RFM анализ — эффективный инструмент увеличения повторных продаж

Технологии продаж 544 7 июня 2017
RFM анализ

Многие люди недооценивают такую стратегию увеличения продаж, как RFM анализ. Сложно спорить с тем фактом, что оптимизация конверсии – это очень эффективная маркетинговая техника, которая позволяет добиться максимального взаимодействия с клиентами и увеличить доходы компании.

Как маркетолог, так и владелец интернет-магазина, желает, чтобы не только повышались показатели конверсии, прибыль, средний чек, уменьшались показатели отказов от совершения покупок. Также для них важно, чтобы со старыми клиентами создавались долгосрочные отношения, чтобы они регулярно осуществляли покупки в конкретном интернет-магазине.

Анализ взаимодействия с клиентами – это ключевой компонент проведения оптимизации деятельности интернет торговой площадки. Если поставить во главу угла развитие долгосрочных отношений, а не мгновенную прибыль, то можно создать заметный, запоминающийся и успешный бренд, который будет обладать стабильным заработком, доверием покупателей.

RFM анализ позволяет визуализировать поведение клиентов, понять, чего именно они хотят, что необходимо делать, чтобы человек, который уже пользовался услугами компании, снова обратился в нее, был заинтересован в продолжительном сотрудничестве. Важно понимать, что аналитика, тщательное изучение показателей без соответствующих выводов – это напрасная трата собственных сил и времени.

Сегодня мне бы хотелось поделиться с вами своими знаниями, полученным опытом о том, как можно получить RFM анализа независимо от длительности истории продаж. За мою деятельность был проведен RFM анализ для массы разных интернет-магазинов. Чтобы получить реальный результат на выходе, пришлось решить огромное количество различных вопросов.

На чем базируется RFM анализ

Перед тем, как приступить к детальному рассмотрению каждого аспекта, необходимо вспомнить, на чем именно базируется RFM. В его основе лежат 3 показателя:

  • Recency — как давно была совершена последняя покупка;
  • Frequency — общая частотность покупок;
  • Monetary – сумма среднего чека.

Последний показатель не всегда должен выражаться в денежном эквиваленте. Для этого можно применять различные фильтры, наложенные на ключевые показатели данной методики.

При рассмотрении таких показателей как Давность и Частота необходимо учитывать тематику сайта. В информационном портале важно, чтобы время просмотра была максимально продолжительным, а изучаемая страница просматривалась до конца. Кроме того, матрицу частоты-давности можно изучать отдельной для каждой категории клиентов, фильтруя их по источнику, местоположению, приобретенным товарам или услугам, или по возрасту.

Если все клиенты будут разбиты по давности совершения последней покупки на группы и по числу осуществленных покупок, то получится матрица, которая позволит разбить клиентскую базу на категории, в зависимости от активности.

Это будут:

  • новички;
  • одноразовые клиенты;
  • растущие покупатели;
  • потерянные клиенты;
  • VIP-клиенты.

Конечно можно выделить значительно больше групп клиентов, однако тех, что указаны, вполне достаточно. Для удобства проведения RFM анализа я строю график с осями Давность и Частота. Получается в нижней части графика будут потерянные и одноразовые клиенты, а на вершине – VIP-покупатели. В визуальной форме разделение клиент будет иметь такой вид (рис. 1).

Визуальное разделение клиентов

Рисунок 1 Визуальное разделение клиентов

Это вполне понятная схема дифференциации клиентов, однако следует понимать, как правильно разбивать базу клиентов на категории и размечать шкалы, сколько групп должно быть выделено, как поступать дальше.

В данном случае наиболее важным показателем является Давность совершения последней покупки. Чем давнее была осуществлена последняя продажа конкретному клиенту, тем ниже будет вероятность, что он вернется в магазин и сделает следующий заказ. Снижается эта вероятность достаточно сильно.

Параметры и возможности давности

Чтобы понять суть, необходимо детально изучить параметры и возможности Давности. Рассмотрим все на примере трех клиентов – квадрата, круга и треугольника. На визуальном графике отметим период, когда каждый из клиентов сделал заказ (рис. 2).

Параметры и возможности давности

Рисунок 2 Параметры и возможности давности

 

Цель этого графика – выяснить, сколько клиентов, исходя из Давности, попадают в тот либо иной период. Следует отметить, что Давность является показателем, принимающим во внимание только самую последнюю покупку. Другие заказы, сделанные этим клиентам, относятся к Частоте. Поэтому наиболее правильным решением вопрос будет:

  • Период 1: 1 (только круг);
  • Период 2: 1 (только треугольник);
  • Период 3: 1 (все делали покупки после этого);
  • Период 4: 0 (только треугольник и квадрат делали покупки).

Проведя расчет, сколько клиентов попали в каждый из сегментов, можно построить график, который будет выглядеть таким образом (рис. 3).

График соотношения количества покупок к Давности

Рисунок 3 График соотношения количества покупок к Давности

В результате этого возникает вполне закономерный вопрос – какой из представленных вариантов является наиболее оптимальным?

Многие отдают предпочтение «красному», поскольку он является самым стабильным среди всех полученных вариантов. Однако в действительности, он указывает на то, что мы постоянно занимаемся привлечением клиентов, осуществляющих одноразовую покупку и уходящие навсегда.

Конечно, отлично, что показатель имеет тенденцию роста, однако «сиреневый», среди всех представленных, является наиболее оптимальным вариантом. Он указывает на то, что многие клиенты недавно осуществляли покупки, являются вовлечёнными в этот процесс. Самым плохой является «зеленая» кривая, поскольку был всплеск активности клиентов, обусловленными какими-то праздниками или значительными вложениями в контекстную рекламу, однако в дальнейшем весь потенциал был утрачен.

Методы дифференциации Давности

Во многих изданиях по анализу рекомендуется использовать наиболее простой способ дифференциации «Давности» на сегменты – произвести сортировку всех контактов по Давности, разделив их на 5 одинаковых категорий. Также следует поступить с показателями Частоты и Денег (рис. 4).

Дифференциации «Давности» на сегменты

Рисунок 4 Дифференциации «Давности» на сегменты

Благодаря применению такого способа можно разделить всех клиентов на такие группы клиентов, которые осуществили покупку:

  • только что;
  • недавно;
  • относительно недавно,
  • давно;
  • очень давно.

 

Однако не совсем понятно, что конкретно «когда»? Если нам не удастся отчертить точные временные рамки, то мы не сможем точно оценить эту категорию. Так, в соседних категориях могут быть клиенты, которые осуществляли покупки в одно и тоже время. Это говорит о том, что каждого клиента у на с будет своя модель поведения. В таком случае анализ теряет какой-либо смысл.

Время между заказами – отличный фактор корректировки стратегии

Следует также учитывать тот факт, что сезонность, проводимые акции, праздничные дни также сильно сказываются на общей картине. Если нет определенной информации о конкретном сегменте контактов, то это вряд ли принесет какую-либо пользу.

Более правильным будет фокусироваться не на количестве контактов, а на Времени. В таком случае оптимизация будет осуществлять по количеству в группах. Это и будет основной задачей анализа. Важно собрать максимальное количество контактов в категории «только что» и минимальное – в «давно» (рис. 5).

Соотношение количества контактов и Времени

Рисунок 5 Соотношение количества контактов и Времени

 

Теперь необходимо определиться с выставляемыми временными рамками. Для этого стоит поставить и ответить на ряд вопросов:

  • Каков природный период совершения заказа?
  • Есть ли сезонность?
  • За какой отрезок времени большая часть клиентов успевает сделать повторную покупку?
  • Какой период неактивности клиентов считается таковым, что клиент был утрачен — длина жизненного цикла клиента.

Компании, которые не располагают такой информации, могут построить анализ на предположениях этих периодов. Тем, кто имеет архив заказов, смогут помочь несколько графиков с разницей во времени между совершенными покупками (рис. 6).

Анализ количества заказов

Рисунок 6 Анализ количества заказов и промежутков времени между их совершением

На этом графике видно, что разница между покупками исчисляется месяцами. Это стандартная схема для большинства интернет-магазинов. Из графика видно, что большая часть повторных покупок осуществляет в первые 2 месяца. В течение полугода еще 75% клиент делают вторую покупку и 90 процентов из тех, кто снова делает заказ — производят покупку в течение 13 месяцев.

Подводя итоги

Что же можно извлечь из этого, каков вывод? Не стоит предлагать скидки тем, кто итак делает покупки в нашем интернет-магазине, без дополнительных мотиваторов. Наиболее правильным решением будет предлагать скидки спустя 2 месяца после первого заказа. Это можно сделать с помощью релевантных предложений, чтобы постоянно быть на слуху у своих клиентов. Однако при этом важно быть полезным им.

Если мы построим матрица разности между произвольными соседними заказами, то получится что-то такое (рис. 7):

Матрица разности между соседними заказами

Рисунок 7 Матрица разности между произвольными соседними заказами

Интересным является тот факт, что разница между первым и вторым заказом, всегда больше, чем между вторым и третьим. Сначала человек относится с недоверием к интернет-магазину, ему надо понять, не обманут ли его. Как только проходит этот момент, покупатель начинает чаще делать покупки, интервал между ними сокращается.

Специалисты утверждают, что кривая этого графика сначала ниспадает, после чего стабилизируются и на финальном сегменте – растет. Это очень сильно напоминает собой жизненный цикл клиента. Его активность со временем снижается, количества и частота заказов очень сильно уменьшается. На практике весьма тяжело увидеть такую картину (рис. 8).

Соотношение времени к совершению следующего заказа

Рисунок 8 Соотношение времени к совершению следующего заказа

Чтобы получить такие данные относительно своего интернет-магазина, рекомендуется использовать не средние данные, а медиану. В них кроется существенная разница. Среднее – это все значения, поделенные на их количество. Медиана является значением элемента, находящимся в самом центре последовательности, которая была отсортирована.

В итоге, средние знания будут находиться в нужном интервале – равняться медиане. При этом медиана лучше среднего значения, поскольку на последнее очень сильно влияет «аномальные значения». То есть очень редкие, которые сильно выходят за рамки большинства. Это сильно искажает расчеты и изменяет общую картину.

Очень важным аспектом, изучению которого следует уделять особое внимание, является сезонность. Часто это весь календарный год — 12 месяцев. Изучив имеющиеся данные, можно понять, какой из периодов лучше проставлять для категорий. Это может быть как 1 месяц, так и несколько лед.

Однако и при таком подходе может возникнуть ряд вопросов. Суть в том, что период осуществления покупки у каждого клиента является индивидуальным. У одного он может быть маленьким, а у другого – большим. Чтобы получить на выходе максимально точные данные, лучше создать для каждого клиента профиль со своей градацией, с учетом оси Давность. Это позволит причислить клиента к одной из относительных категорий:

  • ожидаемое время покупки;
  • нет заказа – что-то не так;
  • клиент может быть потерян;
  • клиент потерян, но можно его вернуть;
  • клиент ушел и вряд ли вернется.

Такой же прием можно использоваться и с Частотой. Нов принципе всегда будут получаться одинаковые циклы. Сделавшие:

  • 1 покупку – большая часть покупателей;
  • 2 покупки – им удалось справиться с волнением и прийти снова, поняв особенности работы магазина;
  • 3-4 покупки – стабильно совершают покупки. Таких клиентов надо удерживать любой ценой;
  • 5-15 покупок – доверились магазину. Здесь верхняя граница ничем не ограничена.
  • больше 15 покупок обычно осуществляют партнеры, или любители шоппинга. К этой группе следует отдельно присмотреться.

Это в принципе базовые знания о RFM анализе. Если правильно взглянуть на матрицу, понимая, как была произведена сегментация, то станет сразу очевидно, кто является новичком, совершившим всего одну покупку.

Одноразовые также сделали один заказ, но это произошло относительно давно. Они вряд ли снова воспользуются услугами данного интернет-магазина. Обычно количество таких клиентов варьируется в диапазоне 50-60 процентов среди общей массы. Это надо принять как факт. Бороться с этим сложно, дорого и безрезультатно.

Чтобы наверняка понять, что данный сегмент клиентов является «мертвым» для интернет-магазина, можно попытаться вернуться кого-то из участников с помощью стратегии — «смириться». Для этого достаточно сделать выборку из разных групп клиентов:

  • те, у кого чек состоит из нескольких товаров;
  • те, у кого большой чек;
  • одноразовые клиенты, вернувшие товар. Они могут вернуться и сделать вторую покупку.

Если не получится кого-то вернуть – то не стоит напрасно тратить свои силы. Единственным шансом вернуть клиента, чтобы он сделал вторую покупку – это обратиться к нему максимально быстро. Но важно сделать это вовремя, чтобы это не было очень рано. Слишком раннее обращение будет выглядеть навязчиво, негативно будет сказываться на бизнесе, поскольку придется делать высокие скидки.

Чтобы понимать, как все происходит на практике, достаточно посмотреть на RFM в динамике. Изучая шкалы Давности анализ всегда начинается с наименьшего срока осуществления покупки. Затем изучаются более поздние данные, когда покупка была сделана давно. Как только клиент сделает очередной заказ – цикл замыкается ( рис. 9).

RFM в динамике

Рисунок 9 RFM в динамике

С Частотой все происходит иначе. Анализируется информация с наихудших показателей – была осуществлена одна покупка. И каждый последующий заказ существенно улучшает картину. В таком случае будет только динамическое развитие, если Частота будет определена конкретными временными рамками — полгода, год, два года (рис. 10).

Частота в динамике

Рисунок 10 Частота в динамике

Теперь можно получить общую картину матрицы RFM (рис. 11).

Общий вид матрицы RFM

Рисунок 11 Общий вид матрицы RFM

Точкой отсчета является Давность «только что» и Частота «1 покупка». Конечно, каждый руководитель интернет-магазина желается, чтобы клиенты находились исключительно в сегменте VIP, но так быть не может. Самым коротким путем попасть туда является постоянно осуществление покупок.

Если клиент с момента первой покупки ничего не делает, то он перемещается по матрице в категорию «давно» в категорию «Одноразовых клиентов». Важно приложить максимум усилий, чтобы не потерять его, он сделал повторный заказ. В этом может помочь автоматическая мотивирующая рассылка (рис. 12).

Автоматически мотивирующая рассылка

Рисунок 12 Результат использования автоматической мотивирующей рассылки

Существует еще одна важная деталь, влияющая на весь анализ и процесс обработки данных. Как себя вести, если пауза между заказами превышает жизненный цикл клиента. Тут ситуация двоякая, поскольку клиент самостоятельно к нам придется только в том случае, если мы сможем его чем-то увлечь и заинтересовать.

Для этого можно использовать контекстную рекламу, СЕО, либо он решит вернуться в наш интернет-магазин с другой торговой площадки, которая ему разонравилась, но он осуществлял там покупки после нас.

По сути, к нам вернется старый клиент, однако с абсолютно другими интересами, взглядами и пожеланиями. В таком случае работу с ним рекомендуется начать с самого начала, не учитывая предыдущие данные (рис. 13).

Работа с вернувшимися клиентам с учетом их пожеланий

Рисунок 13 Работа с вернувшимися клиентам с учетом их пожеланий

Такой подход RFM анализа можно начать использоваться с первого дня работы интернет-магазина. Для этого достаточно произвести настройку триггеров на неактивности клиентов, отслеживать динамику их активности. Это позволит понять, кого из клиентов мы можем потерять, что необходимо сделать, чтобы они вернулись, если это возможно?

Благодаря точному подходу к RFM анализу, правильному использованию полученных результатов, можно будет значительно повысить продажи интернет-магазина за счет возврата старых клиентов, которые в прошлом осуществляли в нем покупки, однако по каким-то причинам перестали это делать. Однако стоит делать это без фанатизма, чтобы цель оправдывала затрачиваемые ресурсы.

Андрей Ткаченко

Андрей Ткаченко

Директор по развитию Lead Flow Digital.

Дружить в: Facebook VK

Понравилась статья? Расскажите друзьям:

Комментарии:

  • Павел

    Когда у моей компании возникли проблемы с репутацией в интернете, я сразу обратился к ребятам из ваш-рейтинг.рф

    Они быстро провели мониторинг, выявили все источники с негативом и моментально его пофиксили.