Продвижение бизнеса в интернете
Пригласить в тендер
Закрыть
Как найти ядро клиентов, на которых вы точно заработаете деньги

Как найти ядро клиентов, на которых вы точно заработаете деньги

#аналитика
15 октября 6628 просмотров 7 минут на чтение
Все помнят о принципе Парето, который в маркетинге звучит как “80% прибыли приносят 20% постоянных покупателей”. Поэтому главное ядро заработка кроется в уже имеющейся клиентской базе магазина. Причем лояльные покупатели ценны не только оформленными заказами, но и:
  • советами друзьям и родным, где можно приобрести товар на лучших условиях; повторными обращениями;
  • положительными отзывами, отметками бренда в публикациях соцсетей;
  • вступлением в группы бренда в социальных сетях, активностью в них.
Но как правильно вести клиентскую базу, чтобы понять, с кем именно необходимо выстраивать последующее взаимодействие? Ответ - провести RFM-анализ.

Как? Сейчас подскажем. 


Узнайте больше про сквозную и предиктивную аналитику. Посмотрите выпуск с руководителем отдела аналитики MediaNation Александром Вахтиным и аналитиком больших данных Романом Святовым:


Что такое RFM-анализ в маркетинге

RFM-анализ — это метод анализа клиентской базы по покупательскому поведению, который позволяет произвести сегментацию по трем основным показателя RFM:

  • Recency — давность (как давно ваши клиенты что-то покупали);
  • Frequency — частота (как часто клиенты покупают);
  • Monetary — деньги (общая сумма покупок).
В каждом из показателей можно произвести сегментацию для присвоения каждому клиенту определенного статуса, например, “лояльный”, “промежуточный”, нелояльный” и “потерянный”.

Такая сегментация клиентов позволит направлять маркетинговые ресурсы в выгодном направлении.


RFM-анализ клиентской базы

Для RFM-анализа клиентской базы потребуются выгрузить данные всех покупок за исследуемый период из системы учета/CRM/ERP или excel и подвергнуть их сегментации по основным показателям RFM (давности, частоте и общей сумме покупок). Причем в каждом из разделов определим еще по три направления, чтобы обработка клиентской базы носила более детальный характер. Присвоим пунктам определенные номера. 

В итоге каждый клиент должен быть привязан к определенному числовому показателю. Например, под сочетанием цифр 323 будут сгруппированы недавние клиенты, которые совершают редкие покупки, но с высоким чеком.

Все перечисления показателей и диапазонов позволяют сегментировать базу клиентов на 27 комбинаций.

Правильное управление клиентской базой поможет настроить ремаркетинг не на общую аудиторию тех, кто лишь просто просматривал товар, а на определенную выборку пользователей RFM-сегмента. Данный анализ применим и в b2b-бизнесе.


Способы RFM-сегментации клиентов

Есть несколько способов произвести RFM-анализ. В данной статье будут рассматриваться три: при помощи построения таблицы в Microsoft Excel, языка программирования Python (для работы с более объемной клиентской базой) и RetailCRM (для полной автоматизации процесса).

После их изучения будут предложены варианты применения полученных данных на практике.


RFM-анализ при помощи Microsoft Excel

RFM-анализ легко произвести вручную в Excel или Google-таблице. Последовательность действий:

Шаг 1. Выгрузить из CRM документ со сделками по всем клиентам. 

Шаг 2. Создать и настроить сводную таблицу для расчета: сколько раз клиент осуществлял заказ, когда в последний раз и какую общую сумму потратил за все время.

Шаг 3. Добавить в каждом из разделов столбец с присвоением числовых диапазонов (1, 2 или 3).

Шаг 4. Создать сводный столбец на основании полученных кодов RFM.


Подобный вариант обработки клиентской базы позволяет произвести RFM-анализ без привлечения дополнительных специалистов или программного обеспечения. На сегментацию покупателей, используя формулы Excel, будет затрачено около 30-45 минут.

Частичная автоматизация RFM-анализа с Python 

Вручную произвести анализ базы клиентов, состоящую из сотен тысяч человек окажется более чем затруднительно. А если нужно разделить клиентов по регионам? Задачу можно решить, внедрив частичную автоматизацию. Для этого потребуется скачать RFMizer-библиотеку на языке программирования Python, которая позволяет автоматизировать процесс решения задачи RFM-анализа.

Не стоит заранее пугаться. В статье пошагово указывается что скачать и куда подставить необходимые значения характеристик клиентской базы.

СКАЧАТЬ И УСТАНОВИТЬ

Шаг 1. Для начала потребуется скачать файлы библиотеки RFMizer на языке программирования Python, которая была создана сотрудником Google Александром Приходько. После скачивания разархивируйте содержимое.

Шаг 2. Установить язык программирования Python. Для упрощения задачи скачайте и установите программу Anaconda. Далее необходимо установить версию Python 3.7 version (доступна на момент написания статьи) или выше.

Шаг 3. После этого нужно зайти в Anaconda-Navigator в раздел Environment (окружение) и установить пакет pyyaml и plotly. Для этого введите название в правом поле ввода поискового запроса. Нажмите на пакет и кликните на кнопку Apply. После того, как вы установили программу Anaconda вам потребуется настроить библиотеку RFMizer.

НАСТРОИТЬ

Шаг 1. Распаковать архив библиотеки RFMizer и открыть файл config.yaml.

Шаг 2. В открывшемся окне вписать необходимые параметры (для редактирования можно использовать программу Sublime Text) и сохранить изменения.

При редактировании следуйте подсказкам, указанным на прикрепленном ниже изображении.



Шаг 3. Добавить в папку со скриптом файл выгрузки из CRM, которая содержит столбцы:
  • order_date
  • user_id
  • order_value
ЗАПУСК СКРИПТА В PYTHON

Шаг 1. Выполнить команду python rfmizer.py config.yaml input-file из папки, в которой находится файл.

Параметр input-file - это название файла из CRM. Чтобы было проще, можно переименовать его и дать название orders.csv, тогда команда будет выглядеть так: python rfmizer.py config.yaml orders.csv

В результате в папке со скриптом появится три файла:
  • RFM_3-3-3-365-182_borders.csv
  • RFM_3-3-3-365-182_mapping.csv
  • RFM_3-3-3-365-182_ratios.csv

Как с ними работать расскажем после рассмотрения третьего варианта сегментации клиентов.

RetailCRM и RFM-анализ - полная автоматизация

Если проект работает в связке с облачной RetailCRM, то это большое преимущество при проведении RFM-анализа. В рамках работы с рекламным агентством MediaNation предоставляется сервис, который по API получает данные из RetailCRM, обрабатывает их, сегментирует и отправляет хешированные данные в Яндекс.Аудитории. Это позволяет максимально быстро решать задачу за счет автоматизации внутренних процессов.

Что делать с RFM-анализом клиентской базы

Настало время поговорить о том, как именно можно применить данные RFM-анализа в рекламных целях. Использование сегментации клиентов рассмотрим на примере работы с рекламными технологиями Яндекса.


RFM-сегментация и интернет-реклама

Связать данные из таблицы Excel/результатов работы RFMizer’a с сервисом Яндекс.Аудиторий могут помочь в поиске cookie-файлов людей в интернете.

Для связки данных RFM-анализа с Яндексом потребуется два файла:
  • Файл с результатами RFM-анализа в случае с RFMizer, файл RFM_3-3-3-365-182_mapping.csv, а если вы работаете в Excel, то ваш файл должен обязательно содержать столбцы: 
        - id-пользователя
        - Recency
        - Frequency
        - Monetary

  • Выгрузка из CRM с содержанием следующего набора данных   
        - id-пользователя
        - мобильный телефон пользователя
        - email пользователя


ЛАЙФХАК

Желательно загружать еще и дату рождения и пол пользователя. Таблица получит вид:
userid,recency,frequency,monetary,phone,email,gender,birthdate
1234,2,3,2,10000,79876543210,mail@yandex.ru,M,01.01.1970
Это, возможно, положительно скажется на качестве сопоставления данных в Яндекс.Аудиториях.




Далее необходимо произвести сопоставление двух таблиц. При работаете в Excel проще применить функцию ВПР, в английском варианте (для Google Doc) VLOOKUP. 

Результатом работы должен стать примерно такой файл:
userid,recency,frequency,monetary,phone,email
1234,2,3,2,10000,79876543210,mail@yandex.ru

Номера телефонов при ведении базы данных клиентов должны храниться именно в указанном выше формате, тогда не придется предварительно обрабатывать файл, который будет загружен в Яндекс.Аудитории.

Теперь следует определиться, данные пользователей какого RFM-сегмента будут загружены в Яндекс.Аудитории.



ВАЖНО

В Яндекс.Аудитории должно быть загружено минимум 1000 записей. 
Если в сегменте нет нужного количества пользователей, то следует либо объединить между собой пользователей из разных сегментов, либо переделать RFM-анализ с меньшим количеством сегментов.



После определения загружаемого сегмента, требуется создать загрузочный файл и разместить в Яндекс.Аудитории.

Это должен быть CSV-файл в кодировке UTF-8 или Windows-1251 и выглядеть он будет примерно так:
external_id,phone,email,gender,birthdate
1,79876543210,mail@yandex.ru,M,01.01.1970
2,79012345678,example2@yandex.ru,F,01.01.1980

Актуальные требования всегда можно найти, обратившись в Яндекс.Помощь.


Хеширование данных

Хеширование данных - это процесс кодирования данных таким образом, чтобы специалисты, загружающие файл, не смогли получить контакты клиентов.

В статье не будет объемных подробностей о том, как это делать. Лишь отметим, что в нашем агентстве имеется инструмент, который в два клика решает данную задачу и позволяет загрузить на сторону площадки уже хешированные данные:



Проведение мероприятий

Каждый RFM-сегмент требует отдельной стратегии взаимодействия с брендом. Невозможно одинаково общаться со “спящим” клиентом, совершившим разовую покупку на средний чек (212), и активным “шопоголиком” из 333. К каждому клиенту - особый подход.



   Активизировать покупательский интерес можно с помощью вовремя разработанных и внедренных в работу мероприятий в виде акций, скидок, распродаж, программ лояльности и т.п. RFM-анализ в этом случае вновь позволяет не распыляться выгодными предложениями, а сфокусировать каждую кампанию на определенный сегмент базы данных.



Что делать после загрузки данных в Яндекс.Аудитории?

Как правило, через несколько часов с момента загрузки данных в Яндекс.Аудитории происходит создание сегмента и выводится его статистика:




Чем выше показатель параметр “Схожести пользователей”, тем более гомогенная у вас аудитория и тем более качественный сегмент look-a-like потенциально будет создан.


ВАЖНО

Если схожесть пользователей очень низкая, то нет особого смысла создавать look-a-like аудиторию, потому что среди нее, вероятно, будет очень мало ваших клиентов.




RFM-анализ и корректировка ставок

Ряд специалистов используют данные RFM-анализа для корректировки ставок в рекламных системах. Это помогает покупать более качественный трафик. Рассмотрим пример использования анализа клиентской базы в поисковой рекламе Яндекс.Директа. 

Представим, что мы продаем дорогие кожаные диваны. Лишь малая доля людей при поиске мебели используют запрос “кожаный диван”, большинство вводят “диван”. Отсюда возникает вопрос: как среди тех, кто пишет “диван” найти тех, кто способен купить именно дорогой диван? 

Для этих целей и используют RFM-корректировки. Создается сегмент платежеспособных клиентов в Яндекс.Аудиториях. При высоком уровне схожести пользователей создается look-alike сегмент, к которому применяются корректировки ставок. Показывая рекламное объявление пользователю, который вбил запрос “купить диван”, мы предлагаем рекламному аукциону увеличивать ставку 1 рубль в Х раз в том случае, если запрос набирает пользователь, похожий на клиента с выбранного сегмента. Эта стратегия работает.


Как часто обновлять сегменты?

Важно помнить, что со временем данные RFM-анализа устаревают, покупатели переходят из одного сегмента в другой или вовсе уходят. Поэтому списки периодически необходимо обновлять. Насколько часто это приходится делать, зависит от специфики бизнеса. На периодичность актуализации данных влияет:
  • подвижность базы данных
  • жизненный цикл клиента
  • средний период между осуществлением покупок клиентами
  • средний период между каждой покупки
  • сезонность спроса
  • акции

Для крупного интернет-магазина с широким ассортиментом обновление списков и новый RFM-анализ можно проводить раз в месяц.


Отслеживание динамики сегментов

RFM-анализ позволяет отследить динамику и покупательское поведение “полезных” и “неполезных” клиентов. Идеальным состоянием можно назвать переход R1, R2 в состояние R3, F1, F2 - в F3, а M1, M2 - в M3, при условии сохранения позиций клиентов R3, F3, M3.

Необходимо стремиться к положительной динамике в каждом сегменте. Поэтому следует анализировать действия покупателей внутри групп. Отрицательная динамика - тоже результат, а главное, это призыв к пересмотру политики бренда, менеджмента, цен и поиску проблем. 


Вывод 

Внедряйте RFM-анализ в свой бизнес и работайте с сегментами, а не с общей аудиторией. Грамотное ведение и использование базы данных клиентов, способно вызвать серьезных рост продаж. RFM-анализ в достижении этой цели мастерски играет роль инструмента, позволяющего без затрат проработать основную информацию о покупателях в результате некоторых манипуляций оптимизировать рекламный бюджет и получить прибыль.

Хотите получать статьи и новости в удобном формате? Подписывайтесь на наш Телеграм-канал

Другие статьи по теме

27 июня 5959 просмотров 7 минут
#аналитика
Выгрузка данных из Яндекс.Директ с указанием условия подбора (корректировки) трафика
Зачастую перед аналитиком встает задача глубокого исследования данных о производительности рекламных кампаний в Яндекс.Директе.
30 декабря 2800 просмотров 15 минут
#аналитика#Веб-аналитика
08 октября 4714 просмотра 7 минут
#аналитика
17 сентября 50862 просмотра 7 минут
#аналитика#Веб-аналитика
Что такое веб-аналитика и как настроить веб-аналитику для сайта
Почти все сайты подключены к системам Яндекс.Метрики и Google Analytics. Счетчики установлены, отчеты создаются. Правда, во многих случаях аналитика заканчивается именно на этом этапе. Как организовать действительно эффективную работу по веб-аналитике сайта и сделать ее важной частью бизнеса – в нашем лонгриде.
15 января 15945 просмотров 6 минут
#аналитика
06 октября 8627 просмотров 5 минут
#аналитика#Разработка#Веб-аналитика
Что такое Big Data: как работать с большими данными
Большие данные становятся неотъемлемой частью нашей жизни. Все мы ежедневно используем какие-либо технологии и контактируем с продуктами и крупными компаниями. Компании предлагают нам свои продукты и, в свою очередь, используют данные, которые мы им предоставляем (начиная от отслеживания переходов на сайте и заканчивая персональной информацией при оформлении заказов). Настал момент подробнее разобраться, как собираются эти огромные потоки информации и что с ними делают.
Закрыть
Центральный офис в Москве
8 (495) 215-10-97 Пн-Пт: с 10:00 до 19:00
Наверх