Сбор данных для сегментации клиентов: RFM-анализа и анализ ассоциативных правил

В чем разница между RFM-анализом и анализом ассоциативных правил для сегментации покупателей

 

Главный метод определения целевой аудитории в современном маркетинге — сегментация. Сегментация — это разделение клиентов на группы по заданным параметрам. Разные способы, даютт разные данные и разныы результаты сегментации. Разберем подробно RFM-анализа и анализ ассоциативных правил.

 

Как сегментировать клиентскую базу

 

В этом материале я постаралась отойти от стандартных методов сегментации рынка, которые приносят мало пользы на практике, и описала только те из них, которые мы сами используем при создании стратегий программ лояльности.

 

Существует два крупных типа сегментаций: на основании статических и динамических данных.

 

Статические данные — критерии пользователей, которые не зависят от его действий, не меняются или меняются редко. К показателям статической сегментации относят: пол, возраст, географические данные.

 

Динамические показатели — те, что формируются на основании поведения пользователя относительно других пользователей: RFM-кластеризация, размер среднего чека, частота покупок и так далее. Границы сегментов, сформированных на основании поведения, динамические и меняются при совершении каждой новой покупки.

 

Ранее мы уже писали пошаговую инструкцию для сегментации целевой аудитории в бизнесе. 

 

RFM-анализ для сегментации клиентской базы

 

RFM-анализ — это анализ по трем показателям:

 

• Recency — показатель активности, вычисляется как давность последнего действия клиента (покупки, авторизации в личном кабинете, открытия email-рассылки).
• Frequency — количество покупок (других действий) клиента.
• Monetary — Lifetime value, жизненная ценность клиента, равна сумме его покупок или прибыли.

 

Часто при проведении RFM-анализа клиентов по каждому из параметров делят на группы по равным интервалам от минимального до максимального значения. Например, давность (recency) последней покупки до 1 недели, до 2 недель, до 3 недель.

 

Мы определяем границы кластеров с помощью вычисления суммы и разности среднего значения со среднеквадратичным отклонением, таким образом, получаем в кластере r2f2m2 наибольшее количество пользователей.

 

Индексы 1 и 3 в рамках RFM-анализа характеры для исключительных клиентов с различными особенностями поведения. Так, клиенты кластера r1m3 (при любом значении f) — это покупатели, которые ранее были доходны для компании, но перестали совершать покупки, причину чего необходимо выяснить с помощью опросов.

 

Кластер r3f3m1 является потенциальным для увеличения LTV (monetary), так как клиенты проявляют лояльность, но при этом совершают покупки на небольшие суммы. В такой ситуации следует предложить покупателям скидку при покупке на сумму от N рублей, либо порекомендовать сопутствующие товары на основании истории их покупок.

При помощи RFM-сегментации можно строить значительно более эффективную политику взаимодействия с клиентами, чем отправка писем всей клиентской базе. Для этого анализа вам потребуются необходимые показатели по клиентам, Excel и 30 минут работы.

 

Анализ ассоциативных правил для сегментации клиентской базы

 

Анализ ассоциативных правил (анализ рыночной корзины) — анализ, который используется для нахождения устойчивых сочетаний товаров в покупках. Для его вычисления есть множество алгоритмов, первый из них — AIS — был разработан в 1993 году. Для анализа необходима база данных покупок, каждая покупка должна иметь уникальный идентификатор (часто в этой роли выступает номер чека) и позиции, которые входят в него.

 

Что в этих случаях делать компаниям, которые не входят в сегмент FMCG? Мы предлагаем использовать и используем в собственном бизнесе вместо номера чека уникальный id клиента. Таким образом мы вычисляем устойчивые паттерны в поведении клиентов относительно истории их покупок, на основании которых строим рекомендательную систему.

 

Допустим, покупки на Aviasales совершили 3 тысячи человек, на Booking — 1 тысяча. Клиентов, которые совершили покупки как на Aviasales, так и на Booking — 500. Объём клиентской базы равен 5 тысячам клиентов.

 

На основании этих данных рассчитываются два показателя: достоверность (confidence) и поддержка (support) правила.

 

Поддержка — доля клиентов, совершивших транзакции у обоих партнёров от общего числа транзакций, то есть 10%.

 

Достоверность (мы её ещё называем силой связи) — доля клиентов, совершивших транзакции у обоих партнёров от количества транзакций каждого из них в отдельности.

 

Достоверность, как вы уже поняли, имеет два значения, в нашем случае для Booking она равна 50%, для Aviasales — 16,7%. Это означает, что клиент вероятнее совершает покупку на Booking и потом совершает на Aviasales, чем наоборот.

 

Как это применить в маркетинге? Если мы будем создавать акцию для покупателей, то она будет промоутировать Booking, так как после этого клиенты с большой вероятностью совершат покупку на Aviasales. Также мы можем настроить автоматическую рассылку: после совершения покупки на Booking клиенту будет отправляться промокод на следующую покупку Aviasales со скидкой на ограниченный срок. Ещё одним методом монетизации может являться введение сочетания этих двух партнёров в формате комбо-набора, при покупке которого будет увеличен общий кешбэк.

 

Автор: Вероника Ильина

Источник: netology.ru