RFM-анализ: как сегментировать клиентскую базу и увеличить повторные продажи

Что такое RFM-анализ

Это метод сегментации клиентов по трём показателям поведения: когда человек покупал в последний раз, как часто он это делает и сколько денег оставляет. Аббревиатура расшифровывается как Recency, Frequency, Monetary – три показателя, которые вместе дают намного более точную картину, чем любой из них по отдельности.

Recency – давность покупки

Сколько времени прошло с момента последней покупки клиента. В маркетинге Recency часто считают самым чувствительным показателем: клиент, который покупал недавно, с большей вероятностью отреагирует на новое предложение, чем тот, кто давно не возвращался. Давность фиксируют в днях и обычно именно по ней формируют самые быстрые триггеры. Например, письмо с напоминанием через месяц без покупки.

Frequency – частота покупок

Количество покупок клиента за определённый период. Один клиент, который покупает ежемесячно, стоит внимания больше, чем тот, кто сделал разовый крупный заказ и исчез. Частота показывает, насколько привычка покупать именно у вас уже закрепилась.

Monetary – сумма расходов

Общая сумма, которую клиент потратил за выбранный период. Это самый понятный показатель, но и самый опасный, если смотреть на него отдельно от двух предыдущих. Именно поэтому один крупный чек два года назад и десять маленьких чеков ежемесячно могут формально дать одинаковую сумму, а реальная ценность этих двух клиентов будет совершенно разной.

Зачем бизнесу RFM-сегментация

Какие проблемы решает

Большинство компаний хранят данные о клиентах, но оперируют ими одинаково: одна рассылка на всю базу, одна скидка для всех, один сценарий возврата оттока.

Для компаний, которые только строят аналитическую инфраструктуру, RFM часто становится первым отчётом внутри более широкой системы. Если у бизнеса уже есть внедрение BI, сегментация по RFM обычно добавляется как один из первых дашбордов: она быстро окупается и сразу даёт команде маркетинга конкретный список действий.

Кому подходит RFM-модель

RFM-анализ хорошо работает там, где есть история повторных покупок и достаточно данных, чтобы увидеть закономерность:

RFM менее полезен для бизнесов с одноразовой покупкой, где нет регулярной истории повторных продаж.

Пошаговая инструкция RFM-анализа

Шаг 1: Сбор и подготовка данных

Для расчёта нужны только транзакционные данные: ID клиента, дата покупки, сумма покупки. Источником может быть CRM, платформа e-commerce или выгрузка из базы данных. Главное на этом этапе – убрать дубликаты клиентов (один человек под двумя email) и исключить тестовые и отменённые заказы, иначе они искажают показатели.

Шаг 2: Расчёт R, F, M показателей

Период стоит подбирать под цикл покупки конкретного бизнеса: для магазина продуктов это может быть 3 месяца, для мебели – год и больше.

Шаг 3: Скоринговая шкала

Сырые цифры не очень удобно сравнивать между собой, поэтому их переводят в баллы. Самый распространённый подход – разбить базу на 5 равных групп (квинтилей) по каждому показателю и присвоить балл от 1 до 5.

В результате каждый клиент получает трёхзначный код, например 555 (идеальный клиент) или 115 (давно не появлялся, покупал редко, но однажды оставил крупную сумму).

Шаг 4: Формирование сегментов

На основе комбинаций R, F, M баллов клиентов группируют в сегменты. Обычно 6-10 групп, в зависимости от того, насколько детально бизнес хочет управлять базой. Именно на этом шаге сегментация покупателей превращается из таблицы цифр в конкретный список имён, с которыми можно работать по-разному.

Шаг 5: Стратегия для каждого сегмента

Каждый сегмент получает отдельный сценарий: удержание, возврат, cross-sell или минимальную коммуникацию. Именно здесь RFM переходит из отчёта в действие и влияет на повторные продажи.

Сегменты клиентов в RFM

В RFM-модели количество сегментов может отличаться в зависимости от бизнеса, но несколько базовых групп встречаются почти всегда.

Champions – лучшие клиенты

Покупали недавно, покупают часто и оставляют больше всего денег. Это самая ценная часть базы, для которой лучше работают статус, ранний доступ и персональные предложения.

Loyal Customers – лояльные

Стабильно возвращаются и покупают регулярно, хотя средний чек может быть ниже, чем у champions. Это основа повторных продаж бизнеса: они не требуют агрессивного стимулирования, зато хорошо реагируют на программы лояльности и cross-sell смежных категорий.

At Risk – под угрозой оттока

Раньше покупали часто и много, но давно не появлялись. Это самый дорогой сегмент для потери, компания уже инвестировала в привлечение этого клиента, и его уход означает прямой убыток. Здесь работают персональные предложения возврата и опросы с целью разобраться, почему клиент ушёл.

Lost – потерянные

Очень давно не покупали, с низкой частотой и суммой даже в прошлом. Обычно не стоит тратить на них активный бюджет, поскольку реактивация стоит дороже, чем они могут вернуть.

Построить такое распределение вручную на большой базе практически невозможно, именно поэтому анализ клиентской базы по RFM в большинстве компаний автоматизируют через BI-аналитику для e-commerce, где сегменты обновляются сами, как только поступают новые данные о заказах.

RFM в Power BI: как автоматизировать анализ

На небольшой базе R, F и M ещё можно считать в Excel. Дальше формулы начинают тормозить, сводные таблицы ломаются при каждом обновлении данных, и кто-то в команде ежемесячно вручную пересчитывает сегменты заново.

Главное преимущество такого подхода в том, что сегменты всегда актуальны. Отдел маркетинга не ждёт ежемесячный отчёт от аналитика, а сразу видит, кто перешёл в зону риска.

Кейс IWIS: как BI-аналитика готовит базу для RFM-сегментации

Планета Кино – современная украинская сеть кинотеатров с развитыми цифровыми сервисами: онлайн-продажей билетов, электронным входом и мобильными приложениями.

В кейсе Planeta Kino команда IWIS построила аналитическую систему, где каждый показатель был привязан к конкретному отчёту и источнику данных. Работу разделили на два потока: основную отчётность по утверждённой структуре и R&D-направление для проверки гипотез и построения ML-моделей. Также было развёрнуто централизованное хранилище данных, парсеры для открытых источников, интеграция с Google Analytics и pipeline для обработки данных.

Клиент получил возможность видеть эффективность маркетинговых кампаний, анализировать основные сегменты клиентской базы и каналы коммуникации, а также считать LTV. Отдельно отчётность показала связь между продажей билетов и кросс-продажами в баре. Это дало бизнесу аналитику 360° вокруг клиентского поведения, а не только отдельного билета или транзакции.

Такой подход создаёт техническую основу для зрелой клиентской аналитики: когда данные собраны в единой системе, бизнес может строить более точные сегменты, в частности по логике RFM-сегментации.