RFM-анализ

RFM (Recency, Frequency, Monetary)-anajиз чаще всего используется для изучения товарного ассортимента по частоте обращений, а также его применяют для классификации клиентов. Шаблон RFM-анализа представлен в табл. 6.3.

Основу RFM-анализа составляют следующие характеристики:

• Recency (новизна) – новизна какого-либо события. Чем меньше времени прошло с момента последней активности клиента (последней продажи товара), тем более вероятно, что действие повторится;

• Frequency (частота ши количество) – количество покупок, которые совершил клиент (количество продаж). Чем их больше, тем выше вероятность того, что клиент повторит действия в будущем. Данный параметр рассматривается за определенный промежуток времени (неделя, месяц, квартал, год и т.д.);

• Monetary (деньги) – сумма, которую потратил клиент (выручка от продажи товара). Чем больше потраченная сумма, тем выше вероятность того, что клиент повторит заказ.

Таблица 6.3

Шаблон RFM-анализа

Контрагент	Recency	Frequency	Monetary	Последняя продажа	Количество продаж	Денежная ценность

Простейший метод RFM-анализа состоит из следующих шагов.

1. Все наблюдения последних продаж сортируют по возрастанию. После сортировки все данные делятся на пять равных частей: в первый квинтиль попадают наиболее "свежие" клиенты, во вто-

рой – вторые по давности последнего заказа и т.д. Каждый квинтиль кодируется. Код 5 присваивают самому "свежему" квинтилю, код 4 – второму по давности последнего заказа группе и т.д.

Последняя продажа	R
N/5	5
N/5	4
N/5	3
N/5	2
N/5	1

2. Аналогичная сортировка проводится для контрагентов. После сортировки файл данных делится на пять равных частей: в первый квинтиль попадают клиенты, сделавшие наименьшее количество заказов, во второй – вторые по количеству заказов и т.д. Каждый квинтиль кодируется. Код 1 присваивают самому "слабому" с точки зрения количества заказов квинтилю, код 2 – второму по количеству заказов группе и т.д.

Количество продаж	F
N/5	1
N/5	2
N/5	3
N/5	4
N/5	5

3. Ранжируют клиентов по денежной ценности (выручке от продаж), делят клиентов на пять равных частей: в первый квинтиль попадают клиенты, потратившие наименьшее количество средств, во второй – вторые по количеству истраченных денег и т.д. Каждый квинтиль кодируется. Код 1 присваивают самому "слабому" с точки зрения потраченных денег квинтилю, код 2 – второму по количеству денег группе и т.д.

Денежная ценность	М
N/5	1
N/5	2
N/5	3
N/5	4
N/5	5

Всевозможные комбинации кодов RFM дают 125 сегментов, как показано на рис. 6.7, где 555 заранее является наилучшим сегментом, 111 – наихудшим.

Рис. 6.7. Конструкция выбора RFM-кода

На практике Monetary обычно не используют, так как данная характеристика сильно коррелирует с Frequency, поэтому RFM-анализ часто упрощают до RF-сегментации (рис. 6.8).

Рис. 6.8. Пример RF-анализа

Если объединить параметры в один параметр RF, то точность прогноза, по мнению аналитиков, повышается в несколько раз [6]. По методике Джино Ново, можно использовать такую последовательность анализа:

• параметр R – разбивается на пять частей, и появляются пять значений от 1 до 5,5 – это когда заказ был сделан совсем недавно;

• параметр F – разбивается на пять частей, и появляются пять значений от 1 до 5,5 – это когда клиент сделал в течение определенного периода времени (этот период тоже нужно рассчитать) очень много заказов;

• строится RF-сетка (grid) в виде двухзначной комбинации R и F; 55 – сегмент лучших клиентов, 11 – самых худших клиентов;

• вычисляются transformation rates для каждого сегмента;

• 25 ДЕ-сегментов объединяются по transformation rates в большие сегменты.

Получается, что каждый заказчик может иметь свое значение RF, а следовательно, и свою вероятность для планирования и прогнозирования.