НАВИГАЦИЯ
КОНТАКТЫ
  • LinkedIn - White Circle
  • Facebook - White Circle
  • Twitter - White Circle

info@DDM.center

Телефон: +380 67 341 7101

© 2017 DDM.center

RFM-анализ. Как оптимизировать затраты на маркетинг и увеличить продажи?

 Если  прошлой публикации мы говорили о когортах клиентов и рассматривали их поведение на протяжении всего срока "жизни" киентов, то в этой пубикации мы рассмотрим как можно сегментировать существующую клиентскую базу, чтобы создать соответствующее предложение для каждого клиентского сегмента.

 

Начнем с определения. Что такое R, F и M  в названии метода. Каждая буква определяет отдельное измерение для оценки клиента:

  • Recency (давность) — давность сделки - сколько времени прошло с даты последней покупки;

  • Frequency (частота) — количество сделок - сколько покупок сделал клиент за анализируемый период

  • Monetary (деньги) — сумма сделок - какую сумму клиент потратил за анализируемый период

Разбив таким образом клиентскую базу мы сможем разработать индивидуальные предложения и рекламные кампании для каждого сегмента. Например, предложить клиентам, которые покупают часто и на большую сумму дополнительный бонус в программе лояльности. А клиентам, которые находятся в "средней зоне" предложить совержить дополнительные покупки, чтобы присоединиться к "Клубу ВИП-клиентов"  или какую-то иную мотивацию. 

Важно, что мы сможем проводить дополнительный анализ клиентов из "хороших" и "плохих" сегментов, находя между ними общие черты и отличия, чтобы еще более точно таргетировать рекламу и предложения.

 

О предназначении и выгодах  можно еще долго писать, но теоретического материала по этой теме достаточно, так что перейдем к практике.

 

Будем использовать для анализа R с необходимым набором дополнительных библиотек. Если Вас заинтересовал код R, который позволяет этоделать, напишите мне и я опубликую его здесь или в другом документе. 

 

Мы используем тот же набор данных, что и в прошлой публикации - продажи интернет-магазина канцелярии за 4 года с 2014 по 2017.

 

Начнем с анализа распределения клиентов по давности, количеству и сумме покупок. Для этого посчитаем все эти показатели в разрезе каждого отдельного клиента и построим графики.

 

Дополнительно обозначим цветом когорты, как в прошлой публикации

Пунктирными линиями обозначим предполагаемые сегменты. После визуализации они стали явно видны.

 По давно заказа получили 8 сегментов: до 30 дней, 60 дней, 90 дней, 120 дней, 240 дней, 360 дней, 720 дней и больше 720 дней. Выглядит логично.

 Здесь сегменты равны количеству заказов.

 

По сумме покупок у нас 7 сегментов: до 1000 долл., до 2000, 3000, 5000, 10000, 20000

В Вашей ситуации это могут быть совсем другие сегменты.

 

Присвоим номера сегментам по R, F и M, и для каждого клиента присвоим соответствующее название  сегмента. Например: Клиент1, R3, F5, M3 будет означать, что клиент с идентификатором Клиент1 принадлежит к сегменту:

  • R3 - давность от 60 до 90 дней;

  • F5 - 5 заказов;

  • M3 - сумма заказов до 3000 долл.

  •  

И так для каждого клиента.

 

Давайте посмотрим, что у нас получилось. Попробуем построить разные визуализации.

Для начала построим распределение клиентов по давности и количеству заказов - это будут 2 они на графике, сегментацию по сумме покупок отразим цветом.

Дополнительно областями отразим уровень концентрации клиентов по сегментам. Мы видим, что явно выделяются 3 более крупных сегмента по давности покупок и 3 области по количеству покупок. Используем эту информацию позже для укрупнения сегментов.

 

Еще один способ отразить на плоском графике отношения между всеми тремя переменными - использовать тернарные диаграммы. Более детально можно посмотреть в Википедии.

Покажем несколько вариантов графиков. В зависимости от задач можно строить различные варианты визуализации.

Отразим каждого клиента на диаграмме в видел "метки" с названием сегмента в виде "R*F*M*", где вместо "*" номер сегмента.

 Для следующего графика укрупним сегменты (до 3-х, чем больше номер, тем лучше) и отразим на графике только сегменты с одинаковыми номерами.

 На следующих двух графиках покажем как меняется распределение по R и F-сегментах.

 

Посчитаем теперь количество клиентов по сегментам.

Построим такую матрицу

 

 Но ведь количество клиентов мы и так видим на графиках, поэтому используем цвет для кодирования объема продаж по сегментам.

Как и на графике выше, здесь тоже хорошо видны несколько сегментов по давности и частоте покупок. 

Укрупним сегменты до 3-х по каждому измерению: 

H  -сегмент наилучших значений

М - средний сегмент

L  - сегмент наихудших значений

 

Посчитаем эти сегменты для каждого клиента, закодируем их цветом и обновим нашу матрицу.

 

Таким образом, у нас есть 9 больших сегментов для которых можно готовить целевые рекламные кампании, коммуникации и предложения. Мы "вывели за скобки" здесь параметр объемов продаж по сегментах, предполагая, что есть зависимость между количеством продаж и суммой продаж. Но это справедливо не для всех сегментов.

Видно диспропорцию между количеством клиентов и объемом продаж по наихудшему сегменту. Это означает, что мы тратим усилия на работу с этими клиентами, но объема подаж они не дают. Для выяснения деталей и разработки предложений (например, специальная программа по активизации этих клиентов, или наоборот - "забыть" их и сконцентрировать усилия на более привлекательных сегментах) требуется более глубокий анализ по каждому сегменту.

 

На двух диаграммах ниже мы рассмотрим как меняется соотношение сегментов по когортам.

 

И в завершение покажем структуру нашей клиентской базы по сегментам с детализацией до каждого клиента.

 

А какую диаграмму Вы бы хотели еще увидеть? Пишите об этом в комментариях, равно как и другие вопросы по сути анализа или визуализаций.

 

О применении разного вида диаграмм можно узнать из нашего буклета. Скачивайте бесплатно по ссылке.

 

Подписывайтесь на обновления нашего блога, задавайте вопросы и назначайте встречу для консультации по вашим проектам.

 

Требуется консультация по увеличению продаж на основе анализа клиентской базы? Напишите нам или назначьте встречу.

 

 

 

 

 

 

 

 

 

 

 

Share on Facebook
Share on Twitter
Please reload

Избранные посты