Представьте двух клиентов. Первый сделал десять заказов, но последний — больше года назад. Второй купил всего три раза, зато возвращался каждый месяц и оформил новый заказ на прошлой неделе. Кто из них ценнее для бизнеса?

Если посмотреть только на количество покупок, победит первый. Если учитывать текущую активность, картина изменится. А если окажется, что второй клиент потратил за три заказа больше, чем первый за десять, вывод придётся пересмотреть ещё раз.

Именно эту проблему пытается решить RFM-анализ. Он позволяет посмотреть на клиентскую базу сразу с трёх сторон: как давно человек покупал, как часто возвращается и сколько денег приносит компании. В результате вместо одной большой базы появляются группы клиентов с разным поведением и разной ценностью для бизнеса.

Но у RFM есть важное ограничение: он хорошо показывает, что клиент делал раньше, но далеко не всегда объясняет, что он собирается делать дальше. Поэтому воспринимать его как готовую модель CRM-маркетинга не стоит.

Три показателя вместо одного

Название RFM складывается из трёх характеристик: Recency, Frequency и Monetary.

Recency показывает, сколько времени прошло с последней покупки. Чем меньше этот период, тем более «свежим» считается клиент. Человек, который оформил заказ неделю назад, с точки зрения RFM активнее того, кто последний раз покупал два года назад.

Frequency отвечает за частоту или количество покупок за выбранный период. Клиент, который возвращается регулярно, отличается от человека с единственным заказом, даже если оба совершили последнюю покупку вчера.

Monetary характеризует денежную ценность клиента. В простом варианте это сумма его покупок за анализируемый период, хотя в зависимости от задач бизнеса вместо выручки могут использоваться и другие финансовые показатели.

По отдельности каждый из этих параметров рассказывает лишь часть истории. Вместе они дают гораздо более содержательную картину поведения клиента.

Как из трёх показателей появляются сегменты

Для RFM-анализа клиентскую базу обычно ранжируют по каждому из трёх показателей. Например, можно разделить клиентов на пять групп: от самых сильных до самых слабых по Recency, затем таким же образом оценить Frequency и Monetary.

В результате каждый клиент получает комбинацию оценок. У одного высокая свежесть покупки, высокая частота и высокая денежная ценность. Другой покупал недавно, но пока сделал только один небольшой заказ. Третий раньше приносил компании значительную выручку, однако давно перестал возвращаться.

Само число здесь не является конечной целью. Намного важнее, какие группы клиентов обнаруживаются за комбинациями показателей и что маркетолог собирается делать с каждой из них.

Например, среди них могут оказаться постоянные ценные клиенты, перспективные новые покупатели, клиенты с постепенно снижающейся активностью или когда-то очень важные для бизнеса покупатели, которые давно ничего не заказывали. Именно на этом этапе математическая модель превращается в маркетинговый инструмент.

RFM помогает увидеть тех, кого легко не заметить

Одно из главных преимуществ анализа заключается в том, что он заставляет отказаться от слишком простого деления базы на «активных» и «неактивных».

Представим клиента, который два года регулярно делал крупные заказы, но последние четыре месяца ничего не покупал. Если смотреть только на текущую активность, он попадёт в категорию неактивных. Но его история показывает, что перед нами совсем не случайный покупатель. Возможно, снижение активности стоит заметить раньше, чем он окончательно уйдёт.

Есть и обратный пример. Человек сделал заказ вчера и формально выглядит очень активным, но это была его первая и единственная покупка. Пока ещё слишком рано считать его постоянным клиентом или строить прогнозы о его долгосрочной ценности.

RFM позволяет увидеть эту разницу и точнее определить, где находится человек в отношениях с компанией.

Самые ценные клиенты — не повод сразу раздавать скидки

Когда компания впервые проводит RFM-анализ, одна из самых очевидных идей — найти лучших клиентов и дать им максимальную скидку в качестве вознаграждения.

Но высокая ценность клиента сама по себе не означает, что ему нужен промокод. Если человек регулярно покупает без дополнительной мотивации, скидка может просто уменьшить маржу с заказа, который и так состоялся бы.

Работа с такими клиентами может строиться иначе: ранний доступ к новым продуктам, дополнительный сервис, персональные рекомендации, специальные условия или просто более внимательная коммуникация. Конкретный сценарий зависит от бизнеса, но принцип остаётся тем же: RFM помогает определить группу, а не автоматически выбирает предложение для неё.

Точно так же низкая оценка не означает, что клиенту нужно немедленно отправить скидку на возвращение. Сначала стоит понять, насколько он вообще перспективен и соответствует ли его прошлое поведение сценарию, который компания хочет запустить.

Давность покупки тоже относительна

Одна из главных сложностей RFM заключается в том, что одинаковые значения могут означать совершенно разные вещи для разных бизнесов.

Если человек покупает корм для питомца примерно раз в месяц, отсутствие заказа в течение трёх месяцев действительно может свидетельствовать о снижении активности. Но если компания продаёт бытовую технику, мебель или автомобили, несколько месяцев после покупки совершенно не означают, что клиент потерян.

Даже внутри одного бизнеса циклы могут отличаться между категориями. Шампунь заканчивается быстрее парфюма, расходные материалы покупают чаще самого оборудования, а аксессуары могут понадобиться практически сразу после основной покупки.

Поэтому границы RFM-сегментов нельзя бездумно копировать из готового шаблона. Они должны учитывать нормальный покупательский цикл конкретного бизнеса и, при необходимости, отдельных товарных категорий.

RFM смотрит в прошлое

Это, пожалуй, главное ограничение метода. Все три показателя основаны на уже состоявшихся покупках. RFM прекрасно знает, когда клиент покупал, сколько раз он это делал и сколько денег потратил, но практически ничего не говорит о том, что происходит с человеком прямо сейчас.

Клиент с высокой исторической ценностью мог уже окончательно потерять интерес к компании. А человек с единственной небольшой покупкой сегодня может активно изучать дорогую категорию, несколько раз возвращаться на сайт и находиться буквально в одном шаге от нового заказа.

Если смотреть только на RFM, второй клиент будет казаться менее значимым. Поведенческие данные способны показать совершенно другую картину.

Поэтому RFM особенно полезен в сочетании с актуальными сигналами: посещениями сайта, просмотренными категориями, реакциями на рассылки, товарами в корзине и другими действиями. История покупок рассказывает, каким клиент был, а текущее поведение помогает понять, что с ним происходит сейчас.

RFM не знает, почему клиент ведёт себя именно так

Есть и ещё одно ограничение. Даже очень точная комбинация Recency, Frequency и Monetary описывает поведение, но не объясняет его причины.

Допустим, хороший постоянный клиент неожиданно перестал покупать. RFM заметит снижение активности, однако не расскажет, почему это произошло. Возможно, человек ушёл к конкуренту. Возможно, столкнулся с плохим сервисом. Возможно, у него просто закончилась потребность в продукте или изменились жизненные обстоятельства.

То же самое касается роста активности. Клиент мог стать лояльнее к бренду, а мог просто сделать несколько заказов подряд из-за временной большой скидки.

Поэтому RFM — хорошая отправная точка для гипотез, но не доказательство причин поведения. Маркетологу всё равно приходится смотреть шире и сопоставлять RFM-сегмент с другими доступными данными.

Как использовать RFM в CRM-маркетинге

Практическая ценность анализа появляется тогда, когда для обнаруженных групп возникают разные сценарии работы. Постоянным ценным клиентам можно предлагать дополнительный сервис и релевантные новинки, перспективных новых покупателей аккуратно вести ко второй покупке, а снижение активности у когда-то лояльной аудитории использовать как сигнал для реактивации.

RFM также помогает определить приоритеты. Если ресурсов на работу со всей базой недостаточно, можно сначала сосредоточиться на группах, где изменение коммуникации потенциально принесёт наибольший эффект. Это гораздо разумнее, чем одинаково активно пытаться вернуть каждого неактивного клиента или раздавать одинаковые бонусы всей базе.

При этом сегменты не должны превращаться в постоянные ярлыки. После очередной покупки меняется Recency, со временем растёт Frequency, а Monetary изменяется с каждым новым заказом. Клиент постоянно перемещается между группами, поэтому RFM имеет смысл регулярно пересчитывать, а в автоматизированной системе — обновлять по мере появления новых данных.

Не рейтинг клиентов, а ещё один способ их понять

RFM иногда воспринимают как способ выстроить клиентскую базу от «лучших» покупателей к «худшим». Но такое прочтение слишком упрощает модель. Клиент с низкой частотой покупок не обязательно плохой, а человек с высокой суммой заказов не обязательно останется ценным для бизнеса в будущем.

Гораздо полезнее смотреть на RFM как на один из слоёв знания о клиенте. Он показывает историю отношений через три важных показателя и помогает обнаружить группы, которые сложно увидеть в общей базе. Но рядом с этим слоем существуют текущие интересы, категории покупок, реакция на коммуникации, поведение на сайте и другие данные.

Поэтому сила RFM не в том, что три показателя дают маркетологу окончательный ответ. Наоборот, они позволяют задать гораздо более точный следующий вопрос: что сейчас происходит с этими клиентами и как нам стоит работать с ними дальше?