Анализ RFM: узнайте больше о своих клиентах и ​​сегментации RFM

В этой статье мы рассмотрим анализ RFM (новизна, частота, денежная стоимость), основанный на поведении групп (или сегментов ) клиентов. Этот метод анализа позволяет изучить поведение пользователей и то, как они совершают платежи. В результате вы получите ценную информацию для прямого маркетинга.

RFM-анализ позволяет сегментировать клиентов по частоте и стоимости покупок и выявить тех клиентов, которые тратят больше всего денег.

• Давность — сколько времени прошло с тех пор, как клиент что-то купил у вас.
• Частота — как часто клиент покупает у вас
• Денежная стоимость – общая стоимость покупок, сделанных клиентом.

По этим метрикам можно разделить ваших клиентов на группы, чтобы понять, какие клиенты покупают много и часто, какие покупают мало, но часто, а какие давно ничего не покупают.

Как правило, лишь небольшой процент клиентов откликается на общие акционные предложения. RFM — отличный метод сегментации для прогнозирования реакции клиентов, улучшения взаимодействия и увеличения прибыли. RFM использует данные о поведении клиентов, чтобы определить, как работать с каждой группой клиентов.

Суть RFM-анализа заключается в разделении клиентов на группы в зависимости от того, как давно они совершили последнюю покупку, как часто они покупают вещи и по средней стоимости их заказов. По каждой из этих метрик мы относим клиентов к одной из трех групп, которым присваивается номер от 1 до 3.

Новизна:

• 1 – постоянные клиенты.
• 2 – относительно недавние клиенты.
• 3 – недавние клиенты.

Частота:

• 1 – покупают редко (единичные заказы).
• 2 – покупает нечасто.
• 3 – покупает часто.

Денежная стоимость

• 1 – низкая стоимость покупок.
• 2 – средняя стоимость покупок.
• 3 – высокая стоимость покупок.

Клиентам присваиваются значения RFM путем объединения их номеров для недавности, частоты и денежной стоимости. Например, клиент 111 давно сделал один заказ на небольшую сумму. Клиент 333, с другой стороны, часто делает заказы на крупные суммы и недавно совершил покупку. Клиенты с 3 баллами в каждой категории — ваши лучшие клиенты.

Есть два удобных способа выполнить RFM-анализ: с помощью OWOX BI и с помощью Excel (или Google Sheets).

В отличие от Excel, OWOX BI позволяет автоматически рассчитывать RFM.

Источником данных для этого анализа является таблица или представление в Google BigQuery с данными о каждом заказе со следующими полями:

• userId – идентификатор пользователя клиента в базе данных сайта/ERP.
• выручка – выручка от заказа.
• created – дата создания заказа.

Шаг 1 . Мы рекомендуем использовать данные о подтвержденных заказах из вашей ERP. Вы можете легко экспортировать эти данные в BigQuery с помощью OWOX BI Pipeline.

Шаг 2 . OWOX BI также дает возможность настроить импорт результатов RFM-анализа в Google Analytics. Это позволит вам:

• Создавайте новые настраиваемые отчеты и сегменты в Google Analytics для более глубокого анализа аудитории с использованием дополнительной информации о пользователях.
• Используйте анализ RFM для создания аудиторий ремаркетинга для Google Ads, рассылок по электронной почте и программ лояльности.

Шаг 3 . Настройка импорта данных RFM-анализа в Google Analytics из Google BigQuery состоит из двух шагов:

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

Рассмотрим подробнее два последних пункта.

1. Создайте пользовательские параметры на уровне пользователя для хранения результатов RFM-анализа (Пользовательские определения → Пользовательские параметры → +Новый пользовательский параметр ):

2. Создайте набор данных для импорта данных в Google Analytics (Импорт данных → Новый набор данных) :
   

• Укажите поведение импорта как время запроса. Это позволит вам комбинировать импортированные данные с историческими данными; в противном случае данные будут объединены только с обращениями, собранными в Google Analytics после загрузки результатов RFM-анализа. Обратите внимание, что импорт времени запроса доступен только пользователям Google.

• Затем назовите набор данных и определите список представлений, в которых будут доступны импортированные данные:
  

• Наконец, определите схему данных и сохраните набор данных:​

Вот и все. Вы настроили параметры веб-ресурса Google Analytics для импорта данных. Теперь можно приступить к импорту.

1. Подготовьте запрос SQL , который вернет данные в правильной структуре .

2. Создайте поток в OWOX BI Pipeline , как описано здесь .

Дождитесь появления данных в Google Analytics:

Все готово. OWOX BI автоматически проведет RFM-анализ, не требуя от вас особого участия.

1. Чтобы рассчитать RFM в Excel, начните с загрузки данных о транзакциях из CRM: имя клиента, дата покупки и сумма покупки:​
   

2. Чтобы определить дату последней покупки для каждого клиента, сколько раз клиент покупал у вас в целом и общую денежную стоимость всех этих заказов, используйте сводную таблицу.
   

3. Так как некоторые клиенты в CRM, возможно, никогда ничего не покупали, нам нужно объединить все их транзакции в одну строку. Для этого мы добавляем значение Client в Rows .
   

4. Теперь нам нужно подсчитать, сколько заказов разместил каждый клиент. Для этого к значениям добавьте Дата покупки (только не забудьте указать СЧЕТЧИК в столбце Суммировать).

5. Затем подсчитайте общую стоимость всех заказов для каждого клиента. Для этого добавьте Сумма покупки в Значения и в столбце Суммировать по укажите СУММА .
   

6. Теперь нам нужно рассчитать дату последней покупки для каждого клиента. Для этого к Значениям добавляем Дата покупки и на уже известном нам графике указываем МАКС .

Вот и все для подготовки к анализу. Теперь нам нужно перенести эти данные на новую страницу для расчета значений RFM.

7. Сначала переименуйте столбцы в « Клиент », « Дата последней покупки », « Частота заказов», «Количество заказов » и « Сумма покупки ». Теперь приступим к основной части анализа. По формуле = СЕГОДНЯ () - вычисляем, сколько дней назад покупатель совершил последнюю покупку. Это будут данные для нашего значения R (новизна):

8. На данный момент у нас есть все данные о новизне, частоте (количество заказов) и денежной стоимости (сумма). Теперь мы присвоим значения от 1 до 3 (в соответствии с указанными выше критериями) на основе этих данных.

Начнем со значений недавности. Первое, что нам нужно сделать, это подсчитать, как долго 33% и 66% наших клиентов покупают у нас. Это легко сделать с помощью формулы = ПРОЦЕНТИЛЬ.ВКЛ (C2: C12; 0,33) и = ПРОЦЕНТИЛЬ.ВКЛ (C2: C12; 0,66) . Теперь мы знаем, что 33% клиентов купили наши продукты менее 61 дня назад, а 66% — более 93 дней назад.​

9. Соответственно тем клиентам, которые купили менее 61 дня назад, мы присваиваем наивысшее значение 3. Тем, кто разместил заказ от 61 до 93 дней назад, присваивается значение 2. Остальным, кто купил более 93 дней назад, мы присваиваем значение 1. Все это можно автоматически рассчитать по формуле = ЕСЛИ (С2 <61; 3; ЕСЛИ (С2 <93; 2; 1)).

10. По тому же принципу рассчитываем значения F (частота) и M (денежное значение): сначала подсчитываем, сколько раз 33% и 66% клиентов совершали покупку, и на основании результатов присваиваем значения от 1 до 3.​

11. Для большей ясности мы рассчитываем значение RFM, объединяя все три значения для каждого клиента. Мы можем сделать это, используя формулу = D2 * 100 + F2 * 10 + H2 .
    

Вот и все. Мы сделали все необходимые расчеты для RFM-анализа в Google Sheets (или Excel). Имейте в виду, что, хотя эти формулы помогают автоматизировать некоторые просчеты, вам все равно придется потратить много времени на расчет RFM.

Но если вы цените свое время и время своих сотрудников, или у вас большая база данных, мы рекомендуем проводить RFM-анализ с помощью OWOX BI. Если вы еще не являетесь пользователем OWOX BI, вы можете бесплатно попробовать весь функционал.

Когда все расчеты готовы и вы сегментировали своих клиентов, пора переходить к маркетинговой части.

Группируя клиентов по значениям RFM, вы можете сразу получить полное представление о том, что происходит с вашей клиентской базой. Давайте рассмотрим примеры некоторых клиентских групп.

Группа 3Р-3Ф-3М — самая активная, покупают часто

Это ваши идеальные клиенты. Вы можете расширить свое взаимодействие с ними, запустив программу лояльности, пригласив их на специальные мероприятия или спросив их о том, как они хотели бы, чтобы компания развивалась. Важно показать этим клиентам, что они уважаемы и приветствуют пользователей.

Группа 1Р-1Ф-1М – наименее активная, купили один раз/никогда, потратили мало

Хотя эти клиенты кажутся наименее перспективными, полностью списывать их со счетов не стоит: они хоть раз проявляли интерес к вашей продукции. Чаще всего маркетологи готовят специальные провокационные сообщения, чтобы разделить этих клиентов на «определенно незаинтересованных в продукте» и «перспективных». Перспективных клиентов можно перевести в следующую категорию.

1 место в одной из категорий

Некоторым из ваших клиентов может быть присвоено значение 122 (плохая давность). Этому сегменту нужно дать немного времени, чтобы принять решение о возвращении к вам. Попробуйте предложить им продукты, которые обычно покупают вместе с теми, что они покупали ранее, чтобы вызвать новый интерес к вашей компании.

3 место в одной из категорий

Эти пользователи являются перспективным сегментом для вашего исследования. Они достаточно последовательны, чтобы вы могли поэкспериментировать и найти подходящий способ повысить другие их показатели.

Методология RFM далека от абсолютной, но это чрезвычайно полезный инструмент для анализа клиентской базы. Немного поработав, вы научитесь применять индивидуальный подход к своим клиентам.

При этом помните, что на данные влияют сезоны, акции и праздники. Если клиент с обширной историей покупок за текущий месяц ничего не покупает в следующем месяце, это не значит, что его нужно сразу переводить в другой сегмент. Возможно, это просто влияние сезонности, и через какое-то время они возобновят покупки.

Если у вас остались вопросы, задавайте их в комментариях ниже :)

А если вы хотите узнать больше о Google Analytics и других инструментах аналитики, подпишитесь на нашу рассылку. Каждый месяц вы будете получать полезные советы для современных маркетологов и аналитиков.