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

Recency Frequency Monetary

Область применения

Анализ ассортимента товаров и услуг компании по частоте обращения (покупки, заказа и т.д.). Аналогичен ABC-анализу товарных позиций, если в качестве параметра брать число обращений. Используется для определения доходности клиентов, позволяет оценить вероятность их ухода, изучить лояльность клиентов.

Описание

RFM-анализ чаще всего используется для изучения товарного ассортимента по частоте обращений, а также его применяют для классификации клиентов.

Основу RFM-анализа составляют следующие характеристики:

Recency (новизна) – новизна какого-либо события. Чем меньше времени прошло с момента последней активности клиента (последней продажи товара), тем более вероятно, что действие повторится.
Frequency (частота или количество) – количество покупок, которые совершил клиент (количество продаж). Чем их больше, тем выше вероятность того, что клиент повторит действия в будущем. Данный параметр рассматривается за определённый промежуток времени (неделя, месяц, квартал, год и т. д.).
Monetary (деньги) – сумма, которую потратил клиент (выручка от продажи товара). Чем больше потраченная сумма, тем выше вероятность того, что клиент повторит заказ. На практике Monetary обычно не используют, т. к. она сильно коррелирует с Frequency. Поэтому RFM сегментацию часто называют RF сегментацией.

Алгоритм

Классификация по параметру Recency:
- для каждого клиента определить дату последней покупки;
- для каждого клиента рассчитать давность покупки (Recency) как разность между текущей датой (в примере 10.01.2008) 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 присвоен код R=5. Те, кто дольше всех не покупал ничего, получат R=1.
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 присвоен код F=5, наименее активные покупатели получат F=1.
Классификация по параметру Monetary:
- для каждого клиента определить сумму потраченных денег;
- разбить полученные данные на 5 групп (квантилей). Клиентам, потратившим наибольшие суммы, будет присвоен код М=5, клиентам, потратившим наименьшие суммы – М=1.
Совместить полученные результаты, каждый клиент при этом получит код RFM, состоящий из трёх цифр.

В начале таблицы располагаются постоянные клиенты, которые чаще всего приносят основную часть прибыли. Для этих клиентов можно разработать специальные предложения. Клиенты с кодом RF=15 являются новыми, и если в этой группе есть те, чей показатель Monetization равен 5, то на них стоит обратить особое внимание.

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.

Николай Горпиневич о способах удержания клиентов при помощи анализа давности, частоты и суммы покупок.

В закладки

Сегментация - один из столпов, на котором стоит эффективный email-маркетинг. Существует много подходов и критериев для сегментирования базы подписчиков, но сегодня поговорим об одном из самых простых и эффективных - RFM-сегментации. И расскажем, как RFM-кампании могут увеличить конверсию на 350%, на примере омниканального ритейлера «Техносила».

Про RFM-сегментацию многие говорят, но на практике используют единицы. В основе подхода лежит RFM-анализ клиентов (Recency - давность, Frequency - частота, Monetary - деньги). Все покупатели распределяются по сегментам в зависимости от давности совершенных покупок, частоты этих покупок и размера суммы заказа.

Идея заключается в том, что клиент, проявивший активность недавно, совершивший покупки определенное количество раз и потративший наибольшую сумму, максимально лоялен интернет-магазину и гораздо легче совершит новую покупку, чем тот, кто сделал единственный заказ давно и на небольшую сумму.

Для омниканального ритейлера «Техносила» была использована RF-сегментация, то есть анализ на основе показателей Recency и Frequency, так как они дают самые важные знания о покупателях.

RF-сегментация email-подписчиков позволяет решить несколько важных задач:

Получить представление о качестве клиентской базы.
Выявить самых лояльных покупателей.
Диагностировать тех, кому требуется уделить больше внимания.
Выявить критические точки коммуникации с клиентами.
Запустить автоматизированные кампании для эффективной генерации повторных продаж и управления retention rate.

Виды RF-сегментов

Специалисты выделяют семь сегментов подписчиков: новички, перспективные, лояльные, дрейфующие, спящие, в зоне риска, в зоне потери. В матрице «удержания» по оси Х располагается количество дней с момента последнего заказа, по оси Y - количество заказов.

Новички - подписчики, которые совершили свою первую покупку в интернет-магазине. Новичками можно считать тех, кто совершил один заказ в течение последних 40 дней. Главная задача в работе с ними - превращение их в лояльных клиентов.

Для этого можно задействовать разные методы: рассказать о широком ассортименте магазина, предложить вступить в программу лояльности. Новичкам не стоит сразу показывать скидки, чтобы не снижать маржинальность интернет-магазина.

Дрейфующие - подписчики, которые совершили от одного до двух заказов, причем последний из заказов был в течение 52-75 дней, или те, кто сделал более одного заказа в течение 41-75 дней.

В этот сегмент подписчик может попасть из сегментов «Новички» и «Перспективные». Поскольку интернет-магазин уже потратил деньги на привлечение покупателя, теперь важно его удержать.

Спящие - подписчики, которые совершили один-два заказа, последний из которых был более 76 дней назад. Можно считать этих подписчиков «мертвыми».

Главная задача в этом сегменте - реанимировать подписчика, перевести в другой сегмент, поэтому здесь стоит активно использовать акции, скидки и спецпредложения. Если подписчик не реагирует на реактивационные рассылки, его можно смело отписывать, чтобы не тратить ресурсы интернет-магазина.

Перспективные - подписчики, которые совершили до двух заказов, последний из которых был не позже 51 дня назад. Это сегмент, который требует активной работы.

Перспективных подписчиков нужно вовлекать в мультиканальную коммуникацию (если у интернет-магазина она есть): предлагать различные маркетинговые активности, отправлять им полезные материалы (текстовые и видеообзоры, рекомендации по выбору и так далее), предлагать подписаться на соцсети. Как и новичкам, перспективным подписчикам не стоит давать скидок, чтобы не подсаживать сразу на скидочные предложения.

Лояльные - подписчики, которые совершили три и более заказа, последний из которых был не позже 51 дня назад. Лояльным подписчикам нужно дать понять, что магазин заботится о них, готов слушать своих клиентов и развиваться. Для этого нужно собирать обратную связь.

Лояльных покупателей нужно продолжить вовлекать в мультиканальную коммуникацию с магазином: использовать соцсети, офлайн-точки, полезные материалы, маркетинговые активности магазина. Например, у магазина Esky есть детская фотостудия и благотворительный проект, а «Техносила» ведет видеоблог и составляет текстовые обзоры и рекомендации. Лояльным покупателям также не нужно предлагать скидок, они хорошо покупают по полной цене.

В зоне риска - подписчики, которые совершили три и более заказа, последний из которых в течение 52-112 дней. Когда лояльный подписчик начинает терять интерес к магазину, его обязательно нужно вернуть. Необходимо побудить его остаться покупателем через демонстрацию полезного контента, рассказы об акциях и спецпредложениях.

В зоне потери - подписчики, которые совершили три и более заказа, последний из которых был более 113 дней назад. Подписчиков, которые в прошлом были лояльными, но совершенно потеряли интерес к магазину, нужно обязательно попытаться реанимировать. Необходимо получить обратную связь о причинах ухода, ещё раз продемонстрировать преимущества магазина. Подписчикам в зоне потери нужно демонстрировать самые выгодные предложения.

Задача триггерных RFM-рассылок, как и любой другой деятельности с RFM-сегментами, - удержание пользователей в группе «Лояльных». Чтобы отслеживать эффективность кампаний, нужно сравнивать прирост «Лояльного» сегмента с приростом сегмента «В зоне потери» и стремиться к тому, чтобы «Лояльный» сегмент рос быстрее (или соответственно уменьшался медленнее).

Сегментация и построение сетки удержания

Чтобы построить сетку удержания, необходимо разделить базу на сегменты по шкалам Recency (давность последней покупки) и Frequency (частота покупок). Для составления сегментов сначала сортируем всю базу подписчиков по давности последней покупки, затем каждый полученный сегмент сортируем по частоте покупок. Каждому сегменту присваивается цифровой индекс.

Чтобы построить сетку удержания, отмечаем на оси Х количество дней (min и max каждого сегмента) и на оси Y количество заказов (min и max каждого сегмента), а каждую ячейку размечаем кодами сегментов.

RF-сценарии для каждого из сегментов

Сценарий 1. Попадание в сегмент «Новички»

Когда пользователь совершил первую покупку, важно завоевать его лояльность и побудить к повторным заказам через предложение релевантных товаров в подходящий момент, который платформа рассчитывает автоматически.

Текст: «Поздравляем с первой покупкой».
Подборку персональных товарных рекомендаций.
Баннер: «Знакомство с категориями».
Блок: «Программа лояльности».

Пример письма для сегмента «Новички» омниканального ритейлера «Техносила»

Сценарий 2. Переход из «Новичков» в «Перспективные»

Чтобы в достаточной степени «подогреть» интерес новичков и перевести их в сегмент лояльных, необходимо вовлекать получателей полезным контентом и персональными предложениями на основе индивидуальных предпочтений.