Analiza RFM dzieli klientów sklepu internetowego na grupy według historii zamówień: jak dawno ktoś ostatnio kupił, ile razy wracał i ile łącznie wydał. Za każdą z tych cech klient dostaje punkty, a sklep łączy podobne wyniki w kilka segmentów. Artykuł pokazuje krok po kroku, jak przygotować dane, dobrać progi punktacji i sprawdzić testem, czy kampania coś zmienia.
Co znajdziesz w tym artykule?
Czym jest analiza RFM?
Najważniejsze segmenty klientów i macierz punktacji
Skala od 1 do 5: ile kombinacji daje macierz punktacji?
Jak przygotować dane i policzyć segmenty w SQL oraz BigQuery?
Jak dobrać progi, wagi i okres analizy przy punktacji klientów?
RFM a prognozowanie wartości klienta (CLV): czym się różnią i jak się uzupełniają?
Dlaczego segmentacja oparta na zachowaniach klientów często wygrywa z marketingiem masowym?
Najczęściej zadawane pytania (FAQ)
Analiza RFM to metoda grupowania klientów według tego, kiedy ostatnio kupili, jak często kupują i ile łącznie wydali. Opiera się na danych z zamówień, a nie na deklaracjach klientów. Nazwa pochodzi od trzech angielskich słów:
Weźmy sklep z kosmetykami. Klientka kupowała co miesiąc, a od trzech miesięcy nie złożyła zamówienia. Analiza RFM obniża jej ocenę za czas od ostatniego zakupu, dlatego sklep może wysłać jej przypomnienie, zanim klientka całkiem zrezygnuje. Tak metoda pomaga ograniczać wskaźnik odejść klientów (churn rate), czyli odsetek klientów, których sklep w danym okresie uznaje za utraconych.
Analiza RFM wspiera też retencję klientów (customer retention), czyli utrzymywanie kupujących w aktywności. Pomaga planować działania zwiększające wartość klienta w całym okresie relacji (Customer Lifetime Value, CLV), czyli łączną wartość, jaką klient przynosi firmie przez cały czas współpracy. Sama segmentacja nie poprawia jednak wyników, robią to dopiero działania dobrane do segmentów.
Klasyczna analiza RFM oparta na przychodzie nie uwzględnia bezpośrednio marży, czyli różnicy między przychodem ze sprzedaży a kosztem sprzedanego produktu. Uwzględnianie zwrotów zależy zaś od sposobu przygotowania danych. Klient z dużymi zamówieniami, który często oddaje towar, może więc dostać wysoką ocenę. Metoda pomija też osoby bez żadnego zakupu, a jej rozszerzone wersje dodają np. długość relacji z klientem. Do obliczeń potrzebny jest pełny zbiór transakcji z przyjętego okresu analizy.
Najważniejsze: Przed liczeniem segmentów firma powinna zdecydować, czy odejmuje zwroty od wartości zakupów, bo od tego zależy, kto trafi do grupy najlepszych klientów.
W wariancie z pięciostopniową punktacją analiza RFM daje każdemu klientowi ocenę od 1 do 5 za każdą z trzech cech, a 1 oznacza najmniej pożądane zachowanie. Przy podziale na pięć grup o zbliżonej liczebności ocenę 5 dostaje około jednej piątej klientów. Przy stałych progach wielkości grup mogą się różnić, dlatego progi dobiera się do cyklu zakupowego sklepu.
Trzy oceny dają do 125 kombinacji (5 × 5 × 5). Zestawienie wszystkich układów to macierz punktacji, nazywana też macierzą segmentacji. Obsługa tylu grup osobnymi kampaniami jest niepraktyczna, dlatego segmentację RFM często zawęża się do kilku nazwanych segmentów.
| Segment | Przykładowe oceny R-F-M | Profil klienta | Możliwe działanie |
|---|---|---|---|
| Mistrzowie | 5-5-5, 5-5-4 | ostatnio zrobił zakupy, kupuje często i wydaje dużo | program VIP, wcześniejszy dostęp do nowości |
| Zagrożeni odejściem | 1-5-5, 2-4-4 | dawniej lojalny, od dawna bez zakupu | kampania odzyskująca, osobisty kontakt |
| Utraceni | 1-1-1 | ma najniższe oceny za czas od ostatniego zakupu, liczbę zamówień i łączną wartość zakupów | ograniczenie wydatków reklamowych |
Etykiety segmentów można przesyłać do systemu marketing automation, który sam wysyła e-maile, SMS-y lub powiadomienia push (krótkie komunikaty wyświetlane przez aplikację lub przeglądarkę) według ustalonych reguł. Gdy klient spada z Mistrzów do Zagrożonych odejściem, system może od razu wysłać mu ofertę powrotu.
Najważniejsze: Firma może zacząć od kilku segmentów z jednym działaniem dla każdego i rozbudowywać podział dopiero po ocenie wyników.
Opisaną wyżej macierz nazywa się też siatką scoringową, czyli tabelą, w której każdy klient zajmuje jedno pole. Wyższa ocena oznacza zachowanie cenniejsze dla sklepu.
Skrajne pola to 5-5-5 i 1-1-1, czyli najbardziej i najmniej aktywny kupujący. Wynik 4-2-3 opisuje klienta, który kupił niedawno, ale rzadko wraca i wydaje przeciętnie.
Najważniejsze: Dobrym pierwszym krokiem jest czytanie wyniku jako trzech osobnych ocen, bo ta sama suma punktów może opisywać zupełnie różnych klientów.
Analizę RFM liczy się w języku SQL, czyli języku do pobierania i przeliczania danych z baz, w dwóch krokach: najpierw sumuje się historię zamówień każdego klienta, a potem dzieli klientów na grupy punktowe. Dane trafiają do usługi Google BigQuery, która przechowuje i analizuje duże zbiory danych w chmurze. Źródłem są zamówienia z bazy sklepu oraz zakupy zarejestrowane przez Google Analytics 4 (GA4), narzędzie mierzące działania użytkowników w witrynie.
Te same zamówienia mogą być w obu źródłach, dlatego przed liczeniem łączy się je tak, by żadne nie zostało policzone dwa razy.
Weźmy sklep z karmą dla zwierząt. Zapytanie, czyli polecenie wydawane bazie danych, grupuje jego zamówienia według klienta i dla każdej osoby liczy trzy wartości z przyjętego okresu:
Na końcu funkcja NTILE w SQL, czyli polecenie dzielące uporządkowaną listę na równe części, w wersji NTILE(5) dzieli klientów na kwintyle: pięć grup po około jednej piątej bazy. Przy czasie od ostatniego zakupu kolejność jest odwrócona, więc najmniej dni oznacza ocenę 5.
Wynik zależy od jakości danych. Każdy klient potrzebuje stabilnego identyfikatora (user_id), a daty zamówień muszą być zapisane w jednej strefie czasowej. Przed liczeniem wyklucza się anulowane zamówienia i uwzględnia zwroty zgodnie z przyjętymi zasadami.
Tabelę z ocenami można przesłać do platformy danych klientów (Customer Data Platform, CDP), która łączy dane z różnych źródeł i udostępnia je kanałom marketingowym. Kolejnym etapem jest interpretacja powstałych grup.
Najważniejsze: Przed pierwszym uruchomieniem kampanii warto ręcznie sprawdzić oceny kilku dobrze znanych klientów, bo to najszybciej ujawnia błędy w danych.
Progi punktacji wyznacza się zwykle na dwa sposoby: przez podział bazy na kwintyle albo przez stałe progi biznesowe. Scoring RFM, czyli przypisywanie klientom punktów za każdą z trzech cech, zależy też od okresu analizy i ewentualnych wag.
Analiza RFM oparta na kwantylach nadaje punkty według miejsca klienta na uporządkowanej liście, więc granice wynikają z danych sklepu. Stałe progi ustala się ręcznie, np. zakup w ostatnim tygodniu daje 5 punktów, a w ostatnich 2 miesiącach 3 punkty. Taki podział może lepiej oddawać specyfikę asortymentu, ale wymaga okresowej kontroli.
Obliczenie wskaźników krok po kroku wygląda tak:
Wagi nie mają jednego wzorca. Drogeria internetowa, która chce szybko zauważać odchodzących klientów, może liczyć czas od ostatniego zakupu podwójnie. Test pozwala ocenić skutek kampanii: losowo wybrana część segmentu dostaje kampanię, reszta nie, a sklep porównuje w obu grupach wskaźnik retencji, czyli odsetek klientów, którzy wrócili na kolejny zakup w przyjętym okresie.
Dynamiczny scoring RFM oznacza punktację przeliczaną automatycznie według harmonogramu. Praktycznym punktem wyjścia jest aktualizacja codzienna lub raz w tygodniu. Przy krótkim cyklu zakupowym, np. w części sklepów z artykułami codziennego użytku, codzienne przeliczenie może skrócić czas wykrycia spadku aktywności.
Uniwersalnych norm punktacji RFM nie ma, bo progi zależą od cyklu zakupowego sklepu. Klientka sklepu odzieżowego, która nie kupiła nic od dwóch miesięcy, może już tracić zainteresowanie marką. W sklepie meblowym czy z elektroniką taka przerwa jest zwykle czymś normalnym, bo na kolejny zakup klient decyduje się po latach.
Jeden próg przeniesiony z innej branży może więc przypisać niskie oceny klientom, którzy zachowują się typowo. Granice punktów lepiej wyznaczyć z własnej bazy transakcji: sprawdzić, ile dni zwykle mija między zamówieniami i jak rozkładają się liczba oraz wartość zakupów.
Najważniejsze: Przy zmianie asortymentu lub po zakończeniu sezonu warto porównać progi z aktualną typową przerwą między zamówieniami i w razie potrzeby je przesunąć.
Analiza RFM podsumowuje zakupy, które klient już zrobił. Prognoza CLV szacuje natomiast, ile może jeszcze kupić w określonym czasie, np. w najbliższym roku. RFM działa na prostych regułach punktowych, a prognoza CLV opiera się na modelu i przyjętych założeniach.
Taki model może np. szacować, czy klient nadal jest aktywny i jak często wróci. Prognozy buduje zwykle zespół analityków danych. Segmenty RFM można natomiast wykorzystać od razu, bez budowy modelu.
Różnicę widać, gdy stały klient sklepu z herbatą dostaje niską ocenę za czas od ostatniego zakupu. Jego przewidywana wartość pozostaje wysoka, dlatego sklep może skierować do niego kampanię odzyskującą zamiast go pomijać.
Najważniejsze: Prognozy CLV opłaca się dodać do RFM wtedy, gdy historia zakupów jest na tyle długa i czysta, że trafność modelu da się sprawdzić na własnych danych.
Klienci jednego sklepu bardzo się od siebie różnią, dlatego ta sama wiadomość dla wszystkich często trafia do osób, które jej nie potrzebują. Marketing masowy polega na kierowaniu jednolitego przekazu do szerokiego grona odbiorców bez podziału na segmenty. W handlu często obserwuje się, że mniejszość klientów odpowiada za większość przychodów.
Weźmy sklep z akcesoriami rowerowymi, który wysyła ten sam rabat całej bazie. Zniżkę dostają też stali klienci, którzy kupiliby bez niej, więc sklep oddaje część marży. Osoby nieaktywne od dawna zwykle wiadomość pomijają, a sklep i tak płaci za reklamę skierowaną do nich.
Marketing oparty na danych wykorzystuje dane do podejmowania decyzji marketingowych, w tym do podziału budżetu według historii zakupów klientów. Na wielkość tego budżetu wpływają m.in. marża, liczba aktywnych klientów i koszt dotarcia w danym kanale. Analiza RFM wskazuje grupy, którym warto poświęcić więcej uwagi, ale nie dowodzi jeszcze, że kampania w danej grupie się opłaci. Dopiero porównanie z częścią segmentu bez kampanii pokazuje, czy działanie coś zmieniło.
Cały cykl obejmuje przygotowanie danych, punktację, nazwanie segmentów, kampanię i pomiar.
Najważniejsze: Budżet kampanii lepiej dzielić według dodatkowego efektu względem grupy kontrolnej niż według dotychczasowych zakupów segmentu, bo najlepsi klienci mogą kupować także bez reklamy.
Segmentację RFM w e-commerce zwykle przelicza się codziennie albo raz w tygodniu, zależnie od tego, jak szybko klienci wracają po kolejne zamówienie. Sklep, którego klienci kupują co kilka dni, korzysta na codziennym odświeżaniu, a przy przerwach liczonych w miesiącach często wystarcza rytm tygodniowy. Na wybór wpływa też to, jak szybko spływają nowe dane i jak często kampanie korzystają z segmentów. Automatyczne przeliczanie w BigQuery może ograniczyć pracę ręczną, a jego koszt zależy od ilości danych i sposobu wdrożenia.
Analiza RFM wymaga kompletnej historii zamówień z wybranego okresu, w której każde zamówienie jest przypisane do jednego, stałego identyfikatora klienta. Daty powinny być zapisane w jednej strefie czasowej, a kwoty w jednej walucie i według jednej zasady, np. zawsze netto. Zwroty i anulowane zamówienia muszą być w bazie osobno oznaczone. Firma powinna też z góry ustalić, co uznaje za transakcję, np. czy liczy zamówienia częściowo zrealizowane.
Najważniejszym ograniczeniem analizy RFM jest to, że opisuje dotychczasowe zakupy, a nie przewiduje, ile klient wyda w przyszłości. Uzupełnieniem może być prognoza przyszłej wartości klienta, o ile sklep ma dość długą i rzetelną historię zamówień, by sprawdzić trafność modelu.
Drugie ograniczenie dotyczy przychodu: klasyczna punktacja nie widzi marży ani kosztów dostawy i obsługi, choć można je dodać w rozszerzonym modelu. Trzecie to osoby bez żadnego zakupu, które nie mają historii zamówień, więc trzeba je analizować osobno, np. na podstawie innych zachowań w sklepie.
Tagi:
Historie sukcesów
Ostatnie wpisy na blogu
