Сегментация клиентов с помощью RFM-анализа

Размещено на http://www.allbest.ru/

Сегментация клиентов с помощью RFM-анализа

Якимов Антон Сергеевич,

Баженов Руслан Иванович

Аннотация

В данной статье описывается сегментация клиентов на основе RFM-анализа. Приводится пример анализа на основе базы данных существующей компании. Анализ проводится в программном обеспечении Microsoft Excel.

Ключевые слова: анализ, база данных, клиенты, сегментация

В наше время любая компания нуждается в привлечении клиентов. Для этого нужно постоянно поддерживать поток и рост клиентов для стремительного и стабильного развития бизнеса. Но держаться на одних привлечениях этого недостаточно. Нужно еще также их заинтересовать и задержать как можно большее время.

Чтобы привлечь внимание клиента к себе, необходимо иметь представление о том, какого рода предложения больше всего заинтересуют данным клиентам. Для этого нужно оценить клиентскую базу на предмет ее склонности к отклику на предоставленное предложение. В данном случае мы воспользуемся RFM-анализом. Он удобно подходит для нашего случая, так как компания, которую мы будем анализировать, занимается продажей и доставкой различных блюд. Сама база данных была предоставлена на обоюдном соглашении в конфиденциальном виде, кроме таких данных, как дата покупки и стоимость покупки клиентов (сами идентификаторы клиентов мы сгенерировали для большей наглядности). Этого нам достаточно для RFM-анализа.

RFM-анализ является самым распространенным методом исследования в данной сфере. Данный анализ описывали различные российские ученые. Р.И. Баженов и В.А. Векслер применяли RFM-анализ в разработанной авторской конфигурации для системы 1С: Предприятие "Анализ потребительских корзин" [1]. Е.П. Голубков рассматривал сущность и методику проведения RFM-анализа [2]. В.И. Александров и А.А. Клюева изучали связь RFM-анализа и e-mail-маркетинга и, рассказывая, как RFM-анализ может быть применен к реальной клиентской базе [3]. В.И. Александров исследовал применение RFM-анализа в сфере e-commerce и привел схемы, которые наглядно показывают сегментацию потребителей интернет-магазина по критериям давности и частоты [4]. Различные стороны анализа описывали А.А. Наумов, Р.И. Баженов и др. в применении к различным областям знания [5-15]. Также RFM-анализ исследовали и зарубежные ученые [5-8].

RFM-анализ - это аббревиатура от слов Recency, Frequency и Monetary [9]. Как видим, данный анализ основан на трех показателях:

Recency - в нашем случае понимается как дата последней совершаемой покупки клиента.

Frequency - количество совершаемых покупок данного клиента за весь период времени.

Monetary - затраченные денежные средства клиента за весь период совершаемых его покупок.

Во время расчета данного анализа нам нужно определить, из скольких частей надо разбить по каждому из этих показателей для оценивания клиентов, например, из 3-ех частей (групп). Где в первой части будут находиться "наихудшие" клиенты по тем или иным показателям. Во второй части - "средние" клиенты. В третьей - "наилучшие" клиенты. Но в нашем случае, для оценки клиентской базы, будем использовать в процентном соотношении от 1 до 5 групп, для большей гибкости и различным подходам к тем или иным клиентам.

Для того чтобы проделать RFM-анализ, мы воспользуемся программным обеспечением Microsoft Excel и готовой таблицей с базой данных клиентов:

Рисунок 1 - Таблица клиентской базы

Для начала нужно привести данную таблицу в нужный нам вид для проведения RFM-анализа, для этого выделим всю таблицу и воспользуемся функцией "Сводная таблица", которая находится в разделе "Вставка".

После того как создали "Сводную таблицу", нам нужно, в списке полей сводной таблицы, перенести поле "ID Клиента" в область "Названия строк". Затем дважды переносим поле "Дата покупки" в область "Значение". Напоследок переносим поле "Стоимость покупки (в руб.)" в ту же область "Значения".

Получаем следующую таблицу:

Рисунок 2 - Сводная таблица клиентской базы

Затем, в столбце "B", кликнув правой мышкой на поле под названием "Дата покупки", выбираем строку "Параметры полей значений…". После нажатия данной строки, откроется следующее окно:

Рисунок 3 - Окно "Параметры поля значений"

Где во вкладке "Операция" выбираем строку "Максимум", и применяем настройки. Потом применяем поля в формате "Дата" к столбцу "B". И формат "Денежный" к столбцу "D".

Далее, для наглядности, можем переименовать столбцы "B", "С" и "D" в "Дата последней покупки", "Количество общих покупок" и "Стоимость общей покупки" соответственно.

В результате получаем следующую таблицу:

Рисунок 4 - Готовая таблица для расчета RFM-анализа

В полученной таблице можем увидеть, например, клиента с идентификатором равной "10000", который совершал всего 3 покупки с общей стоимостью в сумме 877 рублей, и последняя его покупка была совершена в 01.12.2012.

Теперь, когда наша таблица полностью готова и приведена в нужном виде, перейдем непосредственно к самому RFM-анализу.

Как уже было сказано ранее, мы будем оценивать, и делить клиентов на 5 категории. Где в первой категории попадут клиенты с "наихудшими" показателями, а в пятой категории - с "наилучшими" показателями. Возьмем за каждую категорию в процентном соотношении с шагом в 20%.

То есть, по показателю "Monetary" в первую категорию попадут те клиенты, которые приобрели товары и принесли компанию до 20% прибыли от максимальной суммы всех значении полей столбца "Monetary". Во второй категории попадут от 20% до 40% от той же максимальной суммы, и так далее, вплоть, до пятой категории, где попадут клиенты с процентным соотношением от 80% до 100% принесенной прибыли. То же самое будем проделывать и с показателями "Recency" и "Frequency".

Для этого нужно создать еще несколько столбцов, таких как "Recency", "Frequency", "Monetary" и "Количество пройденных дней".

Рисунок 5 - Таблица с подготовленными RFM столбцами

Столбец "Количество пройденных дней" будет отображать нам количество прошедших дней до максимальной последней покупки клиента в компании из всех имеющихся. В дальнейшем он нам понадобится для расчета показателя "Recency", определяя давность последних покупок клиентов.

Для того чтобы рассчитать количество прошедших дней, нам нужно во всех полях данного столбца записать следующую формулу, в нашем случае выглядит примерно так:

=МАКС($B$2:$B$2296)-B2

В итоге получаем следующий результат:

Рисунок 6 - Таблица с рассчитанным столбцом "Количество пройденных дней"

Далее приступим к анализу показателя "Recency". Нужно в полях данного столбца ввести формулу, которая будет рассчитывать данный показатель относительно степени давности последней покупки клиента. В нашем случае выглядит так:

=ЕСЛИ(F2<=0,2*МАКС($F$2:$F$2296);5;ЕСЛИ(F2<=0,4*МАКС($F$2:$F$2296);4;ЕСЛИ(F2<=0,6*МАКС($F$2:$F$2296);3;ЕСЛИ(F2<=0,8*МАКС($F$2:$F$2296);2;1))))

То же самое проделываем и для столбца "Frequency":

=ЕСЛИ(C2<=0,2*МАКС($C$2:$C$2296);1;ЕСЛИ(C2<=0,4*МАКС($C$2:$C$2296);2;ЕСЛИ(C2<=0,6*МАКС($C$2:$C$2296);3;ЕСЛИ(C2<=0,8*МАКС($C$2:$C$2296);4;5))))

Для столбца "Monetary" вводим следующую формулу в полях:

=ЕСЛИ(D2<=0,2*МАКС($D$2:$D$2296);1;ЕСЛИ(D2<=0,4*МАКС($D$2:$D$2296);2;ЕСЛИ(D2<=0,6*МАКС($D$2:$D$2296);3;ЕСЛИ(D2<=0,8*МАКС($D$2:$D$2296);4;5))))

После ввода всех формул для расчета данных показателей, мы в итоге получаем следующий результат:

Рисунок 7 - Результат RFM-анализа

На этом этапе мы и закончили RFM-анализ. Для удобства можно отсортировать столбцы "Recency", "Frequency" и "Monetary" в порядке возрастания/убывания для удобного поиска и анализа клиентской базы по данным рассчитанным показателям.

Например, в нашем случае, клиент с идентификатором "10002" является наихудшим покупателем данной компании, и имеет показатели в виде "111" (Recency -1; Frequency - 1; Monetary - 1). Так как данный клиент уже почти два с половиной года (857 дней) не совершает покупки данной компании, и за свое время он сделал только одну покупку в сумме 210 рублей.

С такими клиентами компании предпочитают провести разные подходы. Кто-то пытаются привлечь к себе внимания к данному клиенту, для того чтобы он заинтересовался в компании и снова совершил какие-либо покупки. Либо, некоторые считают их "одноразовыми" клиентами, и предпочитают не уделять собственное время на них, а нацеливаться только на более "перспективных" покупателях, которые имеют более высокие RFM показатели вплоть до "555", для того, чтобы улучшить отношения между клиентом и компанией, и предлагать различные акции или бонусы.

Также можно и провести различные анализы, делая выводы на основе RFM показателях данных клиентов. Например, существует клиент с показателем "155" (Recency - 1; Frequency - 5; Monetary - 5). Данный клиент нам говорит о том, что он когда-то совершал много покупок и приносил хорошую прибыль этой компании. Но, по каким-то причинам уже давно перестал совершать какие-либо покупки. В таких случаях можно либо лично поинтересоваться у клиента, по каким причинам он отказался проявлять интерес к данной компании, либо самим пересмотреть свои прошлые отношения в сторону клиента в тот период, когда он перестал сотрудничать с компанией.

Вдобавок также, например, существуют клиенты с показателями "511". Это те клиенты, которые только начали совершать какие-либо покупки и являются "новичками". Компания обычно старается не разочаровать таких клиентов, и демонстрировать им различные конкурентоспособные преимущества. сегментация потребитель интернет

Как видим, данный RFM-анализ полезен для сегментирования клиентов в те или иные категории и позволяет нам изучить их. После распределения и изучения клиентов мы можем составлять свои индивидуальные подходы к ним, для того чтобы увеличить прибыль данной компании и повысить лояльность клиентов для успешного бизнеса.

Предложенное исследование может быть использовано в работе торговых компаний и в обучении студентов различных направлений [21-23].

Библиографический список

1. Баженов Р.И., Векслер В.А., Гринкруг Л.С. RFM-анализ клиентской базы в прикладном решении 1С: Предприятие 8.3 // Информатизация и связь. 2014. №2. С. 51-54.

2. Голубков Е.П. RFM-анализ: методика и практика применения // Маркетинг в России и за рубежом. 2013. № 6. C. 11-24.

3. Александров В.И., Клюева А.А. RFM-анализ и e-mail-маркетинг. Теория и практика // Интернет-маркетинг. 2012. № 2. С. 96-106.

4. Александров В.И. Применение RFM-анализа при разработке таргетированных маркетинговых стратегий в сфере e-commerce // Маркетинг и маркетинговые исследования. 2014. № 5. С. 332-339.

5. Наумов А.А., Наумова А.А., Баженов Р.И. О некоторых моделях и модификациях классического ABC-анализа // Современные научные исследования и инновации. 2014. № 12 [Электронный ресурс]. URL: http://web.snauka.ru/issues/2014/12/42200 (дата обращения: 27.12.2014).

6. Жилкин С.А., Баженов Р.И. Совершенствование ассортимента товаров медицинского назначения на основе ABC-анализа // Экономика и менеджмент инновационных технологий. 2014. № 12 [Электронный ресурс]. URL: http://ekonomika.snauka.ru/2014/12/6681 (дата обращения: 27.12.2014).

7. Резниченко Н.В., Наумов А.А., Баженов Р.И. Совершенствование ассортимента блюд кафе и системы закупок компонентов на основе ABC-XYZ-анализа // Экономика и менеджмент инновационных технологий. 2014. № 12 [Электронный ресурс]. URL: http://ekonomika.snauka.ru/2014/12/6541 (дата обращения: 27.12.2014).

8. Наумов А.А., Баженов Р.И. О проблемах классических показателей эффективности инвестиционных проектов // Современные научные исследования и инновации. 2014. № 11-2 (43). С. 181-187.

9. Бронштейн К.С., Наумов А.А., Баженов Р.И. Применение классического ABC-анализа для анализа ассортимента блюд кафе // Экономика и менеджмент инновационных технологий. 2014. № 11 (38). С. 100-110.

10. Наумов А.А., Баженов Р.И. О неустойчивости метода нормализации критериев // Современные научные исследования и инновации. 2014. № 11-1 (43). С. 64-68.

11. Остроушко А.А., Баженов Р.И. Анализ ассортимента электротоваров с использованием ABC-анализа // Экономика и менеджмент инновационных технологий. 2014. № 10(37). С. 73-81.

12. Сизых А.Ф., Баженов Р.И. Разработка программной системы поиска ассоциативных правил на основе алгоритма apriori // Современные научные исследования и инновации. 2014. № 10-1 (42). С. 52-59.

13. Vexler V.A., Bazhenov R.I., Bazhenova N.G. Entity-Relationship Model of Adult Education in Regional Extended Education System // Asian Social Science. 2014. Т. 10. №20. С.1-14.

14. Векслер В.А., Баженов Р.И. Определение взаимосвязи номенклатурных позиций средствами 1С:Предприятие 8.3 // Современные научные исследования и инновации. 2014. № 7 (39). С. 45-49.

15. Пронина О.Ю., Баженов Р.И. Исследование методов регрессионного анализа программной среды Eviews // Nauka-rastudent.ru. - 2015. - No. 01 (013) / [Электронный ресурс] - Режим доступа. - URL: http://nauka-rastudent.ru/13/2320/

16. Rhee S.B. Customer selection in database marketing: the meaning of RFM // Thesis. 2003.

17. Mahboubeh K., Kiyana Z., Sarah A., Somayeh A. Estimating customer lifetime value based on RFM analysis of customer purchase behavior: Case study // Procedia Computer Science. 2011. № 3. C. 57-63.

18. Kristof C., Filip A.M., Koen W. Data accuracy's impact on segmentation performance: Benchmarking RFM analysis, logistic regression, and decision trees // Journal of Business Research. 2014. Т. 67. C. 2751-2758.

19. Ya-Han H., Tzu-Wei Y. Discovering valuable frequent patterns based on RFM analysis without customer identification information. // Knowledge-Based Systems. 2014. Т. 61. C. 76-88.

20. Wikipedia. RFM-анализ. [Электронный ресурс]. // Википедия: свободная энциклопедия. URL: https://ru.wikipedia.org/wiki/RFM-%D0%B0%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7 (дата обращения: 10.01.15).

21. Bazhenov R.I., Luchaninov D.V. Use of blended learning elements for formation of a humanitarian student's creative initiative at learning modern information technologies // Life Science Journal. 2014. Т. 11. № 11s. С. 371-374.

22. Баженов Р.И. Об организации научно-исследовательской практики магистрантов направления "Информационные системы и технологии" // Современные научные исследования и инновации. 2014. № 9-2 (41). С. 62-69.

23. Баженов Р.И. Об организации деловых игр в курсе "Управление проектами информационных систем" // Научный аспект. 2014. Т. 1. № 1. С. 101-102.

Размещено на Allbest.ru