Как найти ядро клиентов, на которых вы точно заработаете деньги
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.
Как? Сейчас подскажем.
Что такое RFM-анализ в маркетинге
- Recency — давность (как давно ваши клиенты что-то покупали);
- Frequency — частота (как часто клиенты покупают);
- Monetary — деньги (общая сумма покупок).
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 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 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
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:
- Recency
- Frequency
- Monetary
-
Выгрузка из CRM с содержанием следующего набора данных
- 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.
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.
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.
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.
