RFM-анализ клиентской базы - это разбор клиентов по трём параметрам: Recency (давность последней покупки), Frequency (частота покупок), Monetary (сумма покупок). По каждому параметру клиент получает оценку от 1 до 3, а на пересечении выходит 27 числовых комбинаций - 27 групп, на которые делится вся база [4]. Задача простая: найти те 20% клиентов, которые дают 80% покупок [3], и поставить их первыми в список на обзвон в понедельник.
RFM-анализ делит базу по давности, частоте и сумме покупок на 27 сегментов. Расчёт по выгрузке из CRM или 1С занимает 20-25 минут даже на базе в 50-70 тысяч контактов, хватает обычного Excel - отдельная программа тут не нужна. На выходе отдел продаж получает очередь звонков: кто первый, кто второй, а кому звонить вообще не обязательно.
Как расшифровывается RFM и что считают в каждой букве?
R - это число дней с последней покупки клиента. F - сколько сделок он закрыл за выбранный период. M - сумма, на которую он купил за то же время. Дальше базу сортируют по каждому из трёх чисел, делят на три части, и клиент получает три оценки от 1 до 3. У нас 1 - лучшая треть, 3 - худшая. Клиент с кодом 111 покупал недавно, часто и на крупные суммы - это и есть те самые 20% по Парето [6]. Клиент 333 не покупал больше 180 дней, брал редко и по мелочи [2,3]. Между этими полюсами лежат ещё 25 комбинаций, итого 27 [4]. По сути всё просто: три сортировки и склейка трёх цифр в один код.
Оценки можно ставить и по пятибалльной шкале, тогда получится 125 комбинаций. Для B2B-базы в несколько сотен контрагентов это уже перебор: в ячейке окажется по одному клиенту, и вывод получится случайным. Мы начинаем с трёх ступеней и усложняем модель только тогда, когда база становится по-настоящему большой.
Кому нужна RFM-сегментация, а кому она бесполезна?
Такая сегментация нужна там, где клиент покупает повторно. Источники сходятся на одном пороге: база от 1000-1500 контактов и минимум 3 месяца истории сделок [9]. Метод работает в e-commerce, в прямых и регулярных продажах, в B2C и B2B - от ресторанов и клиник до сервисных компаний [1,7]. Там, где покупка разовая - недвижимость, автомобили, всё, что берут раз в жизни - метод бесполезен [1]. Экономика тут простая: привлечение нового клиента обходится в 5-6 раз дороже, чем удержание существующего [1], поэтому час на разбор своей базы окупается быстрее, чем тот же час, вложенный в рекламу.
Наш типичный заказчик - собственник или РОП компании со списком от 100 до 2000 контрагентов в CRM или в 1С. Проблема у всех одна: менеджеры звонят не тем людям. Кто-то обзванивает базу по алфавиту, кто-то работает только со \"своими\" тремя клиентами, кто-то просто ждёт входящих звонков. А в базе лежат люди, которые год назад брали на сотни тысяч и незаметно выпали из поля зрения. Модель вытаскивает их наверх за один вечер.
Отдельно про маркетинг. В большинстве статей метод подают как заготовку для рассылок: сегмент выгрузили, письмо отправили, ждём открытий. Для интернет-магазина такой подход работает. В B2B письмо в холодный сегмент почти всегда проигрывает звонку - решение принимает конкретный снабженец или директор, и его нужно услышать. Поэтому мы используем ту же таблицу по-другому: сегмент превращается в очередь задач для менеджера, а рассылка остаётся вспомогательным каналом для самых дешёвых групп, где ручной обзвон себя не окупает.
Если в базе меньше 1000-1500 контактов, честнее разобрать клиентов вручную, по одному, и отложить модель до лучших времён. На базе из 80 контрагентов RFM разложит их по два-три человека на сегмент, и решение \"кому звонить\" вы всё равно примете вручную.
Как сделать RFM-анализ в Excel по выгрузке из CRM или 1С?
Отдельная программа не нужна: RFM-анализ в Excel или Google Таблицах делается формулами, которые есть в любой версии [11]. Сегментация базы на 50-70 тысяч контактов занимает около 20-25 минут [5], а на типичный для нас отдел продаж с несколькими сотнями контрагентов (по опыту - порядка 300-500) уходит ещё меньше времени. Из исходных данных понадобятся четыре поля: ID клиента, дата каждой сделки, количество сделок и сумма. Всё это есть в выгрузке \"Продажи по контрагентам\" из 1С или в отчёте по сделкам из Битрикс24 и amoCRM. Период берём такой, чтобы он отражал нормальный цикл покупки: в нашей практике для регулярных поставок это 12 месяцев, для проектных продаж с длинным циклом - 24 месяца.
- Выгрузить сделкиОдна строка = одна оплаченная сделка: клиент, дата, сумма. 10 минут в 1С или CRM.
- Свернуть до клиентаСводная таблица: последняя дата покупки, количество сделок, сумма за период. 5 минут.
- Посчитать R, F, MR - разница между сегодняшней датой и последней покупкой в днях. F и M берём из сводной.
- Поставить оценки 1-3Делим базу на три части по каждому столбцу и проставляем оценку формулой. 5 минут.
- Склеить кодСцепляем три оценки в один код вида 111 или 333 и сортируем базу по нему.
- Разметить сегментыДаём кодам человеческие имена и закрепляем за каждым сегментом действие менеджера.
Пару слов о формулах. Границы третей удобно искать через ПЕРСЕНТИЛЬ: берём значения 33% и 67% по столбцу и через вложенный ЕСЛИ проставляем оценку. Код собираем функцией СЦЕПИТЬ из трёх ячеек - получается текст вида \"111\". Дальше сводная по коду показывает, сколько клиентов и сколько денег в каждой группе, и уже на этом шаге случается неприятный сюрприз: у половины компаний ядро оказывается в два раза меньше, чем казалось собственнику. Готовый файл легко использовать снова: в следующем квартале меняете исходную выгрузку, и расчёт пересобирается сам. Поэтому RFM-анализ в Excel годами живёт в компаниях и не требует бюджета на внедрение.
Чтобы RFM посчитался, в карточке клиента должны быть заполнены суммы и даты сделок. Если половина сделок проходит мимо CRM, для начала нужно навести порядок в данных, а модель подождёт. Что именно должно храниться в карточке, мы разобрали в статье про базу данных клиентов - там же список полей, без которых расчёт превращается в угадайку.
Как выглядит RFM-анализ на примере базы из 180 клиентов?
Самый наглядный пример RFM-анализа из нашей практики - кейс со строительной компанией, где мы разложили по RFM 180 активных клиентов. После сортировки картина перестаёт быть абстрактной: видна верхушка, которая держит выручку, видны те, кто платит крупно и редко, и видны те, кто ушёл тихо, без скандала. Ниже - разбивка, которой мы пользуемся, когда переводим коды в задачи для менеджеров.
| Код RFM | Кто это | Что предлагаем | Место в очереди звонков |
|---|---|---|---|
| 111 | Ядро: покупали недавно, часто и на большие суммы [6] | VIP-условия, ранний доступ, персональный менеджер; скидки им не нужны [3] | Первое: звоним на этой неделе, обсуждаем план на квартал |
| ХХ1 | Киты: платят крупные суммы, но редко [3] | Дорогое или уникальное предложение под их задачу [3] | Второе: сначала готовим расчёт, потом набираем |
| 3 по R при сильных F и M | Спящие: раньше брали часто и много, давно не возвращались [3] | Повод вернуться: бонус, спецусловие, новинка [3] | Третье: обзвон с конкретным предложением, не \"как дела\" |
| 333 | Потерянные: не покупали больше 180 дней, редко и мало [2,3] | Общая рассылка или архив | Последнее: ручной обзвон не окупается |
Второй пример - самый частый случай в B2B. Клиент с кодом 122 купил недавно, но всего один раз и на небольшую сумму. Это новичок, и задача менеджера - довести его до второй сделки. Один звонок через две недели после поставки закрывает больше, чем три письма подряд.
Кому звонить в первую очередь и как раздать очередь менеджерам?
Тут аналитика заканчивается, и начинается работа РОПа. Отсортированная по коду таблица - это и есть список на понедельник. Делаем так: берём сегменты сверху вниз, режем на равные куски по числу менеджеров, выгружаем в CRM как задачи с датой и задаём норму касаний на неделю. Норму считаем в звонках: по нашему опыту менеджер без напряжения закрывает 15-20 контактов в день по живой базе. Это наша оценка из практики, отраслевого норматива тут нет, и мы уточняем цифру на каждом проекте. Через месяц сверяем результат: сколько клиентов из сегмента \"спящие\" вернулись в сделки, сколько \"китов\" выросли по частоте. Повторять расчёт стоит ежеквартально - клиенты мигрируют между сегментами, и список на январь к апрелю уже устареет [10].
Как было
- менеджер обзванивает базу по алфавиту или тех, с кем удобно работать
- крупные клиенты всплывают, только когда сами позвонили
- РОП и менеджеры спорят о приоритетах на словах
Как стало
- очередь задана кодом сегмента, спорить не о чем
- ядро 111 получает звонок первым, до конца недели
- через месяц видно, какой сегмент принёс деньги, а какой оказался пустым
Что говорить в этих звонках, зависит от сегмента - один скрипт на всех тут не работает. Ядру звонят с планом: что берёте в следующем квартале, чего не хватает, где мы подводим. Китам - с готовым расчётом под их объём, потому что редкая крупная закупка планируется заранее, и застать её нужно до тендера. Спящим - с поводом: изменилась линейка, открылся склад в их регионе, освободилось окно в производстве. Разница видна уже на первой неделе: по ядру конверсия в разговор высокая почти всегда, а по спящим половина номеров окажется неактуальной - и это тоже полезный результат, база требует чистки.
Со спящими и потерянными начинается уже отдельная работа: повод, предложение, скрипт. RFM-анализ клиентской базы доводит вас до строчки \"вот кто спящий и при этом ценный\", а дальше запускается сценарий возврата. Как мы его строим, расписано в материале про удержание клиентов: там есть блок с программой реактивации и делением по давности - активные, 30-90 дней, 90+ дней. Это упрощённый RFM, только R, без F и M. Для старта годится, но крупного редкого клиента такое деление не отличит от мелкого и частого.
Где RFM врёт в B2B и какие ошибки мы видим чаще всего?
Первое: годовые контракты ломают букву F. Если клиент подписывает договор раз в год на большую сумму, по частоте он навсегда застрянет в худшей трети, хотя кормит компанию лучше всех. Мы решаем это так: для таких договоров считаем F по отгрузкам или по пролонгациям.
Второе: длинный цикл ломает букву R. В проектных продажах, по нашим наблюдениям, затишье в 120 дней - обычное дело для согласования, но модель уже пометит клиента как уходящего. Порог давности стоит привязать к среднему циклу сделки и считать R в кварталах.
Третье: маленькая база. При 100-200 контрагентах 27 сегментов превращаются в 27 строк по одному клиенту. В этом случае мы сжимаем модель до четырёх групп: ядро, киты, спящие, остальные.
Частая путаница: компания считает только M и называет это RFM. Сумма без давности и частоты - это ABC-анализ, другой инструмент с другими выводами. В дашборде из 1С ABC-сегмент контрагента считается отдельно, и путать его с RFM не стоит.
И ещё одна ошибка, которая стоит денег. RFM смотрит в прошлое и описывает только уже состоявшиеся покупки. Клиент, который вчера подписал с конкурентом трёхлетний контракт, ещё полгода провисит в сегменте 111. Поэтому список из модели всегда проходит через руки РОПа: два-три имени вычёркивают по здравому смыслу, и только потом задачи уходят в работу.
Частые вопросы про RFM-анализ
Что такое RFM-анализ простыми словами?
Это способ разложить клиентов на группы по трём вопросам: когда покупал в последний раз, как часто покупал, на какую сумму. Каждому ставится оценка от 1 до 3, получается код из трёх цифр и 27 групп [4]. Дальше с каждой группой работают по своему сценарию.
Сколько времени занимает RFM-анализ и нужна ли отдельная программа?
Отдельная программа не нужна: хватает Excel или Google Таблиц с простыми формулами [11]. Сегментация базы в 50-70 тысяч контактов занимает 20-25 минут [5]. Для типовой B2B-базы в несколько сотен контрагентов основное время уходит на выгрузку и чистку данных, а сам расчёт занимает считаные минуты.
Как часто нужно проводить RFM-анализ клиентской базы?
Ежеквартально. Клиенты мигрируют между сегментами, вчерашнее ядро сползает в спящие, и старый список перестаёт отражать реальность [10]. Между кварталами достаточно следить, кто выпал из активных.
Сколько клиентов должно быть в базе, чтобы считать RFM?
Ориентир - от 1000-1500 контактов и не меньше 3 месяцев работы с базой [9]. В B2B такие объёмы встречаются редко, поэтому на базах в несколько сотен контрагентов мы сокращаем модель до четырёх сегментов вместо 27.
Чем RFM отличается от ABC-анализа?
ABC ранжирует клиентов по одному показателю - доле в выручке. RFM добавляет к сумме давность и частоту, поэтому различает крупного клиента, который перестал покупать, и крупного клиента, который покупает каждый месяц. Если считаете только M, у вас на руках ABC-анализ.
Подходит ли RFM-анализ для B2B и для рассылок?
Для B2B подходит, если продажи повторные и регулярные [7]. В маркетинге сегменты используют для писем и персональных предложений, в продажах - как очередь звонков. Для разовых сделок вроде недвижимости или автомобилей метод бесполезен [1].
С чего начать на этой неделе?
Посчитайте RFM по своей выгрузке в ближайший вечер: четыре столбца, три сортировки, один код. Если после этого захочется, чтобы сегменты обновлялись сами и РОП видел очередь звонков каждое утро, мы собираем такой отчёт на данных 1С - дашборд отдела продаж. Напишите нам - разберём вашу базу на бесплатной консультации и покажем, какие 20% клиентов держат вашу выручку.