Маршрут построен!

Описанный выше способ отправки клиенту канальных триггеров связан с его поведением и пользовательским опытом, то есть user experience (UX). В то же время все большую популярность набирает более точный способ отправки канальных триггеров – анализ покупательского поведения, или transactional experience (TX). Основной моделью ТХ является так называемый RFM-анализ. Аббревиатура RFM образована от трех английских слов:

R – recency, или «недавность». Эта переменная показывает, сколько дней в среднем проходит между сделками худших, нормальных и лучших клиентов. Представим, что границы среднестатистического R варьируются от 20 до 40. Это означает, что наш лучший клиент покупает чаще, чем раз в 20 дней. Границы нормального торгового цикла – от 20 до 40 дней. А все, кто покупают реже, чем раз в 40 дней, могут быть отнесены к числу худших клиентов.

F – frequency

, или частота. Эта переменная показывает, как часто – скажем, за год – клиент покупает у нас покупку. На первый взгляд может показаться, что R и F похожи. Но это совсем не так. Представим себе двух клиентов, которые за год совершили по четыре покупки каждый. Первый клиент покупал у нас равномерно, в среднем раз в 91 день. Его F = 4, а R = 91. Второй клиент ведет себя совершенно иначе. Он совершил первую покупку, затем через неделю вторую, еще через неделю третью и, наконец, спустя еще неделю – четвертую. В этот момент его F = 4, а R = 7. Такой клиент гораздо ценнее, чем первый. Но вот идет время, и до конца года второй клиент больше не совершает покупок. К концу года его R = 174, то есть он стал для нас гораздо менее ценным клиентом, чем первый. Он «выпал» из числа лучших клиентов. Если среднестатистические границы F варьируются от 2 до 5, то это значит, что лучшие клиенты совершают за период шесть и более покупок, нормальные клиенты – от двух до пяти покупок, а клиенты, совершившие одну покупку, могут считаться худшими или случайными.

M – monetary, или доход с клиента. Данная переменная показывает, сколько денег приносит нам данный клиент за одну покупку. То есть monetary – это, по сути, средний чек. Представим себе премиальный продуктовый магазин. Клиент приходит и покупает на 10 000 рублей. Его M равен 10 000. Во второй визит его средний чек равен уже 5000 рублей, а М равен 7500. Третья покупка – 3000 рублей, четвертая – 2000 рублей, пятая – 500 рублей, шестая – 80 рублей. К этому моменту его LTV равен 20 580 рублей, а M = 20 580/6 = 3430 руб. Что случилось с клиентом? Возможно, он разорился, но скорее всего, дела обстоят гораздо хуже: несмотря на то, что мы считаемся премиальным магазином, отношение клиента к нам похоже на отношение к ларьку, куда можно зайти за сигаретами и зажигалкой. Наш клиент «деградировал». Если граница среднестатистического М находится в интервале от 1000 до 5000 рублей, то «лучшими» клиентами мы будем считать тех, чей средний чек начинается от 5001 рублей, а «худшими» – 999 рублей и ниже. Всех остальных мы отнесем к «нормальным» клиентам.

Несложно посчитать, что RFM-анализ делит клиентскую базу на 27 сегментов (табл. 4).

Такая нарезка может быть использована двояко:

1. Как способ мгновенного анализа качества имеющейся у нас базы. Этот способ полезен при начале систематизации маркетинга, ранее работавшего без четких цифровых показателей, и позволяет быстро оценить потенциал дальнейшего роста продаж за счет имеющихся у нас клиентов. Ниже приведены два примера RFM-анализа, который мы проводили для наших клиентов. В первом случае мы видим довольно типовую картинку: «нормальные» клиенты преобладают, «очень хороших» и очень «плохих» клиентов сравнительно мало, имеется потенциал роста базы за счет некоторого количества так называемых спящих клиентов (например, клиенты, покупавшие на большие суммы и часто, но давно не посещавшие наш магазин).

2. Данная ситуация может показаться, на первый взгляд, менее привлекательной. Как мы видим, в базе множество худших клиентов, совсем немного клиентов, которых можно отнести к лучшим, а потому кажется, что потенциал роста скрыт в пробуждении спящих. Однако пристальное рассмотрение каждого сегмента показывает, что LTV худших и спящих сегментов очень низкий и не превышает 7 % суммарной выручки. Таким образом, компании необходимо сосредоточиться на обслуживании текущих нормальных клиентов и активнее заниматься привлечением новых.