RFM-анализ клиентской базы: как сегментировать и что делать с результатами

Что такое RFM-анализ и зачем он бизнесу

RFM-анализ это способ разложить клиентскую базу на три измеримые координаты: Recency (давность покупки), Frequency (частота заказов) и Monetary (сумма, которую клиент принёс за период). Вместо того чтобы работать со всей базой как с однородной массой, мы получаем карту, по которой видно, кто активно покупает, кто уходит, а кто приносит основную выручку. Метод пришёл из классического маркетинга и до сих пор остаётся рабочим инструментом, даже если у вас всего пара тысяч клиентов, а не миллионы. Например, интернет-магазин с 10 000 покупателей, который тратит бюджет на всех одинаково, почти наверняка сливает деньги на тех, кто уже не вернётся, и недодаёт внимание тем, кто готов платить больше.

На практике RFM даёт ответ на простой вопрос: что делать с каждой конкретной группой. Для «новичков» с недавней покупкой это удержание и формирование привычки, для «спящих» реактивация через персональное предложение, а для «VIP» с высоким чеком и частотой это повышение среднего чека за счёт допродаж и эксклюзивных условий. Всё это напрямую влияет на экономику бизнеса и на то, как вы строите коммуникацию, включая контекст продвижения сайтов под разные сегменты. Без сегментации любая стратегия, будь то email-рассылка или реклама, бьёт вслепую, а RFM позволяет не гадать, а действовать точечно.

Как провести RFM-анализ: пошаговый алгоритм

Практика показывает, что RFM-анализ клиентской базы начинается не с формул, а с качественной выгрузки. Берите данные из CRM, а если сделки проходят через интернет-магазин, подтягивайте статистику из Google Analytics и Яндекс.Метрики. Определите период анализа: для косметики обычно берем 12 месяцев, чтобы учесть сезонность и циклы закупок. Обязательно отфильтруйте тестовые заказы, возвраты и служебные операции, иначе сегменты будут кривыми. После очистки по каждому клиенту считаем три метрики: R (дней с последней покупки), F (число заказов за период) и M (общая сумма).

Дальше начинается нормирование, и тут есть нюанс. Сортируем клиентов по каждой метрике отдельно и делим на 5 равных групп: 20% лучших получают 5 баллов, следующие 20% 4 балла и так до единицы. В реальности на практике для магазина косметики с базой 12 000 покупателей это выглядело так: клиентка с R=2 дня, F=7 покупок и M=14 500 рублей получила комбинацию 5-5-5, а покупатель с последним визитом 300 дней назад и суммой 800 рублей ушел в сегмент 1-1-1. Для быстрого старта можно упростить до правила 1-2-3 (высокий, средний, низкий), но пятибалльная шкала дает более тонкие сегменты. Дальше полученные группы переводятся в маркетинговые действия, которые напрямую влияют на продажи, а связку метрик с конкретными механиками продвижения можно посмотреть в статье о том, как увеличить конверсию сайта. Главное, не застревать на расчетах, а сразу переходить к тестам.

Период анализа подбирайте под цикл покупки. Для косметики это 12 месяцев, для товаров с коротким циклом хватит 90 дней. Сумму M считайте не по среднему чеку, а по суммарной выручке за период, так показатель устойчивее к выбросам. Баллы присваивайте отдельно по каждой метрике, не смешивайте R и F в одну шкалу, иначе потеряете информацию о частоте и давности. Если после нормирования 80% клиентов получили балл 1, распределение смещено, тогда переходите на квартили вместо равных долей.

Расчеты сохраняйте в отдельной таблице. Мы обычно заводим отдельный лист в Google Sheets и пересчитываем сегменты раз в квартал, иначе данные устаревают и маркетинговые коммуникации начинают уходить не тем людям. В остальном алгоритм сводится к трем ключевым шагам, которые дают основную часть результата.

• Период анализа для косметики берите 12 месяцев, для товаров с коротким циклом покупки хватит 90 дней.
• Считайте M не по среднему чеку, а по суммарной выручке за период, это устойчивее к выбросам.
• Присваивайте баллы отдельно по каждой метрике, не смешивайте R и F в одну шкалу.

Классические сегменты RFM: от чемпионов до зомби

Когда RFM-матрица готова, первое, что бросается в глаза, это «чемпионы» с максимальными значениями по всем трём метрикам. Им нужна программа лояльности с эксклюзивными привилегиями и ранним доступом к новинкам, иначе их переманит конкурент. Лояльные покупатели, которые чуть отстают по частоте или сумме, тоже требуют внимания: персонализированные рекомендации и накопительные бонусы здесь работают лучше, чем скидки для всех подряд. Для новых и перспективных клиентов, у которых высокий потенциал, но пока мало покупок, главная задача — ускорить повторную покупку. Тут пригодятся приветственные серии писем и триггерные предложения, а гипотезы о том, какой оффер сработает, логично проверять через A/B тестирование для проверки гипотез.

Уходящие и спящие клиенты, которые не покупали 3–6 месяцев, ещё могут вернуться, если предложить им персональную скидку или напомнить о брошенной корзине. Реактивация обычно дешевле привлечения нового клиента, но только если у вас есть свежие данные об их предпочтениях. А вот «зомби», не проявлявшие активности год и дольше, в большинстве ниш не стоят потраченного бюджета. На практике мы часто видим, что кампании по их возврату окупаются хуже, чем холодные лиды, поэтому сегменту проще дать «уснуть». Для расчёта всех этих групп достаточно базовых инструментов, выбор которых зависит от масштаба базы и бюджета.

Как использовать результаты RFM-анализа на практике

После того как сегменты сформированы, начинается самое интересное: превращение таблиц в конкретные действия. Для email-маркетинга это означает, что «чемпионам» мы отправляем письма с благодарностью и ранним доступом к новинкам, «спящим» напоминаем о брошенной корзине и предлагаем вернуться за скидку, а «зомби» получают последнее письмо с призывом активироваться, после которого мы перестаём тратить на них бюджет. В нашей практике сегмент потенциальных клиентов (высокая частота, но низкий средний чек) получил письмо с промокодом на увеличение суммы заказа, и конверсия в целевое действие выросла на 20% за две недели. При этом RFM-анализ часто показывает, что небольшая часть клиентов приносит большую часть выручки, что напрямую перекликается с правилом 80/20 в анализе клиентов, поэтому приоритет в коммуникациях всегда отдаём именно им.

Для рекламы сегменты из RFM удобно использовать как базу для look-alike аудиторий в Яндекс.Директе и VK Ads. Система находит людей, похожих на ваших «чемпионов», и это часто даёт более дешёвое привлечение, чем таргетинг по интересам. А для ценных клиентов стоит пересмотреть условия доставки или бонусную программу: бесплатная доставка для сегмента с высоким чеком или двойные баллы за повторные покупки работают лучше, чем общая акция для всех, потому что вы не раздаёте скидки тем, кто и так купил бы. Главное, не пытаться применить все механики сразу: выберите два-три сегмента, которые дают наибольший прирост маржи, и тестируйте на них изменения, а не распыляйтесь на всю базу.

Инструменты для RFM-анализа: от Excel до CRM

Начнём с самого доступного варианта. Excel реально закрывает базовые потребности: сводные таблицы, функции ВПР и ЕСЛИ, пара формул для расчёта давности и частоты. Мы такое делали для клиентов с базой до 5–10 тысяч клиентов, когда не хотелось тащить лишние интеграции. Но есть нюанс: при росте базы до 50 тысяч строк Excel начинает тормозить, а ручное обновление сегментов превращается в рутину. Плюс каждый раз приходится вручную выгружать данные из CRM, чистить их и следить, чтобы ничего не поехало.

Готовые модули в Bitrix24 и amoCRM работают по принципу «установил и настроил». Большинство таких решений уже умеют считать Recency, Frequency и Monetary на основе сделок, а сегменты обновляются автоматически. Для среднего бизнеса это разумный компромисс между стоимостью и гибкостью. А вот крупным компаниям с миллионной базой и сложной структурой заказов обычно не хватает кастомных правил, поэтому они уходят на профессиональные платформы вроде Mindbox или RetailCRM, либо пишут собственные скрипты на Python. Тут уже идёт речь о сотнях тысяч рублей в год, но и возможности серьёзнее: предиктивные модели, автоматические триггерные цепочки, A/B-тесты сегментов прямо в интерфейсе. Сложность внедрения тоже разная: от пары часов в Excel до пары месяцев на кастомную разработку, так что выбор упирается исключительно в размер базы и бюджет.

Частые ошибки при RFM-анализе и как их избежать

Самая частая ошибка, с которой мы сталкиваемся в работе, это попытка прогнать через RFM-анализ всю историю покупок с момента основания компании. Клиент, который активно покупал три года назад и пропал, по сумме и частоте всё ещё может попасть в «чемпионы», хотя по факту он давно ушёл к конкурентам. Мы обычно берём период не длиннее 12 месяцев, а для товаров с коротким циклом потребления (например, косметика или продукты) и вовсе 3–6 месяцев. Иначе сегментация получается красивой на бумаге, но бесполезной для реальных рассылок и прогноза поведения.

Вторая системная проблема, это игнорирование возвратов и отменённых заказов. Если не вычесть их из суммы и частоты, вы будете строить коммуникацию на основе денег, которых фактически не получили. Третья ошибка связана с перфекционизмом: разбить базу на 125 сегментов по шкале 5x5x5 легко, но дальше с этим никто не знает, что делать. Рабочих рук на 125 сценариев нет ни у кого. Мы рекомендуем сокращать шкалу до 3x3 или даже 2x2, чтобы получить 8–12 понятных групп, для которых реально написать отдельные офферы. И наконец, средний чек часто забывают выносить в отдельную метрику, хотя он напрямую влияет на то, предлагать ли клиенту дешёвый апселл или дорогой премиум-продукт. Без него RFM-анализ отвечает на вопрос «когда и сколько», но не «по какой цене».

• Проверяйте длину периода: для большинства ниш берите последние 12 месяцев, иначе «спящие» клиенты будут выглядеть активными.
• Всегда вычитайте возвраты и отмены из суммы и количества заказов, иначе сегменты будут переоценены.
• Уменьшайте шкалу до 3x3 или 2x2, чтобы не утонуть в 125 микрогруппах и не парализовать отдел маркетинга.
• Считайте средний чек отдельной колонкой и используйте его для разделения «дорогих» и «дешёвых» покупателей внутри одного сегмента.
• Обновляйте RFM-разбивку ежемесячно, иначе данные устареют, и вы начнёте отправлять офферы не тем людям.
• Не смешивайте B2B и B2C базы в одном анализе: у них разная частота закупок и цикл принятия решения о покупке.

Чек-лист: как внедрить RFM-анализ за 7 дней

Семидневный план внедрения RFM-анализа выглядит так. День 1: фиксируем цель, например «повысить повторные продажи в сегменте спящих» или «сократить отток». День 2: выгружаем из CRM и кассового ПО таблицу с заказами (клиент, дата, сумма, количество покупок). День 3: чистим от тестовых заказов, возвратов и дублей, приводим даты к единому формату. День 4: рассчитываем показатели в Excel или Google Sheets: давность (Recency), частоту (Frequency) и сумму (Monetary), используя функции вроде DATEDIF и СУММЕСЛИ.

День 5: делим базу на сегменты, например по терцилям или квантилям, и проверяем, какие группы дают больше всего выручки. День 6: планируем коммуникации для каждого сегмента: спящим отправляем письмо с промокодом, чемпионам программу лояльности, новым серию приветственных писем. День 7: запускаем рассылки или рекламу и закладываем метрики для замера через 2–4 недели: повторные покупки, конверсия в заказ, средний чек. Важно зафиксировать контрольную группу, чтобы понять реальный эффект от кампаний. Если в команде нет аналитика, а данные лежат в разных системах, внедрение займёт больше времени, но даже базовый вариант в Excel даёт рабочие сегменты уже на пятый день. Мы в Cinar как раз решаем такие задачи: настраиваем RFM-анализ под конкретную бизнес-модель и превращаем сегменты в готовые сценарии коммуникаций.

Часто задаваемые вопросы

Константин Крючков

Senior SEO-специалист

Подписаться на ТГ