Применение RFM-анализа в маркетинге

Одним из эффективных маркетинговых инструментов является сегментация клиентов по различным признакам. Такой подход позволяет группировать клиентов для более эффективного продвижения товаров или услуг. Среди различных методов систематизации клиентской базы особое место занимает RFM-сегментация. Она представляет собой метод анализа, основанный на группировке пользователей по трем ключевым критериям:

• R – Recency (давность). Этот параметр показывает, как давно клиент совершал покупку.
• F – Frequency (частота). Это показатель того, как часто клиент совершает покупки.
• M – Monetary (деньги). Данный критерий показывает общую сумму совершенных заказов.

По этим показателям можно разделить клиентов на несколько групп, определить, кто покупает много и регулярно, а кто когда-то давно совершил один заказ и больше не проявляет активности.

Суть RFM-анализа

Технология RFM-сегментации достаточно проста. Нам нужно разделить всех клиентов по каждому критерию на три равные группы, который присваивается значение от 1 до 3. Это должно выглядеть следующим образом:

Сегментация по давности покупки:

• 1 – клиенты, совершавшие покупки давно;
• 2 – клиенты, совершавшие покупки относительно недавно;
• 3 – клиенты, совершавшие покупки недавно.

Сегментация по частоте заказов:

• 1 – клиенты, которые сделали единичный заказ или покупают очень редко;
• 2 – клиенты, совершающие нерегулярные покупки время от времени;
• 3 – клиенты, покупающие часто.

Сегментация по сумме покупок:

• 1 – небольшой средний чек;
• 2 – средняя сумма покупок;
• 3 – большой средний чек.

Таким образом, каждого покупателя можно представить в виде набора из трех цифр. Например, клиент 111, когда-то давно совершил единичный заказ на небольшую сумму. А вот покупатель 333 наоборот, заказывает часто и с большим средним чеком.

Делаем RFM-анализ в «Экселе»

Использование классического MS Excel или Гугл-таблиц является наиболее простым способом произвести RFM-сегментацию клиентуры. Последовательность действий здесь следующая:

1. Берем данные из CRM системы по транзакциям и выгружаем их в таблицу. Нам понадобятся такие столбики, как Имя клиента, Дата заказа и Сумма заказа.
2. Теперь определяем крайнюю дату покупки по каждому заказчику. Для этого применяем инструмент «Сводная таблица».
3. Объединяем все транзакции клиента в одну строку. Это необходимо, чтобы учесть все покупки, совершенные одним заказчиком. Делаем эту путем вынесения значения «Клиента» в «Строки».
4. Считаем количество заказов по каждому клиенту. Чтобы это сделать, следует перетянуть «Сумму» в «Значения». При этом главное на забыть выбрать пункт «Суммировать по COUNTA».
5. После этого нужно посчитать итоговую сумму по каждому покупателю. Для этого необходимо перетащить «Сумму» в «Значения», после чего в пункте «Суммировать по» выбрать SUM.
6. Последний подготовительный этап – это вычисление крайней даты совершения клиентом заказа. Тут все просто – перетаскиваем «Дату» в «Значения» и в графе «Суммировать по» указываем МАХ.
7. Теперь переносим все подготовленные данные на новую страницу, на которой будем выполнять непосредственный расчет показателей RFM. Обозначаем столбцы так, как нам будет потом удобно их анализировать.
8. Приступаем к анализу. Берем формулу =TODAY() и поставляем туда массив данных из столбца частотой заказов.
9. Теперь присваиваем значения по группам от 1 до 3 по частоте, давности и сумме заказов. Делаем это с помощью формулы =PERCENTILE.INC.

10. Последний этап – присвоение трехзначного номера по RFM-сегментации каждому клиенту.

Альтернативный метод

Несмотря на широкое использование формул, проведение RFM-анализа с помощью Гугл-таблиц представляет собой довольно кропотливую и трудоемкую работу. Чтобы избежать этого, и максимально автоматизировать сегментацию, можно воспользоваться более подходящими инструментами. В качестве примера рассмотрим набирающий популярность сервис OWOX BI. Он позволяет выполнять анализ в автоматическом режиме, используя облако Google BigQuery. Оттуда данные можно легко импортировать в Google Analytics для построения индивидуальных пользовательских отчетов и использования результатов RFM-сегментации для формирования программ лояльности, почтовых рассылок и пр.