Сегментация базы клиентов в e-mail маркетинге. RFM-анализ

248

АвторТатьяна Гаврилина, специалист по e-mail маркетингу компании Promodo. Автор ряда публикаций на тему интернет-маркетинга, в частности — SEO-копирайтинга, продвижения в социальных медиа и др.

Сегментация клиентов ― обязательное мероприятие в интернет-маркетинге. Только имея представление о том, какие клиенты формируют базу данных, и какого рода предложение с большей вероятностью их заинтересует, можно рассчитывать на успех рекламной кампании в целом. Особенно вопрос сегментации базы клиентов актуален в контексте стремительного развития e-commerce. Интернет-магазинов становится все больше, но лишь немногие извлекают выгоду из онлайн-торговли. Понять предпочтения своих клиентов поможет их сегментация по определенным параметрам. Один из способов сегментации списка клиентов ― RFM-анализ.

Особенности RFM-анализа

RFM-анализ ― это возможность оценить клиентскую базу на предмет ее склонности к отклику на предложение. Грубо говоря, такая сегментация даст понимание того, какие клиенты сделают покупку, а какие ― даже не откроют письмо.

Таким образом, можно определить, насколько целесообразно тратить рекламный бюджет на привлечение того или иного клиента: по истории покупок можно решить, заслуживает ли клиент новой маркетинговой стратегии. Это называется целевым выбором, целевой стратегией.

Основан анализ на трех переменных:

  1. Recency ― давность покупки (период, который прошел с момента последней покупки и до сегодняшнего дня)
  2. Frequency ― частота покупок (сколько всего покупок сделал клиент за всю историю общения с компанией)
  3. Monetary ― денежная ценность покупок (общая сумма денег, на которую были совершены покупки)

Последовательность букв, из которых состоит аббревиатура RFM, неслучайна, и указывает на степень важности каждой переменной. Давность ― более приоритетный критерий по сравнению с частотой и ценностью, в свою очередь, ценность ― менее приоритетный показатель, чем частота.

Не стоит расценивать RFM-анализ как способ просто предугадать поведение потребителей. С его помощью можно более-менее точно спрогнозировать это поведение. Анализ отталкивается от истории покупок. Другими словами, RFM-анализ применим только по отношению к состоявшимся клиентам, поскольку у потенциальных клиентов еще нет истории покупок. Данный метод сегментации клиентской базы одинаково подходит как для потребительского рынка, так и для корпоративного.

Реализуется анализ за счет применения метода точных квинтилей, который, по сравнению с методом жесткого кодирования, более точный.

Сегментация по давности покупок

С чего начать? Есть база клиентов, где содержатся демографические данные по каждому клиенту, и история их покупок (Что? Сколько? Когда? Почем?). Сначала анализируется база данных по давности покупок. Для этого нужно поделить всю базу клиентов на 5 точных квинтилей в зависимости от того, когда была осуществлена последняя покупка.

Получается что-то похожее на столбик, разделенный на сегменты. Самому верхнему сегменту присваивается код 5, следующему ― 4, затем ― 3, 2 и 1.

Сегмент с кодом 5 охватывает покупателей, которые совершили покупку недавно, то есть, позже всех; сегмент с кодом 1 охватывает тех, кто совершил покупки давно, то есть, раньше всех. Остальные сегменты (2, 3, 4) ― это данные по клиентам, которые сделали покупки в промежутке между самой ранней и самой поздней покупками.

Для точности результатов сегментирования необходимо определиться с тем, какой временной промежуток берется за основу. Другими словами, «позже всех» ― это сколько?

Например:

Сегмент «5»: 0-1 месяцев

Сегмент «4»: 2-4 месяцев

Сегмент «3»: 5-8 месяцев

Сегмент «2»: 9-11 месяцев

Сегмент «1»: 12 месяцев и больше

Мы осуществили кодировку базы данных по давности. Исходя из полученных результатов, можно предположить, представители какого сегмента быстрее и охотнее откликнутся на наше предложение. Ими будут клиенты с кодом 5. При этом, уровень отклика на предложение в квинтиле 5 будет выше, чем в квинтиле 4, который, в свою очередь, будет активнее представителей квинтеля 3, и т.д.

Почему так? Чем свежее память о совершенной недавно покупке, тем выше вероятность еще одной покупки. В данном случае, на первый план выходит психология. Что для человека покупка? Удовольствие от того, что деньги инвестируются правильно, что у него появилась долгожданная вещь, которая однозначно улучшит его жизнь. Когда приятные эмоции от совершенной, допустим, вчера покупки еще актуальны, есть все шансы воспользоваться ими и продать такому покупателю что-то еще. И наоборот: чем больше времени прошло с момента последней покупки, тем ниже вероятность того, что этот клиент совершит очередную покупку в этом же магазине.

Сегментация по частоте покупок

Следует отметить, что для каждой сферы бизнеса понятие «покупка» свое. Это может быть как покупка телевизора (если речь идет об интернет-магазине аудио-, видеотехники), так и переход на новый тарифный план (если речь идет б интернет-провайдере, веб-студии и т.д.), и вообще любое изменение клиентом предыдущей модели сотрудничества. Необходимо определиться с пониманием слова «покупка».

Аналогично предыдущей схеме, нужно сегментировать клиентов/подписчиков на пять квинтилей. В квинтиль с кодом 5 попадут клиенты, чаще всего совершающие покупки, в квинтиль 4 ― клиенты, совершающие покупки не так часто, как представители верхнего квинтиля, и так далее, по ниспадающей. Следует понимать, что среди клиентов квинтиля 1 окажутся те, которые совершают покупки реже всех, и имеют непродолжительную историю сотрудничества с компанией. 

Например, клиент сделал покупку вчера. По критерию давности он получит код 5, а по критерию частоты ― 1. И таких клиентов, совершивших одну покупку как вчера, так и год назад ― большое количество. Именно поэтому квинтиль с кодом 1 окажется большим. Сегментация клиентов по частоте покупок станет отличной демонстрацией «привязанности» клиентов к компании. Чем чаще клиент пользуется услугами/предложениями, тем вероятнее высокий уровень его доверия.

Чтобы получить максимально точный результат кодировки базы данных по показателю частоты, следует определиться, какая частота будет оптимальной, на что нужно будет ориентироваться, какое количество сделок (покупок/заказов/подключений) будет тем максимумом, от которого надо отталкиваться.

Например:

Сегмент «5»: 20 и больше покупок

Сегмент «4»: 15-19 покупок

Сегмент «3»: 11-14 покупок

Сегмент «2»: 5-10 покупок

Сегмент «1»: 0-4 покупок

Сегментация по денежной ценности

Критерий денежной ценности покупок менее важен, чем критерий давности и частоты. Однако и его следует учитывать. Чтобы осуществить деление базы данных по денежной ценности, нужно определить для каждого клиента общую сумму денег, на которую он совершил покупки (другие действия) на сайте. В сегмент с кодом 5 попадут клиенты, которые потратили больше всех денег, в сегмент с кодом 1 ― меньше всех.

При этом, важно понимать, что покупатели нижнего сегмента (1) могут покупать часто, но за небольшие деньги. То есть, они неохотно тратят большие суммы денег, им лучше купить много недорогих товаров, чем совершать серьезные приобретения. Таким образом, можно предположить, какому сегменту какие товары предлагать (по цене, количеству).

Сегментация осуществлена. Что дальше?

Результаты анализа должны помочь разобраться, с какими категориями клиентов предстоит иметь дело, и как использовать эту информацию: 

  • Кто тратит много и часто? 
  • Кто делает дорогие покупки раз в полгода? 
  • Кто давно заходил на сайт и кого можно «реанимировать», и т.д.

Путем сегментации каждому клиенту присваивается трехзначная цифра, состоящую из показателя давности, частоты и ценности. Всего ― 125 ячеек, которые выглядят как 555, 554, 553, 552, 551… 113, 112, 111. Это характеристики клиентов, выраженные в цифрах.

Чтобы понять, насколько правильно осуществлен анализ, следует сформировать предложение и отправить его тест-группе ― то есть, составить список получателей по принципу «каждый N-й». Как правило, каждый N-й ― это каждый 10-й (может быть и другая выборка). Результаты отклика на предложение можно использовать при определении уровня и индекса безубыточности.

Задача ― зарабатывать на продажах, а не нести убытки. Чтобы контролировать данный процесс, в маркетинге введено понятие «уровень безубыточности». Это процентное соотношение прибыли от продаж тестовой группе к затратам, потраченным на рекламу, адресованную этой же группе.

УрБез = затраты на акт продажи / чистая прибыль с одной продажи

Например, если на одной продаже удалось заработать 100 гривен, а затраты на продажу составили те же 100 гривен, значит, уровень безубыточности ― 0. То есть, 0 – это тот показатель, которого должна достигнуть тестовая группа, чтобы обеспечить безубыточность рекламной кампании.

Чтобы понимать, какая из ячеек самая прибыльная и наоборот, нужен индекс безубыточности. Он также просчитывается по формуле и демонстрирует, насколько та или иная ячейка безубыточна. Так, если полученный показатель будет со знаком минус, это говорит об убыточности RFM-ячейки, если он равен 0 ― ячейка убытков не приносит.

Формула для определения индекса безубыточности:

k = ((r – УрБез) / (УрБез)) * 100%, где r ― уровень отклика ячейки.

Размер ячейки ― важный для достоверности результатов критерий. В зависимости от того, идет речь о потребительских клиентских рынках или о корпоративных, размер каждой RFM-ячейки будет варьироваться. Чем больше клиентов, тем больше будет ячейка, и наоборот. Для корпоративных клиентов, допустим, эти размеры будут небольшими. С одной стороны, в каждой такой ячейке должно быть достаточно много респондентов, чтобы данные были максимально достоверными, с другой ― достаточно мало, чтобы затраты на маркетинговые активности были невысокими.

Определить минимальный объем ячейки поможет следующая формула: 

RFM-ячейка = 4 / УрБез

Что нам даст знание, какая из RFM-ячеек какую имеет кодировку?

Клиенты 555: 

  • последнюю покупку сделали недавно
  • покупки делают часто
  • денег на покупки тратят много

Это наиболее привлекательная ниша. Главный упор в данном случае необходимо делать на формировании лояльных отношений с такими клиентами. И, напротив ― от предложений о скидках, акциях и распродажах следует отказаться.

Клиенты 111: 

  • последнюю покупку сделали давно
  • покупок делают мало
  • денег на покупки тратят мало

Такие клиенты представляют небольшую ценность. В некоторых сферах бизнеса от них целесообразней отказаться, чем тратить на их привлечение бюджет и время специалистов. Вполне возможно, это «мертвая» зона, сегмент «транзитных» клиентов, которым все равно, у кого покупать, и которые с трудом расстаются со своими деньгами.

Клиенты 511: 

  • последнюю покупку сделали недавно
  • покупок делают мало
  • денег на покупки тратят мало

Это могут быть:

а) клиенты, которые впервые сделали покупку в магазине

б) клиенты, к которым вернулся интерес к интернет-магазину. На первый взгляд, такие клиенты безнадежны. С другой же стороны, есть шанс заинтересовать их привлекательным и вовремя отправленным предложением. Важно мотивировать их скидками, акционными и бонусными предложениями

Клиенты 115: 

  • последнюю покупку сделали давно
  • покупок делают мало
  • денег на покупки тратят много

Такие клиенты, вполне возможно, обдуманно подходят к покупкам, и готовы к большим капиталовложениям при правильной мотивации. Давность покупок свидетельствует лишь о том, что надо активно действовать по возврату этих клиентов.

RFM-анализ может сослужить полезную службу маркетологу, если стоит цель ― изучить клиентскую базу и понять, что, кому, когда, в каких объемах и по какой цене предлагать. В конце концов, это один из способов заработать больше, используя для этого прежние ресурсы.