Рмф анализ. Как провести классификацию клиентов. RFM-анализ. Зачем нужен RFM-анализ

RFM анализ в Excel и Power BI

Рмф анализ. Как провести классификацию клиентов. RFM-анализ. Зачем нужен RFM-анализ
≡  19 June 2016   ·  Рубрика: Excel, Power BI   

В этой статье мы разберем RFM-анализ с помощью Excel и построим простую визуализацию в Power BI. Вы узнаете, как анализировать ваших клиентов и почему клиенты, которые недавно совершили покупку, с большей вероятностью откроют вашу email-рассылку!

Что такое RFM-анализ

Для начала давайте вспомним основные тезисы. RFM-анализ — анализ клиентов по давности, частоте и ценности покупок. Это один из классических и эффективных методов прогнозирования поведения клиентов. Преимущества RFM-анализа:— не требует особых знаний.

Не нужно привлекать аналитиков, математиков, анализ можно сделать на листе Excel;— не требует временных затрат. За 25 минут можно сделать анализ базы до 50-70 тысяч клиентов, зная несколько формул Excel;— не требует дополнительных данных.

Нужна только выгрузка из CRM-системы с информацией о текущих клиентах;

— не требует дополнительных затрат и даже позволяет экономить на email-рассылках и коллцентре.

Применение RFM

Один из самых эффективных методов работы с базой клиентов — RFM-анализ. Применяется для эффективной коммуникации со своей базой клиентов посредством email и смс-рассылок, обзвона по базе клиентов. Ранее в директ-мейлинге и каталогах по почте. Эффект достигается за счет персонализации рекламного предложения с помощью самых простых данных о клиенте — датах его покупок.

Не все клиенты одинаково полезны

Концепция RFM

Есть 3 параметра, по которым будем классифицировать клиентов:

— R (Давность)
Давность последней покупки. Самый важный показатель. Покупатель, который неделю назад открыл счет в банке, с большей вероятностью откроет ваше письмо или вступит в диалог с менеджером, чем клиент, который уже 5 лет у вас обслуживается.

Методология проста: разбиваем базу на 5 абсолютно равных частей (квинтилей), назначая каждой группе номера от 1 до 5. Самые “свежие” клиенты будут иметь номер 5, а те, кто давно не покупал, — номер 1.

Разбивка может иметь разные методологии (через нахождение медианы или среднего, средневзвешенных значений), но обычно установка абсолютно правильных границ не стоит затрачиваемых усилий.

— F (Частота)
Частота покупок или сумма всех покупок клиента за период. Показатель, который говорит, как часто клиенты совершают покупки. Показатель частоты может также показать тенденцию покупательского поведения.

Например, в среднем воду на дом заказывают 1 раз в 6 недель, а в офис — 1 раз в 4 недели. Соответственно, офисным клиентам нужно звонить с напоминанием или делать email и смс-рассылку чаще. В книге “Маркетинг на основе баз данных” , Артур М.

Хьюз утверждает, что Частота в меньшей степени помогает спрогнозировать поведение клиентов, чем Давность. Метод разбивки точно такой же: от 1 до 5.

— M (Деньги)
Разбиваем клиентов на сегменты в зависимости от их денежной ценности. Критерий Деньги имеет нюансы: для небольших сумм (товары народного потребления) денежная ценность практически не имеет значений.

По данным книги “Маркетинг на основе баз данных”, отклик на ваше предложение у сегментов 1 и 5 фактически одинаковый. Это объясняется тем, что клиенты, которые покупают у вас много (сегмент 5) — люди занятые и меньше читают промо-рассылки и идут на контакт по телефону.

Для крупных сумм показатель имеет уровень отклика, похожий на предыдущие, чем выше цифра, тем выше отклик.

RFM-анализ, пример визуализации

Важные моменты

  • Для небольших баз возможно деление каждого параметра от 1 до 3, итого 9 групп. Или деление: 5 групп (Давность) х 2 группы (Частота) х 2 группы (Деньги) = 20 RFM-ячеек
  • RFM-анализ не превышает эффективности хорошего менеджера по продажам. Менеджер всегда может лучше понять клиента, так как общается лично и знает больше информации. Он может сделать полностью персонализированное предложение.
  • Если база клиентов большая, то лучше 20% самых важных клиентов отдать менеджерам по продажам, а с остальными 80% вести коммуникацию с помощью email-маркетинга, смс, каталогов (директ-маркетинга) или обзванивать с помощью колл-центра, который состоит из менее квалифицированных (и менее оплачиваемых) сотрудников.

Делаем RFM-анализ

  • Выгружаем из CRM сделки (транзакции). Нам понадобятся “Имя клиента”, “Дата покупки”, “Сумма покупки”. Такую выгрузку может предоставить любая CRM-система:

Выгрузка из CRM

  • Вставляем список клиентов на новый лист и с помощью функции “Удалить дубликаты” оставляем только уникальные значения:

Удаляем дубликаты

  • Сортируем лист с выгрузкой от большей даты к меньшей и с помощью ВПР (VLOOKUP) подтягиваем на лист дату последней покупки:

=ВПР(A2;выгрузкаCrm;2;0))

Не забывайте именовать таблицы (выгрузкаCrm), чтобы не прописывать диапазоны

  • Считаем дату последней покупки

От сегодняшней даты (=СЕГОДНЯ) отнимаем дату последние покупки и получаем количество дней до последней покупки:

Считаем дату последней покупки

  • Считаем количество покупок, с помощью формулы СЧЕТЕСЛИМН (COUNTIFS)

=СЧЁТЕСЛИМН(выгрузкаCrm[Клиент];RFM_making!A2)

Считаем количество покупок

  • Сумму всех поступлений от клиента считаем с помощью СУММЕСЛИМН (SUMIFS):

=СУММЕСЛИМН(выгрузкаCrm[Сумма];выгрузкаCrm[Клиент];RFM_making!A2)

Считаем сумму покупок

  • Данные готовы. Нам нужно назначить каждому параметру значение. Для небольших баз можно назначать значения от 1 до 3, тогда у вас будет всего 333 = 27 сегментов. Для баз побольше можно назначать значения от 1 до 5, тогда будет 125 сегментов. Я выбираю от 1 до 5.Также, я использую значение “RFM-балл”, равное сумме всех трех значений. Оно необходимо, если для вас все параметры (R, F, M) одинаково важны.Алгоритм везде одинаковый – определяем минимальное значение, максимальное, среднее и медиану. На основе этих данных делим сегменты на 5 частей. Либо делим просто арифметически на 5 равных сегментов.Получаем табличку такого вида:

Лист с RFM-анализом в Excel

  • RFM-анализ готов! Теперь давайте посмотрим, какие выводы мы можем сделать и как наглядно отобразить данные.

Визуализация отчета

Слайсеры
Самый простой и быстрый способ — вставить “Слайсеры”

Вставка — Срез

Использование интерактивных фильтров — Слайсеров

Я отфильтровал клиентов, которые получили баллы 4 и 5 по всем категориям — это самые важные для вас клиенты. Назначьте им отдельно менеджера, пишите им личные письма, звоните чаще других. Они самые лояльные и приносят большее количество денег. Из базы около 600 клиентов таких оказалось всего 7. Есть еще момент, именно у этих компаний можно просить отзывы, рекомендации, критику.

Следующий шаг — фильтруем сегмент: Деньги — 4,5, Частота — 4,5, Давность — 1-3
Получаем клиентов, которые ранее часто покупали на большие суммы, но перестали. Таких клиентов значительно больше, и их нужно реактивировать. Можно отправить рассылку с выгодным предложением, прозвонить и узнать, почему они перестали с вами сотрудничать. Или просто узнать, как у них дела.

Использование интерактивных фильтров — Слайсеров, 2

С помощью слайсеров, вы самостоятельно можете выбрать необходимые фильтры и определить, как взаимодействовать с клиентами.

Power BI
Если у вас всего одна табличка, то вам достаточно Слайсеров для анализа. Однако, обычно в CRM есть еще данные по менеджерам и по источнику привлечения клиентов. Тогда можно связать таблички и построить еще несколько интересных отчетов. Давайте немного позадротствуем и посмотрим, что получится!

  • Связываем таблицу RFM со справочниками — таблицей “Менеджеры” (Менеджер — Клиент) и “Источник” (Источник — Клиент). Тянем из справочников к таблице c RFM. Связь можно сделать в Power Pivot и открыть файл в Power BI или сразу соединить таблички в Power BI:

Делаем связь между таблицами

  • На основе этой информации мы можем построить несколько отчетов в Power BI. Данная статья не про возможности Power BI, поэтому я просто встрою в статью визуализацию, которую я сделал. Там 2 листа: основной и лист с анализом источников привлечения клиентов. Отчеты интерактивные — можете поиграться с ними

Выводы

RFM-анализ — мощный, быстрый и понятный инструмент повышения прибыли. В статье мы рассмотрели способ создания RFM-анализа в Excel. Для больших баз и автоматизации процесса лучше подойдет Power Pivot и Power Query, но для понимания сути достаточно и Excel. Пользуйтесь, внедряйте, улучшайте коммуникацию с вашими клиентами.

Примечания — Список клиентов взят из открытого справочника организаций, данные о продажах заполнены случайно. Данные не связаны с реальностью)
— Купить книгу “Маркетинг на основе баз данных”, автор Артур М. Хьюз на ozon.ru

Семантическое ядро и Uber. Что может быть общего?

Источник: https://needfordata.ru/blog/rfm-analiz-v-excel-i-power-bi

Сегментация клиентов по лояльности или RFM-анализ

Рмф анализ. Как провести классификацию клиентов. RFM-анализ. Зачем нужен RFM-анализ

Каждый предприниматель в процессе развития бизнеса сталкивается с вопросом: как сделать своего клиента более лояльным и не дать ему уйти к конкуренту?

Существует два типа данных, которые можно узнать о покупателях: кто они такие (демографические данные) и что они делают (поведенческие данные). Как правило, маркетологи пытаются предугадать именно поведение клиентов.

Ведь если вы планируете продать товар или услугу своим клиентам, то знание, что кто-то из них недавно приобрел несколько предметов общей стоимостью 10000 рублей, ценнее, чем знание их возраста, дохода, семейного положения или другой подобной информации.

Обычно для предсказания поведения клиентов специалисты по директ-маркетингу используют RFM-анализ. Главным становится вопрос, как формализовать размер пользы, принесенной каждым клиентом. Для этой цели изучаются три показателя:

  • Recency — давность продажи (сколько времени прошло с момента последней покупки клиента); 
  • Frequency — частота покупок (общее количество покупок в периоде);
  • Monetary — сумма продаж за всю историю (иногда используют средний чек).

Рисунок 1. Параметры RFM-анализа

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.

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.

Применение RFM для базы данных частных клиентов

Рассмотрим небольшую компанию по продаже учебных пособий, которая использовала RFM-анализ для извлечения максимальной прибыли с каждого покупателя. Ежегодно лето всем клиентам рассылались письма с предложением приобрести их продукцию. Затраты на рассылку составляли 15 руб. на одно письмо, прибыль же от каждой продажи – 550 руб.

Таким образом, чтобы оправдать затраты на рассылку, необходимо получать более 3% откликов. Но на протяжении нескольких лет доля откликов не превышала 1,6%, что не давало прибыли. Применив RFM, всю существующую базу данных клиентов разбили по 125 ячейкам (5х5х5) и определили долю откликов по каждой из ячеек.

Далее рассылку писем стали осуществлять по ячейкам с долей откликов более 3%, что позволило компании в итоге получить прибыль.

Стоит отметить, что 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.

Рисунок 2. Разделение клиентской базы на сегменты

Применение RFM для базы данных корпоративных клиентов

Рассмотрим применение RFM-анализа к базе данных корпоративных клиентов. Такая база, в большинстве случаев, гораздо меньше базы частных клиентов, и можно прибегнуть к сокращению количества групп.

Например, для базы в 10000 записей 125 ячеек RFM-анализа будут иметь всего 80 записей в каждой ячейке, а этого мало для получения статистических результатов. Сократим количество RFM-ячеек до 20 с уменьшенным количеством групп, отсортированных по Частоте и Сумме продаж.

Например, 5 – по Давности покупки, 2 – по Частоте и 2 – по Сумме продаж.

Рисунок 3. Сокращенный RFM-анализ

В теории RFM-анализа предполагается очень простой механизм разделения Давности, Частоты и Суммы продаж по сегментам: отсортировать все контакты и разбить на 5 равных групп для каждого показателя. Этот способ работает и помогает разбить всех клиентов относительно друг друга на: 

  • покупали только что
  • недавно
  • давно
  • очень давно

Но на практике возникает проблема изменения этих показателей во времени.

Пример 1:

Бизнес развивается хорошо, но вдруг в течение месяца не совершается ни одной покупки — это плохо. Но если разбить базу данных на равные части — ничего не изменится и всё те же последние покупатели попадут в сегмент «покупали только что». 

Пример 2:

Новый бизнес ещё не имеет данных о продажах за несколько лет. В этом случае границы с каждым днём будут сильно отличаться и пользоваться результатом такого RFM-анализа вообще нет смысла.

Сезонности, акции и праздники тоже сильно влияют на качество анализируемых данных. Поэтому время стоит фиксировать. Для того, чтобы определиться какие временные интервалы лучше выставить, стоит ответить для себя на ряд вопросов:

  • Какая длина жизненного цикла клиента?
  • Какой естественный период покупки?
  • Какая сезонность?
  • За какое время большинство клиентов успевает совершить повторную покупку?

Действенность RFM-анализа совсем не означает, что он может полностью заменить менеджера по продажам. Личное общение с заказчиком позволяет сотруднику хорошо понимать его и многое знать о нем.

Правильно будет сосредоточить внимание менеджера на ключевых клиентах, а с остальными вести работу по электронной почте, с помощью сообщений и социальных сетей.

RFM-анализ в этом случае становится отличным инструментом, помогающим провести сегментацию покупателей.

Источник: https://loginom.ru/blog/rfm

Чем полезен RFM-анализ и как использовать данные анализа

Рмф анализ. Как провести классификацию клиентов. RFM-анализ. Зачем нужен RFM-анализ

20 августа 2019 года

Ставим точки над «i» и показываем, как задействовать информацию из RFM-анализа в маркетинговых инструментах retailCRM

Как в клиентской базе найти данные тех, кто совершает покупки регулярно? Как отследить, когда лояльный покупатель всё реже делает заказы и исправить ситуацию? Эти и похожие вопросы решает RFM-анализ в retailCRM. RFM-анализ сегментирует клиентскую базу по давности (R — Recency) последней покупки, частоте (F — Frequency) и сумме (M — Monetary) всех покупок. За 6 лет в нашем блоге уже выходили 4 статьи на тему RFM-анализа. Все они разные и дополняют друг друга. В этой статье пройдёмся свежим взглядом по анализу, рассмотрим, как создавать и настраивать сегменты для рассылок на его основе, и как с его помощью увеличивать конверсию в заказы.

Попробуйте провести RFM-анализ в retailCRM

Первые 14 дней бесплатно

Нажимая на кнопку, вы соглашаетесь с условиями пользовательского соглашения

Зачем проводить RFM-анализ и сегментировать клиентскую базу

RFM-анализ — инструмент анализа клиентской базы, с помощью которого можно не только видеть данные по своим клиентам, понимать, как они покупают, но и использовать это в маркетинговых целях, применяя индивидуальный подход.

Получать повторные заказы от своей клиентской базы намного дешевле и выгоднее, чем привлекать новых клиентов. Эффективность рассылок и рекламы напрямую зависит от того, каким сегментам клиентов вы направляете то или иное сообщение.

RFM-анализ позволяет улучшить качество таких сообщений, верно адресуя их правильным сегментам. Благодаря встроенному RFM-анализу в retailCRM, маркетологу интернет-магазина станет проще. Отклик у клиентов повысится, а конверсия станет выше.

Общий принцип анализа такой: лучших клиентов удерживаем, средних «тащим» к лучшим, а уходящих или потерянных пытаемся вернуть.

На какие вопросы поможет найти ответы RFM-анализ

Вот некоторые вопросы, на которые RFM-анализ найдёт ответы:

  • какое соотношение одноразовых и повторных клиентов в интернет-магазине
  • какое количество клиентов и какой важности обеспечивает основной доход
  • сколько VIP-клиентов, которым требуется программа лояльности и персональное обслуживание
  • сколько новых клиентов, которых нужно стимулировать к повторной покупке
  • сколько неактивных «отвалившихся» клиентов, которых можно попробовать «реанимировать»
  • сколько «отвалившихся» клиентов, о которых стоит забыть

Способы использования RFM-показателей в retailCRM

Зайдите в раздел «Аналитика» и выберите «Клиенты». Модуль будет вторым блоком.

Показатели рассчитываются автоматически, разделяя клиентов на 27 групп, по девять групп в каждом из направлений — M-F, R-M, R-F. Чтобы настроить диапазоны каждого показателя, нужно нажать на шестерёнку в правом верхнем углу. В retailCRM под границей диапазона M (сумма покупок) принимается доля покупок клиентами. В примере на скриншоте 20% всех покупок обеспечивают клиенты высокой важности, 15% — средней важности, и все остальные — низкой важности. Такие значения стоят по умолчанию. Чтобы понять какое F (частоту) выставлять, посмотрите раздел клиентов, отсортируйте по количеству заказов и примерно поймёте, как часто клиенты делают повторные покупки. Выставляя значения R (давность с последней покупки), посмотрите на естественный срок потребления товаров, сезонность и среднее время между первой и следующей покупкой. Нажав на любую группу в модуле, вы «провалитесь» в список клиентов, которые соответствуют параметрам группы. Этот список можно выгрузить в несколько форматах: .xls, .csv, .xml, .json. Или провести массовое действие.

Например, для самых лояльных клиентов назначить задачу на менеджеров обзвонить и персонально поблагодарить за преданность вашему магазину.

Встроенный RFM-анализ в retailCRM позволяет заняться маркетингом, а не тратить время на ручной анализ.

В разделе «Маркетинг» можно сегментировать клиентов по RFM-признакам и использовать сегменты в массовых/триггерных рассылках, а также выгружать их в Яндекс.Директ или в  с , тем самым давать контекстную и ретаргетированную рекламу своим же клиентам. Об этом способе рассказываем ниже.

Подпишитесь на нашу рассылку

Кейсы, полезные материалы, примеры настроек, обновления системы

Нажимая на кнопку, вы соглашаетесь с условиями пользовательского соглашения

Как с помощью RFM-показателей сегментировать клиентскую базу

Второй способ использования RFM-показателей — это применять их в разделе «Маркетинг». Перейдите в этот раздел, затем выберите «Сегменты» и нажмите «Создать сегмент».

Откроется окно создания нового сегмента. Нажимаем «Добавить группу фильтров». Есть 2 группы, где есть RFM-показатели: «По данным клиента» и «По заказам».

Нажав на группу «По данным клиента», откроется форма, куда через кнопку «Добавить фильтр» можно добавить фильтры. Ниже — все фильтры из блока RFM по этой группе.

LTV — это пожизненная ценность клиента, то есть сколько денег принёс вам клиент за всё время вашего сотрудничества. В дате регистрации можно выставлять относительные даты.

Например, за последний месяц.

В группе «По заказам» два RFM-показателя: «Количество заказов» и «Сумма по заказам». Они тоже добавляются отдельно через кнопку «Добавить фильтр». Другие три фильтра на скриншоте добавлены по умолчанию.

Как часто обновлять сегменты

Со временем клиенты переходят из одного сегмента в другой и данные меняются. Тут всё просто, вручную ничего обновлять не нужно, retailCRM всё пересчитывает автоматически. Достаточно выставить динамический тип сегмента.

При переходе клиента из одного сегмента в другой можно настроить автоматические рассылки с оповещением об изменении статуса, например, если самые лояльные клиенты теряют интерес к покупкам, то отправить письмо с вопросом и узнать, почему это произошло, рассказать, что вы цените их и, возможно, что-нибудь предложить.

Какие разрабатывать коммуникации для сегментов в начале пути

Ещё раз напомним, что вы сами  можете определить границы: к какому сегменту и при каких значениях относить клиентов. Если вы в начале пути, то можно обойтись универсальной RF-сегментацией. В нашем блоге есть пошаговая инструкция о том, как запустить RF-рассылку.

  • новички: совершили первую покупку в течение 35 дней. Поздравляем с покупкой. Знакомим с программой лояльности. Проводим опрос. Побуждаем к повторным заказам с подборкой рекомендаций без скидок
  • кочующие: 1–2 заказа, последний в течение 36–72 дней. Знакомим с магазином. Рассказываем преимущества. Даём промокод на скидку
  • заснувшие: 1–2 заказа, последний более 73 дней назад. Присылаем акции и товары со скидкой. Прикрепляем промокод. Пишем, какую пользу клиент получит, если останется с вами. Если не получается реанимировать — забываем
  • потенциально лояльные: 2 заказа, последний в течение 51 дня. Вовлекаем полезным контентом. Предлагаем помощь в выборе. Рассказываем про социальные сети. Подбираем товары в рассылку без скидок
  • лояльные: 3 и более заказа, последний в течение 51 дня. Самые лучшие клиенты. Благодарим за лояльность. Рассказываем, как ценим клиента. Сообщаем о VIP-статусе. Собираем обратную связь. Вставляем персональную подборку без скидок
  • под угрозой ухода: 3 и более заказа, последний 51–102 дня назад. Всем силами пытаемся вернуть. Делаем скидку или дарим купон на покупку. Рассказываем о распродаже. Собираем подборку новинок и акционных товаров
  • потерявшие лояльность: 3 и более заказа, последний более 103 дней назад. Рассказываем, почему клиенту нужно остаться с вами. Присылаем скидку и персональную товарную подборку. Проводим опрос, почему так долго ничего не покупали и выясняем причины ухода. Демонстрируем преимущества магазина

Что ещё почитать про RFM-анализ в нашем блоге

Источник: https://www.retailCRM.ru/blog/chem-polezen-rfm-analiz-i-kak-ispolzovat-dannye-analiza

Как увеличить продажи: сегментация клиентов и RFM-анализ

Рмф анализ. Как провести классификацию клиентов. RFM-анализ. Зачем нужен RFM-анализ

Все клиенты, от «транжир» до «почти потерянных покупателей» имеют различные потребности и желания, и, соответственно, по-разному реагируют на маркетинговые кампании.

По мере расширения бизнеса сегментация аудитории может существенно улучшить эффективность маркетинговой деятельности, после чего кампании начинают охватывать большее количество клиентов, что в итоге повышает коэффициент отклика (response rate) и продажи.

Что такое RFM-анализ?

RFM-анализ — это техника сегментации клиентов, опирающаяся на их поведение.

  • Recency (R) — давность, количество времени с прошлой покупки
  • Frequency (F) — частота, общее количество покупок
  • Monetary (M) — деньги, общая сумма покупок

RFM-анализ был впервые применен более сорока лет назад в области адресной почтовой рассылки, но при этом он все еще является эффективным способом оптимизации маркетинговой деятельности.

Положительные эффекты RFM-анализа:

  • Повышение процента удержанных клиентов
  • Повышение коэффициента отклика
  • Повышение процента конверсии
  • Повышение дохода

Как добиться успеха в сегментации и персонализации?

Сегментация клиентов с помощью RFM-анализа

Для выполнения RFM-анализа сначала следует разделить клиентов на четыре равные группы, согласно распределению значений давности, частоты и величины покупок.

Четыре равные группы (квартили) с тремя переменными образуют 64 (4x4x4) клиентских сегмента, с такими цифрами вполне можно работать.

Заметьте, что вы можете использовать квинтили (пять равных групп) для лучшей детализации, однако, работа с 125 сегментами (5x5x5) может показаться непростой задачей.

Давность (R)Частота (F)Деньги (M)
Квартиль 1 (R=1)Квартиль 1 (F=1)Квартиль 1 (M=1)
Квартиль 2 (R=2)Квартиль 2 (F=2)Квартиль 2 (M=2)
Квартиль 3 (R=3)Квартиль 3 (F=3)Квартиль 3 (M=3)
Квартиль 4 (R=4)Квартиль 4 (F=4)Квартиль 4 (M=4)

Например, есть один клиент, и он:

  • Находится в группе, совершающих покупки наиболее часто (R=1)
  • Находится в группе, совершивших наибольшее количество покупок (F=1)
  • Находится в группе, потративших наибольшую сумму денег (M=1)

Данный клиент принадлежит RFM-сегменту 1-1-1 (Лучшие клиенты), (R=1, F=1, M=1).

Вот самые важные RFM-сегменты: 

СегментRFMОписаниеМаркетинговая деятельность
Лучшие клиенты1-1-1Клиенты, совершившие последние покупки, делающие это чаще остальных, и тратящие денег больше остальныхБез ценовых стимулов, новые продукты и программа скидок для постоянных клиентов
Лояльные клиентыX-1-XКлиенты, совершившие последние покупкиИзучите их R и M для дальнейшей сегментации
ТранжирыX-X-1Клиенты, тратящие больше остальныхПродвиньте самые дорогие продукты
Почти потерянные клиенты3-1-1Не совершали покупки некоторое время, но покупали часто и тратили больше остальныхАгрессивные ценовые стимулы
Потерянные клиенты4-1-1Не совершали покупки давно, но покупали часто и тратили больше остальныхАгрессивные ценовые стимулы
Потерянные экономные клиенты4-4-4Не совершали покупки давно, покупали мало и тратили меньше остальныхНе прикладывайте много усилий к их возвращению

Маркетинг лояльности, или Как добиться расположения клиентов?

Как провести RFM-анализ

Чтобы провести RFM-анализ, вам понадобятся данные о всех покупках, совершенных всеми клиентами. Это должен быть файл с информацией, обычно экспортируемый из вашего бухгалтерского ПО или транзакционной базы данных.

Шаг 1. Скачайте скрипты для RFM-анализа и файлы примеров с Githtub.

Шаг 2. Подготовьте файл CSV со всеми покупками или же используйте шаблон sample-orders.csv. Имена столбцов должны быть теми же.

order_dateorder_idcustomergrand_total
2016-01-01US-52653john40
2016-01-02US-52654mary70

Шаг 3. Запустите скрипт RFM-analysis.py, находящийся в папке, куда вы поместили файл с данными. В скрипте есть три аргумента:

>python RFM-analysis.py -i sample-orders.csv -o rfm-segments.csv -d “2014-04-01”

  • Файл с данными (-i sample-orders.csv)
  • Файл для вывода данных с RFM-сегментацией (-o rfm-segments.csv)
  • Дата экспорта файла с данными (-d «YYYY-mm-dd”)

Это создаст RFM-сегменты в CSV-файле с названием rfm-segments.csv или иначе, а зависимости от того, что было задано вами с параметром –o.

Расшифровка результатов RFM-анализа

КлиентДавностьЧастотаСуммаСегмент RFM
Мария Н.4 дня58 покупок$2 8691-1-1
Владимир У.50 дней1 покупка$443-4-4
Екатерина А.47 дней2 покупки$1563-2-1
  • Мария Н. принадлежит к сегменту «Лучшие покупатели», она совершала покупки совсем недавно (R=1), заказывает часто (F=1) и тратит много (M=1).
  • Владимир У. практически попал в сегмент «Потерянные экономные клиенты», он не покупал довольно давно (R=3), покупал немного (F=4) и потратил мало (M=4).
  • Екатерина А. относится к сегменту «Почти потерянные клиенты». Она не совершала покупки довольно давно (R=3), покупала довольно часто (F=2), но при этом она тратила очень много (M=1).

Эти простые шаги и есть сегментация клиентов. Теперь определите кого-нибудь прочесывать базу данных клиентов и выявлять наиболее важных для вашего бизнеса.

Или же создайте собственную настройку в сервисе Tableau, как ниже, чтобы визуализировать данные:

Выведите свой email-маркетинг на новый уровень путем RFM-сегментации

Теперь пришел черед email маркетинга. Ниже приводится пошаговый RFM-анализ:

1. Выберите RFM-сегмент, нужный вам (Лучшие клиенты, Почти потерянные клиенты, итд). 2. Решите как лучше всего поступить с данным RFM-сегментом 3. Определите задачу для данных email кампании и RFM-сегмента 4.

Настройте отслеживание конверсии e-mail маркетинга 5. Создайте еще одну email версию, привзяанную к RFM-сегменту, нужному вам 6.

Запустите кампанию по A/B-тестированию через email, когда контрольная группа получает обычную версию письма, а экспериментальная группа — письмо, выбранное согласно RFM-сегменту

7. Проанализируйте результаты и повторите — чаще то, что действует и реже то, что не действует

Сегментация и персонализация email-маркетинга: руководство для начинающих

Заключение

RFM является относительно простой техникой, с чьей помощью возможно существенно улучшить вашу маркетинговую деятельность.

Обновляйте RFM-сегментацию путем автоматизирования процесса, например, с помощью скрипта RFM-анализа. Лучше всего обновлять данные каждый день.

Высоких вам конверсий!

joaocorreia.io, image source seorankvideo

Источник: https://lpgenerator.ru/blog/2016/08/04/kak-uvelichit-prodazhi-segmentaciya-klientov-i-rfm-analiz/

Как провести классификацию клиентов. RFM-анализ

Рмф анализ. Как провести классификацию клиентов. RFM-анализ. Зачем нужен RFM-анализ

Специализация: CRM, Дисконтная система UDS Game, Подарочные сертификаты, Дисконтные карты, RFM-анализ, Отправка СМС, обмен с Bitrix.

Сегментация клиентской базы помогает выделить тех клиентов, которым будет интересно Ваше рекламное предложение с большей вероятностью. Проведение рекламной кампании, нацеленной на наиболее заинтересованных клиентов, позволяет получить прибыль при меньших затратах на рекламу.

  • 13 500  руб В корзину

RFM-анализ

Одним из наиболее эффективных методов сегментации клиентской базы можно считать RFM-анализ, основанный на трех показателях, расположенных в порядке убывания их значимости:

  1. Давность покупки (Recency) ― период, который прошел с момента последней покупки и до сегодняшнего дня. Чем меньше прошло времени с последней покупки, тем больше вероятность отклика клиента на рекламное предложение.
  2. Частота покупок (Frequency) ― общее количество покупок клиента. Чем чаще клиент делает покупки, тем выше вероятность того, что он захочет совершить покупку еще раз.
  3. Денежная ценность покупок (Monetary) ― общая сумма денег, на которую были совершены покупки за весь период. Покупатели, которые потратили больше денег, больше склонны к новой покупке, чем те, кто потратил меньше.

Первым этапом в RFM-анализе является присвоение каждому клиенту значений по трем показателям (давность покупки, частота покупок, денежная ценность покупок). Каждый из показателей имеет пять значений оценки от 1 до 5, при этом лучшим показателем считается 5, а худшим 1.

Сегментирование по давности покупки

Для сегментирования по давности покупки необходимо выделить пять временных промежутков, попадание в которые будут определять значение каждого клиента

Пример выбора диапазонов сегментирования по давности покупки:

Диапазон (в месяцах)ОценкаПримечание
0 — 25Совсем недавно
2 — 54Недавно
5 — 93Средней давности
9 — 122Давно
от 121Очень давно

Выбор диапазонов значений зависит от особенностей работы фирмы (сезонность. время потребления покупки, средний интервал между покупками клиента, срок жизни клиента и т.д.).

Сегментирование по частоте покупок и денежной ценности происходит аналогичным образом. Стоит отметить, что также нужно учитывать специфику фирмы и продаваемых товаров или услуг  (популярность, стоимость товаров и т.д.). Ниже приведем примеры.

Сегментирование по частоте покупок:

Количество покупокОценкаПримечание
0 — 11Очень редко
2 — 32Редко
4 — 63Средне
7 — 104Часто
от 115Очень часто

Сегментирование по денежной ценности покупок:

Денежная ценность покупок (в рублях)ОценкаПримечание
0 — 2001Очень мало
200 — 5002Мало
500 — 10003Средне
1000 — 15004Много
от 15005Очень много

В результате каждый клиент будет иметь 3 оценки (например, R5-F1-M1). Совокупность этих оценок и является сегментом. Таких сегментов может быть 125.

Разбиение базы на сегменты

Денежная ценность покупок часто не учитывается на практике, поскольку сильно зависит от частоты покупок, поэтому можно рассмотреть сегменты по показателям R и F (либо R и M).

R →F↓
R5-F5R4-F5R3-F5R2-F5R1-F5
R5-F4R4-F4R3-F4R2-F4R1-F4
R5-F3R4-F3R3-F3R2-F3R1-F3
R5-F2R4-F2R3-F2R2-F2R1-F2
R5-F1R4-F1R3-F1R2-F1R1-F1
Лучшие клиентыVIP обслуживание. Без ценовых стимулов, новые продукты и программа для постоянных клиентов
Лучшие из лучшихR5-F5-M5
С большим потенциаломБез ценовых стимулов, новые продукты и программа для постоянных клиентов
НовыеМотивировать акциями, скидками, бонусами
ЛояльныеМотивировать акциями, скидками, бонусами
Почти потерянныеМотивировать акциями, скидками, бонусами
ПотерянныеСделать выгодное предложение, чтобы перевести в другой сегмент, а если это не поможет, то не тратить на них силы
Полностью потерянныеR1-F1-M1
Потерянныепостоянные (лучшие) клиентыПолучить обратную связь, почему перестали покупать.Сделать выгодное предложение, чтобы перевести в другой сегмент, а если это не поможет, то не тратить на них силы
ПостоянныеПоказатель F = 5Если при таком показателе показатель M невысок, то можно стимулировать предложением сопутствующих товаров для увеличения суммы чека
Много тратятПоказатель M = 5Делать выгодные предложения, узнать, что им мешает покупать чаще

После разбиения Вашей клиентской базы на сегменты Вы сможете определить, какие клиенты в Вашей клиентской базе заслуживают большего внимания, а на какие тратить время и силы нет необходимости.

По материалам статьи подготовлена обработка 1С, выполняющая RFM-классификацию клиентской базы.

  • 13 500  руб В корзину

Специализация: CRM, Дисконтная система UDS Game, Подарочные сертификаты, Дисконтные карты, RFM-анализ, Отправка СМС, обмен с Bitrix.

Вы можете заказать наши продукты и услуги по всей территории России, в странах СНГ(Беларусь, Казахстан, Украина и пр.), а также в Эстонии и Польше.

Установка, поддержка и обучение проводятся удаленно. Для оплаты из другой страны достаточно иметь рублёвый счет в банке. Предоставляем отчетные документы.

В этой статье собрали для вас «ТОП» самых крутых и полезных обработок для 1С. Так сказать «Горячая двадцатка» Для начала нам с вами предстоит разобраться с терминами.

И так? Начнём!

Источник: https://1-sys.ru/%D0%BA%D0%B0%D0%BA-%D0%BF%D1%80%D0%BE%D0%B2%D0%B5%D1%81%D1%82%D0%B8-%D0%BA%D0%BB%D0%B0%D1%81%D1%81%D0%B8%D1%84%D0%B8%D0%BA%D0%B0%D1%86%D0%B8%D1%8E-%D0%BA%D0%BB%D0%B8%D0%B5%D0%BD%D1%82%D0%BE%D0%B2-rfm/

RFM-анализ – полное руководство | OWOX BI

Рмф анализ. Как провести классификацию клиентов. RFM-анализ. Зачем нужен RFM-анализ

В отличии от ручной работы с Excel, OWOX BI дает возможность автоматизировать процесс расчета RFM. 

В качестве источника данных для анализа служит таблица или View в Google BigQuery с данными о каждом заказе со следующим набором полей:

  • userId — ID пользователя в БД сайта / ERP;
  • revenue — доход с заказа
  • created — дата создания заказа

Для расчета RFM-сегментов мы рекомендуем использовать данные о подтвержденных заказах из ERP. Вы легко сможете их экспортировать в BigQuery с помощью OWOX BI Pipeline.

Также с OWOX BI у вас есть возможность настроить импорт результатов RFM-анализа в Google Analytics.

Это позволит:

  • Строить новые пользовательские отчеты и сегменты в интерфейсе Google Analytics для более глубокого анализа аудитории, используя дополнительную информацию о пользователях.
  • Использовать результаты RFM-анализа для создания аудиторий ремаркетинга в Google Ads, email-рассылок и программ лояльности.

Настройка импорта данных RFM-анализа в Google Analytics из Google BigQuery состоит из нескольких этапов:

  1. Настройка веб-ресурса Google Analytics
  2. Создание потока в OWOX BI Pipeline

Настройка веб-ресурса Google Analytics

  1. Создайте Custom Dimensions уровня пользователя для хранения результатов RFM-анализа (Custom Definitions -> Custom Dimensions -> + New Custom Dimension):
  1. Создайте data set для импорта данных в Google Analytics (Data Import → New Data Set):​
  • Выберите тип data set — User data
  • Укажите тип импорта Query Time. Это позволит объединить импортируемые данные с историческими — в противном случае данные будут объедены только с теми хитам, которые будут собраны в Google Analytics после загрузки результатов RFM-анализа. Обратите внимание, что Query Time импорт доступен только ​пользователям Google Analytics 360:
  • Укажите название data set и определите список представлений в которых будут доступны импортируемые данные:
  • Определите схему данных и сохраните data set:​

Готово. Настройки веб-ресурса Google Analytics для импорта данных выполнены. Теперь приступаем к импорту.

Создание потока в OWOX BI Pipeline:

Ожидайте, пока данные появятся в Google Analytics:

Все, готово. OWOX BI автоматически провел RFM-анализ, не требуя от вас много времени.

Ознакомиться с примерами использования результатов импорта данных RFM-анализа в Google Analytics вы можете в нашем блоге.

Как использовать RFM-анализ в маркетинге

Когда все расчеты уже готовы, и у вас появилась возможность четко распределить клиентов на сегменты, пора переходить к приятной маркетинговой части этой темы.

Создаем базу лояльных клиентов и разрабатываем коммуникации для сегментов

Сгруппировав клиентов по значениям RFM, вы сразу получите целостную картину происходящего с вашей клиентской базой. Давайте рассмотрим примеры некоторых таких групп клиентов.

Группа 3R-3F-3M – самые активные, покупают часто

Помните, это ваши идеальные клиенты. Можно расширить границы сотрудничества с этими людьми, запустив программу лояльности, приглашая на специальные мероприятия или же анкетируя их на предмет пожеланий к развитию компании. Важно показывать таким клиентам, что они – уважаемые и желанные гости, а не случайные прохожие.

Сегмент 1R-1F-1M – самые неактивные, покупали один раз/ни разу, потратили минимальную сумму

Хоть эти клиенты и кажутся наименее перспективными, не стоит совсем списывать их со счетов: хоть раз, но они все же проявили интерес к вашей продукции. Чаще всего для них готовят специальные, «провокационные» сообщения, которые позволяют разделить их на “точно незаинтересованных в продукте” и “перспективных”, которых можно перевести в следующую категорию.

1 в одной из категорий

Например, у нескольких ваших клиентов идет значение 122 (хромает Recency). Такому сегменту следует дать немного времени, чтобы определиться и вернуться к вам. Попробуйте предложить им товары, которые как правило покупают за компанию с теми, что приобрели они ранее, чтобы вызвать у них повторный интерес к вашей компании.

3 в одной из категорий

Эти пользователи – подающий большие надежды сегмент и простор для вашей исследовательской деятельности. Они достаточно постоянны, чтобы вы смогли поэкспериментировать и найти подходящий под специфику вашей компании способ поднять на уровень выше их остальные показатели.

Выводы

Методика RFM – далеко не абсолютный, но крайне полезный инструмент анализа клиентской базы. Проделав сравнительно небольшую работу, вы увидите как реализовать индивидуальный подход к своим клиентам. 

При этом учитывайте, что на данные влияют сезонность, акции и праздники. Если клиент с богатой историей покупок за текущий месяц ничего не покупает, это не значит, что его сразу нужно переводить в другой сегмент. Возможно, это просто влияние сезонности, и через время покупки возобновятся.

Источник: https://www.owox.ru/blog/use-cases/rfm-analysis/

Законный совет
Добавить комментарий