редакции
Как заставить RFM-сегментацию работать в e-commerce: 4 способа
RFM-анализ — это довольно распространенный и известный метод, который группирует клиентскую базу по критериям: давности последнего заказа (R — recency), количества или частоты заказов (F — frequency) и общую сумму заказов (M — money). Этот тип сегментации позволяет понять, как работать с разными группами клиентов: одних удерживаем, других интенсивно развиваем, третьих стараемся вернуть; этим предлагаем такую скидку, а этим другую.
Сам расчет достаточно прост. Статей на эту тему огромное множество, и еще раз описывать процесс сегментации не будем.
О чем поговорим:
- как упростить интерпретацию RFM
- как эффективнее спланировать активность на основе анализа
- как оценивать сегментацию в динамике
Кому это будет полезно:
- маркетологам, аналитикам, продактам в e-commerce
- тем, у кого в базе более 1000 подписчиков/клиентов
Все примеры взяты из клиентских проектов, которые мы реализовывали в Microsoft Power BI.
#1 Переведите сегментацию в понятную глазу матрицу 5×5
Классический RFM-анализ включает в себя 5 значений (от 1 до 5) по R (Recency), F (Frequence) и M (Money). Получается 125 (5*5*5) сегментов. Такое количество невозможно наглядно представить, чтобы понять ситуацию и спланировать работу с клиентами. Однако F и M часто коррелируют между собой, поскольку при росте кол-ва покупок, растет и общий объем. Это позволяет для визуализации сделать допущение и объединить их вместе. Например, у клиента с F=4 и M=5 совмещенный FM будет (4+5)/2=4 (округляем в меньшую сторону). Это дает возможность переложить все получившиеся 25 (R5 x FM5) сегментов на матрицу 5×5, которая может быть реализована в простой сводной таблице или же в виде точечной диаграммы, где размер сегмента — это кол-во клиентов в нём. Чтобы сразу понимать, какой сегмент что означает, мы, например, им присваиваем названия. Таким образом мы и наши клиенты сразу
понимают, что это за сегмент и как с ним работать. Возьмем: Поскольку некоторые сегменты достаточно схожи друг с другом, их можно сгруппировать в укрупненные сегменты. Например, как на скриншоте ниже получилось 11 групп сегментов. Мы используем именно такую
классификацию, но вы можете ее адаптировать под свой проект. У RFM-сегментации есть один большой минус — это статичность. От сегментации к сегментации вы не будете знать, изменилось ли положение
каждого конкретного клиента. Да, вы можете через месяц-два провести повторный анализ и увидите, где клиентов стало больше / меньше. Но вы не
сможете понять, какие клиенты перешли в статус ушедших, кто стал лояльным, а кого вы успешно реанимировали. Для этого проводите сегментацию с определенной периодичностью
(например, раз в квартал или раз в месяц) и результаты в виде значений R, F и M фиксируйте в базу данных отдельными записями. Это позволит вам: а) получить новую интегральную метрику ценности клиента и ее изменение во времени Как оцифровать «ценность»? Как вариант, можно просуммировать R, F и M у каждого клиента в конкретный момент времени. Получится значение от 3 (при R1, F1, M1) до 15 (при R5, F5, M5). Чем выше значение, тем ценнее клиент. При наличии замеров за несколько периодов, можно отслеживать, как менялась важность конкретного клиента в вашей клиентской базы. У этого подхода есть важный плюс. Так называемая RFM-ценность
каждого клиента не зависит от абсолютных значений его заказов и дохода.
Она демонстрирует значимость относительно всей клиентской базы. Если продажи есть, но не растут так, как у других, то ценность будет оставаться на одной планке или постепенно снижаться. б) видеть, сколько клиентов перетекают между сегментами Как уже отмечалось выше, клиентов из сегментов верхнего левого угла (почти ушедшие) нужно возвращать, из правого верхнего угла (лояльные) — удерживать, из правого нижнего (потенциальные) — развивать,
из левого нижнего (ушедшие) — реанимировать. Вот вы после очередной сегментации запустили активационные кампании на возврат. Настроили рассылки, ретаргет, «пуши», все как полагается. И как потом понять, сколько клиентов «перетекло» в сегменты лояльных, а сколько все-таки ушли насовсем? На этой визуализации с использованием хордовой диаграммы мы видим, что после проведенной активационной кампании, нам удалось вернуть
из зоны риска: Однако 11 клиентов все-таки «спустились» в сегмент «В спячке», а 141 клиента мы, вероятно, потеряли насовсем: они ушли в сегмент «Потерянные». Если у вас есть исторические данные по изменению сегментов каждого клиента, то вы можете интерактивно отслеживать перетекание клиентов из одних сегментов в другие В условиях ограниченности ресурсов, не получится качественно работать сразу на всех фронтах: и удерживать, и развивать, и возвращать,
и реанимировать. Придется расставить приоритеты. Но как понять, что принесет максимальный эффект? Разумеется, первоочередным фактором является среднесрочная стратегия и планы на ближайшие недели и месяцы. Но в помощь может прийти
сценарное моделирование. Как это может выглядеть применительно к RFM-сегментации? Есть как минимум 3 упрощенных способа оценить эффект от работы с клиентами: 1. Оценка удержания новых клиентов. Возьмем два сегмента новичков. У нас есть данные по среднему Lifetime всех клиентов, их средний чек (AOV) и среднее число покупок в месяц, мы можем смоделировать эффект от воздействия на клиентов из этих групп. Если удержать N (указываем проценты) клиентов, то эти клиенты
смогут принести за все время X (Lifetime в месяцах * AOV * среднее число покупок в месяц) рублей.И вот вы уже примерно понимаете, какой отложенный эффект можно получить от проработки этих RFM-сегментов. 2. Оценка возврата и реанимации. Возьмем группу побольше — все ушедшие клиенты. Если мы вернем N (указываем проценты) клиентов из этих групп,
то они принесут сразу X (разовый эффект от единичных продаж = средний чек * кол-во возвращенных клиентов) рублей. А если удастся их удержать, то в течение года они принесут Y (средний чек этих клиентов * среднее кол-во продаж в течение года) рублей. 3. Оценка эффекта от повышения среднего чека. Возьмем группу лояльных клиентов. Если мы сможем повысить средний чек у лояльных клиентов на N (указываем проценты), то он составит X рублей и это позволит получить дополнительные продажи от этих клиентов на Y (среднегодовой доход с этих
клиентов * % увеличения). В идеале, вам следует прийти к пониманию, какой эффект вы сможете получить при определенном успешном воздействии на конкретные сегменты. Звучит неплохо, так ведь? Эти примеры, равно как и методы расчета эффекта имеют очень примитивный вид. Но сам подход можно адаптировать под вашу компанию, моделировать результативность на 1, 2 или большее число отдельно взятых сегментов клиентов.
#2 Присвойте сегментам понятные названия
#3 Анализируйте движение клиентов по сегментам
#4 Предварительное моделирование эффекта
В конечном счете