Файл: Анализ клиентской базы с использованием методики RFM-анализа (Понятие RFM-анализа и его показатели).pdf

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.

Глава 1. «Торические основы RFM-анализа».

1.1 Понятие RFM-анализа и его показатели.

RFM-анализ — сбор данных об активности покупателей, деление их на группы для индивидуальной работы с каждой.

Данный анализ основывается на трех показателях:

Recency – Давность сделки	Frequency – Частота сделки	Monetary – Вложения
Сколько часов, дней, недель или месяцев прошло с момента последней сделки, совершённой потребителем	Как часто потребитель покупал товар, пользовался услугой, открывал письма или заходил на сайт за определённый период времени	Сколько денег потратил клиент за конкретный период. (Если не про деньги, то: как долго бывал на сайте или какова его вовлечённость)

Рис.1 Параметры RFM-анализа.

RFM-анализ родился из правила Парето: 80% прибыли приносит только 20% клиентов. То есть задача бизнеса – распознать те самые 20% лучших потребителей и направить на неё максимум рекламных усилий.

Такой анализ впервые использовали для сегментации базы email-рассылки. Но он подходит и для других областей маркетинга, например, для запуска ретаргетинга. Мы расскажем о том, как работать с RFM-анализом в рассылке по базе интернет-магазина.

Областью применения данного метода являются B2C компании 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).

RFM-анализ помогает выявить разные сегменты покупателей. Например, лучшие, спящие и почти потерянные:

Лучшие — покупают много, недавно оформляли покупку, тратят больше остальных.
Спящие — совершали несколько покупок, тратят средние суммы, покупали последний раз не так давно.
Почти потерянные, ушедшие — купили 1–2 раза, потратили мало, давно не заказывали.

Это только пример глобальной сегментации. На деле RMF-анализ помогает сегментировать аудиторию по множеству параметров и подобрать лучший способ вернуть клиента или перевести его в благоприятный для вашего бизнеса сегмент, где он будет приносить больше прибыли. Этот анализ помогает бизнесу расставить акценты и решить четыре основных вопроса:

Каких потребителей надо отбраковать, чтобы не тратить на них время и бюджеты?
Какие потребители вероятнее всего отзовутся на рекламные акции?
Какие потребители являются лучшими, то есть принесут наибольшую прибыль бизнесу?
Какие рекламные кампании наиболее эффективны для тех или иных потребителей?

Есть и промежуточные сегменты. Например, те, кто приходит 1–2 раза в год и заказывает на сумму, в 10–15 раз превышающую средний чек, или частые клиенты, но с низким ценником заказа. К каждой группе покупателей нужен свой подход, и RFM-анализ помогает понять, к какому сегменту относится клиент.

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.

1.2 Плюсы и минусы RFM-анализа.

Но как бы ни был хорош RFM анализ, важно понимать, что в реальном мире не всё так идеально и этот инструмент имеет свои плюсы и минусы:

Плюсы:

Экономия. Помогает уменьшить затраты на маркетинговые кампании за счёт оптимизации таргетинга;
Удобство. Подходит для онлайн-торговли, рассылок, прямого маркетинга и некоммерческих организаций;
Сочетаемость. Его удобно комбинировать с другими инструментами по работе с клиентами;
Лояльность. Уменьшает негативное поведение клиентов за счёт контролируемого таргетинга.

Минусы:

Клиентская база. Эффективность анализа зависит от базы данных компании (на 5 клиентах далеко не уедешь);
Цикличность покупок. Не годится для компаний с “одноразовыми” клиентами или товарами;
Опыт сделок. RFM-анализ основан на истории. Он показывает прошлое и не прогнозирует будущее;
Сложность расчетов. Без ПО и скриптов рассчитать RFM-оценки сложно, особенно для крупных компаний;
Движение клиентов. База данных – живая, сегменты могут меняться, и придется обновлять анализ (хотя бы раз в год).

1.3 Как провести RFM-анализ и сегментацию.

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.

Если вы хотите разбить клиентскую базу на 50–100 групп или у вас много покупателей, обратитесь к профессионалам. Если же нужно понять общую картину и клиентов сравнительно мало, например 100–500, используйте сервисы типа Mindbox, программные решения типа скриптов для обработки данных на Python. Или сделайте все вручную самостоятельно, а мы расскажем, как.

Показатели мы рассматривали выше: Recency, Frequency, Monetary. Внутри каждого из них нужно создать группы, к которым потом можно отнести клиента. Например, для показателя Recency создайте сегменты тех, кто покупал недавно, сравнительно недавно и давно. Для Frequency — тех, кто покупает много, немного и очень мало. Для Monetary — тех, кто тратит очень много, средне и мало.

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.

Если у вас пока что небольшая база клиентов, достаточно будет трех групп внутри каждого показателя. Каждой группе присвойте цифру от 1 до 3 и укажите значение.

Группы вы определяете сами, потому что каждый бизнес индивидуален. Например, если у вас интернет-магазин электроинструментов, лучшими клиентами по показателю Recency будут те, кто купил в течение последних 1–2 месяцев, спящими — те, кто обращался в течение последних 2–12 месяцев, почти потерянными — те, кто покупал больше года назад.

Заведите отдельную табличку, в которой укажете конкретные значения для каждой группы внутри показателей.

Рис. 2 Разбивка на группы внутри показателей при RFM-анализе.

Потом на основе этой разбивки получатся RFM-сегменты. Обычно их обозначают цифрами. Например, RFM-сегмент 123 — это:

Группа 1 в показателе Recency — клиенты покупали в течение месяца
Группа 2 в показателе Frequency — клиенты сделали 3–9 заказов
Группа 3 в показателе Monetary — сумма заказов меньше 5000 ₽

Если используете три группы внутри каждого показателя, получится 27 RFM-сегментов. Если решили провести более детальную проработку и используете 5 групп, то сегментов будет уже 125. Если решили пойти по простому пути, то основных сегментов, на которые стоит обратить внимание, будет несколько:

111 — лучшие клиенты, те, кто покупает часто, тратит много, недавно сделал заказ
222 — так называемые спящие: у них в покупках средние чеки, они оформили несколько заказов, последний из них — не так давно
333 — потерянные, покупающие мало, очень редко, оформившие последний заказ давно
1xx — лояльные, недавно совершившие последнюю покупку и, возможно, готовые вернуться вновь
xx1 — те, кто тратит больше остальных или приносит больше всего ценности компании
311 — те, кто по каким-то причинам отказался от покупок у вас, но был лоялен раньше

Рис 3. Расшифровки сегментов

1.4 Шаги проведения RFM- анализа.

Шаг 1. Сбор данных. За какой период брать данные, зависит от специфики бизнеса (в том числе B2B или B2C). Как правило, собирают информацию за последний год. В качестве данных клиентов выступают следующие позиции:

ID клиента (это может быть номер телефона, ФИО или e-mail);
Даты покупок, сделок или иных действий;
Количество покупок;
Сумма этих покупок.

Шаг 2. Группируем потребителей и оцениваем. Чем больше база данных, тем больше групп и тем шире шкала оценок. То есть если у Вас 3 группы, то шкала оценок будет от 1 до 3, если 4 – от 1 до 4, если 5 – от 1 до 5.

Стандарт – это три группы, на него мы и будем опираться. Итак, теперь присвоим каждой группе оценку:

Группа 1. Потребители с хорошими показателями (больше покупают, делают это часто и оставляют нам большие суммы). Присваиваем оценку “1”;
Группа 2. Потребители с нормальными показателями (иногда приходит, не всегда покупают, обычно на средние суммы). Присваиваем оценку “2”;
Группа 3. Потребители с плохими показателями (редкие гости, мало покупают, чеки совсем небольшие). Присваиваем оценку “3”.

Обозначу сразу, что всю базу мы разбираем для каждой буквы по отдельности. То есть наши 3 сегмента в разрезе

“R”, потом “F” и наконец по “M”. Итого у нас получится 27 сегментов (3*3*3).

Кстати, если Вы знакомы с ABC анализом, то метод RFM будет для Вас достаточно простым, так как принцип у него похожий, мы также делим на группы.

Чтобы упростить данный шаг, лучше автоматизировать процесс и применить специальное ПО, например, CRM-систему. Там выгрузить эти данные довольно легко.

Также сразу в нашем документе после даты последней покупки делаем столбцы “Текущая дата” и “Количество дней с последней покупки”. А в конце три столбца “R”, “F”, “M”. Их пока не трогаем, но дальше они пригодятся.

Глава 2. «Практическое решение RFM- анализа»

Для того чтобы начать проводить RFM- анализ нужно создать таблицу с клиентами, и их последними покупками с датами.

Далее считаем общую сумму покупок. И создаем еще таблицу с такими показателями как: число покупок и общая сумма покупок.

Рассчитываем какое количество дней прошло с покупки у каждого из клиентов. Такие данные нам понадобятся для присвоения числовых показателей R, F, M. Данные этих показателей мы берем из Рис.2. Присваиваем каждому клиенту свои показатели RFM- анализа.