RFM-аналіз: як сегментувати клієнтську базу і збільшити повторні продажі

Що таке RFM-аналіз

Це метод сегментації клієнтів за трьома показниками поведінки: коли людина купувала востаннє, як часто вона це робить і скільки грошей залишає. Абревіатура розшифровується як Recency, Frequency, Monetary – три показники, які разом дають набагато точнішу картину, ніж будь-який з них окремо.

Recency – давність покупки

Скільки часу минуло з моменту останньої покупки клієнта. У маркетингу Recency часто вважають найчутливішим показником: клієнт, який купував нещодавно, з більшою ймовірністю відреагує на нову пропозицію, ніж той, хто давно не повертався. Давність фіксують у днях і зазвичай саме за нею формують найшвидші тригери. Наприклад, лист із нагадуванням через місяць без покупки.

Frequency – частота покупок

Кількість покупок клієнта за визначений період. Один клієнт, який купує щомісяця, вартий уваги більше, ніж той, хто зробив разове велике замовлення і зник. Частота показує, наскільки звичка купувати саме у вас уже закріпилась.

Monetary – сума витрат

Загальна сума, яку клієнт витратив за обраний період. Це найзрозуміліший показник, але і найнебезпечніший, якщо дивитися на нього окремо від двох попередніх. Саме тому один великий чек два роки тому і десять маленьких чеків щомісяця можуть формально дати однакову суму, а реальна цінність цих двох клієнтів буде зовсім різною.

Навіщо бізнесу RFM-сегментація

Які проблеми вирішує

Більшість компаній зберігають дані про клієнтів, але оперують ними однаково: одна розсилка на всю базу, одна знижка для всіх, один сценарій повернення відтоку.

Для компаній, які тільки будують аналітичну інфраструктуру, RFM часто стає першим звітом усередині ширшої системи. Якщо у бізнесу вже є впровадження BI, сегментація за RFM зазвичай додається як один з перших дашбордів: вона швидко окупається і одразу дає команді маркетингу конкретний список дій.

Кому підходить RFM-модель

RFM-аналіз добре працює там, де є історія повторних покупок і достатньо даних, щоб побачити закономірність:

RFM менш корисний для бізнесів з одноразовою покупкою, де немає регулярної історії повторних продажів.

Покрокова інструкція RFM-аналізу

Крок 1: Збір та підготовка даних

Для розрахунку потрібні тільки транзакційні дані: ID клієнта, дата покупки, сума покупки. Джерелом може бути CRM, платформа e-commerce або вивантаження з бази даних. Головне на цьому етапі – прибрати дублікати клієнтів (одна людина під двома email) і виключити тестові та скасовані замовлення, інакше вони спотворюють показники.

Крок 2: Розрахунок R, F, M показників

Період варто підбирати під цикл покупки конкретного бізнесу: для магазину продуктів це може бути 3 місяці, для меблів – рік і більше.

Крок 3: Скорингова шкала

Сирі цифри не дуже зручно порівнювати між собою, тому їх переводять у бали. Найпоширеніший підхід – розбити базу на 5 рівних груп (квінтилів) за кожним показником і присвоїти бал від 1 до 5.

У результаті кожен клієнт отримує тризначний код, наприклад 555 (ідеальний клієнт) або 115 (давно не з’являвся, купував рідко, але одного разу залишив велику суму).

Крок 4: Формування сегментів

На основі комбінацій R, F, M балів клієнтів групують у сегменти. Зазвичай 6-10 груп, залежно від того, наскільки детально бізнес хоче керувати базою. Саме на цьому кроці сегментація покупців перетворюється з таблиці цифр на конкретний список імен, з якими можна працювати по-різному.

Крок 5: Стратегія для кожного сегменту

Кожен сегмент отримує окремий сценарій: утримання, повернення, cross-sell або мінімальну комунікацію. Саме тут RFM переходить зі звіту в дію і впливає на повторні продажі.

Сегменти клієнтів у RFM

У RFM-моделі кількість сегментів може відрізнятися залежно від бізнесу, але кілька базових груп зустрічаються майже завжди.

Champions – кращі клієнти

Купували нещодавно, купують часто і залишають найбільше грошей. Це найцінніша частина бази, для якої краще працюють статус, ранній доступ і персональні пропозиції.

Loyal Customers – лояльні

Стабільно повертаються і купують регулярно, хоча середній чек може бути нижчим, ніж у champions. Це основа повторних продажів бізнесу: вони не потребують агресивного стимулювання, натомість добре реагують на програми лояльності та cross-sell суміжних категорій.

At Risk – під загрозою відтоку

Раніше купували часто і багато, але давно не з’являлися. Це найдорожчий сегмент для втрати, компанія вже інвестувала в залучення цього клієнта, і його відхід означає прямий збиток. Тут працюють персональні пропозиції повернення і опитування з метою розібратися, чому клієнт пішов.

Lost – втрачені

Дуже давно не купували, з низькою частотою і сумою навіть у минулому. Зазвичай не варто витрачати на них активний бюджет, бо реактивація коштує дорожче, ніж вони можуть повернути.

Побудувати такий розподіл вручну на великій базі практично неможливо, саме тому аналіз клієнтської бази за RFM у більшості компаній автоматизують через BI-аналітику для e-commerce, де сегменти оновлюються самі, щойно надходять нові дані про замовлення.

RFM у Power BI: як автоматизувати аналіз

На невеликій базі R, F і M ще можна рахувати в Excel. Далі формули починають гальмувати, зведені таблиці ламаються при кожному оновленні даних, і хтось у команді щомісяця вручну перераховує сегменти заново.

Головна перевага такого підходу в тому, що сегменти завжди актуальні. Відділ маркетингу не чекає на щомісячний звіт від аналітика, а одразу бачить, хто перейшов у зону ризику.

Кейс IWIS: як BI-аналітика готує базу для RFM-сегментації

Планета Кіно – сучасна українська мережа кінотеатрів із розвиненими цифровими сервісами: онлайн-продажем квитків, електронним входом і мобільними додатками.

У кейсі Planeta Kino команда IWIS побудувала аналітичну систему, де кожен показник був прив’язаний до конкретного звіту та джерела даних. Роботу розділили на два потоки: основну звітність за затвердженою структурою та R&D-напрям для перевірки гіпотез і побудови ML-моделей. Також було розгорнуто централізоване сховище даних, парсери для відкритих джерел, інтеграцію з Google Analytics і pipeline для обробки даних.

Клієнт отримав можливість бачити ефективність маркетингових кампаній, аналізувати основні сегменти клієнтської бази та канали комунікації, а також рахувати LTV. Окремо звітність показала зв’язок між продажем квитків і крос-продажами в барі. Це дало бізнесу аналітику 360° навколо клієнтської поведінки, а не лише окремого квитка чи транзакції.

Такий підхід створює технічну основу для зрілої клієнтської аналітики: коли дані зібрані в єдиній системі, бізнес може будувати точніші сегменти, зокрема за логікою RFM-сегментації.