Что такое RFM-анализ клиентской базы

Компания рассылает одну и ту же акцию по всей базе — и тем, кто купил вчера, и тем, кто не возвращался год. Одни клиенты приносят большую часть выручки, другие почти ничего, но в рассылке они равны. RFM-анализ делит базу на группы по реальному поведению и показывает, с кем работать на удержание, кого возвращать, а на кого не тратить бюджет. Разобрали, как метод устроен и как применить его по шагам.

Что такое RFM-анализ

RFM-анализ — метод сегментации клиентской базы по трём параметрам покупательского поведения: давности последней покупки, частоте покупок и сумме покупок. Каждого клиента оценивают по этим трём осям и объединяют с теми, кто ведёт себя похоже. Название складывается из первых букв трёх английских слов: Recency, Frequency, Monetary.

Recency — давность последней покупки, сколько времени прошло с момента, когда клиент покупал в последний раз. Чем недавнее была покупка, тем выше шанс, что человек откликнется на следующее предложение. В прямом маркетинге давность считают самым сильным из трёх признаков: тот, кто купил недавно, ближе к следующей покупке, чем тот, кто пропал полгода назад.

Frequency — частота покупок, сколько раз клиент покупал за выбранный период. Частота показывает привычку: разовый покупатель и человек, который заказывает каждый месяц, — это разные отношения с брендом, даже если суммы совпадают.

Monetary — сумма покупок, сколько денег клиент принёс за тот же период. Параметр отражает ценность в деньгах и помогает отделить тех, кто покупает много и дорого, от тех, кто берёт редко и по мелочи.

Метод опирается на поведение, а не на анкету. Он не спрашивает про пол, возраст или город — он смотрит, что человек реально делал: когда купил, как часто и на сколько. Эти данные есть в истории заказов любого бизнеса с повторными продажами, поэтому RFM-анализ запускают без опросов и дополнительного сбора информации.

Поведение точнее демографии для таких решений. Возраст и город говорят, кто клиент, но не говорят, покупает ли он сейчас. Два человека одного возраста из одного города ведут себя по-разному: один заказывает каждый месяц, другой пропал после первой покупки. Для рассылок, удержания и распределения бюджета важно именно это, поэтому RFM берёт за основу действия, а не портрет.

Зачем делить клиентов по давности, частоте и сумме

Клиенты в базе неравноценны. Небольшая часть покупателей обычно приносит заметную долю выручки, а значительная часть покупала однажды и больше не вернулась. Если работать со всей базой одинаково, маркетинг усредняется и теряет деньги с обеих сторон.

Скидка чемпиону режет маржу — он купил бы и без неё. Молчание к клиенту, который начал уходить, обходится дороже: его ещё можно было вернуть, но момент упущен. В обоих случаях бюджет тратится не туда, потому что решение принимали без учёта того, как ведёт себя конкретный человек.

RFM превращает эту разницу в конкретные группы. Клиент, который купил недавно, часто и на крупную сумму, и клиент, который заказал один раз год назад, требуют разного обращения: первого удерживают, второго либо возвращают, либо перестают тратить на него бюджет.

Для бизнеса это означает, что деньги на рассылки, скидки и рекламу распределяют по ценности и вероятности отклика, а не поровну. Метод не обещает роста продаж сам по себе — он показывает, куда направить усилия, чтобы удержать ценных клиентов и не растратить ресурсы на тех, кто уже не вернётся.

На практике это меняет саму форму работы с базой. Вместо одной рассылки на всех запускают несколько цепочек поменьше, у каждой своя цель: одну — чтобы удержать активных, другую — чтобы вернуть уходящих, третью — чтобы довести новичка до второй покупки. Общий объём писем может даже снизиться, а отдача — вырасти, потому что предложение попадает в того, кому оно уместно.

Отдельная польза метода — он показывает клиентов, которых легко не заметить. Покупатель, который был активным и вдруг замолчал, в общей статистике теряется: выручка идёт, новые заказы приходят, а тихий отток проходит мимо внимания. RFM выносит такую группу отдельно и даёт время среагировать, пока клиент ещё помнит бренд.

Как присваивают баллы по каждому параметру

Каждому клиенту выставляют оценку по трём параметрам по общей шкале — чаще всего от 1 до 5, иногда от 1 до 3. Шкала 1–5 даёт более дробную картину, 1–3 проще в работе и подходит небольшой базе, где на пяти уровнях в группах окажется слишком мало людей.

Границы между баллами задают двумя способами. Первый — разделить базу на равные группы. Клиентов сортируют по параметру и делят на пять частей: лучшие 20% по давности получают 5, следующие 20% — 4 и дальше до 1. Такой способ выравнивает размеры групп и не зависит от абсолютных чисел.

Например, в базе 10 000 клиентов при делении на пять частей по давности 2 000 самых недавних получат 5 баллов, следующие 2 000 — 4 и так далее до последних 2 000, которые получат 1. Размеры групп совпадают независимо от того, покупали клиенты неделю назад или полгода.

Второй способ — задать фиксированные пороги по бизнес-логике. Например, покупка за последние 30 дней приносит 5 баллов по давности, 31–90 дней — 4, и дальше по убыванию. Фиксированные границы удобнее привязать к реальному циклу покупок, но пороги придётся подбирать под конкретный товар.

Деление на равные группы спотыкается, когда у многих клиентов одинаковое значение. Если половина базы сделала ровно один заказ, разложить этих людей по разным баллам частоты не выйдет — они одинаковы, и группы получатся неравными. Тогда берут более грубую шкалу или задают пороги вручную, чтобы баллы отражали реальные различия, а не подгонялись под равные доли.

Выбор между двумя способами зависит от того, что важнее. Равные группы удобны, когда нужно сравнивать клиентов между собой и держать сегменты примерно одного размера. Фиксированные пороги лучше, когда у бизнеса есть понятное представление о норме — например, известно, через сколько дней молчания клиент считается уходящим. Тогда балл привязан к смыслу, а не к месту клиента в общем ряду.

У давности логика обратная по сравнению с частотой и суммой. Чем меньше дней прошло с покупки, тем выше балл, потому что недавний клиент ценнее для следующего предложения. У частоты и суммы наоборот: больше заказов и больше денег — выше балл.

Например, клиент купил 20 дней назад, сделал за год 8 заказов и потратил 60 000 руб. — по шкале 1–5 он получит высокий балл по каждому параметру. Другой купил один раз 400 дней назад на 3 000 руб., и у него низкий балл по всем трём.

Как из баллов складываются сегменты

После оценки у каждого клиента появляется набор из трёх цифр — например, R5 F4 M5. По шкале 1–5 таких сочетаний получается 125, по шкале 1–3 — 27. Работать с сотней с лишним групп невозможно, поэтому близкие по смыслу сочетания объединяют в несколько понятных сегментов.

Группируют по логике поведения. Высокие баллы по всем трём параметрам — это лучшие клиенты. Высокие частота и сумма при низкой давности — клиент, который был ценным, но начал уходить. Высокая давность при низкой частоте — новичок, который купил недавно и пока один раз.

Обычно решающими считают давность и частоту: они говорят, жив ли клиент и насколько он вовлечён. Сумма уточняет ценность внутри группы — например, среди лояльных клиентов отделяет тех, кто тратит больше. Поэтому часть компаний строит сегменты в первую очередь по R и F, а M использует как дополнительный фильтр.

У этого есть причина в самих данных: сумма и частота связаны — кто заказывает чаще, обычно и тратит больше. M во многом повторяет F, поэтому по трём параметрам сразу клиенты нередко распределяются так же, как по двум. Это ещё один довод в пользу того, чтобы строить основу сегментов на давности и частоте.

Иногда картину упрощают до двух осей — давности и частоты. Клиента размещают в таблице, где по одной стороне баллы R, по другой — F, и каждой клетке или группе клеток дают название. Так десятки сочетаний сворачиваются в наглядную сетку, по которой сразу видно, кто активен, а кто отдаляется.

Количество сегментов подбирают под задачи. Начинают с нескольких крупных групп, для которых есть понятное действие, и дробят дальше, только если под новый сегмент найдётся отдельная работа. Сегмент, для которого нечего сделать, не нужен.

Основные сегменты клиентской базы

Названия сегментов у разных компаний отличаются, но набор групп повторяется. Разберём те, что встречаются чаще всего, и поведение, которое за ними стоит.

• Лучшие клиенты, или чемпионы. Купили недавно, покупают часто и на большие суммы — высокие баллы по всем трём параметрам. Небольшая по размеру группа, которая приносит заметную часть выручки.
• Лояльные. Покупают регулярно, но суммы или частота ниже, чем у чемпионов. Основа стабильного дохода, их важно удерживать.
• Новички. Купили недавно, но пока только один раз. Ещё не ясно, станут ли они постоянными, — многое зависит от того, как пройдёт начало.
• Потенциально лояльные. Купили недавно и уже сделали два-три заказа, но пока не вышли на уровень постоянных. Промежуточная группа, из которой при правильной работе вырастают лояльные клиенты.
• В зоне риска. Раньше покупали часто и на хорошие суммы, но давно не возвращались: высокие F и M при низком R. Ценные клиенты, которых ещё можно вернуть, поэтому они в приоритете на реактивацию.
• Спящие. Покупали редко и давно, активность угасла. Вернуть их сложнее и дороже, чем клиентов из зоны риска.
• Потерянные. Давно не покупали, делали это редко и на небольшие суммы — низкие баллы по всем параметрам. Тратить на них много бюджета невыгодно.

Дробить дальше можно, но осторожно. Иногда из зоны риска отдельно выделяют бывших чемпионов — тех, кто приносил больше всех и перестал покупать: терять их дороже всего, и работа с ними отличается от остальной группы риска. Правило одно: новый сегмент появляется, когда для него есть отдельное действие, а не потому, что цифры позволяют его выделить.

Границы между сегментами подвижны. Клиент из зоны риска при удачной реактивации возвращается в лояльные, а чемпион, переставший покупать, со временем сползает в зону риска. Поэтому RFM-оценку пересчитывают регулярно, а не считают один раз.

Пошаговый алгоритм RFM-анализа

Метод сводится к пяти шагам — от сбора данных до конкретного действия.

1. Собрать данные о транзакциях. Нужны идентификатор клиента, даты всех покупок и суммы. Обычно они хранятся в CRM, базе заказов или на платформе интернет-магазина.
2. Рассчитать три значения по каждому клиенту. Давность — число дней от последней покупки до даты анализа. Частоту — количество заказов за выбранный период. Сумму — общую или среднюю за тот же период.
3. Присвоить баллы. Каждому клиенту выставляют оценку по каждому параметру: по равным группам или по фиксированным порогам.
4. Объединить баллы в сегменты. Близкие сочетания сводят в понятные группы: чемпионы, лояльные, новички, зона риска, спящие, потерянные.
5. Выбрать действие для каждого сегмента. Под каждую группу подбирают отдельное предложение и канал: одним — программа лояльности, другим — реактивация, третьим — минимум усилий.

Перед расчётом данные приводят в порядок. Из истории убирают возвраты, отменённые и тестовые заказы, иначе сумма и частота завысятся. Одного клиента с несколькими телефонами или почтами сводят в одну карточку, чтобы его покупки не разбились на разных людей. Мусор в исходных данных превращается в неверные баллы, а за ними — в неверные действия.

Период выбирают под цикл покупок. Для товаров повседневного спроса это месяц или квартал, для сезонных или дорогих покупок — год. Слишком короткий период оставит без данных тех, кто покупает реже; слишком длинный смешает недавних и давно ушедших.

Расчёт повторяют по расписанию — раз в месяц или квартал. Между пересчётами клиенты переходят из сегмента в сегмент, и разовая оценка быстро устаревает.

Небольшую базу считают в Excel или Google Таблицах: даты и суммы сводят по клиенту, а баллы расставляют формулами через ранжирование или процентили. Когда клиентов десятки тысяч, расчёт переносят в CRM или отдельный инструмент аналитики, где сегменты обновляются автоматически.

Пример: как выглядит RFM-оценка

Возьмём условный пример: шкала 1–3 для наглядности и пятеро клиентов интернет-магазина. Пороги зададим так (значения условные):

• давность: покупка за последние 60 дней — 3 балла, 61–180 дней — 2, больше 180 — 1;
• частота: 5 и более заказов за год — 3, от 2 до 4 — 2, один заказ — 1;
• сумма: от 50 000 руб. за год — 3, от 20 000 до 49 999 руб. — 2, меньше 20 000 руб. — 1.

Разберём клиентов по группам. Анна получила максимум по всем параметрам — это чемпион, ядро выручки. Её не нужно стимулировать скидкой: она покупает и так. Ей предлагают ранний доступ к новинкам, дополнительные товары к заказу и просят оставить отзыв или привести знакомых.

Игорь и Ольга купили недавно и оба получили тройку по давности, но дальше расходятся. Игорь заказывал несколько раз на средние суммы — это лояльный клиент, которого поддерживают программой лояльности и регулярными полезными письмами. Ольга купила один раз на небольшую сумму: она новичок, и главная задача — довести её до второго заказа приветственной цепочкой и подсказками по ассортименту. Балл давности у них совпадает, а работа разная.

Пётр — самый показательный случай. По частоте и сумме он не уступает Анне, но не покупал уже 200 дней. Это клиент в зоне риска: он был ценным и может уйти незаметно. На него направляют реактивацию — персональное предложение, напоминание о себе, иногда прямой вопрос, что изменилось. Такой клиент в приоритете, потому что вернуть уходящего дешевле, чем привлечь нового.

Сергей купил один раз больше года назад на небольшую сумму — потерянный клиент. Слать ему индивидуальные предложения невыгодно: шанс вернуть низкий, а затраты те же. Его оставляют в общих массовых рассылках с минимальным бюджетом. Цифры в таблице условные, но логика рабочая: одинаковый балл R у Анны и Ольги значит разное в сочетании с частотой и суммой, и действие для каждого клиента своё.

Как работать с сегментами

Смысл RFM — не сама таблица, а разные действия для разных групп. Одно предложение по всей базе как раз то, от чего метод уходит.

Чемпионам и лояльным клиентам скидки чаще вредят: они купят и без них, а привычка к акциям снижает маржу. Этим группам предлагают ранний доступ, программы лояльности, дополнительные товары к покупке и просьбу об отзыве или рекомендации. Задача — удержать и не мешать им покупать.

Новичков ведут ко второй покупке. Первый заказ ещё ничего не говорит о лояльности, а второй превращает случайного покупателя в постоянного. Здесь работают приветственная серия писем, подсказки по ассортименту и мягкое напоминание вернуться.

Клиентов из зоны риска возвращают адресно, пока они не превратились в потерянных. Персональное предложение, напоминание, вопрос о причинах — на эту группу тратят усилия в первую очередь, потому что она ещё ценна. Спящих поднимают массовыми акциями с ограниченным бюджетом: часть откликнется, но вкладывать в каждого столько же, сколько в зону риска, невыгодно.

Потерянных клиентов не бросают совсем, но и не переоценивают. Их оставляют в редких общих рассылках — иногда кто-то возвращается, — а основной бюджет направляют туда, где отдача выше.

Разница между действиями видна на конкретных предложениях. Клиенту из зоны риска отправляют напоминание о себе с подборкой из категории, которую он покупал раньше, иногда с ограниченной по времени скидкой на возвращение. Чемпиону такая скидка не нужна — ему интереснее ранний доступ к новинке или бонус за рекомендацию. Касание одинаковой стоимости работает по-разному в зависимости от того, кому адресовано.

Действия доводят до клиента через каналы, уже связанные с базой: email- и SMS-рассылки, push-уведомления, сообщения в мессенджерах. Сегмент из RFM выгружают в систему рассылок и отправляют каждому свою цепочку. Так один и тот же бюджет приносит больше, потому что предложение совпадает с тем, на каком этапе находится клиент.

Результат сегментации проверяют по деньгам, а не по числу писем. Сравнивают, сколько выручки и повторных заказов приносит адресная работа по сегментам против прежней рассылки на всех. Ещё один показатель — как клиенты переходят между сегментами от пересчёта к пересчёту: если новички доходят до лояльных, а зона риска возвращается в активные, метод работает. Рост числа потерянных — сигнал, что удержание провисает.

Различают и частоту контакта. Активным клиентам частые письма не мешают — они и так вовлечены, а спящих и потерянных избыток сообщений скорее оттолкнёт или отправит в спам. Поэтому чем холоднее сегмент, тем реже и точнее касания, а лучшие предложения и бюджет концентрируют на группах, которые ещё можно удержать или вернуть.

Ошибки и ограничения

RFM работает не в любом бизнесе и отвечает не на все вопросы. Несколько ограничений определяют, где метод полезен, а где вводит в заблуждение.

Первое — редкие и разовые покупки. Для недвижимости, автомобилей, крупной техники или мебели человек покупает раз в несколько лет, и частота теряет смысл, а давность обманывает: год без покупки квартиры — это норма, а не сигнал ухода. RFM рассчитан на бизнес с повторными продажами — розницу, интернет-магазины, услуги по подписке, общепит.

Второе — игнорирование цикла покупок конкретного товара. Шестьдесят дней без заказа тревожны для магазина кофе и нормальны для продавца зимних шин. Если задать общие пороги без привязки к тому, как часто покупают именно этот товар, сегменты получатся неверными. Границы давности и частоты подбирают под естественный ритм спроса.

Третье — слишком дробные сегменты. Больше сотни сочетаний баллов дают иллюзию точности, но придумать под каждое отдельное действие невозможно. Если у сегмента нет своей работы, он лишний. Лучше несколько крупных групп, с которыми реально что-то делать.

Четвёртое — метод смотрит назад. RFM описывает прошлое поведение, но не объясняет причины и не предсказывает будущие потребности. Он покажет, что клиент ушёл, но не почему и что ему теперь нужно. Поэтому его дополняют другими данными: товарными категориями, источником привлечения, обратной связью.

Пятое — сумма не равна прибыли. Клиент с большими тратами на скидочные товары низкой маржи бывает менее выгоден, чем покупатель с меньшим чеком, но на маржинальный товар. И общая сумма, и средняя дают разную картину: общая выделяет тех, кто с вами давно, средняя — тех, кто делает крупные разовые заказы. Что именно считать, решают заранее и не меняют между расчётами.

Шестое — оценка устаревает и не видит тех, кто ещё не купил. RFM строится на истории покупок, поэтому лиды без первой сделки в него не попадают, а сегменты живут только до следующего пересчёта. Без регулярного обновления картина расходится с реальностью.

Седьмое — сезонность спроса. В бизнесе с выраженными сезонами клиент, который не покупал полгода, может быть не уходящим, а ждущим сезона: покупатель сезонных товаров возвращается каждый год примерно в одно время. Без поправки на сезон такие клиенты попадут в зону риска или спящих, и на них потратят реактивацию, которая была не нужна. Пороги давности в таких нишах привязывают к сезону, а не к общему числу дней.

Вывод

RFM-анализ превращает историю покупок в понятные группы и связывает ценность клиента с конкретным действием: кого удержать, кого вернуть, на кого не тратить бюджет. Метод полезен там, где есть повторные продажи и накопленные данные, но он описывает прошлое, а не причины, и требует пересчёта по мере того, как клиенты переходят из сегмента в сегмент. Вместе с данными о товарах и источниках привлечения он помогает распределить усилия по базе осмысленно, а не рассылать одно предложение всем подряд.