RFM-analysis

Что такое RFM-анализ?

RFM (Recency, Frequency, Monetary) анализ — это метод сегментации клиентов, основанный на трех ключевых метриках:

• Recency (давность) — как давно клиент делал свою последнюю покупку;
• Frequency (частота) — как часто клиент делает покупки;
• Monetary (сумма покупок) — сколько денег клиент потратил за определенный период времени. RFM анализ помогает компаниям лучше понять поведение клиентов, выявить лучшие сегменты аудитории и нацелить маркетинговые кампании более эффективно.

Сегментация клиентов

Клиенты делятся на группы по трем метрикам:

По давности заказа (Recency):

1. Давние клиенты
2. Относительно недавние клиенты
3. Недавние клиенты

По частоте покупок (Frequency):

1. Покупает очень редко (единичные заказы)
2. Покупает нечасто
3. Покупает часто

По сумме покупок (Monetary):

1. Маленькая сумма
2. Средняя сумма
3. Большая сумма

Примеры клиентов:

• «111»: делал покупку давно, один раз и на маленькую сумму.
• «333»: покупает часто, на большую сумму, и его последняя покупка была недавно. Это наши лучшие клиенты.

Важно отметить, что диапазоны для 1, 2 и 3 вы задаете сами, определяя, что значит маленькая, средняя и большая сумма продаж для вашего бизнеса.

Построение запросов в SQL:

Сосредоточимся на самом важном: начнем наш анализ, пропуская этап загрузки данных в базу и ее настройку.

create table customer_segments as
with aggregated_data as (
    select CustomerId,
           max(InvoiceDate) as LastDate,
           datediff('2011-12-09', max(InvoiceDate)) as Recency,
           count(distinct Invoice) as Frequency,
           round(sum(UnitPrice * Quantity), 2) as TotalSum
    from Sales
    group by CustomerId
),
normalized_data as (
    select CustomerId,
           Recency,
           Frequency,
           TotalSum,
           (Recency - min(Recency) over()) / (max(Recency) over() - min(Recency) over()) as Recency_normalized,
           (Frequency - min(Frequency) over()) / (max(Frequency) over() - min(Frequency) over()) as Frequency_normalized,
           (TotalSum - min(TotalSum) over()) / (max(TotalSum) over() - min(TotalSum) over()) as Monetary_normalized
    from aggregated_data
)
select CustomerId,
       ntile(3) over (order by Recency_normalized desc) as Recency,
       ntile(3) over (order by Frequency_normalized asc) as Frequency,
       ntile(3) over (order by Monetary_normalized asc) as Monetary
from normalized_data;

В данной части кода создаем таблицу customer_segments, которая будет содержать сегменты клиентов на основе анализа RFM. На первом этапе мы агрегируем данные о каждом клиенте. Для этого мы извлекаем идентификатор клиента, дату последней покупки, вычисляем давность (Recency), частоту покупок (Frequency) и общую сумму покупок (TotalSum). После агрегации данных мы проводим нормализацию метрик, чтобы привести их к одному диапазону. Это важно, так как каждая из метрик может иметь разные масштабы, что может повлиять на результаты анализа.

Что такое нормализация?

Нормализация данных — это процесс преобразования данных так, чтобы все значения находились в одном диапазоне, обычно от 0 до 1. Это делает данные более сопоставимыми, особенно когда разные метрики имеют разные масштабы. Например, в контексте RFM-анализа метрики Frequency и Monetary могут значительно отличаться по своим диапазонам.

Зачем нужна нормализация?

1. Сравнимость данных: Алгоритмы анализа могут быть предвзятыми, если метрики имеют разные диапазоны. Нормализация делает метрики сопоставимыми.
2. Улучшение точности сегментации: В RFM-анализе важно, чтобы каждая из метрик имела одинаковый вес для более точной сегментации клиентов.

Мы используем следующую формулу для нормализации:

Использование функции NTILE

После нормализации данных мы применяем функцию NTILE(3), чтобы разделить клиентов на три группы по каждой из метрик RFM.

Функция NTILE делит отсортированный набор данных на указанные группы (в данном случае на 3) и присваивает каждой записи номер группы. Это позволяет нам легко сегментировать клиентов в зависимости от их поведения и ценности для бизнеса.

Сегментация клиентов на основе RFM-анализа

На основе RFM-анализа клиенты были распределены на следующие группы:

update Customer_Segments
set Segment = case 
    when Recency = 3 and Frequency = 3 and Monetary = 3 then 'VIP'
    when Recency = 3 and Frequency = 3 and Monetary = 2 then 'Постоянные со средним чеком'
    when Recency = 3 and Frequency = 3 and Monetary = 1 then 'Постоянные с маленьким чеком'
    when Recency = 3 and Frequency = 2 and Monetary = 3 then 'Постоянные с высоким чеком'
    when Recency = 3 and Frequency = 2 and Monetary = 2 then 'Постоянные со средним чеком'
    when Recency = 3 and Frequency = 2 and Monetary = 1 then 'Постоянные с маленьким чеком'
    when Recency = 3 and Frequency = 1 and Monetary = 3 then 'Новички с высоким чеком'
    when Recency = 3 and Frequency = 1 and Monetary = 2 then 'Новички со средним чеком'
    when Recency = 3 and Frequency = 1 and Monetary = 1 then 'Новички с маленьким чеком'
    when Recency = 2 and Frequency = 3 and Monetary = 3 then 'Спящие VIP'
    when Recency = 2 and Frequency = 3 and Monetary = 2 then 'Спящие постоянные со средним чеком'
    when Recency = 2 and Frequency = 3 and Monetary = 1 then 'Спящие постоянные с маленьким чеком'
    when Recency = 2 and Frequency = 2 and Monetary = 3 then 'Спящие редкие с высоким чеком'
    when Recency = 2 and Frequency = 2 and Monetary = 2 then 'Спящие редкие со средним чеком'
    when Recency = 2 and Frequency = 2 and Monetary = 1 then 'Спящие редкие с маленьким чеком'
    when Recency = 2 and Frequency = 1 and Monetary = 3 then 'Спящие разовые'
    when Recency = 2 and Frequency = 1 and Monetary = 2 then 'Спящие разовые'
    when Recency = 2 and Frequency = 1 and Monetary = 1 then 'Спящие разовые'
    when Recency = 1 and Frequency = 3 and Monetary = 3 then 'Уходящие VIP'
    when Recency = 1 and Frequency = 3 and Monetary = 2 then 'Уходящие постоянные'
    when Recency = 1 and Frequency = 3 and Monetary = 1 then 'Уходящие постоянные'
    when Recency = 1 and Frequency = 2 and Monetary = 3 then 'Уходящие редкие'
    when Recency = 1 and Frequency = 2 and Monetary = 2 then 'Уходящие редкие'
    when Recency = 1 and Frequency = 2 and Monetary = 1 then 'Уходящие редкие'
    when Recency = 1 and Frequency = 1 and Monetary = 3 then 'Одноразовые'
    when Recency = 1 and Frequency = 1 and Monetary = 2 then 'Одноразовые'
    when Recency = 1 and Frequency = 1 and Monetary = 1 then 'Потерянные экономные'
end;

Можно выделить группы клиентов с различным уровнем лояльности и ценности для бизнеса. Это позволяет разрабатывать более целевые маркетинговые стратегии для каждой группы и повышать их лояльность.

Построение отчета в Power BI

Был построен отчет в Power BI, содержащий две страницы: "Общие сведения" и "RFM".

На странице "Общие сведения" представлена основная информация по выручке, количеству заказов и проданных товаров. Также показаны графики динамики выручки и заказов по месяцам, тренды по количеству заказов в разрезе дней недели, а также топ продуктов по выручке.

На странице "RFM" представлена сегментация клиентов по их активности и ценности для бизнеса. В таблице отображены различные сегменты клиентов с указанием их вклада в выручку, количество заказов, проданных товаров и средний чек. Данные представлены таким образом, чтобы легко идентифицировать наиболее значимые группы клиентов и их долю в общем объеме продаж.

Была настроена кроссфильтрация для удобного анализа данных между различными элементами отчета. Кроме того, карточки KPI отображают актуальные данные по ключевым параметрам в зависимости от выбранного месяца. Эти карточки показывают процентное изменение показателей по сравнению с предыдущим месяцем, что позволяет быстро оценивать динамику изменений и принимать обоснованные решения на основе актуальных данных.