RFM-анализ для рассылок: как сократить расходы

Покупатели ведут себя по-разному: кто-то заказывает часто, кто-то — редко, а кто-то давно не открывал ваши письма.

RFM-анализ помогает навести порядок — разделить базу на группы по активности и сумме покупок. Так рассылки становятся точными: активным клиентам не надоедают лишними письмами, а «уснувших» можно вернуть выгодным предложением.

В статье расскажем, как работает RFM-анализ, как настроить сегменты и использовать их в рассылках, чтобы сэкономить бюджет и получать больше заказов.

Что такое RFM-анализ клиентов и зачем используется

RFM-анализ (Recency, Frequency, Monetary) — метод, который делит клиентов на группы по трём показателям: когда был последний заказ, как часто человек покупает и сколько тратит.

RFM-анализ используют для сегментации клиентов по их активности и ценности для бизнеса. Этот метод применяется для выявления наиболее прибыльных и лояльных клиентов, а также для поиска тех, кто перестал совершать заказы и требует дополнительного внимания. Такой подход делает маркетинг более точным и снижает лишние расходы.

В email-рассылках RFM используют, чтобы не отправлять всем одинаковые письма. Активным клиентам достаточно новинок и полезной информации — им не нужны лишние скидки. Для тех, кто давно не покупал, стоит подготовить специальное предложение или акцию, чтобы вернуть интерес.

В результате клиентская база делится на RFM-сегменты, для которых разрабатываются разные сценарии коммуникации. Это снижает расходы на ненужные скидки и бонусы, увеличивает эффективность цепочек рассылок и улучшает результаты таргетированной рекламы. Компании увеличивают повторные заказы, удерживают клиентов и укрепляют лояльность без лишних затрат.

Как провести RFM-анализ в емейл-маркетинге

1. Соберите данные. Выгрузите из CRM или базы: ID клиента, дату последнего заказа, общее число заказов и общую сумму покупок. Если данные лежат в разных таблицах, сведите их в одну.

2. Рассчитайте R, F и M.

• Recency — сколько времени прошло с последней покупки (в днях или месяцах).

• Frequency — сколько заказов клиент сделал за период (например, за год).

• Monetary — сколько всего денег потратил за этот же период. Иногда вместо суммарной выручки используют средний чек, но суммарная ценность даёт более полный показатель активности клиента.

3. Определите шкалу. Разбейте каждую метрику на категории: например, 1 — хороший показатель, 3 — низкий. Точные границы зависят от бизнеса: для ежедневной доставки «давно не заказывал» — неделя, а для покупки мебели — полгода. Для этого все данные упорядочивают от меньшего к большему и разбивают на несколько уровней — например, на группы с низкими, средними и высокими значениями.

4. Присвойте каждому клиенту оценки. Посчитайте три балла — R, F и M. Получится код сегмента, например: 111 (недавно покупал, часто покупает, тратит много) или 333 (давно не заказывал, редко покупает, тратит мало). Обычно выделяют до 27 комбинаций, но потом их можно объединить для удобства.

5. Дайте сегментам понятные названия. Например, 111 — «лояльные и активные», 333 — «уснувшие», 311 — «ушли, но раньше тратили много». В email-маркетинге такие группы сразу подсказывают, что отправлять каждому сегменту.

6. Настройте рассылки под каждый сегмент.

• Активным не нужны скидки — им отправляют новинки и полезный контент.
• Редким покупателям — персональное предложение или напоминание.
• Уснувших клиентов возвращают акцией или бонусом.
• Тем, кто уходит, можно предложить опрос или причину остаться.

7. Пересматривайте сегменты регулярно. Поведение клиентов меняется. Обновляйте расчёты хотя бы раз в квартал. При росте базы можно сделать шкалу более детальной — например, не 3 балла, а 5.

Примеры RFM-сегментов и работа с ними

Лояльные клиенты (например, сегмент 111). Это надёжная часть базы — покупали недавно и тратят больше остальных. В email-рассылках таким подписчикам стоит отправлять новости о новинках и специальные приглашения в клубы лояльности. Регулярные письма могут включать благодарности за доверие, поздравления с праздниками и бонусы за продолжительное сотрудничество.

Частые скидки им не нужны — они и так покупают. Лучше делать акцент на сервисе и эксклюзивных предложениях. Полезно время от времени спрашивать их мнение о товаре или сервисе — такие клиенты чаще дают обратную связь и могут делиться рекомендациями. Кстати, быстро сверстать такие письма можно в конструкторе Pixcraft.

Перспективные к возврату (311). Эти покупатели когда-то были активными или дорогими, но давно не заказывали. Потенциал возврата высокий. Работает цепочка писем: сначала мягкое напоминание о бренде, затем персональный промокод или подарок. Если клиент обычно делает дорогие покупки или работает с премиум-товарами (например, недвижимость или транспорт), можно дополнительно подключить персонального менеджера или сделать звонок. Важно не затягивать с возвратом: обычно чем дольше не покупают, тем дороже вернуть.

Новые активные (211). Сделали первый или второй заказ недавно — задача закрепить привычку покупать. Расскажите о популярных товарах, покажите преимущества бренда, дайте скидку или подарок за повторную покупку. Опрос поможет собрать данные о предпочтениях и точнее настроить персонализацию.

Редкие, но дорогие (331). Клиенты, которые делают заказы нечасто, но тратят крупно. Им не нужны массовые рассылки — только индивидуальные предложения и эксклюзив. Можно предложить консультацию, закрытые распродажи или особый сервис. Главное — удерживать интерес к бренду, но не навязываться.

Частые, но с мелким чеком (113). Такие покупатели любят бренд, но заказывают недорогие товары или маленькими корзинами. Задача — повысить средний чек. Хорошо работают письма с акциями «докупи — получи подарок» или «бесплатная доставка от конкретной суммы». Можно предлагать бандлы, апселлы и товары-дополнения.

Мёртвый сегмент (333). Давно не покупали, тратили мало и делали это редко. На таких клиентов бюджет лучше не тратить: отклик минимальный. Можно иногда включать в массовые распродажи, но приоритет — новые и лояльные группы.

Автоматизация RFM-анализа

1. Таблицы (Excel, Google Sheets). Для малого бизнеса или теста гипотезы хватит обычного Excel. Историю заказов можно свести в таблицу: посчитать дату последнего заказа, количество заказов и сумму по каждому клиенту. Дальше — формулы или фильтры: кому «1», кому «2», кому «3». Информацию можно выгрузить в почтовый сервис и сразу создать простые сегменты. Но при большой базе или регулярных обновлениях такой подход быстро ломается.

2. BI или база данных + скрипт. Если данные хранятся в базе, аналитик может написать SQL-запрос или скрипт. Такой код сам считает Recency, Frequency, Monetary, присваивает баллы и пишет их в отдельную таблицу или прямо в поля профиля клиента. Плюс такого способа — автоматическое обновление сегментов по расписанию. Минус — нужны тех. специалисты. Но для рассылок это удобный вариант: сегменты из базы легко синхронизировать с ESP или CDP и запускать кампании по расписанию.

3. CRM, CDP и маркетинговые платформы. Если у вас уже есть CRM или CDP, посмотрите, есть ли там готовая сегментация. Например, в CDP Altcraft сегменты можно собрать автоматически. Эти сегменты сразу подключаются к email-кампаниям: можно настроить автоматические цепочки для «лояльных», «новых» или «спящих». Плюс — сегменты пересчитываются при каждом новом заказе или изменении данных, и вам не нужно следить за актуальностью вручную.

Ограничения метода RFM

1. Работает только с клиентами, которые уже покупали. RFM не покажет, кто из подписчиков ещё ни разу не сделал заказ и не поможет выделить «холодные» лиды. Для рассылок это значит, что часть базы — потенциальные клиенты — остаётся без точной сегментации по RFM. Решение: смотреть, кто ещё не купил, но активно открывает письма и кликает — таких можно выделить отдельно и прогревать цепочками или акциями для первой покупки.

2. Нужна достаточная база и история заказов. Если у компании всего 200 клиентов или недавно запущен магазин, делить их на десятки групп бессмысленно: часть сегментов окажется пустой. Для рассылок с такой маленькой базой проще работать с базовыми триггерами (welcome, напоминания о корзине, реактивация) и копить данные. RFM имеет смысл подключать, когда уже накоплено хотя бы тысяча клиентов и несколько тысяч заказов.

3. Статичная сегментация быстро устаревает. RFM показывает, в каком сегменте клиент сейчас, но поведение быстро меняется. Кто-то мог быть активным полгода назад, а сегодня не открывает письма. Если сегменты не обновлять автоматически, рассылки начнут уходить не тем людям. Чтобы этого не случилось, используйте автоматический расчёт в CDP.

4. Учитывает только три фактора. Реально на поведение подписчиков влияет больше деталей: сезонность, тип товаров, канал продаж. RFM не видит этих нюансов. Например, кто-то заказывает редко не потому, что потерял интерес, а потому что товар покупают раз в год. Для рассылок это важно — таким сегментам не нужны письма «Скидка! Вернись!». Решение: дополняйте RFM другими признаками — например, предпочтениями из опросов или данными о том, какие письма человек чаще открывает.

5. Не предсказывает поведение. RFM — про прошлое. Он показывает, кто был активным или «спящим», но не оценивает, сколько клиент принесёт денег завтра или уйдёт ли к конкуренту.

Как развивать RFM-анализ для рассылок и что добавить

RFM закрывает базовые вопросы сегментации, но для email-маркетинга часто этого мало. Чтобы сегменты работали ещё точнее, его дополняют другими подходами.

Прогноз LTV. Один из вариантов — связать RFM с моделями прогноза LTV (Lifetime Value). Тогда сегменты показывают не только, кто лоялен сейчас, но и сколько этот клиент принесёт в будущем. Например, можно отдельно рассчитать ожидаемый LTV для «лояльных» и «спящих» и настроить разные цепочки: одним — письма для удержания, другим — кампании с более агрессивными акциями, если возврат оправдан.

Поведенческие метрики. RFM учитывает только заказы, но для рассылок важна общая вовлечённость: кто открывает письма, кликает по ссылкам, заходит на сайт. Эти данные можно соединить с RFM. Например, клиент может делать много покупок, но давно не читал письма — это сигнал, что пора отправить персональное напоминание или позвонить, если речь о крупном B2B-клиенте.

Составные сегменты и расширенные модели. Часто к RFM добавляют ABC-анализ — он показывает, какие товары или категории дают максимальную выручку. Это помогает формировать кросс-селл рассылки: предлагать «лояльным» именно те товары, которые они обычно выбирают.

Заключение

RFM-анализ — один из самых надёжных способов разделить клиентскую базу на группы по реальному поведению. В email-рассылках это основа для точных сценариев: активным клиентам идут новости и персональные предложения, «спящих» возвращают акциями и напоминаниями.

Чтобы сегменты не устаревали, расчёты стоит автоматизировать и дополнять их другими данными. Такой подход делает рассылки более предсказуемыми по результату и даёт бизнесу больше повторных продаж без лишних затрат.

Кстати, если вы хотите прокачать навыки в email-маркетинге, загляните в наш Telegram-канал. Там делимся полезными материалами, лайфхаками и идеями для работы.