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.