RFM-анализ и сегментация по когортам (часть 2)

RFM-анализ — одна из базовых методик сегментации клиентской базы по коммерческому потенциалу и поведению покупателей. Эта статья подробно разбирает, как работает RFM, в каких случаях он дает наилучшие результаты, какие существуют способы подготовки и разметки данных, а также чем этот подход отличается от когортного анализа. Материал рассчитан на специалистов по маркетинговой аналитике, CRM, продуктовой аналитике и управление проектами в сферах с ощутимым повторным спросом.

Введение: зачем бизнесу RFM

Компании с большой клиентской базой сталкиваются с задачей ранжирования своих покупателей по степени актуальности для бизнеса. RFM-анализ структурирует покупателей по трем критериям: давность последней активности (Recency), частота взаимодействий (Frequency) и общая выручка (Monetary). Этот подход позволяет определить сегменты, которые должны получить больше маркетингового внимания: например, выявлять базы для таргетированных акций, реактивации или повышения чеков.

Если компания реализует десятки тысяч товаров или услуг, индивидуальная работа с каждым клиентом неэффективна. RFM позволяет сфокусировать ресурсы на группах с наибольшим потенциалом. Его применяют в e-commerce, банках, b2b-продажах, стриминговых сервисах и подписочных бизнесах. Методика пригодна и для компаний с коротким или длинным циклом сделки.

Что такое RFM: Recency, Frequency, Monetary

RFM-анализ — это способ сегментировать клиентов по их ключевым коммерческим характеристикам. Каждый из критериев отражает отдельную бизнес-метрику:

• Recency — время (в днях, неделях или месяцах) с момента последней покупки или активности клиента. Чем меньше промежуток, тем выше оценка.
• Frequency — количество покупок или транзакций за выбранный период. Более высокая частота соответствует большему баллу.
• Monetary — суммарная потраченная клиентом сумма за заданное окно времени. Более высокая сумма дает лучший рейтинг по этой оси.

Впервые каждую метрику определяют по базе операций (чеки, подписки, подтвержденные оплаты). Например, пользователь А купил в последний раз 8 дней назад, всего за полгода совершил 5 покупок, на сумму 24 000 рублей.

RFM-оценки рассчитываются либо по всем клиентам сразу (one-shot), либо с регулярным пересчетом (например, ежемесячно). Для измерения используют скрипты на SQL или Python, или сборки в BI-инструментах.

Требования к данным и периодам наблюдения

Для качественного RFM-анализа требуется корректное объединение и чистка данных. Обязательна дедупликация клиентов: один клиент — одна запись. Ошибки в идентификации приводят к перекосу сегментирования и неверным рекомендациям.

Финансовые данные должны быть приведены к единому формату (валюта, налоги, скидки). Ключевой этап — определение окна анализа: если период слишком короткий, большинство клиентов окажутся в «уснувших»; если слишком длинный — исчезнут различия между активными и неактивными группами.

Методы оценивания: квантилы, скоринг, кастомные пороги

Оценка каждого измерения RFM проводится с помощью бининга (разбития на группы по шкале). Наиболее распространенные подходы — квантильный, интервальный, бизнес-пороговый.

Квантильный подход

Клиентов делят на N равных групп по каждому критерию. Например, квантиль 5 — это 20% базы в каждом ранге. Такой подход сохраняет относительныеотличия, но зависит от распределения данных (при экстремальных всплесках типа акций возможен перекос).

Интервальный биннинг

В этом подходе устанавливают равные отрезки по шкале каждой характеристики. Например, Recency: 0–14, 15–30, 31–60, 61–90, 91+ дней. Подходит, когда бизнесу критична привязка к временному окну (например, покупки раз в неделю или раз в месяц).

Кастомные пороги

Когда бизнес хорошо знает свою клиентскую базу, для бининг-процедуры можно написать кастомные правила. Например, отнести топ-5% выручки к наивысшей группе Monetary, а дальше распределить по пороговым значениям. Такой подход увеличивает интерпретацию, но требует регулярного ревью границ из-за сезонных сдвигов и акций.

Построить отдел работы с базой →

Типовые сегменты и интерпретации

После получения RFM-оценок пользователей делят на сегменты — предопределенные группы с разными стратегиями взаимодействия. Общие схемы встречаются в профессиональных блогах CRM-платформ, BI и консалтинговых отчетах.

Самые востребованные группы:

• Champions — высокие R, F, M; недавние, частые, платежеспособные (например: 83 клиента, последний чек <7 дней, частота >5 покупок в прошлом месяце, сумма >20 000 ₽).
• Loyal Customers — постоянные и/или частые, средний чек.
• Potential Loyalists — новые клиенты с уже высокой частотой или чеком; перспективная группа.
• At Risk — исторически хорошие, но долго не активничают (Recency высок, ранее был высокий F/M).
• Hibernating — давно ничего не покупали; низкие по всем трем метрикам.
• Need Attention — средние по всем критериям, непредсказуемая динамика.

Дальнейшая обработка — нацеленные кампании: реактивация At Risk (например, скидка или персональный звонок), апсейл Champions (индивидуальные предложения, ранний доступ к новинкам).

Сопоставление RFM и когортного анализа: когда что работает лучше

RFM-анализ и когортный анализ решают разные бизнес-проблемы. RFM дает срез по текущей ценности и активности каждого клиента — это «портрет» прямо сейчас, независимый от даты первой покупки. Когортный анализ же группирует пользователей по дате первого действия (например, регистрации или первой покупки) и отслеживает их поведение во времени.

Ключевые отличия:

• RFM подчеркивает текущее распределение базы — полезно для CRM, таргетированных акций, A/B-тестов рассылок.
• Когортный анализ нужен для анализа удержания, повторных продаж, эффективности новых каналов привлечения.
• RFM чувствителен к разовым событиям: масштабная акция может резко повысить F/M у отдельных клиентов, но не гарантирует долгосрочную лояльность.
• Когортный подход позволяет выявить долгосрочные тренды, например, как изменяется LTV разных волн пользователей.

Ограничения и подводные камни RFM

RFM-методика не универсальна и требует осторожного применения. Главные ограничения:

• Зависимость от выбранного окна. Если брать окно меньше жизненного цикла клиента, RFM-сегменты теряют устойчивость.
• Высокая чувствительность к массовым акциям, редким крупным платежам. Один разовый чек на крупную сумму может включить клиента в неверно высокий сегмент.
• Не учитывает длительную динамику: анализ непокажет, как портрет клиента меняется со временем.
• Отсутствие причинности: любые корреляции между сегментом RFM и откликом на акции не означают наличие причинно-следственной связи. Для проверки гипотез требуются A/B-тесты.

Итог и чек-лист внедрения

RFM-анализ — инструмент для приоритизации работы с клиентской базой, позволяющий оперативно выявлять группы для удержания, реактивации и роста выручки. Эффективность зависит от корректной подготовки данных, выбора длины окна анализа и методов бининга.

Краткий чек-лист внедрения:

• Очистите базу: только уникальные клиенты, точная выручка.
• Определите оптимальное окно анализа (зависит от специфики продукта).
• Выберите стратегию бининга под задачи бизнеса.
• Регулярно пересчитывайте сегменты. Результаты сопоставляйте с результатами A/B-тестов.
• Используйте RFM в связке с другими методиками, если нужно изучить динамику или оценить причины изменений.

Для выстраивания отдела работы с базой и запуска кампаний по повышению CLV эффективнее консультироваться с практиками, кто адаптирует RFM под вашу нишу.

Построить отдел работы с базой →