RFM-анализ от А до Я. RFM-анализ одной кнопкой

Таким образом, клиентам, которые купили недавно, являются частыми покупателями и тратят много, назначается оценка 5 |5|5 . Они ваши лучшие клиенты.

В данном случае Александра является VIP – клиентом, а не Анна, которая потратила больше всех.

С другой стороны, клиенту, который потратил меньше всех, покупал давно и не часто присваивается оценка 1|1|1 . В данном случае это Николай. Теперь это имеет смысл, не так ли?

Как рассчитать оценку RFM по шкале 1-5?
Различные предприятия могут использовать разные методы для ранжирования значений RFM в масштабе от 1 до 5. Но вот два наиболее распространенных метода.

МЕТОД 1: Простые фиксированные диапазоны:

Пример:

Если кто-то купил в течение последних 24 часов, назначьте им оценку 5 .
За последние 3 дня - 4 . Назначьте 3 , если они купили в течение текущего месяца, 2 - за последние шесть месяцев и 1 - для всех остальных.

Как вы можете видеть, мы сами определили диапазон для каждого балла. Пороговые значения диапазона основаны на характере бизнеса. Таким же образом вы определяете диапазоны для частоты и денежных значений.

Этот метод оценки зависит от отдельных предприятий - поскольку они решают, какой диапазон они считают идеальным для периодичности, частотности и денежных значений.

При использовании данного метода расчета есть некоторые нюансы.
По мере роста бизнеса, диапазон баллов может потребовать частых корректировок.

МЕТОД 2: Процентное разделение на 5 равных значений на основе доступных данных.

Этот метод чуть сложнее, так как придётся работать с процентами, но в свою очередь он решает множество проблем, с которыми можно столкнуться при использовании первого метода. Данный подход работают с любой отраслью, поскольку диапазоны выбираются из самих данных и распределяются равномерно.
Конечно, мы рекомендуем использовать именно этот метод, поскольку сегментация будет более точной.

Сводка расчетов RFM :

Возьмите данные своего клиента, дайте оценку от 1 до 5 для R , F и M .
Графическое представление RFM поможет вам и другим лицам, принимающим решения, лучше понять RFM-анализ вашей организации.

R , F и M имеют оценки от 1 -5 , всего 5 x5 x5 = 125 комбинаций значений. Три измерения R , F и M могут быть наилучшим образом построены на трехмерной диаграмме. Если бы мы посмотрели, сколько клиентов у нас есть для каждого значения RFM , нам придется посмотреть 125 точек данных.

Но работа с 3D -графиками на бумаге или экране компьютера не сработает. Нам нужно что-то в двух измерениях, что-то легче изобразить и понять.

Упрощенное представление RFM-анализа:

В этом подходе мы используем частотность + денежный балл по оси X (диапазон от 0 до 10) и время последней покупки (диапазон от 0 до 5) по оси Y, Это уменьшает возможные комбинации со 125 до 50. Объединение F и M в один критерий имеет смысл, потому что оба значения связаны с тем, сколько клиент покупает. R (давность) на другой оси дает нам быстрый взгляд на уровни повторного взаимодействия с клиентом.

Повышение эффективности - создание сегментов.

Понимание 50-и элементов все еще может быть утомительным. Поэтому мы можем обобщить наш анализ на 11 сегментов, чтобы лучше понять наших клиентов.
Если вы помните, мы обсуждали эти сегменты в начале этой статьи.

Вот таблица, в которой объясняется, как вы можете создать 11 сегментов клиентов на основе оценок RFM .
Предоставление четкого цвета для каждого сегмента позволит легче запомнить клиентов и понять текущую ситуацию в бизнесе.

Вот наш окончательный сводный отчет RFM -анализа !

В наше время любая компания нуждается в привлечении клиентов. Для этого нужно постоянно поддерживать поток и рост клиентов для стремительного и стабильного развития бизнеса. Но держаться на одних привлечениях этого недостаточно. Нужно еще также их заинтересовать и задержать как можно большее время.

Чтобы привлечь внимание клиента к себе, необходимо иметь представление о том, какого рода предложения больше всего заинтересуют данным клиентам. Для этого нужно оценить клиентскую базу на предмет ее склонности к отклику на предоставленное предложение. В данном случае мы воспользуемся RFM-анализом. Он удобно подходит для нашего случая, так как компания, которую мы будем анализировать, занимается продажей и доставкой различных блюд. Сама база данных была предоставлена на обоюдном соглашении в конфиденциальном виде, кроме таких данных, как дата покупки и стоимость покупки клиентов (сами идентификаторы клиентов мы сгенерировали для большей наглядности). Этого нам достаточно для RFM-анализа.

RFM-анализ является самым распространенным методом исследования в данной сфере. Данный анализ описывали различные российские ученые. Р.И.Баженов и В.А.Векслер применяли RFM-анализ в разработанной авторской конфигурации для системы 1С:Предприятие «Анализ потребительских корзин» . Е.П. Голубков рассматривал сущность и методику проведения RFM-анализа . В.И. Александров и А.А. Клюева изучали связь RFM-анализа и e-mail-маркетинга и, рассказывая, как RFM-анализ может быть применен к реальной клиентской базе . В.И. Александров исследовал применение RFM-анализа в сфере e-commerce и привел схемы, которые наглядно показывают сегментацию потребителей интернет-магазина по критериям давности и частоты . Различные стороны анализа описывали А.А.Наумов, Р.И.Баженов и др. в применении к различным областям знания . Также RFM-анализ исследовали и зарубежные ученые .

RFM-анализ – это аббревиатура от слов Recency , Frequency и Monetary . Как видим, данный анализ основан на трех показателях:

Recency – в нашем случае понимается как дата последней совершаемой покупки клиента.

Frequency – количество совершаемых покупок данного клиента за весь период времени.

Monetary – затраченные денежные средства клиента за весь период совершаемых его покупок.

Во время расчета данного анализа нам нужно определить, из скольких частей надо разбить по каждому из этих показателей для оценивания клиентов, например, из 3-ех частей (групп). Где в первой части будут находиться «наихудшие» клиенты по тем или иным показателям. Во второй части – «средние» клиенты. В третьей – «наилучшие» клиенты. Но в нашем случае, для оценки клиентской базы, будем использовать в процентном соотношении от 1 до 5 групп, для большей гибкости и различным подходам к тем или иным клиентам.

Для того чтобы проделать RFM-анализ, мы воспользуемся программным обеспечением Microsoft Excel и готовой таблицей с базой данных клиентов:

Рисунок 1 – Таблица клиентской базы

Для начала нужно привести данную таблицу в нужный нам вид для проведения RFM-анализа, для этого выделим всю таблицу и воспользуемся функцией «Сводная таблица», которая находится в разделе «Вставка».

После того как создали «Сводную таблицу», нам нужно, в списке полей сводной таблицы, перенести поле «ID Клиента» в область «Названия строк». Затем дважды переносим поле «Дата покупки» в область «Значение». Напоследок переносим поле «Стоимость покупки (в руб.)» в ту же область «Значения».

Получаем следующую таблицу:

Рисунок 2 – Сводная таблица клиентской базы

Затем, в столбце «B», кликнув правой мышкой на поле под названием «Дата покупки», выбираем строку «Параметры полей значений…». После нажатия данной строки, откроется следующее окно:

Рисунок 3 – Окно «Параметры поля значений»

Где во вкладке «Операция» выбираем строку «Максимум», и применяем настройки. Потом применяем поля в формате «Дата» к столбцу «B». И формат «Денежный» к столбцу «D».

В результате получаем следующую таблицу:

Рисунок 4 – Готовая таблица для расчета RFM-анализа

В полученной таблице можем увидеть, например, клиента с идентификатором равной «10000», который совершал всего 3 покупки с общей стоимостью в сумме 877 рублей, и последняя его покупка была совершена в 01.12.2012.

Теперь, когда наша таблица полностью готова и приведена в нужном виде, перейдем непосредственно к самому RFM-анализу.

Как уже было сказано ранее, мы будем оценивать, и делить клиентов на 5 категории. Где в первой категории попадут клиенты с «наихудшими» показателями, а в пятой категории – с «наилучшими» показателями. Возьмем за каждую категорию в процентном соотношении с шагом в 20%.

То есть, по показателю «Monetary» в первую категорию попадут те клиенты, которые приобрели товары и принесли компанию до 20% прибыли от максимальной суммы всех значении полей столбца «Monetary». Во второй категории попадут от 20% до 40% от той же максимальной суммы, и так далее, вплоть, до пятой категории, где попадут клиенты с процентным соотношением от 80% до 100% принесенной прибыли. То же самое будем проделывать и с показателями «Recency» и «Frequency».

Для этого нужно создать еще несколько столбцов, таких как «Recency», «Frequency», «Monetary» и «Количество пройденных дней».

Рисунок 5 – Таблица с подготовленными RFM столбцами

Столбец «Количество пройденных дней» будет отображать нам количество прошедших дней до максимальной последней покупки клиента в компании из всех имеющихся. В дальнейшем он нам понадобится для расчета показателя «Recency», определяя давность последних покупок клиентов.

=МАКС($B$2:$B$2296)-B2

В итоге получаем следующий результат:

Рисунок 6 – Таблица с рассчитанным столбцом «Количество пройденных дней»

Далее приступим к анализу показателя «Recency». Нужно в полях данного столбца ввести формулу, которая будет рассчитывать данный показатель относительно степени давности последней покупки клиента. В нашем случае выглядит так:

=ЕСЛИ(F2<=0,2*МАКС($F$2:$F$2296);5;ЕСЛИ(F2<=0,4*МАКС($F$2:$F$2296);4;ЕСЛИ(F2<=0,6*МАКС($F$2:$F$2296);3;ЕСЛИ(F2<=0,8*МАКС($F$2:$F$2296);2;1))))

То же самое проделываем и для столбца «Frequency»:

=ЕСЛИ(C2<=0,2*МАКС($C$2:$C$2296);1;ЕСЛИ(C2<=0,4*МАКС($C$2:$C$2296);2;ЕСЛИ(C2<=0,6*МАКС($C$2:$C$2296);3;ЕСЛИ(C2<=0,8*МАКС($C$2:$C$2296);4;5))))

Для столбца «Monetary» вводим следующую формулу в полях:

=ЕСЛИ(D2<=0,2*МАКС($D$2:$D$2296);1;ЕСЛИ(D2<=0,4*МАКС($D$2:$D$2296);2;ЕСЛИ(D2<=0,6*МАКС($D$2:$D$2296);3;ЕСЛИ(D2<=0,8*МАКС($D$2:$D$2296);4;5))))

После ввода всех формул для расчета данных показателей, мы в итоге получаем следующий результат:

Рисунок 7 – Результат RFM-анализа

На этом этапе мы и закончили RFM-анализ. Для удобства можно отсортировать столбцы «Recency», «Frequency» и «Monetary» в порядке возрастания/убывания для удобного поиска и анализа клиентской базы по данным рассчитанным показателям.

Например, в нашем случае, клиент с идентификатором «10002» является наихудшим покупателем данной компании, и имеет показатели в виде «111 » (Recency – 1 ; Frequency – 1 ; Monetary – 1 ). Так как данный клиент уже почти два с половиной года (857 дней) не совершает покупки данной компании, и за свое время он сделал только одну покупку в сумме 210 рублей.

С такими клиентами компании предпочитают провести разные подходы. Кто-то пытаются привлечь к себе внимания к данному клиенту, для того чтобы он заинтересовался в компании и снова совершил какие-либо покупки. Либо, некоторые считают их «одноразовыми» клиентами, и предпочитают не уделять собственное время на них, а нацеливаться только на более «перспективных» покупателях, которые имеют более высокие RFM показатели вплоть до «555 », для того, чтобы улучшить отношения между клиентом и компанией, и предлагать различные акции или бонусы.

Также можно и провести различные анализы, делая выводы на основе RFM показателях данных клиентов. Например, существует клиент с показателем «155 » (Recency – 1 ; Frequency – 5 ; Monetary – 5 ). Данный клиент нам говорит о том, что он когда-то совершал много покупок и приносил хорошую прибыль этой компании. Но, по каким-то причинам уже давно перестал совершать какие-либо покупки. В таких случаях можно либо лично поинтересоваться у клиента, по каким причинам он отказался проявлять интерес к данной компании, либо самим пересмотреть свои прошлые отношения в сторону клиента в тот период, когда он перестал сотрудничать с компанией.

Вдобавок также, например, существуют клиенты с показателями «511 ». Это те клиенты, которые только начали совершать какие-либо покупки и являются «новичками». Компания обычно старается не разочаровать таких клиентов, и демонстрировать им различные конкурентоспособные преимущества.

Как видим, данный RFM-анализ полезен для сегментирования клиентов в те или иные категории и позволяет нам изучить их. После распределения и изучения клиентов мы можем составлять свои индивидуальные подходы к ним, для того чтобы увеличить прибыль данной компании и повысить лояльность клиентов для успешного бизнеса.

Предложенное исследование может быть использовано в работе торговых компаний и в обучении студентов различных направлений .

Библиографический список

Баженов Р.И., Векслер В.А., Гринкруг Л.С. RFM-анализ клиентской базы в прикладном решении 1С: Предприятие 8.3 // Информатизация и связь. 2014. №2. С. 51-54.

Голубков Е.П. RFM-анализ: методика и практика применения // Маркетинг в России и за рубежом. 2013. № 6. C. 11-24.

Александров В.И., Клюева А.А. RFM-анализ и e-mail-маркетинг. Теория и практика // Интернет-маркетинг. 2012. № 2. С. 96-106.

Александров В.И. Применение RFM-анализа при разработке таргетированных маркетинговых стратегий в сфере e-commerce // Маркетинг и маркетинговые исследования. 2014. № 5. С. 332-339.

Наумов А.А., Наумова А.А., Баженов Р.И. О некоторых моделях и модификациях классического ABC-анализа // Современные научные исследования и инновации. 2014. № 12 [Электронный ресурс]. URL: http://web.snauka.ru/issues/2014/12/42200 (дата обращения: 27.12.2014).

Жилкин С.А., Баженов Р.И. Совершенствование ассортимента товаров медицинского назначения на основе ABC-анализа // Экономика и менеджмент инновационных технологий. 2014. № 12 [Электронный ресурс]. URL: (дата обращения: 27.12.2014).

Резниченко Н.В., Наумов А.А., Баженов Р.И. Совершенствование ассортимента блюд кафе и системы закупок компонентов на основе ABC-XYZ-анализа // Экономика и менеджмент инновационных технологий. 2014. № 12 [Электронный ресурс]. URL: (дата обращения: 27.12.2014).

Наумов А.А., Баженов Р.И. О проблемах классических показателей эффективности инвестиционных проектов // Современные научные исследования и инновации. 2014. № 11-2 (43). С. 181-187.

Бронштейн К.С., Наумов А.А., Баженов Р.И. Применение классического ABC-анализа для анализа ассортимента блюд кафе // Экономика и менеджмент инновационных технологий. 2014. № 11 (38). С. 100-110.

Наумов А.А., Баженов Р.И. О неустойчивости метода нормализации критериев // Современные научные исследования и инновации. 2014. № 11-1 (43). С. 64-68.

Остроушко А.А., Баженов Р.И. Анализ ассортимента электротоваров с использованием ABC-анализа // Экономика и менеджмент инновационных технологий. 2014. № 10(37). С. 73-81.

Сизых А.Ф., Баженов Р.И. Разработка программной системы поиска ассоциативных правил на основе алгоритма apriori // Современные научные исследования и инновации. 2014. № 10-1 (42). С. 52-59.

Vexler V.A., Bazhenov R.I., Bazhenova N.G. Entity-Relationship Model of Adult Education in Regional Extended Education System // Asian Social Science. 2014. Т. 10. №20. С.1-14.

Векслер В.А., Баженов Р.И. Определение взаимосвязи номенклатурных позиций средствами 1С:Предприятие 8.3 // Современные научные исследования и инновации. 2014. № 7 (39). С. 45-49.

Пронина О.Ю., Баженов Р.И. Исследование методов регрессионного анализа программной среды Eviews // Nauka-rastudent.ru. – 2015. – No. 01 (013) / [Электронный ресурс] – Режим доступа. – URL: http://nauka-rastudent.ru/13/2320/

Rhee S.B. Customer selection in database marketing: the meaning of RFM // Thesis. 2003.

Mahboubeh K., Kiyana Z., Sarah A., Somayeh A. Estimating customer lifetime value based on RFM analysis of customer purchase behavior: Case study // Procedia Computer Science. 2011. № 3. C. 57-63.

Kristof C., Filip A.M., Koen W. Data accuracy’s impact on segmentation performance: Benchmarking RFM analysis, logistic regression, and decision trees // Journal of Business Research. 2014. Т. 67. C. 2751-2758.

Ya-Han H., Tzu-Wei Y. Discovering valuable frequent patterns based on RFM analysis without customer identification information. // Knowledge-Based Systems. 2014. Т. 61. C. 76-88.

Wikipedia. RFM-анализ. [Электронный ресурс]. // Википедия: свободная энциклопедия. URL: https://ru.wikipedia.org/wiki/RFM-%D0%B0%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7 (дата обращения: 10.01.15).

Bazhenov R.I., Luchaninov D.V. Use of blended learning elements for formation of a humanitarian student’s creative initiative at learning modern information technologies // Life Science Journal. 2014. Т. 11. № 11s. С. 371-374.

Баженов Р.И. Об организации научно-исследовательской практики магистрантов направления «Информационные системы и технологии» // Современные научные исследования и инновации. 2014. № 9-2 (41). С. 62-69.

Количество просмотров публикации: Please wait

Этот вид анализа является проверенной маркетинговой моделью для сегментации клиентов на основе их поведения. Под поведением мы будем понимать историю покупок (транзакций).
С помощью данного инструмента можно группировать клиентов на основе истории транзакций – как часто, сколько и когда в последний раз клиенты покупали. RFM помогает разделить клиентов на различные категории или кластеры, чтобы идентифицировать клиентов, которые с большей вероятностью будут реагировать на рекламные акции, а также на будущие услуги персонализации.

RFM-анализ: переходим к сути

R (Recency) – показатель давности действия. Этот показатель дает ответ на вопрос сколько времени прошло со времени последнего действия или транзакции клиента с брендом? Обычно это покупка, хотя иногда используются варианты, например, последнее посещение веб­сайта или использование мобильного приложения. В большинстве случаев, когда клиент недавно взаимодействовал или торговал с брендом, более вероятно, что клиент будет реагировать на сообщения от бренда.

F (Frequency) – частота. Как часто клиент совершает транзакцию или взаимодействует с брендом в течение определенного периода времени? Очевидно, что клиенты с частыми действиями более активны и, вероятно, более лояльны, чем клиенты, которые редко это делают. И одноразовые клиенты находятся в собственном классе.

M (Monetary) – вложения/сумма денег. Также называемая «денежной стоимостью». Этот фактор отражает то, сколько клиент потратил на бренд в течение определенного периода времени. Большие траты обычно следует рассматривать иначе, чем те, кто мало тратит. Взгляд на денежные средства, разделенные на частоту, указывает среднюю сумму покупки ­ важный вторичный фактор, который следует учитывать при сегментировании клиентов.

RFM-анализ: алгоритм подсчета

Как только у нас есть значения истории покупок наших клиентов, мы должны присвоить оценку от одного до пяти по каждой группе: новизна, частота и денежная стоимость. Причем оценка должна быть индивидуальной для каждого клиента. Пятерка лучших клиентов является высшей ценностью. Окончательный результат RFM рассчитывается просто путем объединения отдельных чисел RFM-результата.

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.

Пример расчета

1) Классификация по параметру Recency :

— для каждого клиента определить дату последней покупки; — для каждого клиента рассчитать давность покупки (Recency) как разность между текущей датой (например, 10.01.2017) и датой последней покупки;

— разбить полученные данные на 5 групп (квантилей). Каждый клиент при этом получит идентификатор от 1 до 5 в зависимости от его активности. Тем, кто недавно осуществлял покупку, будет присвоено значение R=5. Те, кто дольше всех не покупал ничего, получат R=1.

2) Классификация по параметру Frequency :

Для каждого клиента определить количество покупок за определённый период;

— разбить полученные данные на 5 групп (квантилей). Клиентам, совершившим наибольшее число покупок, будет присвоено значение F=5, наименее активные покупатели получат F=1.

3) Классификация по параметру Monetary :

— для каждого клиента определить сумму потраченных им денег;

— разбить полученные данные на 5 групп (квантилей). Клиентам, потратившим наибольшие суммы, будет присвоено значение М=5, клиентам, потратившим наименьшие суммы – М=1.

4) Совместить полученные результаты, каждый клиент при этом получит код RFM, состоящий из трёх цифр.

Пример сегментации клиентов с помощью FRM-анализа

Мы только что самостоятельно определили диапазон для каждой оценки. Пороги диапазона напрямую связаны с моделью и циклом продаж в вашем бизнесе. Например, в рознице имеет место активная модель продаж и низкий цикл, а в бизнесе B2B зачастую может встречаться длинный цикл (от 1 месяца до 1 года) и пассивная модель продаж (когда клиенты находят вас сами).

При росте бизнеса показатели часто меняются, поэтому необходимо оперативно корректировать данные для расчета.

RFM-анализ: выводы

RFM-­анализ не повышает 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, основываясь на персональных характеристиках клиента.

Если база клиентов большая, то лучше 20% самых важных клиентов отдать в работу менеджерам по продажам, а с остальными 80% вести коммуникацию с помощью email­-маркетинга, телефонных звонков или социальных сетей.

О проведении анализа с помощью специальных решений и Excel вы сможете прочитать в следующих материалах.

RFM сегментация состоит из трёх параметров:

Recency (R) - давность последней покупки

То есть, сколько времени прошло со времени взаимодействия c клиентом в днях, неделях или месяцах. Рассчитывается как разность между текущей и датой последнего заказа. Клиенты, которые недавно совершали у вас покупки, более предрасположены к повторным заказам, чем те, кто давно уже не проявлял никаких действий. Пользователей, которые покупали давно, можно возобновить только предложениями, которые привлекают вернуться обратно.

Frequency (F) - суммарная частота покупок

Показывает сколько взаимодействий (покупок) в течение определённого периода времени было у вас с клиентом. Если обе стороны остались довольны - есть шанс поддержать частоту покупок или увеличить в свою пользу. Чем больше клиент совершал покупок у вас, тем больше вероятность, что он их будет повторять и в будущем. Обычно, этот показатель тесно взаимосвязан с давностью покупки.

Monetary (M) - объём покупок

Как и предыдущие показатели, рассчитывается за определенный период или количество взаимодействий. Показывает какой была «стоимость клиентов» с точки зрения доходов и прибыльности, а точнее, сумма денег, которая была потрачена. Сгруппированные по денежным показателям анализы часто получают представление клиентов, чьи покупки отражают более высокую ценность для вашего бизнеса.

Все вышеуказанные показатели важно рассчитывать за период, который наиболее точно отобразит нужные данные. Допустим, можно взять выборку за один год и разделить её на кварталы.

Как правило, небольшой процент клиентов реагирует на общие рекламные предложения. RFM является отличным для прогнозирования реакции клиента и улучшения взаимодействия, а также повышение прибыли. RFM использует поведение покупателей, чтобы определить, как работать с каждой группой клиентов. Важность показателей ранжируется согласно последовательности букв – давность, частота, деньги. Иногда встречается название RF сегментация , когда показатель Monetary не используется, потому что его значение часто зависит от Frequency. Сегментация клиентской базы по такому принципу позволяет выделить тех с кем вам действительно надо работать, разделяя их на сегменты клиентов (активный, спящий, растущий), разрабатывая целевые маркетинговые предложения для наиболее активной группы клиентов.

Хотите провести RFM анализ контактной базы клиентов вашего бизнеса?

• Мы свяжемся с вами, уточним, какие данные у вас есть и на их основе в течение недели подготовим документ с отчетом бесплатно.
• Нам доверяют более 2 000 компаний, но чтобы вы были уверены в сохранности данных ваших клиентов, мы можем подписать договор о защите конфиденциальных данных.

Определение условий RFM

Определения «давность», «частота» и «деньги» понятны даже интуитивно, но наша задача, превратить их в цифры, которые можно использовать для оценки RFM, а это уже несколько сложнее.

Представим наши данные в виде таблицы, упорядоченной по первому значению - дате последней покупки (R).

	Дата последней покупки (R)	Объём покупок (F)	Сумма покупок, грн	Средний чек, грн. (M)
Иван Петров
Петр Иванов
Олег Плющ
Сидор Петров
Оля Сидорова
Анна Волкова

Сразу же проставим по каждому показателю (R, F, M) «вес» для каждого клиента, исходя из полученных данных. Для оценки клиентской базы будем использовать числовые значения от 1 до 3, или же в процентном соотношении, назначенном каждому клиенту в результате анализа. Для удобства разделим всю клиентскую базу для начала на 5 равных частей по каждому из показателей. Допустим, из нашего примера по показателю «объём покупок» F - 1,2,3,4,5.

1 - наихудший для нас объём, пометим, как 1;

2,3,4 - средний результат, отметим его, как 2;

5 - самое лучшее значение F. Это наше 3.

Итак: 1 - это плохо, 2 - средний показатель и 3 - хороший. Проставив по каждому показателю «вес», чтобы с помощью этих весов ранжировать список.

Теперь мы можем легко определить, что для нас лучший клиент с результатами 333. 111 показывает, что клиент интересуется нами редко, возможно даже единоразово. Исходя из полученных результатов можно выбирать варианты, как поступать с той или иной группой клиентов.

Грустно то, что обычно 111 - самый большой сегмент. А радостно, что можно не тратить время на тех, кто уже потерян и сконцентрироваться на действительно важных для нас киентах.

Плюс RFM сегментации ещё и в том, что анализ можно делать даже по одному показателю, котрый вас наиболее интересует или комбинировать показатели, хотя полная сегментация клиентской базы даст вам гораздо больше возможностей. Допустим, возьмём за основу только давность и частоту, а получившиеся данные изобразим графически:

Зелёный сектор 5% - самые лучшие клиенты, которые активно на всё реагируют, покупают и т.д., соответственно сектор 1,1 - «мы их теряям». С каждым из сегментов таблицы нужно работать по-разному, предлагая им разные условия сотрудничества.

Мы всегда говорим, что хорошо видеть ситуацию в статике (как у нас дела сейчас), но еще важнее увидеть в динамике (куда мы движемся). Если рассчитать такую же таблицу за предыдущий период и «наложить» её на актуальную сегодняшнюю - можо увидеть, как изменяются данные:

В секторе 1,1 показатель упал на 6%, благодаря уменшению числа пассивных клиентов. Зато в секторе 3,3 число «хороших клиентов» увеличилось на 2%. Что же, значит мы работаем в нужном направлении. Надо проанализировать за счет чего это происходит и закрепить результат.

Этих данных уже достаточно для эффективной работы с клиентами, но если ещё к этому показателю добавить и сегмент денег, то работать над цифрами станет ещё интереснее:) RFM позволяет сегментировать базу так, чтобы вы тратили время и деньги на нужных клиентов. Попробуйте сделать сегментацию хотя бы по одному показателю и даже работа с этими данными может способствовать росту постоянных клиентов.

статья обновлена от даты 17.11.2013

Офтоп: с тегом RFM на Хабре лишь 2 статьи, и обе из корпоративных блогов. Странно, почему так мало контента по тематике, ведь на Хабре много людей из e-commerce related area?

Однако, бросаю лить воду и предлагаю, для начала, договориться о терминах. Далее под RFM-анализом подразумевается анализ ценности клиента для компании. По сути, слегка продвинутый вариант ABC-анализа , только с фокусом не на товарах, а на клиентах. Во главу угла ставится формализация размера пользы каждого клиента для бизнеса. С целью выявления это пользы каждый клиент рассматривается по следующим параметрам:

R ecency - новизна (время с момента последней покупки)
F requency - частота (частота покупок за период)
M onetary - монетизация (стоимость покупок за период)

Дано :

1. История продаж интернет-магазина в виде.xlsx выгрузки, наподобие

Sic! Не ищите смысла в цифрах, все полу-рандомно изменено на 1-2 порядка

2. ТЗ от собственника, полная версия которого звучит не сложнее фразы «RFM-анализ сделать можешь?»

Результат :

Поначалу, полдня потратил на раздумья «Как все это сделать при помощи вычисляемых объектов сводной таблицы, чтобы было красиво». В итоге, забил на красоту и за час сделал с помощью промежуточного листа и обычных формул типа "=ЕСЛИ" и т.д.

3. Промежуточные вычисления

Для вычисления времени с момента последней покупки необходима текущая дата (стандартная функция в Excel =ТДАТА()) и дата последней покупки клиента. Поскольку выгрузка представляла собой неупорядоченный массив «Дата-Клиент-сумма_покупки», существовала сложность выявления последней даты покупки по каждому из клиентов. Проблема была решена сортировкой по всему объему дат в выгрузке (прошу не винить за «колхозный стиль», но в тот момент на красоту забил, так как хотел максимально быстро реализовать имевшееся в голове решение). Зеленым отмечены колонки первоначальной информации. В первой строке оставил формулы для понимания, а сортировал по колонке в порядке убывания (колонка создана при помощи сцепить)

4. Составные части листа «Итог»

Теперь собираем результат RFM-анализа на одном листе. Начинаем со списка клиентов (сортировка не имеет значения) - копируем с первого листа список клиентов оставляем только уникальные записи при помощи стандартного функционала (Данные - Удалить дубликаты). В колонку B при помощи ВПР тянем дату последнего заказа клиента. Формула в колонке С считает количество заказов клиента по всей выгрузке. В колонке D похожим образом считается сумма заказов по клиенту. А столбец E вычисляет для нас количество дней с момента последней покупки клиентом.


Sic! пример формулы для колонки E указан в ячейке K1, а в самом столбце E сохранены лишь значения для демонстрации результата

5. Recency (время с момента последней покупки)

Суть выделенной формулы в следующем: смотрим в каком из пяти равных промежутков от 0 до максимума (подсвечено в формуле красным) находится значение каждой ячейки колонки Е и проставляем оценку от 1 (клиент, купивший у нас нечто год назад) до 5 (клиент купивший что-либо в последнее время).

6. Frequency (частота покупок за период) и Monetary (cтоимость покупок за период).

Формулы идентичны, поэтому рассмотрим на примере Frequency. В данном случае мы разделили всю совокупность на 3 равных по количеству членов совокупности промежутка и смотрим к какому из этих промежутков относится значение в колонке С с выставлением оценок 1(клиент покупающий у нас реже остальных), 3, 5 (клиент покупающий у нас чаще остальных).

Для тех кому сложно или лениво понять определение медианы в википедии : медиана - это значение, делящее совокупность данных на 2 равные по количеству части. Пример: cреднее арифметическое значение 5 клиентов совершивших 1, 2, 2, 2, 100 покупок = 21,4 (ничего не говорящая нам средняя температура по больнице); медиана для этого же ряда = 2.

Заключение : про сложение всех показателей вместе и сортировку в порядке убывания самой правой колонки листа «Итог» писать не стал - думаю, итак понятно)) Моя цель - создать систему «на коленке», была полностью достигнута. Отдаю «как есть» . Дописывая эти строчки понимаю, что мое определение медианы и пример тоже не самые легкие (для тех у кого не было в университете мат.статистики). Если кто предложит более простой и понятный вариант - заменю.