Что такое RFM и как он работает
RFM-анализ — один из самых практичных инструментов сегментации клиентской базы в e-commerce. Метод группирует покупателей по трём измерениям их покупательского поведения:
- R (Recency) — как давно была последняя покупка. Чем свежее — тем выше балл.
- F (Frequency) — сколько раз покупал за анализируемый период. Больше покупок = выше балл.
- M (Monetary) — сколько денег потратил суммарно. Больше трат = выше балл.
Каждому клиенту присваивается балл от 1 до 5 по каждому параметру, что даёт RFM-код из трёх цифр (например, 5-4-2). Это простая, но мощная структура для понимания состояния клиентской базы без ML-моделей.
Ключевые RFM-сегменты и что с ними делать
| Сегмент | RFM-профиль | Описание | Действие |
|---|---|---|---|
| Чемпионы | 5-5-5 | Купили недавно, часто, много | Удерживать, VIP-доступ, не спамить |
| Лояльные | 4-4-X или 4-5-X | Регулярно покупают | Растить AOV, кросс-продажи |
| Потенциально лояльные | 5-1-X | Купили недавно, но мало раз | Стимулировать вторую покупку |
| Под риском | 3-3-X с падением R | Раньше покупали активно | Реактивировать срочно |
| Не могу потерять | 1-5-5 | Раньше тратили много, не возвращались | Win-back с сильным предложением |
| Потерянные | 1-1-X | Давно нет активности, мало покупали | Минимальные усилия или игнорировать |
Как строить RFM: пошагово
1. Зафиксировать дату расчёта (сегодня) и период анализа (12 месяцев)
2. Для каждого клиента посчитать R, F, M за период
3. Разбить клиентов на квинтили (20% групп) по каждому параметру
4. Присвоить баллы 1–5 по каждой оси
5. Объединить схожие RFM-коды в именованные сегменты
Совет: не пытайтесь работать со всеми 125 комбинациями. 6–10 укрупнённых сегментов с понятными названиями и чёткой стратегией для каждого — практичнее математически точной, но неоперационализируемой таблицы.
Ограничения RFM
RFM — ретроспективный метод. Высокий балл сегодня не гарантирует лояльность завтра: клиент мог уйти к конкуренту вчера, а RFM покажет его «чемпионом» ещё несколько недель.
Для задач прогнозирования оттока RFM дополняют:
— Churn prediction-моделями — машинное обучение на расширенном наборе признаков
— Трендовым анализом — не только текущий R, но и его динамика (падает ли частота у «чемпиона»?)
— Категорийными предпочтениями — аффинити-профиль показывает, в какой категории клиент «живёт», что важно для персонализации сверх сегментации
RFM и онсайт-персонализация
RFM-сегменты — основа для таргетирования персонализированного контента на сайте. Логика: «Лояльным» показываем новинки и кросс-продажи; «Под риском» — напоминание о брошенной корзине или персональный оффер; «Потенциально лояльным» — блок «Другие покупают вместе с вашим последним заказом». Это позволяет обращаться к каждому сегменту с релевантным посылом без затрат на внешний канал доставки.