Как сегментировать базу для ретаргетинга с помощью RFM-анализа

RFM расшифровывается как Recency (давность), Frequency (частота) и Monetary (денежная ценность). Это три показателя, по которым ведется расчет ценности клиента.

Хотя сегментировать базу клиентов можно бесчисленным множеством способов, RFM-анализ популярен по трем причинам:

1. Он использует объективные числовые шкалы, которые дают краткое и информативное описание клиентов.

2. Маркетологи могут эффективно использовать его, не обращаясь при этом к специалистам по данным и не используя сложное программное обеспечение.

3. Результат этого метода сегментации легко понять и интерпретировать.

С помощью RFM-анализа вы увидите потенциал вашей клиентской базы, поймете, какие сегменты готовы платить больше и при каких условиях. Зная поведение пользователя в прошлом, легче предсказать его будущее поведение. Кроме того, RFM-анализ помогает сформировать индивидуальный подход к клиенту в зависимости от его действий.

В итоге применение анализа влияет на рост общей прибыли бизнеса.

Рассмотрим в статье:

• Где применяется сегментация по RFM-анализу

• Из чего рассчитывается ценность клиента

• Каков алгоритм проведения RFM-анализа

• Как назначить оценки для сегментации

• Как использовать полученную сегментацию

• Как часто пересматривать сегменты

• Как провести RFM-анализ пошагово — на примере

Где применяется сегментация по RFM-анализу

Эта сегментация нужна для повторного привлечения клиентов. Поэтому у бизнеса должна быть база клиентов.

Сегментация по RFM-анализу подойдет тем бизнесам, которые ориентированы на регулярные покупки: интернет-магазину косметики или кормов для животных, маркетплейсам, B2B-компаниям. А вот для бизнеса с редкими покупками RFM-сегментация будет бесполезна: это, например, автобизнес и продажа недвижимости.

Для разных ниш и бизнес-целей можно использовать RFM-сегментации по разным метрикам:

• истории покупок;

• посещения веб-сайтов;

• социальная активность.

Из чего рассчитывается ценность клиента

Некоторые клиенты реагируют, другие — нет. Как можно предсказать поведение? Лучший метод — посмотреть на прошлое поведение.

На ваше предложение с большей вероятностью откликнутся недавние покупатели, те, кто покупает часто и клиенты, которые отдают компании больше всего денег. («Покупку» здесь можно заменить на любую другую конверсию.)

Отсюда — три фактора, по которым проводят RFM-анализ. Всё это измеримые показатели:

1. Давность — сколько времени прошло с момента последнего действия или покупки.

2. Частота — как часто пользователь взаимодействовал с брендом в течение определенного периода времени.

3. Денежная ценность — сколько покупатель потратил денег в течение определенного периода времени. Деление денежной ценности на частоту показывает среднюю сумму покупки — важный второстепенный фактор, который следует учитывать при сегментировании клиентов.

Каков алгоритм проведения RFM-анализа

Выгружаем из CRM или из системы веб-аналитики данные по транзакциям:

• клиент (User ID);

• дата покупки;

• сумма покупки.

Рассчитываем RFM для каждого пользователя.

Ниже представлена таблица с результатами. Ее можно составить с помощью Excel, SQL, Python.

Находим распределение для каждой метрики.

Проводим сегментацию.

Как назначить оценки для сегментации

Наиболее распространены три способа:

Приведем пример с третьим способом — конкатенацией оценок.

У нас есть все данные по RFM.

Сейчас мы будем присваивать значения от 1 до 3 в соответствии с этими данными.

Нужно взять выгрузку из базы данных и рассчитать для каждого клиента:

• Recency — давность (количество дней с последней покупки);

• Frequency — частота (сумма всех покупок);

• Monetary — денежная ценность (сумма дохода от всех покупок).

Рассчитываем медиану по давности и доходу, а также средний доход.

У нас получаются следующие значения:

• медиана по давности: 250.0;

• медиана по доходу: 3865.0;

• средний доход: 8825.0.

Горячими клиентами будем считать тех, кто купил за последние 30 дней.

Проводим оценку клиентов.

Присваиваем номера сегментам.

Простановка баллов Recency:

• если Recency ≤ 30, тогда присваиваем 3 балла;

• если Recency > 30 и Recency ≤ 250, тогда присваиваем 2 балла;

• если Recency > 250, тогда 1 балл.

Простановка баллов Frequency:

• если Frequency = 1, тогда 1 балл;

• если Frequency = 2, тогда 2 балла;

• если Frequency > 2, тогда 3 балла.

Простановка баллов Monetary:

• если Monetary < 3865, тогда 1 балл;

• если Monetary ≥ 3865 и Monetary < 8825, тогда 2 балла;

• если Monetary > 8825, тогда 3 балла.

В результате получится таблица такого рода:

Она называется сегментированной таблицей RFM.

Чтобы получить окончательную оценку RFM, объединим числа. Таким образом, клиент с самым высоким рейтингом будет иметь оценку RFM 333, а c самым низким — 111.

Теперь определяем сегменты RFM-анализа и визуализируем их

Приведем шаблон расшифровки сегментов с разными кодами (всего их получается 3³=27).

Визуализируем для наглядности.

Графическое представление помогает быстрее и проще ориентироваться в результатах RFM-анализа. При визуализации хорошо использовать простые гистограммы, которые покажут распределение клиентов по отдельным сегментам. Вы также можете добавить средние значения RFM для сегментов, индивидуальные рекомендации для определенных сегментов и подробные отчеты RFM для каждого клиента.

Как использовать полученную сегментацию

На основании расчетов можно выделить разные группы клиентов и далее распределить бюджеты и определить стратегию коммуникации.

В таблице ниже представлена пятерка лучших групп клиентов. «Лучших клиентов» в этой таблице можно скорее назвать "лучшими из лучших«.Также сюда вошли постоянные клиенты, потенциальные лояльные, новые с высокими расходами и лояльные, но с низкими расходами.

Кроме того, можно выделить несколько видов «тревожных» клиентов — тех, которые обращались в компанию, но которых нельзя считать надежной аудиторией.

Как работать с каждой группой клиентов? Мы предлагаем остановиться на пятерке лучших, на клиентах, подверженных риску и потерянных лучших клиентах.

Если вас интересует, какой канал приносит больше всего лучших клиентов, вы можете:

1. Загрузить результаты RFM-анализа в Google Analytics или Яндекс.Метрику.

2. Настроить таргетинг на этих клиентов с помощью персональной рекламы.

В результате вы с высокой вероятностью снизите затраты и увеличите прибыль.

Если вы используете email-адреса для анализа RFM, можете импортировать email в рекламную платформу и нацеливаться на пользователей, которые похожи на ваших лучших клиентов, или исключать из рекламы клиентов, принадлежащих к потерянному сегменту.

Как часто пересматривать сегменты

Время от времени надо пересматривать сегменты, заново делать RFM-анализ. Как часто — зависит от того, насколько подвижная у вас база.

• Если у вас большой интернет-магазин с огромным количеством клиентов и частыми покупками, то можно обновлять данные один раз в месяц-два.

• Если клиенты делают заказы редко, то обновлять анализ раз в квартал или даже раз в полгода будет достаточно.

Смысл нового RFM-анализа — посмотреть, какие из ваших клиентов изменили статус. Например, чтобы перестать им слать реанимационные письма.

Как провести RFM-анализ пошагово — на примере

Создаем файлы с нужными нам сегментами и загружаем в сервис Яндекс.Аудитории.

На основе наших аудиторий мы задаем корректировки ставок в настройках кампаний. До этого ретаргетинг был настроен на всех пользователей, которые посещали сайт. Теперь же делаем настройку с учетом RFM-портрета пользователя.

Сравниваем с сегментом «Все посетители сайта». У пользователей из сегментов с высокой денежной ценностью средний чек выше. И, наоборот, пользователи с низкой денежной ценностью имеют низкий средний чек.

Как правило, коэффициент конверсии у лояльных пользователей выше. Разовые пользователи не так охотно совершают повторную покупку.

Привлекать пользователей из сегментов получается дешевле за счет более низкой стоимости клика.

Рентабельность у сегментов с высокой денежной ценностью выше, чем у сегмента «Все посетители сайта». Сегменты с низкой денежной ценностью имеют низкую рентабельность.

Таким образом, правильно используя данные RFM-анализа, вы можете настроить корректировки ставок так, чтобы тратить меньше денег на привлечение пользователей.