Практический RFM анализ для увеличения повторных продаж

Практический RFM анализ для увеличения повторных продаж (видео)

  • 1
  • 2
  • 3
  • 4
  • 5
Всего голосов: 159 средняя оценка: 4.83 (рейтинг: 97%)

Почти полгода назад я уже писал вводную статью о том, что такое RFM. Первое, что я сделал перед работой над предыдущей статьёй — 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.

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 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. RFM анализ основан на 3 показателях:

  • Recency — давность последней покупки
  • Frequency — суммарная частота покупок
  • Monetary — средний чек
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.
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:

RF анализ

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:

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)
А теперь посмотрим на всю картину целиком в матрице RF:
Мы всегда начинаем в сегменте «Только что» и с «1 покупки». А мечтаем, чтобы все клиенты попали в сегмент VIP. И самый короткий путь для этого — постоянные покупки. Если со старта клиент ничего не делает, он «сползает» по Давности в «редко», в сегмент «Одноразовых клиентов». Наша цель — не дать ему уйти. Для этого и созданы автоматические реанимационные письма ;)
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. Сразу настроить триггера основанные на неактивности клиента. Следить за динамикой активности ваших клиентов. Кого вы теряете? Что надо сделать, чтобы вернуть клиентов тогда, когда это ещё возможно?

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 :)

RFM анализ в email маркетинге

 

 

Только для подписчиков: 
НЕ Только для подписчиков

Добавить комментарий

Женя
22:56, 25 июня 2014

А что делать если есть только общее кол-во покупок клиента и общий чек?
Возможно провести анализ с такими данными и насколько он будет полезен?
К сожалению не все платформы могут предоставить полную историю клиента.

Дмитрий Спунтик
admin
20:48, 26 июня 2014

Женя, с одной стороны для построения сегментов Вам достаочно и этих данных, если у Вас есть еще и дата последнего заказа. Но вот грамотно разбить шкалу "давность" Вы не сможете. Но тут можно сделать предположения и уже начинать работать собирая более полные данные для уточнения этих периодов.

Анна
00:32, 18 августа 2014

Очень хорошая, ёмкая статья. Спасибо, Дмитрий. Приятно было читать умные вещи, книгу "Маркетинг баз данных" помню - очень дельная и лучше её спрятать от конкурентов :)
Теперь осталось всё о чём Вы написали - применить на практике.

Дмитрий Спунтик
admin
21:18, 25 декабря 2014

Анна, скажите, пожалуйста, удалось ли Вам применить что-то на практике. Есть ли у Вас какой-то результат. Я спрашиваю потому что мы много работали в этой области и у нас есть свои наблюдения, изменения к подходу, которые я собираюсь опубликовать.

Поэтому мне особенно важно Ваше мнение. Спасибо.

Анна
00:35, 18 августа 2014

Подписаться на рассылку не получается. Ввожу имя "Анна" и email, а мне в ответ - "Пожалуйста, введите корректное имя". Пичалька :(

Наталья Устименко
natalia.ustimenko
11:30, 18 августа 2014

Спасибо, что сказали! Уже всё работает:)

Евгений
12:45, 1 декабря 2014

Дмитрий Спунтик, я внимательно прочел статью и полностью поддерживаю доводы и методы описанные выше. А теперь немного дегтя... Реалии нашего е-коммерческого пространства таковы, что основным критерием выбора для клиента является цена. Можно много об этом спорить, но это именно так. И все покупки и анализ сводятся к некоему правилу "рулетки", где вероятность каждого "спина" одинакова. Не совсем понятным становится то, как можно применить теорию в условиях нестабильной экономики, откровенного демпинга и тд. Возможно, я смешиваю разное, но я пытаюсь максимизировать прикладную составляющую теории к нашим реалиям.

Денис
15:15, 25 декабря 2014

Три дня борюсь с проблемой - 80% клиентов попадают в сегмент 1 по давности и анализ динамики получается корявый... слишком большая разница между сегментами... Но медиана и еще парочку приемчиков помогли... Спасибо

Дмитрий Спунтик
admin
21:13, 25 декабря 2014

Денис, рад что статья помогла. 80% попадают в сегмент 1 по давности, это грустно, но часто так и происходит.

От себя я хочу сказать, что вы можете определить свою границу для сегмента 1 и исправить ситуацию :). Я устанавливаю их по такому принципу:
* считаю разницу между соседними заказами.
* считаю где границы 50%, 75%, 90%, 98%, т.е. в последнем случае, например, 98% в течение этого времени делают следующую покупку. Если клиент этого не сделал, то вероятность что он купит = 2%.

Я высчитываю такие дельты между 1ой и 2ой покупкой отдельно, а между 2 и 3ей отдельно. Так и получается что для каждого сегмента по частоте у меня вырисовывается прогнозная модель.

Такой подход может быть применен, только если есть данные за достаточно долгий промежуток времени - от года. Если данных меньше, то я фиксирую время.

Еще я объединяю все первые заказы в один на срок равный сроку доставки. И объединяю все оставшиеся заказы в течение одного дня в один день. Но это тема отдельной статьи до которой не доходят руки.

Спасибо за интерес к теме :) Буду рад услышать как это помогло Вам.

Денис
15:17, 25 декабря 2014

Подскажите пожалуйста в какой программе рисовали первый график? В смысле реально рисовали или это реальные показатели?

Дмитрий Спунтик
admin
21:16, 25 декабря 2014

Реально рисовал. Это для наглядности :) А вообще вскоре у нас в системе есть встроенный расчет rfm, правда визуализация появится отдельно в течение месяца, я думаю.

dmitry.kresin@g...
14:06, 27 марта 2015

Должен сказать, что видео существенно упростило понимание RFM анализа... особенно для начинающего.

Анастасия
09:57, 6 января 2016

Дмитрий, спасибо за Ваш видео-урок, спасибо за Вашу харизму! Мы переходим на Ваш сервис!!!

Практический RFM анализ для увеличения повторных продаж (видео)