RFM-анализ (Recency, Frequency, Monetary)

Артур Мидлтон Хьюз, американский специалист по маркетингу на основе баз данных, в одной из своих статей объяснял RFM-анализ на простом расчёте. У компании 800 тысяч клиентов, отправка одного письма стоит 62 цента. Если разослать предложение всей базе, отклик составит около 1,5 %, а итог — убыток более 72 тысяч долларов. Вместо этого маркетолог кодирует каждого клиента по трём признакам — давности последней покупки, частоте покупок и сумме, — делит базу на 125 ячеек и отправляет пробную рассылку 40 тысячам клиентов. Тест почти не приносит прибыли, но показывает отклик каждой ячейки. Дальше предложение получают только клиенты из ячеек, где отклик выше точки безубыточности, — 211 тысяч человек. Отклик вырастает до 3,45 %, а убыток превращается в прибыль около 124 тысяч долларов. Те же клиенты, тот же товар, то же письмо — разница только в том, кому его отправили.

RFM-анализ (Recency, Frequency, Monetary) — метод сегментации клиентов по истории покупок: давность (Recency) — сколько времени прошло с последней покупки, частота (Frequency) — сколько покупок клиент сделал за период, сумма (Monetary) — сколько денег он потратил. Каждый клиент получает балл по каждому признаку, из трёх баллов складывается RFM-код, а коды объединяются в сегменты с понятной стратегией: кого удерживать, кого возвращать, кого развивать, на кого не тратить бюджет. Метод не требует опросов — всё нужное уже лежит в истории продаж.

История покупок — готовые данные для сегментации: три простых вопроса «когда, как часто, сколько» разделяют клиентов, которым нужны принципиально разные предложения.

Происхождение и исследовательская база RFM-анализа (Recency, Frequency, Monetary)

Каталожная торговля и директ-маркетинг

RFM вырос из практики каталожной торговли и прямых почтовых рассылок в США. Компании, рассылавшие печатные каталоги — среди первых применявших метод называют Lands' End и JCPenney, — каждый сезон решали одну задачу: кому отправить дорогой каталог, чтобы окупить печать и почту. Эмпирически выяснилось, что три признака из истории заказов лучше всего предсказывают, ответит ли клиент на следующую рассылку: давно ли он покупал, как часто покупает и сколько тратит. Метод распространился вместе с компьютерными базами данных клиентов в 1980–1990-е годы.

Артур Хьюз: 125 ячеек и тест на выборке

Систематизировал и популяризировал RFM Артур Мидлтон Хьюз в книге «Strategic Database Marketing» (первое издание — 1994, затем несколько переизданий) и серии статей. Его схема стала стандартом. Клиенты сортируются по дате последней покупки и делятся на пять равных групп (квинтилей): самые недавние получают балл 5, следующие — 4 и так далее. То же делается по частоте и сумме. Три цифры образуют код клиента, а все сочетания — 5 × 5 × 5 = 125 ячеек. Хьюз подчёркивал, что число пять не магическое, но 125 ячеек достаточно мало, чтобы человек мог их просмотреть, и достаточно много, чтобы дать заметный прирост отклика.

Главный приём Хьюза — тестовая рассылка: предложение отправляется репрезентативной выборке, по ней измеряется отклик каждой ячейки, а основная рассылка идёт только в ячейки, отклик которых выше точки безубыточности. Точка безубыточности считается из стоимости контакта и прибыли с одного ответа: если письмо стоит 0,62 доллара, а один ответ приносит, скажем, 40 долларов прибыли, ячейка окупается при отклике выше 1,55 %.

Академическое развитие: от правила к модели

Пётр Фейдер, Брюс Харди и Ка Лок Ли в статье «RFM and CLV: Using Iso-Value Curves for Customer Base Analysis» (Journal of Marketing Research, 2005) связали RFM с пожизненной ценностью клиента (CLV). Они показали, что давность и частота покупок — достаточные статистики для вероятностной модели будущих покупок, и ввели кривые изоценности: клиенты с разными историями — например, недавний редкий и давний частый покупатель — могут иметь одинаковую ожидаемую будущую ценность. Отсюда важный вывод: RFM-код описывает прошлое, а решения о бюджете лучше принимать по прогнозу будущей ценности, которую RFM-данные позволяют рассчитать.

И-Чэн Йе, Кинг-Джанг Янг и Тао-Мин Тинг («Knowledge discovery on RFM model using Bernoulli sequence», Expert Systems with Applications, 2009) предложили расширение RFMTC — к трём признакам добавлены время с первой покупки (Time) и вероятность оттока (Churn); модель на основе последовательности Бернулли оценивает вероятность того, что клиент откликнется на следующую кампанию. Позже появились варианты RFD (давность, частота, длительность — для медиа и сервисов), RFE (вовлечённость вместо денег — для бесплатных продуктов) и сотни работ, где RFM-признаки используются как входы для кластеризации методом k-средних и машинного обучения.

RFM за пределами розницы

Метод переносят туда, где есть повторяющиеся транзакции. Фандрайзинговые организации применяют RFM к пожертвованиям: давность последнего взноса, число взносов, общая сумма. Кати Сторми, Анни Линдхольм, Теему Лайне и соавторы («RFM customer analysis for product-oriented services and service business development», Journal of Management and Governance, 2019) провели интервенционное исследование в двух крупных машиностроительных компаниях: RFM-анализ потребления сервиса по установленному у клиентов парку оборудования, дополненный четырьмя переменными, специфичными для сервисной поддержки продукта. Метод позволил измерять и управлять потенциалом сервисного бизнеса по всему «флоту» машин — пример того, что RFM работает и в B2B, если адаптировать признаки.

Ключевые идеи и принципы RFM-анализа (Recency, Frequency, Monetary)

Баллы RFM относительны: «пятёрка» означает не «хороший клиент», а «лучше 80 % ваших клиентов по этому признаку».

1. Принцип: три признака — три разных вопроса

   Давность отвечает на вопрос «жива ли ещё связь с клиентом»: чем недавнее последняя покупка, тем выше вероятность следующей. Частота — «насколько у клиента сформирована привычка»: повторяющиеся покупки говорят о лояльности. Сумма — «сколько клиент стоит для бизнеса». Признаки не заменяют друг друга: недавний разовый покупатель, частый клиент с маленьким чеком и давний крупный покупатель, переставший покупать, требуют разных действий, хотя по одному признаку могут выглядеть одинаково.

2. Принцип: единый период и чистые данные

   Все три признака считаются за один и тот же период, достаточный для повторных покупок в вашем бизнесе: для продуктового ретейла — месяцы, для мебели или B2B-оборудования — годы. Из данных исключаются тестовые заказы, отмены и возвраты, суммы приводятся к одной валюте и одному основанию (выручка или маржа). Клиент определяется по устойчивому идентификатору — иначе один человек с тремя телефонами станет тремя «новыми клиентами».

3. Принцип: шкала по квантилям или по порогам

   Классика — квинтили (пять равных групп), что даёт 125 ячеек. Для небольших баз удобнее трети (27 ячеек). Альтернатива — фиксированные пороги с бизнес-смыслом: «давность до 30 дней — 5, до 90 — 4» и т. д. Квантили автоматически подстраиваются под базу, но меняют границы при каждом пересчёте; пороги стабильны и понятны, но требуют знания своего цикла покупки. Частота часто распределена неравномерно — у большинства одна покупка, — тогда квантили по ней теряют смысл и нужны пороги.

4. Принцип: из кодов — сегменты с действием

   125 кодов слишком много для работы маркетинга, поэтому их объединяют в 5–11 именованных сегментов. Типовые: чемпионы (покупают недавно, часто и много), лояльные, новые клиенты (недавно, но пока редко), перспективные, требуют внимания, под угрозой оттока (покупали часто и много, но давно), спящие, потерянные. Ценность сегмента не в названии, а в действии: чемпионов благодарят и просят о рекомендациях, клиентов под угрозой персонально возвращают, новых доводят до второй покупки, потерянных не заваливают дорогими кампаниями.

5. Принцип: давность и частота важнее суммы для прогноза отклика

   Для вопроса «ответит ли клиент на следующее предложение» давность и частота обычно информативнее суммы; модель Фейдера, Харди и Ли прямо использует давность и частоту как основу прогноза покупок, а сумму — как отдельный показатель ценности одной покупки. Поэтому многие компании взвешивают признаки неравномерно или строят сегментацию по R и F, а M используют для выбора размера стимула.

6. Принцип: тест перед масштабированием

   RFM подсказывает, где искать, но не гарантирует отклик. Предложение сначала проверяется на выборке из каждого сегмента или ячейки, затем масштабируется на те, где отклик окупает затраты, — схема Хьюза. Контрольная группа без воздействия показывает, какой эффект дала кампания, а какой случился бы и так.

7. Пример расчёта на пяти клиентах

   Возьмём период — 12 месяцев, дата расчёта — 1 октября, шкала — три балла по фиксированным порогам. Давность: до 30 дней — 3, 31–120 дней — 2, больше 120 — 1. Частота: 6 покупок и больше — 3, 2–5 — 2, одна — 1. Сумма: от 50 тысяч рублей — 3, 10–50 тысяч — 2, меньше 10 тысяч — 1.

   • Анна: последняя покупка 12 дней назад, 9 покупок, 84 тысячи — код 3–3–3, чемпион.

   • Борис: 150 дней назад, 7 покупок, 61 тысяча — код 1–3–3, под угрозой оттока: был лучшим клиентом и пропал.

   • Вера: 5 дней назад, одна покупка, 4 тысячи — код 3–1–1, новый клиент.

   • Глеб: 200 дней назад, одна покупка, 3 тысячи — код 1–1–1, потерянный.

   • Дарья: 45 дней назад, 3 покупки, 18 тысяч — код 2–2–2, требует внимания.

   Пять человек — пять разных действий: Анну благодарят и просят о рекомендации, Борису звонит менеджер, Вере отправляют предложение для второй покупки, на Глеба не тратят бюджет, Дарью вовлекают в программу лояльности.

8. Принцип: RFM и правило Парето

   Распределение выручки по клиентам почти всегда неравномерно: небольшая доля клиентов даёт большую часть выручки — проявление принципа Парето. RFM делает это неравенство управляемым: видно не только кто приносит больше всего, но и кто из лучших клиентов перестаёт покупать. В отличие от ABC-анализа, который делит клиентов только по сумме, RFM добавляет время: ABC показывает, кто важен, RFM — кто важен и ещё жив.

9. Где считать RFM: таблицы, CRM и CDP

   Для базы в несколько тысяч клиентов достаточно Excel или Google Sheets: сводная таблица по заказам, функции ранжирования или порогов и условное форматирование для карты ячеек. Для больших баз и регулярного пересчёта RFM встроен во многие CRM- и CDP-системы (в российской практике — например, RetailCRM и Mindbox), платформы электронной коммерции и сервисы рассылок; там сегменты обновляются автоматически и сразу связываются с кампаниями. Python и SQL дают полный контроль над шкалами, весами и кластеризацией.

10. Принцип: регулярный пересчёт и миграции

    RFM-коды стареют вместе с данными: давность растёт каждый день. Пересчитывайте коды с периодичностью, соответствующей циклу покупки (ежемесячно для частых покупок, ежеквартально для редких), и следите за миграциями между сегментами: доля чемпионов, перешедших в «под угрозой», — ранний сигнал проблем, который видно раньше падения выручки.

11. Принцип: RFM — основа, а не предел клиентской аналитики

    RFM-признаки — сильные входы для расчёта пожизненной ценности клиента (CLV), предиктивного скоринга оттока и кластеризации. Начинать с RFM удобно потому, что он прозрачен: любой сотрудник поймёт, почему клиент попал в сегмент.

Ограничения, слепые зоны и критика RFM-анализа (Recency, Frequency, Monetary)

Смотрит в прошлое. RFM описывает историю покупок, а не будущую ценность. Клиент, недавно расширивший бизнес, или студент, который через год станет состоятельным покупателем, получают низкие баллы. Фейдер и коллеги показали, что одинаковые RFM-коды могут скрывать разную будущую ценность, и наоборот.

Самосбывающийся прогноз. Если маркетинг годами работает только с высокими сегментами, у остальных клиентов нет поводов покупать — и их баллы падают ещё сильнее. Без контрольных групп и экспериментов с «низкими» сегментами RFM закрепляет собственные выводы.

Не объясняет причин. RFM показывает, что клиент перестал покупать, но не почему: сменился поставщик, переехал, остался недоволен сервисом. Причины выясняют опросами, интервью и анализом оттока.

Плохо работает при редких покупках. Для недвижимости, автомобилей, свадебных услуг история покупок слишком коротка: у почти всех клиентов частота равна единице. Там полезнее признаки вовлечённости — визиты, запросы, сервисные обращения.

Сумма искажает картину без учёта маржи. Клиент, покупающий много, но только по максимальной скидке, может быть менее прибыльным, чем клиент со скромной суммой. Monetary лучше считать по марже или вкладу в прибыль, а не по выручке.

Относительные баллы меняются вместе с базой. При квантильной шкале клиент может «потерять» балл не потому, что стал покупать меньше, а потому, что в базу пришли более активные клиенты. Сравнивать сегменты во времени нужно осторожно или переходить на фиксированные пороги.

Типовые ошибки при проведении RFM-анализа

1. Ошибка 1: разные периоды для разных признаков.

   Давность считают по всей истории, частоту — за год, сумму — за квартал. Баллы перестают быть сопоставимыми, сегменты получаются случайными.

   Как избежать

   зафиксируйте один период анализа для всех трёх признаков и запишите его в описании сегментации.

2. Ошибка 2: грязные данные.

   В расчёт попадают возвраты, отменённые и тестовые заказы, один клиент учтён под несколькими идентификаторами. Чемпионы оказываются сотрудниками, тестирующими сайт, а «новые клиенты» — старыми, сменившими телефон.

   Как избежать

   перед расчётом очистите заказы, объедините дубли клиентов и проверьте верх и низ распределений вручную.

3. Ошибка 3: одинаковые веса для любого бизнеса.

   Подписочный сервис, ретейл с частыми покупками и B2B-поставщик оборудования используют одну и ту же схему 5–5–5. Для одних важнее давность, для других сумма, и сегменты не отражают реальную ценность.

   Как избежать

   выберите шкалу и веса под свой цикл покупки, проверьте, какие признаки сильнее связаны с откликом и выручкой в ваших данных.

4. Ошибка 4: сегменты есть, разных действий нет.

   База аккуратно разбита на сегменты, но рассылки и акции по-прежнему одинаковы для всех. Сегментация превращается в красивый отчёт.

   Как избежать

   для каждого значимого сегмента запишите цель, предложение, канал и показатель успеха — и запускайте кампании отдельно.

5. Ошибка 5: нет контрольной группы.

   После кампании для клиентов «под угрозой» часть из них вернулась, и успех приписан кампании. Без контрольной группы неизвестно, сколько вернулось бы и так.

   Как избежать

   оставляйте в каждом сегменте случайную контрольную группу без воздействия и считайте эффект как разницу между группами.

6. Ошибка 6: разовый анализ.

   RFM проведён один раз, сегменты «зашиты» в CRM и не обновляются. Через полгода чемпионы давно ушли, а новые активные клиенты числятся спящими.

   Как избежать

   автоматизируйте пересчёт с периодичностью цикла покупки и отслеживайте миграции между сегментами.

План внедрения RFM-анализа (Recency, Frequency, Monetary)

1. Неделя 1. Данные. Выгрузите заказы за выбранный период: идентификатор клиента, дата, сумма (лучше маржа), статус. Исключите отмены, возвраты и тестовые заказы, объедините дубли клиентов. Зафиксируйте дату расчёта и период.

2. Неделя 2. Баллы и коды. Рассчитайте давность, частоту и сумму по каждому клиенту. Выберите шкалу — квинтили, трети или фиксированные пороги — и присвойте баллы. Постройте карту давность × частота и распределение клиентов и выручки по ячейкам.

3. Неделя 3. Сегменты и действия. Объедините коды в 5–8 сегментов. Для каждого запишите цель, предложение, канал, бюджет и показатель успеха. Отдельно оцените долю выручки клиентов «под угрозой оттока» — это первый приоритет.

4. Неделя 4. Тест. Запустите кампании по сегментам на выборках с контрольными группами. Сравните отклик и выручку с контролем, масштабируйте окупившиеся.

   Далее: поддержание. Автоматизируйте ежемесячный или ежеквартальный пересчёт, отслеживайте миграции между сегментами, развивайте модель в сторону прогноза ценности клиента и оттока.

Как реализовать этот план с помощью фрейма «RFM-анализ» в OrgDevTools

Фрейм «RFM-анализ» — бесплатный тренажёр на странице методики: считает баллы и сегменты по введённым клиентам и показывает картину базы.

Книги по теме RFM-анализа (Recency, Frequency, Monetary)

• Arthur Middleton Hughes — «Strategic Database Marketing» (McGraw-Hill, первое издание 1994; последующие переиздания). Систематизация RFM: квинтили, 125 ячеек, тестовая рассылка и расчёт безубыточности ячейки.

• Peter S. Fader, Bruce G. S. Hardie, Ka Lok Lee — «RFM and CLV: Using Iso-Value Curves for Customer Base Analysis» (Journal of Marketing Research, 2005). Связь RFM с пожизненной ценностью клиента, кривые изоценности.

• Kati Stormi, Anni Lindholm, Teemu Laine и соавт. — «RFM customer analysis for product-oriented services and service business development» (Journal of Management and Governance, 2019). RFM в B2B: анализ сервисного потребления по парку оборудования двух машиностроительных компаний.

• I-Cheng Yeh, King-Jang Yang, Tao-Ming Ting — «Knowledge discovery on RFM model using Bernoulli sequence» (Expert Systems with Applications, 2009). Расширение RFMTC с прогнозом вероятности отклика.