Существует два типа данных, которые можно узнать о покупателях: кто они такие (демографические данные) и что они делают (поведенческие данные). Как правило, маркетологи пытаются предугадать именно поведение клиентов. Ведь если вы планируете продать товар или услугу своим клиентам, то знание, что кто-то из них недавно приобрел несколько предметов общей стоимостью 10000 рублей, ценнее, чем знание их возраста, дохода, семейного положения или другой подобной информации.
Обычно для предсказания поведения клиентов специалисты по директ-маркетингу используют RFM-анализ. Главным становится вопрос, как формализовать размер пользы, принесенной каждым клиентом. Для этой цели изучаются три показателя:
Recency — давность продажи (сколько времени прошло с момента последней покупки клиента);
Frequency — частота покупок (общее количество покупок в периоде);
Monetary — сумма продаж за всю историю (иногда используют средний чек).
Причем, показатель Monetary не обязательно привязывать к деньгам. Это может быть любой фильтр, наложенный на основные показатели этого метода: Давность и Частота. Монетизацию не всегда удается свести к покупкам. Например, для информационного портала можно взять время просмотра страницы или глубину просмотра страниц на сайте.
Как правило, процент покупателей, реагирующий на общие рекламные предложения, невелик. RFM-анализ – это простой и, в то же время, эффективный метод. Используя его, можно предсказать реакцию покупателя, улучшить взаимодействие и повысить прибыль. В зависимости от принадлежности клиента к одной из выделенных групп применяются разные способы воздействия. Важность показателей ранжируется согласно последовательности: Давность, Частота, Сумма продаж.
Применение RFM для базы данных для частных клиентов
Рассмотрим небольшую компанию по продаже учебных пособий, которая использовала RFM-анализ для извлечения максимальной прибыли с каждого покупателя. Ежегодно лето всем клиентам рассылались письма с предложением приобрести их продукцию. Затраты на рассылку составляли 15 руб. на одно письмо, прибыль же от каждой продажи - 550 руб. Таким образом, чтобы оправдать затраты на рассылку, необходимо получать более 3% откликов. Но на протяжении нескольких лет доля откликов не превышала 1,6%, что не давало прибыли. Применив RFM, всю существующую базу данных клиентов разбили по 125 ячейкам (5х5х5) и определили долю откликов по каждой из ячеек. Далее рассылку писем стали осуществлять по ячейкам с долей откликов более 3%, что позволило компании в итоге получить прибыль.
Стоит отметить, что непрерывное использование RFM-анализа не пойдет на пользу бизнесу. Если постоянно его применять для решения вопроса: кому из клиентов написать или позвонить, - то некоторые из них вообще никогда не получат от вас известий, а другие - наиболее активно реагирующие, будут испытывать усталость от постоянного внимания, поскольку вы будете связываться с ними слишком часто. Необходимо разрабатывать стратегию контактирования и подумать, с каким предложением можно обратиться к менее восприимчивым клиентам, просто чтобы они знали, что о них помнят.
На практике встречается упрощенный RFM-анализ, который называют RF-сегментация, когда показатель Сумма продаж не используется, потому что его значение часто зависит от Частоты. С помощью такого анализа несложно выделить тех, с кем нужно проводить активную работу, и именно для них разрабатывать специальные предложения.
Применение RFM для базы данных корпоративных клиентов
Рассмотрим применение RFM-анализа к базе данных корпоративных клиентов. Такая база, в большинстве случаев, гораздо меньше базы частных клиентов, и можно прибегнуть к сокращению количества групп. Например, для базы в 10000 записей 125 ячеек RFM-анализа будут иметь всего 80 записей в каждой ячейке, а этого мало для получения статистических результатов. Сократим количество RFM-ячеек до 20 с уменьшенным количеством групп, отсортированных по Частоте и Сумме продаж. Например, 5 - по Давности покупки, 2 - по Частоте и 2 - по Сумме продаж.
В теории RFM-анализа предполагается очень простой механизм разделения Давности, Частоты и Суммы продаж по сегментам: отсортировать все контакты и разбить на 5 равных групп для каждого показателя. Этот способ работает и помогает разбить всех клиентов относительно друг друга на:
-покупали только что
-недавно
-давно
-очень давно
Но на практике возникает проблема изменения этих показателей во времени.
Приведем несколько примеров:
Первый пример:
Бизнес развивается хорошо, но вдруг в течение месяца не совершается ни одной покупки — это плохо. Но если разбить базу данных на равные части — ничего не изменится и всё те же последние покупатели попадут в сегмент «покупали только что».
Второй пример:
Новый бизнес ещё не имеет данных о продажах за несколько лет. В этом случае границы с каждым днём будут сильно отличаться и пользоваться результатом такого RFM-анализа вообще нет смысла.
Сезонности, акции и праздники тоже сильно влияют на качество анализируемых данных. Поэтому время стоит фиксировать. Для того, чтобы определиться какие временные интервалы лучше выставить, стоит ответить для себя на ряд вопросов:
-Какая длина жизненного цикла клиента?
-Какой естественный период покупки?
-Какая сезонность?
-За какое время большинство клиентов успевает совершить повторную покупку?
Вывод:
Действенность RFM-анализа совсем не означает, что он может полностью заменить менеджера по продажам. Личное общение с заказчиком позволяет сотруднику хорошо понимать его и многое знать о нем. Правильно будет сосредоточить внимание менеджера на ключевых клиентах, а с остальными вести работу по электронной почте, с помощью сообщений и социальных сетей. RFM-анализ в этом случае становится отличным инструментом, помогающим провести сегментацию покупателей.
