RFM-анализ клиентской базы для увеличения повторных продаж: примеры и видео

Подробнее о том, что такое RFM в другой статье. Я подготовил RFM анализ для нашего сервиса eSputnik, чтобы понять картину с нашими клиентами. Мне понравился этот метод, как очень простой способ визуализации поведения клиентов. Да, это было интересно, но очень скоро я понял, что в этой картинке нет практической пользы.

В цифрах вообще нет пользы, если они не меняют наших действий на завтра.

RFM анализ в email маркетинге

В этот раз я поделюсь с вами опытом и наблюдениями как извлекать пользу из RFM даже не имея трёхлетней истории продаж. Мы провели RFM анализ клиентов для десятков различных магазинов и столкнулись с рядом преград на пути к получению реальных результатов. До того как описать их все, давайте ещё раз вспомним, что нам даёт RFM модель.

Что такое RFM анализ?

Подробнее о том, что такое RFM-сегментация и анализ, читайте в другой статье.

Мне кажется, показатель Monetary не обязательно привязывать к деньгам. Это может быть любой фильтр, наложенный на основные показатели этого метода: Давность и Частота.

Например, для информационного портала можно взять время просмотра страницы или глубину просмотра страниц на сайте. RF матрицу можно рассматривать отдельно для разных типов клиентов, фильтруя по источнику клиента, по регионам, по категориям купленых товаров, по возрасту и многое другое.

Как провести RFM анализ клиентской базы?

Если разбить всех ваших клиентов по давности последней покупки на несколько групп и по количеству сделанных покупок, то можно построить матрицу из которой видно как разбить ваших клиентов по группам, на основании их активности:

• Новички
• Одноразовые покупатели
• Растущие
• Потерянные клиенты
• VIP

На самом деле групп гораздо больше, но об этом потом. Обычно я строю шкалы по частоте и давности, по принципу: от плохого к хорошему. Получается:

• По давности: слева те, кто покупал очень давно, а справа — кто покупал недавно.
• По частоте: снизу те, кто сделал одну покупку, а сверху — много. Тогда визуально разделение групп будет выглядеть примерно так:

Об этом мы уже писали и раньше, но давайте посмотрим детальнее как разбить базу на группы и разметить шкалы, сколько групп выделить и что с ними делать дальше.

Самый важный показатель — «Давность». Чем больше времени прошло с момента последней продажи, тем меньше вероятность следующей покупки. И падает эта вероятность очень стремительно. Давайте разберёмся с «Давностью» с самого начала. К примеру, у нас есть 3 клиента (квадрат, круг, треугольник), и на графике мы отметим время когда каждый клиент делал покупку.

Важно, прошу прощения, я почему-то нарисовал график давности в обратном направлении от хорошего к плохому, исправлю, но чуть позже :(

Задача — определить сколько клиентов по «Давности» попадёт в каждый из периодов. Важно понимать, что давность — это показатель, который принимает во внимание только последнюю покупку, предыдущие покупки будут отмечены в частоте. Таким образом правильным ответом на задачку будет:

• Период 1: 1 (только круг)
• Период 2: 1 (только треугольник)
• Период 3: 1 (только квадрат, потому что круг и треугольник покупали и после того)
• Период 4: 0 (все делали покупку после этого)

Если взять и посчитать сколько клиентов попадают в каждый сегмент, то можно построить графики, которые могут выглядеть приблизительно так:

И снова вопрос: какой из трёх вариантов лучше?

Часто я слышу что «красный (3)» — потому что он стабильный. На самом деле, он показывает что мы постоянно привлекаем клиентов, которые делают покупку и не возвращаются снова. Хорошо что показатель немного нарастает, но всё же «сиреневый (1)» — лучше. По нему видно, что большинство нашей аудитории недавно покупали и сильно вовлечены в процесс покупки. Конечно, самый плохой — «зеленый (2)» график. В этом случае у нас был всплеск активности (может быть Новый год или сильные инвестиции в контекст), а потом всё растеряли.

В большинстве книг по анализу, в том числе в популярном издании «Маркетинг на основе баз данных» Артура М. Хьюза, предлагается очень простой механизм разделения «Давности» по сегментам: отсортировать все контакты по давности и разбить на 5 равных групп. То же самое рекомендуется сделать и с Частотой и с Деньгами:

Этот способ работает и помогает разбить всех клиентов на: покупали только что, недавно, так себе, давно, очень давно относительно друг друга. Но что значит «когда»? Если мы не можем сказать точно «когда», то и оценивать эту группу тоже тяжело. Например, в соседние группы могут попасть контакты покупавшие в один и тот же день. Это лишь значит, что для одинаковых клиентов мы будем по разному себя вести... Зачем тогда вообще такой анализ? Всю глубину проблемы я постараюсь показать на двух примерах.

Примеры RFM-анализа в email-рассылках

Пример 1: В вашем магазине всё было хорошо, и вдруг в течение месяца ни одной покупки. Всё плохо, но если разбивать на равные части — ничего не изменится и всё те же последние покупатели попадут в сегмент «только что покупали».

Пример 2: Если у вас ещё нет данных о продажах за несколько лет, а Вы только начали свой бизнес, то границы с каждым днём будут очень сильно отличаться и пользоваться результатом такого анализа вообще нет смысла.

Сезонности, акции и праздники тоже сильно влияют на общую картину.

Любой сегмент контактов, о которых вы не можете сказать что-то определённое — плохой сегмент

Мне кажется логичнее фиксировать не количество, а время. Тогда оптимизация количества в группах и будет нашей задачей. Надо как можно больше получить контактов в группе «только что» и как можно меньше «давно».

Осталось только определить какие временные пределы лучше выставить. Для этого надо ответить для себя на несколько вопросов:

• Какой естественный период покупки?
• Какая сезонность?
• За какое время большинство клиентов успевает совершить повторную покупку?
• Какой период неактивности клиента можно считать, что мы потеряли клиента (длина жизненного цикла клиента)

Для компаний, у которых нет данных, можно предположить эти периоды. Для компаний «с историей» очень помогут несколько графиков (о которых я расскажу дальше) с разницей между покупками.

Я привёл пример графика с разницей в месяцах между первой и второй покупками. У большинства магазинов он выглядит примерно также, как на рисунке. Тут видно, что 50% всех повторных покупок делаются в течение 2 первых месяцев. За полгода 75% процентов делают свой второй заказ и 90% из тех кто покупают снова — покупают в течение 13 месяцев. Какой из этого можно сделать практический вывод? Мне кажется, ненадо спешить давать скидку тем, кто купит и так, без нашей помощи. Предлагать скидку надо через 2 месяца после первой покупки. До этого надо показывать релевантные предложения, быть на слуху и главное — быть полезным клиенту.

Если построить матрицу разности между любыми соседними покупками, то получится примерно следующая картина:

Интересно, что разница между первой и второй покупкой всегда больше, чем между второй и третьей. А между второй и третьей больше, чем между третьей и четвёртой, но чем дальше, тем меньше влияет количество покупок на разницу между ними. Выходит, что вначале человеку надо время, чтобы поверить. Возможно, в следующий раз он попробует купить в другом месте или просто подождёт. Но чем чаще он покупает, тем время между покупками становится меньше. Джим Ново в своей книге Drilling Down говорит, что этот график сначала падает, потом стабилизируется, потом начинает расти. Это очень похоже на жизненный цикл клиента, когда он понемногу перестаёт быть клиентом, все реже покупая. Но я ни разу не видел этой картины на практике.

Важно: для получения этих цифр лучше использовать не среднее, а медиану. Сейчас быстро попытаюсь объяснить разницу. Среднее — это сумма всех значений делённая на их количество, а медиана — это значение элемента, который находится посередине в отсортированной последовательности. То есть гарантировано 50% всех значений меньше или равны медиане, и 50% больше или равны медиане. Медиана лучше среднего, потому что в средних значениях сильное влияние имеют «аномальные значения». Те значения, которые очень редкие, но сильно выходящие за пределы большинства. Обычно медианы значительно меньше средних.

Ещё хорошо бы посмотреть на сезонность — часто это 12 месяцев. Посмотрев на все цифры можно сделать вывод, какой период поставить для групп, например:

• до 1 месяца
• до полугода
• до года
• до двух лет
• более двух лет

Но даже с таким подходом есть вопросы. А что если у одних клиентов естественный период покупки маленький, а у других большой? В таком случае я создаю каждому из клиентов профиль и для каждого профиля создаю свою градацию, которую нормализую по оси Давности в относительные категории:

• ожидаемого времени покупки
• если не купил — что-то странное
• мы его теряем
• мы его потеряли, но есть последний шанс
• наверняка мы его потеряли

Точно такая же история и для «Частоты», только почти всегда у меня получается приблизительно одна и та же шкала. Те, кто сделали:

• 1 покупку (этих большинство)
• 2 покупки (преодолели психологический барьер и пришли снова, уже зная о том, как работает магазин)
• 3-4 покупки (несмотря ни на что, продолжают покупать. Надо удержать любой ценой)
• 5-15 покупок (поверили, на них вся надежда. Тут верхняя граница бывает очень разная)
• больше 15 покупок (маньяки, часто это перекупщики, партнёры, т.п. К ним надо присмотреться отдельно)

Ну вот и весь RF анализ. Если посмотреть на матрицу RF, зная как разбиты сегменты, то сразу понятно кто такие новички: совершили одну покупку совсем недавно. Одноразовые — совершили покупку давно, и уже наверняка забыли об этом. Вряд ли они придут к нам снова. Джим Ново говорит, что таких клиентов всегда 50-60% от всей базы клиентов и с этим надо смириться. Я обычно вижу 70% от всей базе в этом грустном сегменте. Для того, чтобы убедиться, что сегмент грустный можно попробовать вернуть кого-то и для этого Джим Ново предлагает стратегию — «смириться», но если не верите, то начните с:

1. Тех у кого несколько товаров в чеке
2. Тех у кого чек больше
3. Одноразовые покупатели, которые вернули товар - вероятнее придут к вам за второй покупкой, чем те, кто «всем доволен».

Если не удается их вернуть - вам никого не получится вернуть.

Единственная возможность вернуть покупателей за второй покупкой - обратиться к ним как можно быстрее. Но не слишком рано

Обратитесь слишком рано и будете навязчивым и будете предлагать лишние убийственные для бизнеса скидки.

Давайте посмотрим на RF в динамике. Интересно, что по шкале давности мы всегда начинаем с хорошего (только что купили) и скатываемся к плохому (давно не покупал). И как только сделана покупка, мы всегда возвращаемся снова в самый оптимистичный сегмент:

С частотой все наоборот. Начинаем всегда с самого плохого сегмента (1 покупка) и с каждой покупкой становимся лучше. Шансов вернуться обратно практически нет (если считать частоту за какое-то окно (например, 2 года), то частота может уменьшаться)

Есть ещё один тонкий момент: что делать если пауза «затянулась» и клиент не покупал очень давно (значительно превышая жизненный цикл клиента). Мне кажется, в таком случае если он и придет к нам снова, то только если мы снова его «купим» контекстом, сео или разонравится тот магазин, где он все это время покупал. В любом случае к нам придёт совсем другой человек с другими интересами и возможностями. Поэтому мы предлагаем как в детской игре сделать «сброс».

Особенности такого подхода к RFM в том, что его можно применять в первый же день использования магазина. следить за динамикой активности ваших клиентов:

• Кого вы теряете?
• Что надо сделать, чтобы вернуть клиентов тогда, когда это ещё возможно?

А также сразу настроить триггера основанные на неактивности клиента.

Для кого подходит RFM-анализ клиентов?

В первую очередь это необходимо маркетологам:

• RFM полезен для различных типов бизнеса - онлайн, розничная торговля, direct-маркетинг и т.д.
• Чтобы создавать более точные маркетинговые кампании, что помогает выращивать лояльность клиентов.
• Для понимания своей аудитории и более удобной работы с сегментами.
• Чтобы объединять данные с другими инструментами, с целью получить подходящий портрет клиента.

Кроме того, это точно необходимо вам, если вы хотите:

1. Автоматизировать общение

С RFM легко построить сегменты по жизненному циклу клиентов как в CRM, так и в esp, который используется. Можно использовать сегментированный подход как на основе открытия писем и кликов, а также по покупкам.

2. Увеличить срок жизненного цикла клиента

RFM может помочь в сокращении оттока клиентов, для использования в дополнительных или кросс-продажах отдельным сегментам, которые с большей вероятностью откликнутся на предложение.

3. Минимизировать затраты на маркетинг и улучшить ROI

Нецелевые маркетинговые кампании зачастую обходятся дороже, чем небольшой, но целевой сегмент клиентов. Таким образом вы можете значительно сократит расходы, проводить больше экспериментов и более детальноь анализировать полученные данные.

4. Лучше понять ваш бизнес

Сбор данных о поведении клиента зачастую бывает сложным и трудоёмким. RFM анализ один из быстрых методов, чтобы исправить эту ситуацию. Вы сможете оценивать не только историю транзакция, а и сравнивать сегменты друг с другом, отслеживать переход клиента их одной группы в другую.

Как часто нужно будет пересматривать данные по RFM?

Можете потренироваться и построить таблицу RFM-анализа в Excel, тогда вам придётся при каждом заходе в актуализировать данные вручную.

Нашим клиентам достаточно будет после интеграции с сервисом зайти в раздел Контакты - Аналитика и автоматичестки построится RFM в email-рассылках, где станут доступны:

• анализ повторных покупок,
• данные по прочтениям и переходам,
• построение и выгрузка отдельных сегментов для рассылок

Вместо выводов

На этом я обзорную статью заканчиваю, и обещаю написать следующую, в которой постараюсь дать ответы на такие вопросы:

• Как каждый из сегментов читает почту? Сегмент «потерянные» вообще реагируют на почту?
• Какая доля в продажах каждого сегмента?
• Какое типичное соотношение клиентов по сегментам?
• Как изменяется стратегия работы с каждым сегментом?
• Кому продавать, а кому не мешать покупать?

Хороших клиентов вам, пусть они все идут по самому короткому пути от Новичков в VIP :)

Статья обновлена от 16.06.2014

Special Request Inline