RFM-анализ клиентской базы

У бизнеса уже есть данные для RFM-анализа, если он хранит историю покупок клиентов. Даже простая выгрузка из CRM, POS, интернет-магазина или программы лояльности помогает быстро понять:

• кого удерживать;
• кого возвращать;
• кому предложить бонус;
• кому не стоит давать скидку;
• какие сегменты приносят выручку, а какие только забирают бюджет.

Если база клиентов не хаотичная и в ней есть даты покупок, суммы и идентификаторы клиентов, первый RFM-анализ можно собрать за 1-2 часа в таблице. В CRM, CDP или платформе лояльности такие сегменты часто рассчитываются автоматически и сразу используются в рассылках, push, SMS, купонах и персональных предложениях.

Что такое RFM-анализ

RFM-анализ — это способ разделить клиентскую базу на сегменты по покупательскому поведению: как давно клиент покупал, как часто он покупает и сколько денег приносит бизнесу.

RFM расшифровывается так:

• Recency — давность последней покупки или визита;
• Frequency — частота покупок за выбранный период;
• Monetary — сумма покупок или выручка от клиента.

В отличие от сегментации по полу, возрасту или городу, RFM показывает не портрет клиента, а его реальное поведение. Для CRM-маркетинга это практичнее: можно не гадать, кому отправлять предложение, а работать с понятными группами.

Простой пример: два гостя ресторана живут в одном районе и входят в одну возрастную группу. Но один был вчера и приходит каждую неделю, а второй не появлялся три месяца. Для CRM это разные клиенты, и коммуникация с ними должна отличаться.

Зачем нужен RFM-анализ

RFM-анализ нужен, чтобы не обращаться ко всей базе одинаково. У постоянного покупателя, клиента после первой покупки и спящего гостя разные мотивы, разные риски и разная чувствительность к скидкам.

CRM-команда использует RFM-анализ, чтобы:

• удерживать самых ценных клиентов без лишнего давления промокодами;
• находить клиентов, которые раньше покупали активно, но начали уходить;
• запускать реактивацию спящих клиентов;
• доводить новичков до второй покупки;
• увеличивать средний чек у частых покупателей;
• не тратить бюджет на сегменты, которые почти не реагируют;
• персонализировать email, SMS, push и предложения в программе лояльности.

Для руководителя RFM тоже полезен: он показывает, где бизнес зарабатывает на постоянных клиентах, где теряет аудиторию, а где скидки используются без явного смысла.

Как работает RFM-модель

В RFM-модели каждому клиенту присваивают оценку по трем параметрам. Обычно используют шкалу от 1 до 3 или от 1 до 5. В этой статье используем простую 3-балльную шкалу: чем выше балл, тем лучше показатель.

Recency: давность покупки

Recency показывает, как давно клиент покупал или посещал бизнес. Чем меньше времени прошло с последней покупки, тем выше шанс, что клиент еще помнит бренд и готов к следующему контакту.

Пример шкалы для кофейни:

• 3 балла — был в последние 14 дней;
• 2 балла — был 15-45 дней назад;
• 1 балл — не был больше 45 дней.

Для мебели, техники или ювелирных товаров такие границы будут другими, потому что цикл покупки длиннее.

Frequency: частота покупок

Frequency показывает, как часто клиент покупал за выбранный период. Этот показатель помогает отличить случайного покупателя от регулярного.

Пример шкалы для розницы:

• 3 балла — 5 и более покупок за период;
• 2 балла — 2-4 покупки;
• 1 балл — 1 покупка.

В хорека частоту можно считать по визитам, заказам доставки или списаниям бонусной карты.

Monetary: сумма покупок

Monetary показывает, сколько денег клиент принес за период. Это может быть общая сумма заказов, средний чек или маржинальная выручка, если такие данные доступны.

Пример шкалы:

• 3 балла — высокий вклад в выручку;
• 2 балла — средний вклад;
• 1 балл — низкий вклад.

Здесь есть важное ограничение: выручка не равна прибыли. Клиент может тратить много, но покупать только по большим скидкам или выбирать низкомаржинальные позиции. Поэтому RFM полезно дополнять анализом маржи.

Какие данные нужны для RFM-анализа

Для базового RFM-анализа не нужна сложная BI-система. Достаточно выгрузки из CRM, POS, CDP, интернет-магазина или программы лояльности.

Минимальный набор данных:

• ID клиента, номер карты лояльности, телефон или email;
• дата последней покупки или визита;
• количество покупок за выбранный период;
• сумма покупок за выбранный период;
• дата каждой транзакции, если расчет делается с нуля;
• канал покупки или торговая точка, если нужно сравнить офлайн, онлайн, доставку и рестораны;
• согласия на коммуникации, чтобы не строить сценарии для каналов, где клиент не давал разрешение.

Перед расчетом нужно убрать дубли клиентов, тестовые заказы, возвраты и технические операции. Иначе часть клиентов попадет не в те сегменты, а CRM-сценарии будут работать хуже.

Как провести RFM-анализ: пошагово

1. Выберите период анализа

Период зависит от частоты покупок. Для кофейни, ресторана быстрого обслуживания или продуктовой розницы часто берут 3-6 месяцев. Для ресторанов с банкетами, модной розницы или товаров длительного спроса может подойти 6-12 месяцев.

Период должен отражать реальный цикл повторной покупки. Если взять слишком короткое окно, часть нормальных клиентов будет ошибочно выглядеть спящей. Если взять слишком длинное, анализ сгладит недавние изменения.

2. Соберите и очистите данные

Выгрузите покупки по клиентам за выбранный период. Проверьте, что один человек не записан в базе несколько раз под разными ID, а возвраты и отмененные заказы не увеличивают сумму покупок.

Для хорека полезно отдельно отметить тип заказа: зал, доставка, самовывоз, банкет. Для розницы — категорию товара, магазин, онлайн-заказ или офлайн-покупку.

3. Рассчитайте R, F и M

Для каждого клиента посчитайте:

• сколько дней прошло с последней покупки;
• сколько покупок он сделал за период;
• какую сумму потратил за период.

Эти расчеты можно сделать в таблице, CRM-отчете или BI-системе. На старте достаточно Excel или Google Sheets, если база не слишком большая. В CDP или CRM-системе RFM-сегменты можно обновлять автоматически и сразу передавать в коммуникации.

4. Присвойте баллы

Разделите клиентов на группы по каждому показателю. Например, по 3-балльной шкале:

В результате клиент получает код: например, 333, 231 или 111. Код показывает сочетание давности, частоты и суммы.

5. Соберите сегменты

Теоретически в 3-балльной модели получается 27 комбинаций. На практике не всегда нужно работать с каждой отдельно. Удобнее объединить похожие коды в укрупненные сегменты.

6. Назначьте действия

RFM-анализ сам по себе ничего не меняет. Ценность появляется, когда для каждого сегмента есть действие: сообщение, бонус, персональная подборка, звонок, опрос или исключение из кампании.

Пример таблицы RFM-анализа

Ниже пример того, как может выглядеть результат после расчета. Допустим, бизнес анализирует покупки за последние 6 месяцев.

Из такой таблицы сразу видно, что Анну не нужно заманивать скидкой 30%: лучше дать привилегию, ранний доступ или персональное внимание. Марию стоит вернуть, потому что раньше она покупала часто и на хорошую сумму. Олега не стоит включать в дорогую реактивационную цепочку без теста.

Пример RFM-сегментов и действий

Практический смысл таблицы — не в названии сегмента, а в следующем действии. Если после RFM-анализа команда не меняет коммуникации, метод остается отчетом ради отчета.

Практический блок: что отправлять разным сегментам

Скидка — не единственный инструмент. Иногда лучше работают бонусы, бесплатная доставка, персональная подборка, ранний доступ, комплимент, сервисная привилегия или напоминание о накопленных баллах.

Как применять RFM-анализ в хорека

В хорека RFM-анализ особенно полезен, если есть программа лояльности, POS-данные и история визитов. Здесь важно учитывать не только факт покупки, но и повод: завтрак, кофе навынос, ужин, доставка, банкет, семейный визит.

Примеры для ресторана, кафе или сети кофеен:

Для ресторана или кафе границы Recency должны быть короче, чем для дорогого розница. Если гость обычно приходит раз в неделю, отсутствие визита 45 дней уже может быть тревожным сигналом.

Как применять RFM-анализ в рознице

В рознице RFM помогает управлять программой лояльности, персональными купонами и частотой коммуникаций. Особенно полезно смотреть не только общую сумму покупок, но и категории.

Примеры:

• покупатель часто берет базовые товары, но не покупает премиальные категории — можно предложить подборку с бонусом за расширение корзины;
• клиент сделал первую покупку и не вернулся — нужна цепочка на вторую покупку;
• VIP-клиент покупает регулярно — лучше дать сервисную привилегию или ранний доступ, а не постоянную скидку;
• клиент давно не покупал, но раньше выбирал сезонную категорию — стоит вернуть его перед новым сезоном;
• покупатель активен только во время распродаж — нужно оценить маржинальность, прежде чем усиливать скидки.

Для розницы важно не превращать RFM в автоматическую раздачу промокодов. Иногда задача сегмента — не скидка, а изменение предложения: персональная подборка, напоминание о бонусах, доступ к новинкам, бесплатная доставка или рекомендация сопутствующих товаров.

Где автоматизировать RFM-анализ

Первый RFM-анализ можно сделать в таблице. Но если база обновляется каждый день, ручной расчет быстро устаревает.

В CRM, CDP или платформе лояльности RFM лучше считать автоматически:

• сегменты обновляются после новых покупок;
• клиент может переходить из группы в группу без ручной пересборки;
• маркетолог сразу запускает email, SMS, push или купон по сегменту;
• можно исключать клиентов из лишних скидочных кампаний;
• результаты коммуникаций возвращаются в аналитику.

Для хорека и розницы это особенно важно: визиты, чеки, бонусы и коммуникации меняются часто, поэтому статичная таблица быстро перестает отражать реальность.

Ошибки и ограничения RFM-анализа

RFM-анализ прост, но его легко испортить неверными настройками.

Частые ошибки:

• Неверный период анализа. Для разных отраслей и категорий нужны разные окна данных.
• Грязная база. Дубли клиентов, возвраты и тестовые операции искажают сегменты.
• Одинаковые действия для всех. Если всем отправить одну скидку, смысл сегментации пропадает.
• Игнор маржинальности. Высокая сумма покупок не всегда означает высокую прибыль.
• Слишком много сегментов. 27 кодов сложно использовать без укрупнения.
• Нет тестирования. Гипотезы по сегментам нужно проверять на контрольных группах.
• Нет учета согласий. Клиент может попасть в сегмент, но быть недоступным для конкретного канала коммуникации.

RFM хуже работает для бизнесов с редкими или разовыми покупками: свадебные услуги, недвижимость, дорогие товары с длинным циклом повторной покупки. В таких случаях метод можно использовать осторожно, но его нужно дополнять другими моделями.

С чем сочетать RFM-анализ

RFM отвечает на вопрос, как клиент покупал в прошлом. Для сильной CRM-стратегии этого недостаточно. Метод лучше сочетать с другими данными:

• маржинальностью клиента или категории;
• товарными интересами;
• каналами покупок;
• NPS и обратной связью;
• когортным анализом;
• жизненным циклом клиента;
• историей использования бонусов;
• реакцией на прошлые коммуникации.

Например, два клиента могут иметь одинаковый RFM-код, но один покупает маржинальные блюда в ресторане, а другой приходит только по акциям. Коммуникация для них должна отличаться.

Коротко: что делать после RFM-анализа

Используйте RFM, когда у клиентов есть повторные покупки и понятная история транзакций. Не опирайтесь только на RFM, если покупки редкие, база маленькая или важнее маржинальность, чем сумма чека.

FAQ

Чем RFM-анализ отличается от обычной сегментации?

Обычная сегментация может делить клиентов по полу, возрасту, региону или интересам. RFM-анализ делит базу по покупательскому поведению: давности, частоте и сумме покупок. Поэтому он ближе к задачам CRM и удержания.

Сколько сегментов должно получиться?

В 3-балльной модели максимум 27 комбинаций. Но в работе обычно используют укрупненные сегменты: лучшие клиенты, лояльные, новички, спящие, потерянные и другие группы. Так проще назначать понятные действия.

Как часто обновлять RFM-анализ?

Зависит от цикла покупки. Для хорека, продуктовой розницы и частых покупок анализ можно обновлять раз в месяц или квартал. Для категорий с длинным циклом покупки — реже, например раз в полгода.

Подходит ли RFM для маленькой базы?

Для маленькой базы метод может быть менее точным. Если клиентов мало, сегменты будут слишком дробными. В таком случае лучше использовать укрупненные группы и не делать выводы только на основе RFM.

Можно ли сделать RFM-анализ без CRM?

Да, если есть история покупок с привязкой к клиенту: таблица заказов, POS-выгрузка, данные интернет-магазина или программа лояльности. CRM упрощает расчет и запуск коммуникаций, но не является обязательным условием для первого анализа.

Что читать дальше

• Сегментация клиентской базы — чтобы разделять базу на рабочие группы и подбирать действия под разные клиентские ситуации.
• Поведенческая сегментация клиентов: как использовать поведение в CRM-маркетинге — чтобы строить сегменты не по анкетам, а по покупкам, визитам и реакциям.
• Реактивация клиентов: как вернуть спящую базу без скидок всем подряд — чтобы возвращать спящую базу через прошлое поведение, а не общей скидкой всем.
• LTV в CRM-маркетинге — чтобы считать долгосрочную ценность клиента и принимать решения не только по первой покупке.