Как провести хороший RFM-анализ клиентов и сегментировать клиентскую базу

RFM-анализ — простой способ разобрать клиентскую базу по реальной ценности клиентов для бизнеса. Он показывает, кто покупал недавно, кто покупает часто и кто приносит больше всего денег. Поэтому его используют, когда нужно решить практическую задачу: кому продавать, кого возвращать, кого удерживать и на кого не тратить одинаково много ресурса.

В базе онлайн-школы могут быть тысячи контактов: кто-то купил один недорогой продукт и исчез, кто-то регулярно берёт новые курсы, кто-то давно был активен, но сейчас почти не реагирует. Обычный анализ базы этого не показывает, а RFM позволяет увидеть разницу между этими людьми и выстроить более точные коммуникации.

RFM-анализ — это метод сегментации, в котором клиентов оценивают по трём параметрам:

• R — Recency — как давно клиент покупал в последний раз;
• F — Frequency — как часто он покупает;
• M — Monetary — сколько денег он приносит.

Если объяснять совсем просто, RFM-анализ отвечает на три вопроса:

• как давно человек покупал;
• как часто он покупает;
• сколько денег он уже принёс бизнесу.

На примере онлайн-школы это видно сразу: один ученик купил вводный интенсив неделю назад, другой за год оплатил три программы и клуб, третий однажды купил мини-курс восемь месяцев назад и больше не возвращался.

Формально все трое — клиенты, но для маркетинга это три разных сценария. Именно это и показывает RFM-анализ.

Обычный анализ клиентской базы даёт общие цифры: сколько клиентов в базе, сколько было продаж, какой средний чек, сколько заявок пришло за месяц. Такие цифры не отвечают на вопрос, какие именно клиенты двигают выручку и как с ними работать дальше.

RFM-анализ помогает разделить базу на группы по ценности и активности. В результате бизнес видит:

• кто покупает регулярно;
• кто только что пришёл;
• кто начал остывать;
• кто давно потерян;
• кому нужен следующий шаг, а кому — реактивация.

Такая сегментация помогает понять, какой продукт предложить клиенту онлайн-школы: бесплатные материалы, недорогие входные продукты, основные курсы, клубы, наставничество или повторные продажи. 

RFM-анализ делают для того, чтобы принимать более точные решения в маркетинге и продажах. Когда школа понимает, какие клиенты самые ценные, она может не рассылать всем одну и ту же акцию, а выстраивать отдельную логику для каждого сегмента.

Например, лучшим клиентам нет смысла отправлять агрессивную скидку на входной продукт. Им логичнее показать дорогую программу, дать ранний доступ или предложить формат с сопровождением. Новым клиентам, наоборот, важно быстро показать второй шаг, чтобы они не “остыли” после первой покупки. А тем, кто давно не покупал, нужна отдельная реактивация, а не то же самое письмо, что и всей активной базе.

RFM-анализ помогает:

• увеличить повторные продажи;
• сократить потери на бесполезных рассылках;
• точнее распределять усилия команды;
• не смешивать в одной коммуникации сильных, новых и спящих клиентов.

Представим школу, которая обучает интернет-маркетингу. У неё есть недорогой интенсив, основной курс и клуб по подписке. Школа выгружает базу за 12 месяцев и видит три характерных сценария.

1. Первый ученик купил интенсив неделю назад и почти сразу оплатил основной курс. Это свежий и перспективный клиент. Его логично вести дальше: показывать клуб, дополнительные модули, сопровождение.
2. Второй ученик за год сделал пять покупок на крупную сумму. Это один из лучших клиентов. Ему подойдут более дорогие предложения, закрытые программы и персональные условия.
3. Третий купил мини-курс восемь месяцев назад и больше никак не взаимодействовал со школой. Это типичный спящий сегмент. Для него можно протестировать реактивацию, но не строить на нём основные продажи запуска.

Без RFM-анализа все трое легко могут попасть в одну и ту же рассылку. Но это ошибка: у каждого из них разная ценность и разный следующий шаг.

RFM-анализ лучше всего работает там, где есть повторные продажи. Поэтому он полезен:

• онлайн-школам;
• e-commerce;
• подписочным сервисам;
• клубам и сообществам;
• услугам с повторными покупками;
• рознице;
• части B2B-проектов.

Если же бизнес продаёт один тяжёлый продукт один раз в несколько лет, метод работает слабее. Например, если школа продаёт только один большой курс без продолжения, без подписки и без линейки продуктов, различия по частоте покупок будут слишком небольшими. В таком случае анализ тоже можно сделать, но он даст меньше пользы, чем в проекте с повторной монетизацией.

Чтобы провести RFM-анализ, на старте достаточно базовой таблицы. В ней должны быть хотя бы четыре поля:

• идентификатор клиента;
• дата последней покупки;
• количество покупок за выбранный период;
• общая сумма покупок за этот же период.

Это может быть выгрузка из CRM, платёжной системы или платформы, где ведутся оплаты. Например, по каждому ученику можно посмотреть, когда он покупал в последний раз, сколько продуктов оплатил за год и на какую сумму. Уже этого достаточно, чтобы провести анализ клиентской базы по RFM.

Перед расчётом важно проверить данные. Иначе выводы будут искажены. Чаще всего из таблицы убирают:

• дубли клиентов;
• тестовые оплаты;
• отменённые заказы;
• возвраты;
• технические сделки без реальной оплаты.

Если менеджер тестировал платёжную форму и создал несколько фиктивных заказов, без очистки они исказят частоту и сумму покупок.

Период зависит от того, как часто у вас вообще покупают. Если у школы есть ежемесячная подписка или клуб, логично смотреть короткие интервалы, например 3 месяца. Если основные продукты запускаются реже, чаще используют период 6 или 12 месяцев.

Для большинства онлайн-школ удобно брать 12 месяцев. Такой промежуток позволяет увидеть и разовые покупки, и повторные, и клиентов, которые постепенно выпали из активной базы. 

Слишком короткий период может несправедливо отправить в “спящие” тех, кто покупает реже, но всё ещё остаётся нормальным клиентом. Слишком длинный период, наоборот, делает базу слишком усреднённой.

Нужно собрать список клиентов и по каждому посчитать:

• когда была последняя покупка;
• сколько было покупок;
• на какую сумму человек покупал.

Пример для онлайн-школы:

Уже на этом этапе видно, что все клиенты разные. Но пока это ещё сырые данные. Дальше их нужно перевести в понятную систему оценок.

Теперь по каждому клиенту нужно рассчитать три показателя.

1. Recency показывает давность последней покупки. Чем меньше прошло времени, тем лучше. Если клиент покупал 7 дней назад, это сильный сигнал. Если 180 дней назад — слабый.
2. Frequency показывает частоту покупок. Чем больше покупок, тем выше показатель. Один заказ за год и пять заказов за год — это разная ценность клиента.
3. Monetary показывает сумму покупок. Здесь логика та же: чем больше денег клиент уже оставил в проекте, тем выше его ценность для бизнеса.

Обычно показатели переводят в баллы, например, по шкале от 1 до 5. Один балл — слабый результат, пять — сильный.

Пример шкалы для давности последней покупки:

• 0–14 дней — 5 баллов;
• 15–30 дней — 4 балла;
• 31–60 дней — 3 балла;
• 61–120 дней — 2 балла;
• больше 120 дней — 1 балл.

Так же можно оценить частоту и сумму. Например, для онлайн-школы шкала может выглядеть так.

Frequency:

• 5 и более покупок — 5;
• 4 покупки — 4;
• 3 покупки — 3;
• 2 покупки — 2;
• 1 покупка — 1.

Monetary:

• от 80 000 рублей — 5;
• 50 000–79 999 рублей — 4;
• 25 000–49 999 рублей — 3;
• 10 000–24 999 рублей — 2;
• до 9 999 рублей — 1.

Это не универсальные пороги. Для школы с продуктами по 2 900 рублей и для школы с программами по 150 000 рублей шкала будет разной.

Когда шкала готова, каждому клиенту ставят три оценки.

Теперь разрозненные данные становятся сопоставимыми.

Дальше три цифры объединяют в один код. Например:

• Анна — 533;
• Борис — 455;
• Вера — 111;
• Глеб — 322;
• Дарья — 513.

Такой код быстро показывает, что происходит с клиентом. Если у человека 555, это почти идеальный сегмент: он покупал недавно, часто и на большие суммы. Если 111, это самый слабый сегмент: давно не покупал, покупал мало и потратил мало. Если 511, это клиент, который пришёл недавно, но пока не успел стать частым и дорогим.

Оставлять десятки комбинаций неудобно. Коды лучше объединять в рабочие сегменты:

• лучшие клиенты;
• лояльные клиенты;
• новые клиенты;
• клиенты в зоне риска;
• спящие клиенты;
• потерянные клиенты.

Это гораздо удобнее, чем работать с десятками цифровых комбинаций.

Сам по себе код 455 или 321 мало что даёт, если не перевести его в понятные группы.

Это люди, которые покупают недавно, часто и много. В онлайн-школе это могут быть ученики, которые уже брали несколько продуктов: например, интенсив, основной курс и клуб. Таких клиентов важно удерживать и развивать, а не просто снова продавать им что-то массовой рассылкой.

Они покупают не на максимальные суммы, но регулярно. Это хороший актив для школы: таких людей можно аккуратно переводить на следующий продукт, в подписку или в более дорогой формат.

Они пришли недавно, но пока сделали только одну покупку. Это очень важный сегмент, потому что именно здесь решается, станет ли человек случайной продажей или останется с вами надолго. Если школа не выстраивает для таких людей понятный второй шаг, значительная часть новой базы просто теряется.

Раньше они покупали, но сейчас начали выпадать. Например, ученик брал продукты каждые два-три месяца, а теперь не проявляет активности уже полгода. Это ещё не потерянный клиент, но и не надёжный актив. Его нужно возвращать.

Это те, кто давно не покупает и, скорее всего, уже остыл. С ними тоже можно работать, но осторожно: сначала проверять, есть ли шанс на возврат, и только потом вкладывать в них ресурс.

RFM-анализ полезен, если он приводит к действиям.

Лучшим клиентам нужно ощущение приоритета: ранний доступ, отдельные предложения, закрытые форматы, быстрый вход в новый продукт. В онлайн-школах сильные клиенты часто готовы покупать больше, но им нужен релевантный — индивидуально подобранный — следующий шаг.

Новых клиентов важно быстро довести до второй покупки. Если человек только что купил вводный продукт, ему нужно показать, что делать дальше: отправьте письмо с логичным продолжением, предложите продолжить практику или дайте доступ в закрытый клуб. 

Клиентов в зоне риска лучше не дожимать продажей сразу. Сначала нужно вернуть интерес: показать, что у школы появилось нового, дать полезный контент, пригласить на открытый вебинар, напомнить о себе через мягкую рекламу.

А вот с давно “спящими” сегментами стоит действовать экономно. Если человек год назад купил один недорогой продукт и с тех пор никак не реагирует, бессмысленно тратить на него столько же внимания, сколько на активную часть базы.

Частота обновления зависит от модели бизнеса. Для большинства онлайн-школ достаточно пересчитывать сегменты раз в месяц или перед крупным запуском. Если у проекта активные продажи идут каждую неделю, обновление можно делать чаще. Если продукты покупают редко, может хватить одного пересчёта в квартал.

RFM-анализ — один из самых понятных способов превратить большую клиентскую базу в рабочую систему. Он помогает увидеть, что клиенты внутри базы не одинаковы: кто-то только пришёл, кто-то стабильно покупает, кто-то уже почти выпал, а кто-то приносит школе основную ценность.

Когда школа понимает, кому продавать, кого удерживать и кого возвращать, маркетинг становится точнее, а база начинает приносить больше денег без лишнего давления и хаотичных рассылок.