Насколько органичен и прост RFM анализ в e-marketing, настолько же он отпугивающе далек для тех, кто еще не начал им пользоваться. Лично нам этот подход настолько понравился, что мы уже дважды писали статьи о нем (раз и два) и даже уже интегрировали его в систему email маркетинга eSputnik.
И вот мы снова пишем об RFM, однако, в этот раз мы покажем как он строится на конкретном примере, воспользовавшись базой данных вымышленного интернет-магазина «Тип-топс». Постараемся все объяснить подробно и человеческим языком, так что приглашаем к чтению и экспериментированию маркетологов, для которых RFM это пока только знакомая аббревиатура, а не практичный инструмент.
Табличный файл Analysis_Sample
Файл с базой данных и всеми расчетами можно загрузить по ссылке. Мы уже описывали этот файл и работу с ним в первой статье аналитической серии — Анализ данных в электронном маркетинге. Статья 1 — Каналы привлечения клиентов — поэтому здесь подробно остановимся только на том, что нужно непосредственно для RFM анализа.
А понадобится нам только база продаж, в которой есть информация о дате, цене заказа и id клиента. Результаты мы найдем на листе «RFM_Анализ», в то время как часть промежуточных расчетов автоматом делается на листе «База_клиентов».
RFM-анализ — это просто
Что такое RFM-анализ? Это, всего навсего, один из способов сегментации базы клиентов.
По какому принципу сегментируется? По активности клиента. Смотрим, как часто он делал покупки (Frequency), как давно (Recency) и насколько дорогие (Monetary). Еще не делал покупки? Тоже не проблема.
Что нам это даст? Мы можем «приблизить» свое маркетинговое предложение к клиенту, даже не зная о нем никакой дополнительной информации.
Где это работает? Везде, где есть множество клиентов и возможность адресно обратиться к каждому. Мы анализируем частоту и давность покупок в ecommerce, но с таким же успехом, это могут быть прочтения писем в подписном бизнесе или заходы в приложение в SaaS.
В самом начале я уже снабдил RFM-анализ эпитетами «органичный» и «простой». Это, действительно, самый естественный способ составить представление о клиенте без дополнительных данных о нем. Все что нужно — это история наших с клиентом взаимоотношений. Причем в некоторых случаях RFM может быть упрощен до RF, т.е. анализом цен можно пожертвовать в угоду большей простоте и универсальности. Благо информация о частоте покупок может косвенно, но с большой достоверностью говорить о доходе, который нам принес клиент.
Далее мы покажем как мы сегментировали нашу базу продаж по R, F и M.
База клиентов
Первое, что мы сделали, это построили базу клиентов с такими полями для каждого:
- id клиента (уникальный идентификатор)
- дата последнего заказа
- количество заказов
- сумма цен по всем заказам
Нам не потребовалась для этого помощь программиста баз данных, все данные у нас уже были в базе продаж. Потребовалось, конечно, некоторое знание формул табличного редактора, хотя тот же результат можно было получить и с помощью инструмента сводных таблиц, который более известен, чем формулы работы с массивами.
Основной целью было сформировать таблицу, где каждый клиент имеет свою строку и встречается только один раз в отличие от базы продаж, где он мог встретиться столько раз, сколько заказов сделал.
Recency
Для сегментации по Recency, т.е. по давности последней покупки, мы задали периоды для четырех сегментов. Обратите вниамние, все пользовательские данные в нашем файле заносятся в оранжевые ячейки.
Мы выбрали:
- Сегмент 1 — До месяца
- Сегмент 2 — До 3 месяцев
- Сегмент 3 — До года
- Сегмент 4 — Более года
Самый благоприятный для нас сегмент — сегмент самых недавних покупок — имеет номер 1. Если вы привыкли к обратной нумерации, то можете изменить порядок в оранжевых ячейках последнего столбца показанной выше таблицы.
Последняя дата всей нашей базы известна, т.е. мы можем отсчитать от нее в обратную сторону длительности сегментов и получить даты их границ.
И теперь нам остается сопоставить даты границ сегментов и даты последних заказов и уже по этим датам присвоить номера сегментов 1-4 каждому клиенту.
Результат — в колонке «Recency_Segment» на листе «База_клиентов». Общее количество клиентов по сегментам можно увидеть на показанном выше скриншоте с листа «RFM_Анализ».
Frequency
Точно так же задаем границы сегментов, на этот раз — количество заказов:
- Сегмент 4 — 1 заказ
- Сегмент 3 — 2 заказа
- Сегмент 2 — 3-4 заказа
- Сегмент 1 — 5 и более заказов
Результат смотрим в колонке «Frequency_Segment» на листе «База_клиентов» и в соответствующей таблице на листе «RFM_Анализ».
Обращаем внимание, что в нашей базе — только клиенты, которые сделали хотя бы одну покупку. Такой же анализ можно делать и с участием клиентов, вообще не делавших покупок, но эта ситуация не обрабатывается в наших формулах и требует небольшой настройки.
Также придется настраивать расчет и при увеличении количества сегментов. Мы выбрали по 4 сегмента для каждого направления, чтобы не наплодить несметного количества вариантов. Ведь предполагается, что к каждому сегменту будет привязано какое-то маркетинговое действие.
Monetary
Как уже говорилось, интересные и полезные результаты можно получить уже при совместном анализе только R и F. Мы построили также сегменты и для M, там все аналогично предыдущим двум направлениям. Результат — в колонке «Money_Segment» на листе «База_клиентов» и в соответствующей таблице на листе «RFM_Анализ».
Матрица RF
В результате нашего анализа по R и F мы строим матрицу, располагая сегменты Recency по горизонтали, а сегменты Frequency — по вертикали. У нас получается 16 (4х4) производных сегментов клиентской базы. Это уже достаточно много, так как нам нужно настроить соответствующую реакцию для каждого клиентского сегмента. Но весь смысл матричного сопоставления R и F заключается в том, что мы можем объединять сегменты, выделяя группы клиентов на свое усмотрение.
Кто-то предлагает объединить все мелкие сегменты в четыре квадранта (например, Джим Ново в статье на своем блоге), кто-то — использовать персонализированное разделение матрицы.
Мы пошли по второму пути, определив 7 клиентских сегментов. Это позволило нам сократить с 16 до 7 число групп, для которых мы прописываем индивидуальные действия. Результат показан на скриншоте выше. В первой таблице скриншота посчитано количество клиентов из нашей базы в каждом сегменте, во второй — приводится расшифровка сегментов, в третьей — примеры маркетинговых действий для каждого сегмента.
Продолжение следует…
Обратите внимание, что мы выделили сегмент тех клиентов, которые не покупали очень давно — сегмент «Ушедшие». Мы с полным правом можем вычеркнуть из списка активных клиентов, сэкономив, тем самым, на персональном маркетинге для них.
Кроме того, сегмент «ушедшие» может задать нам критерий конца жизненного цикла клиента, который так неоднозначен в ecommerce. Мы покажем как это может работать для расчета оттока клиентов и Lifetime value на примере когортной сегментации, о которой поговорим в следующей статье нашей аналитической серии.
Stay tuned :)
P.S. RFM анализ, как мы уже говорили, очень эффективен именно в email маркетинге, так как позволяет полностью автоматизировать «умные» персонализированные маркетинговые рассылки.
Статья 1 — Каналы привлечения клиентов
Статья 3 — Когортный анализ и LTV
Статья обновлена от 26.02.2015