RFM-анализ: расчёт показателей, сегменты и проверка эффекта

RFM-анализ — сегментация клиентов по давности последней покупки, числу покупок и их денежной сумме за согласованный период. Он помогает описать клиентскую базу и выбрать гипотезы для работы с разными группами. RFM не показывает причину поведения, не равен прогнозу пожизненной ценности и сам по себе не доказывает, кому полезно отправить скидку.

Что измеряет RFM-анализ

R означает давность: сколько времени прошло от последней учитываемой покупки до даты среза. F — количество учитываемых покупок в выбранном окне. M — сумма по этим покупкам с оговорёнными корректировками. Исходные значения сохраняют вместе с баллами, иначе за коротким кодом становится невозможно проверить реальные различия клиентов.

В распространённой системе баллов более недавней покупке присваивают более высокий R-балл, хотя исходное число дней при этом меньше. Для F и M направление обычно прямое: больше покупок или сумма — выше балл. Это соглашение необходимо записать, иначе один отчёт будет называть высоким R недавнюю активность, а другой — большое число дней без покупки.

Трёхзначный код — сочетание оценок, а не арифметическая сумма и не универсальный рейтинг. Код 5-4-2 означает высокий балл давности, следующий балл частоты и сравнительно низкий балл суммы в конкретной шкале. По нему нельзя утверждать, что средний чек клиента ниже среднего: M описывает суммарный показатель, а не среднее значение покупки.

Подготовка данных для RFM-анализа

Нужны устойчивый идентификатор клиента, идентификатор покупки, дата и сумма, а также статусы и сведения о корректировках. Если заказ выгружен несколькими товарными строками, сначала соберите его на уровне покупки. Иначе клиент с одним заказом из нескольких позиций окажется «часто покупающим».

Задайте единицу анализа. В рознице это может быть клиент, в B2B — компания, если заказы делают несколько её сотрудников. Адрес электронной почты не всегда надёжен как единственный ключ: он бывает общим или меняется. Ошибочное объединение людей и пропущенная связь записей искажают все три показателя.

• Исключите тестовые записи и технические дубли.
• Определите, какие статусы подтверждают учитываемую покупку.
• Согласуйте обработку отмен, полных и частичных возвратов.
• Установите дату, часовой пояс и границы окна.
• Приведите суммы к сопоставимой валюте и составу.
• Отметьте неполные источники и клиентов с неизвестной историей.

Возвраты и денежная сумма

Нельзя просто удалить строки возврата и оставить первоначальные продажи неизменными: денежный итог будет завышен. Свяжите корректировку с исходной покупкой и определите, как она влияет на M, F и дату последней покупки. Полностью возвращённый заказ можно не считать состоявшейся покупкой, если это соответствует принятой модели; частичный возврат требует отдельного правила.

Результат зависит и от момента расчёта. Возврат может стать известен после даты среза. Для воспроизводимого исторического отчёта решите, используется ли информация, доступная на тот момент, или позднее уточнённое состояние. В проверке будущего поведения нельзя незаметно добавлять сведения, которые стали известны позже.

Если M рассчитан по выручке, не называйте группу самой прибыльной. Скидки, товарный состав, доставка и обслуживание меняют вклад. Можно дополнительно анализировать вклад клиента или использовать его как отдельную адаптацию, но изменение денежной метрики надо явно обозначить: результаты перестают быть напрямую сопоставимыми с прежней шкалой выручки.

Окно расчёта и дата среза

Дата среза фиксирует момент наблюдения, а окно — какую историю берут для F и M. Правило последней покупки для R тоже задают явно: только внутри окна или по доступной истории до среза. Если покупок в окне нет, клиенту нельзя автоматически присвоить выдуманную дату. Нужны отдельное обозначение и согласованная обработка.

Выбирайте период по циклу покупки, доступности данных и задаче. Ежемесячная закупка расходников и редкая покупка мебели имеют разные интервалы. Универсального требования брать год для розницы и несколько лет для B2B нет. Полезно сравнить несколько обоснованных окон и посмотреть, меняются ли решения о работе с группами.

Новый клиент имел меньше времени накопить F и M, чем давний. Если не учитывать возраст отношений, недавняя первая покупка может получить низкую «ценность» только из-за короткой истории. Отмечайте новых клиентов отдельно и при необходимости анализируйте сопоставимые когорты по времени первой покупки.

Сезонность и автоматические платежи

У сезонного покупателя большой перерыв может соответствовать обычному циклу. У подписчика высокая F может отражать расписание списаний, а не активное предпочтение продукта. Разбирайте покупательскую модель, прежде чем называть такие состояния лояльностью или уходом.

Использование продукта, обращения и интерес к категориям могут дополнять RFM, но не стоит смешивать разные события в одном F без объяснения. Число входов в приложение и число покупок измеряют разные вещи. Для расширенного анализа сохраняйте понятные названия и независимые определения признаков.

Пример расчёта RFM без скрытых допущений

Рассмотрим учебный срез на 1 октября 2026 года. В анализ входят покупки с 1 июля включительно до 1 октября, не включая эту дату. Считаются уникальные оплаченные и не полностью возвращённые заказы; M — их сумма после возвратов, известных на срез. Для R используется последняя такая покупка в окне.

Клиент А имеет заказы 10 июля на 2000 рублей, 20 августа на 3000 и 21 сентября на 5000. По последнему известен частичный возврат 1000 рублей. Тогда F = 3, M = 2000 + 3000 + 5000 − 1000 = 9000 рублей, R = 10 дней. Частичный возврат по условию не исключает заказ из F.

Клиент Б сделал одну покупку 1 июля на 12 000 рублей. Его R = 92 дня, F = 1, M = 12 000. Сумма Б выше, но покупок меньше и последняя была раньше. Нельзя назвать одного из клиентов безусловно лучшим по трём признакам: для следующего действия нужны задача и дополнительные условия.

Средняя сумма учитываемой покупки А составляет 9000 / 3 = 3000 рублей, Б — 12 000 / 1 = 12 000. Это дополнительный расчёт, а не сам M. Клиент с несколькими небольшими покупками и клиент с одной большой могут иметь одинаковую общую сумму, но разное поведение.

Как присваивать баллы и создавать сегменты

Два понятных подхода — фиксированные границы и деление по распределению базы. Фиксированные границы связывают значения с процессом, например установленным интервалом повторной покупки. Квантильные группы показывают относительное положение среди выбранных клиентов. Ни один подход не является универсально правильным.

Для учебного примера зададим три балла. R: до 30 дней включительно — 3, от 31 до 60 — 2, свыше 60 — 1. F: одна покупка — 1, две — 2, от трёх — 3. M: менее 5000 рублей — 1, от 5000 до 9999,99 — 2, от 10 000 — 3. Это демонстрационные границы, не рекомендация для любого магазина.

А получает код 3-3-2, Б — 1-1-3. Уже по исходным данным видно, почему различаются их группы. При трёх баллах по каждой метрике возможны 27 сочетаний, при пяти — 125. Создавать отдельную кампанию для каждого сочетания обычно не требуется: объедините их в несколько понятных групп под доступные действия.

Квантили и одинаковые значения

Если большая часть клиентов купила один раз, F содержит много совпадений. Механическое разбиение строк на равные группы может разнести одинаковые значения по разным баллам в зависимости от порядка строк. Правило обработки совпадений должно быть воспроизводимым и понятным: одинаковое поведение не должно без объяснения получать разные оценки.

Иногда разумнее использовать меньше групп или фиксированные интервалы. При сохранении одинаковых значений размеры квантильных групп могут различаться. Это не обязательно ошибка. Проверяйте смысл границ, а не только красивое равенство численности.

При пересчёте квантилей балл клиента может измениться из-за изменений остальной базы, даже если его собственные значения почти не изменились. Сохраняйте версию порогов и исходные R, F, M. Иначе переход в другой сегмент будет ошибочно восприниматься как изменение отношений с брендом.

Как использовать RFM-сегменты в маркетинге

Названия групп должны описывать наблюдение: «недавние повторные покупки», «новая первая покупка», «давно не покупали после нескольких заказов». Ярлыки «потерянный», «нелояльный» и «низкая ценность» создают лишнюю уверенность. RFM не знает, закончилась ли потребность, произошла ли проблема или следующая покупка ещё не нужна.

Для новой первой покупки может быть полезна помощь с использованием, для повторных — удобное пополнение, для длительного перерыва — исследование причины. Скидка не обязана быть первым действием. Она может уменьшить вклад покупок, которые состоялись бы без предложения, или не устранить причину отказа.

Дополните сегмент категорией товара, доступностью предложения, историей жалоб и допустимостью коммуникации. Не отправляйте реактивацию только потому, что пересчитанный код пересёк порог. Проверьте актуальное состояние, ограничения контакта, другие цепочки и условия повторного участия.

Срез не показывает тренд сам по себе

Один RFM-срез не подтверждает падение частоты: для этого нужно сравнение сопоставимых периодов или другая временная модель. Низкая F в текущем окне может возникнуть из-за недавнего начала отношений, сезона или смены ассортимента. Отмечайте эти альтернативы до вывода об оттоке.

Для наблюдения переходов сохраните несколько дат среза с одинаковыми определениями. Отделяйте реальное изменение покупок от изменения порогов и исправления данных. Если история очищена задним числом, это тоже надо указать, чтобы команда не приняла технический пересчёт за результат кампании.

Как проверить корректность расчётов

1. Выбрать примеры: первая покупка, несколько заказов, полный и частичный возврат, отсутствие покупок в окне.
2. Вручную сверить покупки и суммы с источником.
3. Проверить границы дат, статусы и уникальность заказа.
4. Проверить присвоение баллов на самих границах и при совпадениях.
5. Сверить число клиентов, заказов и денежный итог с согласованной базой.
6. Сохранить дату среза, параметры и версию правил.

В таблице или базе сначала получите проверенную таблицу заказов, затем агрегируйте по клиенту. Простое подсчитывание строк после соединения с товарами может умножить число покупок и сумму. Проверяйте, сколько строк соответствует одному заказу до и после соединений. Красивое распределение сегментов не выявляет такую ошибку автоматически.

Частоту обновления выбирайте по действию. Для регулярного планирования достаточно одного режима, для исключения уже купивших из сообщения может понадобиться более свежий статус независимо от RFM. Не нужно пересчитывать всю сегментацию в реальном времени, если конкретную ошибку предотвращает отдельная проверка покупки перед отправкой.

Как оценить эффект RFM-кампании

Сегментация описывает историю, а эффект создаёт действие. Сравнивайте предложение с согласованной альтернативой внутри подходящего сегмента. При возможности используйте случайное распределение, заранее определённые показатель, период и правила исключений. Сравнение разных сегментов не отделяет эффект сообщения от различий самих клиентов.

Учебный опыт: из 1000 клиентов с предложением повторно купили 80, из 1000 в группе сравнения — 60. Это 8% и 6%, разница 2 процентных пункта и примерно 33,3% относительно группы сравнения. Наблюдаемая разница составляет 20 покупок, но требует оценки неопределённости и корректности дизайна.

При условном вкладе 1000 рублей на дополнительную покупку получается 20 000 рублей до затрат кампании. Если связанные с предложением расходы составили 15 000 рублей и вклад уже учитывает предоставленные скидки, расчётный остаток равен 5000 рублей. Все числа учебные; не включённые расходы и возвраты меняют итог.

Не рассчитывайте прибыльность как дополнительную выручку минус только стоимость рассылки. Нужны соответствующие переменные расходы, влияние скидок и стоимость исполнения. Также нельзя повторно вычитать одну и ту же скидку, если она уже учтена во вкладе. Рост среднего чека у получателей предложения не гарантирует роста общего результата.

Ограничения RFM-анализа и следующий шаг

RFM использует доступную историю. Он не измеряет мотив, будущий бюджет или отношение к бренду. Клиенты без покупок требуют другого подхода, а неполная идентификация искажает повторяемость. Для редких сделок или автоматических платежей три показателя могут мало различать действительно важные состояния.

Когортный анализ помогает учитывать время начала отношений, прогнозная оценка ценности — исследовать будущий результат с допущениями, поведенческие данные — видеть использование продукта. Эти подходы могут дополнять RFM. Более сложная модель не гарантирует точности: её тоже проверяют на отдельном периоде и сравнивают с понятной базой.

Расширяйте анализ после обнаружения конкретного ограничения. Если результат искажён возвратами, сначала исправьте учёт; если группы не дают разных полезных решений, пересмотрите сегменты. Цель RFM-анализа — сделать работу с базой объяснимой и проверяемой, а не получить больше трёхзначных кодов.

Вопросы и ответы