Как использовать RFM-анализ клиентов и увеличить повторные продажи?

В клиентской базе магазина может быть несколько тысяч контактов. Выглядит внушительно. Но сама цифра почти ничего не говорит о качестве этой базы.

Один покупатель заказывает каждый месяц и постепенно увеличивает чек. Другой появился во время распродажи, купил одну недорогую вещь и больше не возвращался. Третий раньше был постоянным клиентом, а потом внезапно пропал. Возможно, ушел к конкуренту. Возможно, просто забыл о магазине.

Отправлять всем троим одинаковую рассылку — не лучшая идея. Здесь и пригодится RFM-анализ. Он показывает, кто действительно важен для бизнеса сейчас, кого еще можно вернуть и на каких покупателей уже не стоит тратить большую часть маркетингового бюджета.

Что показывает RFM-анализ?

В основе метода всего три показателя:

• R — Recency: сколько времени прошло с последней покупки;
• F — Frequency: как часто клиент делал заказы;
• M — Monetary: сколько денег он потратил за выбранный период.

Допустим, два человека оставили в магазине по $500. Но один сделал десять заказов и был активен на прошлой неделе, а второй потратил всю сумму год назад и с тех пор не появлялся. По общей выручке они выглядят одинаково. По RFM — уже нет.

В этом и смысл RFM-анализа клиентской базы: он помогает увидеть за общей статистикой поведение конкретных покупателей.

Метод используют интернет-магазины, кофейни, салоны, рестораны и другие компании, где есть повторные покупки. Правда, интервалы везде будут разными. Для кофейни клиент, который не заходил месяц, уже может считаться уходящим. Для магазина мебели такой срок вполне нормален.

Зачем делить покупателей на группы?

Когда база небольшая, владельцу бизнеса может казаться, что он и так хорошо знает своих клиентов. Со временем это перестает работать. Покупателей становится больше, история заказов растет, а заметить изменения вручную уже сложно.

RFM-анализ в маркетинге помогает ответить на вполне практичные вопросы:

• кто приносит основную часть выручки;
• какие постоянные клиенты начали покупать реже;
• кому стоит предложить повышенный кэшбэк;
• кого можно вернуть напоминанием о бонусах;
• на какие сегменты невыгодно тратить дорогую рекламу.

После такого разделения рассылки становятся точнее. Постоянному покупателю не нужно отправлять сообщение «Мы скучаем», если он был в магазине вчера. А клиенту, который не возвращался восемь месяцев, вряд ли подойдет обычная новость о пополнении ассортимента.

Как рассчитать RFM?

Для начала выбирают период — например, последние шесть месяцев или год. Затем по каждому покупателю собирают три значения.

Дальше каждому значению присваивают балл. Часто используют шкалу от 1 до 5: единица означает слабый результат, пятерка — высокий.

Границы бизнес выбирает сам. Готовой шкалы, которая одинаково подойдет всем, нет. Магазину одежды и кофейне бессмысленно оценивать частоту покупок по одним и тем же правилам.

Рассмотрим условный пример.

Магазин анализирует заказы за последний год и видит такую картину:

Алексей покупал недавно, делал это часто и потратил больше остальных. Он получает максимальные оценки по всем трем параметрам.

У Марии средние показатели. Она еще не потеряна, но ее активность уже стоит отслеживать.

Сергей давно не возвращался, заказов у него мало, сумма тоже небольшая. Тратить на него тот же рекламный бюджет, что и на Алексея, едва ли разумно.

Так работает классический метод RFM-анализа. На выходе у каждого клиента появляется код из трех цифр, после чего похожие коды объединяют в более крупные сегменты.

Три группы, с которыми удобно работать

Теоретически сегментов может быть много: новые, перспективные, постоянные, лояльные, засыпающие, потерянные и так далее. Но для начала вовсе не обязательно строить сложную систему из десяти или пятнадцати категорий.

Часто хватает трех основных групп.

Лучшие клиенты

Они покупали недавно, возвращаются регулярно и приносят заметную часть выручки. Такие люди уже знают компанию и, скорее всего, довольны первым опытом. Но считать их лояльность вечной все равно не стоит.

Постоянных покупателей лучше не заваливать обычными скидками. Для них интереснее работают ранний доступ к новинкам, повышенный уровень в программе лояльности, дополнительные бонусы или закрытые предложения.

Задача здесь не в том, чтобы срочно продать еще что-нибудь. Важнее сохранить привычку возвращаться и показать, что постоянство замечают.

Клиенты, которых еще можно вернуть

Пожалуй, это самый интересный сегмент. Раньше люди покупали достаточно активно, но в последнее время стали появляться реже или перестали приходить совсем.

Причины бывают разные. Клиент мог забыть о компании, не дождаться нужного товара, разочароваться в последнем заказе или просто получить более удобное предложение от конкурента.

Для этой группы можно подготовить отдельный сценарий:

• напомнить о накопленных бонусах;
• дать повышенный кэшбэк на следующую покупку;
• показать товары из знакомой категории;
• установить небольшой срок действия персонального предложения.

Сообщение лучше строить вокруг прошлого опыта клиента. Если он всегда покупал уходовую косметику, предложение по случайной категории вряд ли вернет его быстрее.

Потерянные клиенты

Они давно ничего не покупали, почти не реагируют на сообщения и обычно имеют низкий показатель Recency. Вернуть часть таких людей можно, но ожидания стоит держать реалистичными.

Постоянно увеличивать скидку здесь опасно. В какой-то момент клиент вернется только ради очень низкой цены и снова исчезнет после заказа.

Разумнее провести отдельную кампанию: предложить подарок за возвращение, начислить ограниченный бонус или спросить, почему человек перестал покупать. Последний вариант иногда полезнее очередной акции. Он хотя бы показывает причину ухода.

Если сегмент никак не реагирует, частоту сообщений лучше сократить. Маркетинговый бюджет не бесконечен.

Как выбирать границы для оценок?

Одна из частых ошибок — взять готовые интервалы из чужой статьи и применить их без изменений.

Представим, что оценку 5 по Recency получают все, кто покупал за последние 30 дней. Для ювелирного магазина это может быть слишком строгим условием: украшения редко заказывают каждый месяц. Для кофейни, наоборот, слишком мягким.

Границы лучше строить на собственных данных. Посмотрите, как часто обычно возвращаются ваши клиенты, какие суммы считаются высокими и сколько заказов действительно отличает постоянного покупателя от случайного.

Иногда удобно делить базу на равные части. Например, 20% клиентов с самыми свежими покупками получают R5, следующие 20% — R4 и так далее. В другом бизнесе понятнее использовать фиксированные интервалы: до 14 дней, от 15 до 30, от 31 до 60.

Оба подхода допустимы. Главное, чтобы оценки отражали реальное поведение аудитории, а не выглядели красиво только в таблице.

Чем ABC/RFM-анализ отличается от обычного RFM?

Классический RFM учитывает время последней покупки, частоту заказов и потраченную сумму. ABC/RFM-анализ добавляет еще один слой — распределение клиентов по их вкладу в выручку или прибыль.

Обычно выделяют три класса:

• A — покупатели с наибольшим вкладом;
• B — клиенты со средней ценностью;
• C — покупатели с небольшим вкладом.

Затем внутри каждого класса смотрят показатели R, F и M.

Это помогает заметить различия, которые обычная сегментация иногда сглаживает. Например, два клиента могут иметь похожий RFM-код, но один покупает высокомаржинальные товары, а второй — только позиции по акциям. Формально активность похожа, а ценность для бизнеса отличается.

Для небольшой базы такая детализация может быть лишней. А вот при большом ассортименте и тысячах покупателей она уже дает более точную картину.

Как программа лояльности упрощает анализ?

Посчитать RFM вручную возможно. Нужна история заказов, таблица и немного времени. Проблема начинается позже: данные постоянно меняются.

Клиент сделал новый заказ — его Recency обновился. Совершил еще две покупки — изменился Frequency. Потратил крупную сумму — вырос Monetary. В большой базе пересчитывать все это вручную каждую неделю неудобно.

Программа лояльности берет рутинную часть на себя. Она связывает покупки с конкретными клиентами, хранит суммы чеков, считает частоту визитов и обновляет сегменты.

Дальше бизнес может настроить действия для каждой группы.

Например, лучший клиент получает доступ к новинкам. Покупателю из группы риска приходит напоминание о бонусах. Потерянному клиенту отправляется одно персональное предложение — без бесконечной серии одинаковых рассылок.

В этом случае RFM-анализ клиентской базы перестает быть таблицей, которую открывают раз в год. Он становится рабочим инструментом: помогает выбирать аудиторию для кампаний, не раздавать скидки всем подряд и вовремя замечать клиентов, которые начали уходить.

Сам анализ продажи не увеличивает. Он лишь показывает, где искать возможности. Рост начинается позже — когда бизнес меняет предложения, тестирует разные сценарии и смотрит, какие группы действительно стали возвращаться чаще.