Меню

Gazolin Production / Blog

Систематизация знаний по разработке и управлению онлайн проектами

Практический RFM анализ для увеличения повторных продаж

Практический RFM анализ для увеличения повторных продаж

В этой статье я опишу, что такое RFM-анализ на базе реального кейса. Мне понравился этот метод, как очень простой способ визуализации поведения клиентов.

Да, это было интересно, но очень скоро я понял, что в этой картинке нет практической пользы.

В цифрах вообще нет пользы, если они не меняют наших действий на завтра.

В этот раз я поделюсь с вами опытом и наблюдениями как извлекать пользу из RFM даже не имея трёхлетней истории продаж. Мы провели RFM анализ для десятков различных магазинов и столкнулись с рядом преград на пути к получению реальных результатов. До того как описать их все, давайте ещё раз вспомним, что нам даёт RFM. RFM анализ основан на 3 показателях:

  • Recency — давность последней покупки
  • Frequency — суммарная частота покупок
  • Monetary — средний чек

Мне кажется, показатель Monetary не обязательно привязывать к деньгам. Это может быть любой фильтр, наложенный на основные показатели этого метода: Давность и Частота. Например, для информационного портала можно взять время просмотра страницы или глубину просмотра страниц на сайте. RF матрицу можно рассматривать отдельно для разных типов клиентов, фильтруя по источнику клиента, по регионам, по категориям купленых товаров, по возрасту и многое другое.

Если разбить всех ваших клиентов по давности последней покупки на несколько групп и по количеству сделанных покупок, то можно построить матрицу из которой видно как разбить ваших клиентов по группам, на основании их активности:

  • Новички
  • Одноразовые покупатели
  • Растущие
  • Потерянные клиенты
  • VIP

На самом деле групп гораздо больше, но об этом потом. Обычно я строю шкалы по частоте и давности, по принципу: от плохого к хорошему. Получается по давности: слева те, кто покупал очень давно, а справа — кто покупал недавно. По частоте: снизу те, кто сделал одну покупку, а сверху — много. Тогда визуально разделение групп будет выглядеть примерно так:

Практический RFM анализ для увеличения повторных продаж

Об этом мы уже писали и раньше, но давайте посмотрим детальнее как разбить базу на группы и разметить шкалы, сколько групп выделить и что с ними делать дальше.

Самый важный показатель — «Давность». Чем больше времени прошло с момента последней продажи, тем меньше вероятность следующей покупки. И падает эта вероятность очень стремительно. Давайте разберёмся с «Давностью» с самого начала. К примеру, у нас есть 3 клиента (квадрат, круг, треугольник), и на графике мы отметим время когда каждый клиент делал покупку.

Важно: Прошу прощения, я почему-то нарисовал график давности в обратном направлении от хорошего к плохому, исправлю, но чуть позже 🙁

Практический RFM анализ для увеличения повторных продаж

Задача — определить сколько клиентов по «Давности» попадёт в каждый из периодов. Важно понимать, что давность — это показатель, который принимает во внимание только последнюю покупку, предыдущие покупки будут отмечены в частоте. Таким образом правильным ответом на задачку будет:

  • Период 1: 1 (только круг)
  • Период 2: 1 (только треугольник)
  • Период 3: 1 (только квадрат, потому что круг и треугольник покупали и после того)
  • Период 4: 0 (все делали покупку после этого)

Если взять и посчитать сколько клиентов попадают в каждый сегмент, то можно построить графики, которые могут выглядеть приблизительно так:

Практический RFM анализ для увеличения повторных продаж

И снова вопрос: какой из трёх вариантов лучше?

Часто я слышу что «красный (3)» — потому что он стабильный. На самом деле, он показывает что мы постоянно привлекаем клиентов, которые делают покупку и не возвращаются снова. Хорошо что показатель немного нарастает, но всё же «сиреневый (1)» — лучше. По нему видно, что большинство нашей аудитории недавно покупали и сильно вовлечены в процесс покупки. Конечно, самый плохой — «зеленый (2)» график. В этом случае у нас был всплеск активности (может быть Новый год или сильные инвестиции в контекст), а потом всё растеряли.

В большинстве книг по анализу, в том числе в популярном издании «Маркетинг на основе баз данных» Артура М. Хьюза, предлагается очень простой механизм разделения «Давности» по сегментам: отсортировать все контакты по давности и разбить на 5 равных групп. То же самое рекомендуется сделать и с Частотой и с Деньгами:

Практический RFM анализ для увеличения повторных продаж

Этот способ работает и помогает разбить всех клиентов на: покупали только что, недавно, так себе, давно, очень давно относительно друг друга. Но что значит «когда»? Если мы не можем сказать точно «когда», то и оценивать эту группу тоже тяжело. Например, в соседние группы могут попасть контакты покупавшие в один и тот же день. Это лишь значит, что для одинаковых клиентов мы будем по разному себя вести… Зачем тогда вообще такой анализ? Всю глубину проблемы я постараюсь показать на двух примерах:

Пример 1: В вашем магазине всё было хорошо, и вдруг в течение месяца ни одной покупки. Всё плохо, но если разбивать на равные части — ничего не изменится и всё те же последние покупатели попадут в сегмент «только что покупали».

Пример 2: Если у вас ещё нет данных о продажах за несколько лет, а Вы только начали свой бизнес, то границы с каждым днём будут очень сильно отличаться и пользоваться результатом такого анализа вообще нет смысла.

Сезонности, акции и праздники тоже сильно влияют на общую картину.

Любой сегмент контактов, о которых вы не можете сказать что-то определённое — плохой сегмент

Мне кажется логичнее фиксировать не количество, а время. Тогда оптимизация количества в группах и будет нашей задачей. Надо как можно больше получить контактов в группе «только что» и как можно меньше «давно».

Практический RFM анализ для увеличения повторных продаж

Осталось только определить какие временные пределы лучше выставить. Для этого надо ответить для себя на несколько вопросов:

  • Какой естественный период покупки?
  • Какая сезонность?
  • За какое время большинство клиентов успевает совершить повторную покупку?
  • Какой период неактивности клиента можно считать, что мы потеряли клиента (длина жизненного цикла клиента)

Для компаний, у которых нет данных, можно предположить эти периоды. Для компаний «с историей» очень помогут несколько графиков (о которых я расскажу дальше) с разницей между покупками.

Практический RFM анализ для увеличения повторных продаж

Я привёл пример графика с разницей в месяцах между первой и второй покупками. У большинства магазинов он выглядит примерно также, как на рисунке. Тут видно, что 50% всех повторных покупок делаются в течение 2 первых месяцев. За полгода 75% процентов делают свой второй заказ и 90% из тех кто покупают снова — покупают в течение 13 месяцев. Какой из этого можно сделать практический вывод? Мне кажется, ненадо спешить давать скидку тем, кто купит и так, без нашей помощи. Предлагать скидку надо через 2 месяца после первой покупки. До этого надо показывать релевантные предложения, быть на слуху и главное — быть полезным клиенту.

Если построить матрицу разности между любыми соседними покупками, то получится примерно следующая картина:

Практический RFM анализ для увеличения повторных продаж

Интересно, что разница между первой и второй покупкой всегда больше, чем между второй и третьей. А между второй и третьей больше, чем между третьей и четвёртой, но чем дальше, тем меньше влияет количество покупок на разницу между ними. Выходит, что вначале человеку надо время, чтобы поверить. Возможно, в следующий раз он попробует купить в другом месте или просто подождёт. Но чем чаще он покупает, тем время между покупками становится меньше. Джим Ново в своей книге Drilling Down говорит, что этот график сначала падает, потом стабилизируется, потом начинает расти. Это очень похоже на жизненный цикл клиента, когда он понемногу перестаёт быть клиентом, все реже покупая. Но я ни разу не видел этой картины на практике.

Практический RFM анализ для увеличения повторных продаж

Важно: для получения этих цифр лучше использовать не среднее, а медиану. Сейчас быстро попытаюсь объяснить разницу. Среднее — это сумма всех значений делённая на их количество, а медиана — это значение элемента, который находится посередине в отсортированной последовательности. То есть гарантировано 50% всех значений меньше или равны медиане, и 50% больше или равны медиане. Медиана лучше среднего, потому что в средних значениях сильное влияние имеют «аномальные значения». Те значения, которые очень редкие, но сильно выходящие за пределы большинства. Обычно медианы значительно меньше средних.

Ещё хорошо бы посмотреть на сезонность — часто это 12 месяцев. Посмотрев на все цифры можно сделать вывод, какой период поставить для групп, например:

  • до 1 месяца
  • до полугода
  • до года
  • до двух лет
  • более двух лет

Но даже с таким подходом есть вопросы. А что если у одних клиентов естественный период покупки маленький, а у других большой? В таком случае я создаю каждому из клиентов профиль и для каждого профиля создаю свою градацию, которую нормализую по оси Давности в относительные категории:

  • ожидаемоговремени покупки
  • если не купил — что-то странное
  • мы его теряем
  • мы его потеряли, но есть последний шанс
  • наверняка мы его потеряли

Точно такая же история и для «Частоты», только почти всегда у меня получается приблизительно одна и та же шкала. Те, кто сделали:

  • 1 покупку (этих большинство)
  • 2 покупки (преодолели психологический барьер и пришли снова, уже зная о том, как работает магазин)
  • 3-4 покупки (несмотря ни на что, продолжают покупать. Надо удержать любой ценой)
  • 5-15 покупок (поверили, на них вся надежда. Тут верхняя граница бывает очень разная)
  • больше 15 покупок (маньяки, часто это перекупщики, партнёры, т.п. К ним надо присмотреться отдельно)

Ну вот и весь RF анализ. Если посмотреть на матрицу RF, зная как разбиты сегменты, то сразу понятно кто такие новички: совершили одну покупку совсем недавно. Одноразовые — совершили покупку давно, и уже наверняка забыли об этом. Вряд ли они придут к нам снова. Джим Ново говорит, что таких клиентов всегда 50-60% от всей базы клиентов и с этим надо смириться. Я обычно вижу 70% от всей базе в этом грустном сегменте. Для того, чтобы убедиться, что сегмент грустный можно попробовать вернуть кого-то и для этого Джим Ново предлагает стратегию — «смириться», но если не верите, то начните с:

  • Тех у кого несколько товаров в чеке
  • Тех у кого чек больше
  • Одноразовые покупатели, которые вернули товар — вероятнее придут к вам за второй покупкой, чем те, кто «всем доволен».

Если не удается их вернуть — вам никого не получится вернуть.

Единственная возможность вернуть покупателей за второй покупкой — обратиться к ним как можно быстрее. Но не слишком рано

Обратитесь слишком рано и будете навязчивым и будете предлагать лишние убийственные для бизнеса скидки.

Давайте посмотрим на RF в динамике. Интересно, что по шкале давности мы всегда начинаем с хорошего (только что купили) и скатываемся к плохому (давно не покупал). И как только сделана покупка, мы всегда возвращаемся снова в самый оптимистичный сегмент:

Практический RFM анализ для увеличения повторных продаж

С частотой все наоборот. Начинаем всегда с самого плохого сегмента (1 покупка) и с каждой покупкой становимся лучше. Шансов вернуться обратно практически нет (если считать частоту за какое-то окно (например, 2 года), то частота может уменьшаться)

Практический RFM анализ для увеличения повторных продаж

А теперь посмотрим на всю картину целиком в матрице RF:

Практический RFM анализ для увеличения повторных продаж

Мы всегда начинаем в сегменте «Только что» и с «1 покупки». А мечтаем, чтобы все клиенты попали в сегмент VIP. И самый короткий путь для этого — постоянные покупки. Если со старта клиент ничего не делает, он «сползает» по Давности в «редко», в сегмент «Одноразовых клиентов». Наша цель — не дать ему уйти. Для этого и созданы автоматические реанимационные письма 😉

Практический RFM анализ для увеличения повторных продаж

Есть ещё один тонкий момент: что делать если пауза «затянулась» и клиент не покупал очень давно (значительно превышая жизненный цикл клиента). Мне кажется, в таком случае если он и придет к нам снова, то только если мы снова его «купим» контекстом, сео или разонравится тот магазин, где он все это время покупал. В любом случае к нам придёт совсем другой человек с другими интересами и возможностями. Поэтому мы предлагаем как в детской игре сделать «сброс».

Практический RFM анализ для увеличения повторных продаж

Особенности такого подхода к RFM в том, что его можно применять в первый же день использования магазина. Сразу настроить триггера основанные на неактивности клиента. Следить за динамикой активности ваших клиентов. Кого вы теряете? Что надо сделать, чтобы вернуть клиентов тогда, когда это ещё возможно?

На этом я обзорную статью заканчиваю, и обещаю написать следующую, в которой постараюсь дать ответы на такие вопросы:

Как каждый из сегментов читает почту?
Сегмент «потерянные» вообще реагируют на почту?
Какая доля в продажах каждого сегмента? Какое типичное соотношение клиентов по сегментам?
Как изменяется стратегия работы с каждым сегментом?
Кому продавать, а кому не мешать покупать?

Хороших клиентов вам, пусть они все идут по самому короткому пути от Новичков в VIP 🙂

Источник: https://esputnik.com/blog/practicheskiy-rfm