента и улучшения взаимодействия, а также повышение прибыли. RFM использует поведение покупателей, чтобы определить, как работать с каждой группой клиентов. 

Суть RFM-анализа в том, что мы разделяем всех клиентов на группы, в зависимости от того, как давно они сделали последнюю покупку, как часто покупали и насколько большой была сумма их заказов. По каждому из этих признаков мы выделяем по три равные группы. Затем присваиваем каждой группе числовое обозначение от 1 до 3.

По давности заказа:

• 1 — давние клиенты;
• 2 — относительно недавние клиенты;
• 3 — недавние клиенты.

По частоте покупок:

• 1 — покупает очень редко (единичные заказы);​
• 2 — покупает нечасто;
• 3 — покупает часто.
  

По сумме покупок:

• 1 — маленькая сумма покупок;
• 2 — средняя сумма покупок;
• 3 — большая сумма покупок.

Например, клиент «111» покупал давно, один раз и на маленькую сумму. Или клиент «333»: покупает часто, на большую сумму и последняя покупка была недавно. Это - ваши лучшие клиенты

Существует два удобных способа расчета RFM-анализа: Excel (Google таблицы) и с помощью OWOX BI. 

1. Выгружаем из CRM данные по транзакциям: Имя клиента, Дата покупки, Сумма покупки.

2. Для того, чтобы определить последнюю дату покупки каждого клиента, сколько раз он за все время покупал и на какую общую сумму, мы используем функцию “Сводная таблица”​.
   

3. Поскольку некоторые из клиентов могли не один раз покупать наши продукты, нам нужно объединить все их транзакции в одну строку. Для этого мы выносим значение “Клиента” в “Строки”.​
   

4. Теперь нам нужно посчитать сколько раз заказывал каждый клиент. Для этого перетягиваем “Сумма” в “Значения” (только не забудьте в графе “Суммировать по” указать COUNTA). ​

5. Далее мы считаем общую сумму по каждому клиенту. Перетягиваем “Сумма” в “Значения” и в графе “Сортировать по” указываем SUM.​
   

6. И нам осталось вычислить последнюю дату покупки клиента. Для этого нам нужно просто перетянуть “Дата” в “Значения” и указать MAX в уже известной нам графе.​

Все, с подготовкой к анализу мы закончили. Эти данные мы переносим на новую страницу для непосредственного расчета RFM значений.

7. Для начала нужно привести таблицу в нормальный вид, переименовав столбцы в “Клиент”, “Дата последнего заказа”, “Частота заказов” ( или Recency, как вам удобно), “Количество заказов” и “Сумма”. ​

Теперь мы с чистой совестью приступаем к основной части анализа.

С помощью формулы =TODAY()- мы рассчитываем какое количество дней назад были совершены последние покупки клиентов. Это и будут данные по нашей R(Recency) 

8. У нас есть все данные по Recency, Frequency (количество заказов) и Monetary (сумма). Сейчас мы будем присваивать значения от 1 до 3 (о чем мы уже говорили чуть выше) в соответствии с этими данными. ​
   

Начнем со значений для Recency. Первое, что нам нужно, это рассчитать как давно у нас покупали 33% и 66% клиентов. Все это легко делается с помощью формулы =PERCENTILE.INC(C2:C12;0,33) и =PERCENTILE.INC(C2:C12;0,66).

9. Соответственно, тем клиентам, кто покупал менее, чем 61 день назад мы присваиваем наивысшее значение - 3. Тем, кто делал заказ от 61 до 93 дней назад - 2. И остальным, кто покупал более чем 93 дня назад мы присваиваем значение 1. Все это можно автоматически рассчитать с формулой =IF(C2<61;3;IF(C2<93;2;1))​

10.  По такому же принципу просчитываем значения для F(Frequency) и M(Mmonetary): сначала вычисляем сколько раз покупали 33% и 66% клиентов и по результатам (F 2 и 3, a M 6185 и 8020 соответственно) проставляем значения от 1 до 3.​

11.  И для большей наглядности нам осталось просчитать общее значение RFM, объединив все 3 значения по каждому клиенту в одну ячейку. Чтоб не делать это вручную мы используем формулу =D2*100+F2*10+H2 ​
    

Готово. Мы только что сделали все необходимые расчеты по RFM-анализу в Google Таблицах (Excel). Стоит учитывать, что, хоть формулы и помогают немного автоматизировать просчеты, все равно приходится тратить много времени.
Если вы цените свое время и время ваших сотрудников, или у вас большая база данных, у нас есть для вас более удачное решение - сделать RFM-анализ с помощью OWOX BI.

В отличии от ручной работы с Excel, OWOX BI дает возможность автоматизировать процесс расчета RFM. 

В качестве источника данных для анализа служит таблица или View в Google BigQuery с данными о каждом заказе со следующим набором полей:

• userId — ID пользователя в БД сайта / ERP;
• revenue — доход с заказа
• created — дата создания заказа

Для расчета RFM-сегментов мы рекомендуем использовать данные о подтвержденных заказах из ERP. Вы легко сможете их экспортировать в BigQuery с помощью OWOX BI Pipeline.

Также с OWOX BI у вас есть возможность настроить импорт результатов RFM-анализа в Google Analytics.

Это позволит:

• Строить новые пользовательские отчеты и сегменты в интерфейсе Google Analytics для более глубокого анализа аудитории, используя дополнительную информацию о пользователях.
• Использовать результаты RFM-анализа для создания аудиторий ремаркетинга в Google Ads, email-рассылок и программ лояльности.

Настройка импорта данных RFM-анализа в Google Analytics из Google BigQuery состоит из нескольких этапов:

1. Настройка веб-ресурса Google Analytics
2. Создание потока в OWOX BI Pipeline

Настройка веб-ресурса Google Analytics

1. Создайте Custom Dimensions уровня пользователя для хранения результатов RFM-анализа (Custom Definitions -> Custom Dimensions -> + New Custom Dimension):
   

2. Создайте data set для импорта данных в Google Analytics (Data Import → New Data Set):​
   

• Выберите тип data set — User data

• Укажите тип импорта Query Time. Это позволит объединить импортируемые данные с историческими — в противном случае данные будут объедены только с теми хитам, которые будут собраны в Google Analytics после загрузки результатов RFM-анализа. Обратите внимание, что Query Time импорт доступен только ​пользователям Google Analytics 360:

• Укажите название data set и определите список представлений в которых будут доступны импортируемые данные:

• Определите схему данных и сохраните data set:​

Готово. Настройки веб-ресурса Google Analytics для импорта данных выполнены. Теперь приступаем к импорту.

Создание потока в OWOX BI Pipeline:

1. Подготовьте SQL-запрос, который будет возвращать данные в правильной структуре
2. Создайте поток в OWOX BI Pipeline согласно инструкции
   

Ожидайте, пока данные появятся в Google Analytics:

Все, готово. OWOX BI автоматически провел RFM-анализ, не требуя от вас много времени.

Ознакомиться с примерами использования результатов импорта данных RFM-анализа в Google Analytics вы можете в нашем блоге.

Когда все расчеты уже готовы, и у вас появилась возможность четко распределить клиентов на сегменты, пора переходить к приятной маркетинговой части этой темы.

Сгруппировав клиентов по значениям RFM, вы сразу получите целостную картину происходящего с вашей клиентской базой. Давайте рассмотрим примеры некоторых таких групп клиентов.

Группа 3R-3F-3M - самые активные, покупают часто

Помните, это ваши идеальные клиенты. Можно расширить границы сотрудничества с этими людьми, запустив программу лояльности, приглашая на специальные мероприятия или же анкетируя их на предмет пожеланий к развитию компании. Важно показывать таким клиентам, что они – уважаемые и желанные гости, а не случайные прохожие.

Сегмент 1R-1F-1M - самые неактивные, покупали один раз/ни разу, потратили минимальную сумму

Хоть эти клиенты и кажутся наименее перспективными, не стоит совсем списывать их со счетов: хоть раз, но они все же проявили интерес к вашей продукции. Чаще всего для них готовят специальные, «провокационные» сообщения, которые позволяют разделить их на “точно незаинтересованных в продукте” и “перспективных”, которых можно перевести в следующую категорию.

1 в одной из категорий

Например, у нескольких ваших клиентов идет значение 122 (хромает Recency). Такому сегменту следует дать немного времени, чтобы определиться и вернуться к вам. Попробуйте предложить им товары, которые как правило покупают за компанию с теми, что приобрели они ранее, чтобы вызвать у них повторный интерес к вашей компании.

3 в одной из категорий

Эти пользователи – подающий большие надежды сегмент и простор для вашей исследовательской деятельности. Они достаточно постоянны, чтобы вы смогли поэкспериментировать и найти подходящий под специфику вашей компании способ поднять на уровень выше их остальные показатели.

Методика RFM – далеко не абсолютный, но крайне полезный инструмент анализа клиентской базы. Проделав сравнительно небольшую работу, вы увидите как реализовать индивидуальный подход к своим клиентам. 

При этом учитывайте, что на данные 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 у вас еще остались вопросы, задайте их нам в комментариях ниже :)