RFM-анализ: что это и как провести

Автор

Маркетологи прямой почтовой рассылки и каталожных продаж (практика); Артур Хьюз (изложение в книге Strategic Database Marketing), В печати к 1988 году; Хьюз, 1994

Уровень

201 · Инструмент

Подходит

малый и средний бизнес, растущая компания

Время на внедрение

Полдня на первый расчёт оценок

Что понадобится

таблица заказов или платежей с ID клиента, датой и суммой · одно согласованное окно, например последние 12 месяцев · электронная таблица, SQL или RFM-отчёт вашей CRM или сервиса рассылок

RFM-анализ ранжирует клиентов по трём числам из истории покупок: как давно они покупали (recency, давность), как часто (frequency, частота) и на какую сумму (monetary value, денежная ценность). По каждому показателю клиент получает оценку, а три оценки вместе относят его к сегменту: лучшие покупатели, затухающие, потерянные. Для расчёта нужна таблица заказов с ID клиента, датой и суммой.

Главное достоинство метода — скорость. Команда посчитает его в таблице или на SQL за полдня, а любой сегмент объяснит одной фразой менеджеру, который ни разу не видел статистическую модель.

Откуда взялся RFM и где расходятся источники

RFM вырос из каталожных продаж и прямой почтовой рассылки, единого изобретателя никто не задокументировал. Самая известная история — воспоминание. Рон Кахан написал в Journal of Consumer Marketing в 1998 году, что специалисты по каталожной торговле случайно обнаружили: недавние покупатели заказывают снова чаще всех. Первым, как он полагал, был Sears, и сам Кахан подчёркивал, что это лишь его мнение.

Печатные следы метода старше, чем принято считать в большинстве популярных статей. Конни Бауэр опубликовала модель покупок клиентов прямой почтовой рассылки в 1988 году, и более поздние работы приводят её как пример правил на основе RFM для выбора адресатов рассылки. Книга Артура Хьюза Strategic Database Marketing вышла в 1994 году. Хьюз умер в 2014 году; он основал Database Marketing Institute и больше тридцати лет занимался базами данных и email-маркетингом, сообщал Chief Marketer. Фейдер, Харди и Ли ссылаются на второе издание Хьюза 2000 года как на источник порядка букв.

В некоторых популярных объяснениях источником называют статью Булта и Вансбека 1995 года. Но эта работа, Optimal Selection for Direct Mail, посвящена выбору получателей по ожидаемой прибыли, а Наик и Пирсма описывают её как расширение существующих моделей типа RFM. Специалисты по исследованию операций продолжали работать с RFM: в докладе Эразмского университета 2002 года о решениях по рассылке для нидерландского фонда состояние каждого донора описано через давность, частоту и денежную ценность. На постере конференции 2017 года Джим Порзак относит метод к началу 1990-х. Наш вывод: практика старше 1988 года, самое известное учебное изложение дал Хьюз, а кто применил её первым, никто не установил.

Три показателя и почему определения различаются

На бумаге давность, частота и денежная ценность просты, а в таблице с ними легко запутаться. Инструменты расходятся в деталях, поэтому запишите свои определения.

Общие и средние траты отвечают на разные вопросы. Общие траты выше у тех, кто покупает часто, поэтому этот показатель пересекается с частотой. Средняя сумма показывает размер одной покупки отдельно от частоты.

Как работает оценка

Расставьте клиентов по одному показателю, разделите список на пять равных групп и дайте верхней группе 5. Так же поступите с остальными двумя. Три цифры пишут подряд: 555 — лучший клиент, 111 — худший, а пять уровней по трём показателям дают 125 ячеек. Описание Кахана 1998 года — тот же рецепт, и он отмечает, что при таком расчёте часто проявляется закон 80/20: небольшая доля клиентов приносит большую часть выручки.

Шкалы в инструментах разные. Klaviyo оценивает от 1 до 3 и по умолчанию ставит 3 по давности за покупку в последние 180 дней. Braze оценивает от 0 до 3 в окне до 60 дней. Amperity ставит оценки от 1 до 10 по процентилям за предыдущие 12 месяцев. Шкала важна меньше, чем её неизменность.

B2B-команды, у которых нет надёжных сумм заказов, иногда заменяют денежную ценность ценностью целевых действий, например скачиваний white paper или регистраций на мероприятия. Этот вариант называют RFV.

От оценок к сегментам

Команды сводят 125 ячеек в несколько именованных групп, и названия здесь — договорённость, а не стандарт. Отчёт Shopify раскладывает клиентов на 11 групп по давности и среднему из оценок частоты и денежной ценности, округлённому вниз. Klaviyo выделяет шесть групп, от Champions до Inactive, и для каждой задаёт сочетания оценок. Braze проверяет десять групп по порядку приоритета и относит пользователя к первой подходящей.

С углами сетки всё понятно. Недавние, частые и щедрые клиенты — ваши чемпионы, а давно ушедшие и малоактивные, скорее всего, потеряны. Главные деньги — в группе ушедших, у которых были высокая частота и большие траты: Braze называет её «cannot lose them» («нельзя терять»). Для клиентов, которые начинают уходить, Klaviyo советует кампанию по возврату с выгодой или просьбой об отзыве.

Правда ли, что давность важнее всего

Обычно да. Фейдер, Харди и Ли изучили 23 560 клиентов когорты CDNOW за первый квартал 1997 года и разделили их на трети по каждому показателю. Средняя будущая ценность самой давней трети составила 10 долларов, а самой недавней — 201. По частоте разброс шёл от 18 до 205 долларов, по денежной ценности — от 31 до 160. Авторы считают, что это согласуется с распространённым мнением: давность отличает клиентов лучше всего, поэтому метод называют RFM, а не FRM.

В той же работе денежная ценность среди повторных покупателей почти не зависит от частоты: корреляция 0,11, а после удаления одного выброса — 0,06. Это данные одного интернет-магазина музыки, и авторы пишут, что прежде, чем считать это общим правилом, нужно проверить на других наборах.

Чего RFM не скажет

RFM описывает прошлое. В документации Amperity прямо сказано, что её оценки RFM охватывают скользящий год и для вопросов о будущем менее точны, чем прогнозная пожизненная ценность. Фейдер, Харди и Ли добавляют три проблемы версий RFM на основе скоринговых моделей: они предсказывают только следующий период, требуют данных за два периода и принимают наблюдаемые значения RFM за постоянные свойства клиента, хотя это шумные показания его поведения.

В данных CDNOW есть и ловушка. У клиентов с низкой давностью более высокая прошлая частота шла вместе с более низкой будущей ценностью. Авторы называют это парадоксом растущей частоты. Клиент, который часто покупал, а потом замолчал, возможно, ушёл.

Выход — оставить те же входные данные, но сменить математику. Модель Парето/NBD, которую предложили Шмиттлайн, Моррисон и Коломбо, по числу и времени покупок оценивает вероятность того, что клиент ещё активен. Фейдер, Харди и Ли сочетают её с моделью трат и прогнозируют пожизненную ценность только по давности, частоте и денежной ценности.

О причинах покупок RFM тоже молчит. Это поведенческая основа для сегментации рынка, а группы, построенные на потребностях, отвечают на другой вопрос. Как меняется вся база от периода к периоду, смотрите в разделе про growth accounting. План Growth Lab можно начать с чемпионов, которых надо удержать, и покупателей в зоне риска, которых стоит вернуть.

Как применять: RFM-анализ: что это и как провести по шагам

1. Зафиксируйте единицу и окно. Решите, кто у вас клиент (человек, аккаунт, мерчант) и за какой период считаете оценки. Например, за последние 12 месяцев: так работают встроенные атрибуты Amperity. Результат: одно определение клиента и один записанный диапазон дат.
2. Соберите по одной строке на клиента. Из таблицы заказов для каждого ID посчитайте дату последнего заказа, число заказов и общую или среднюю сумму трат. Результат: таблица с исходными значениями R, F и M.
3. Оцените каждый показатель от 1 до 5. Расставьте клиентов по каждому показателю и разделите список на пять равных групп. Самым недавним покупателям поставьте 5 по давности, самым частым — 5 по частоте, самым щедрым — 5 по сумме. Результат: три оценки на клиента, где 555 — лучший результат, а 111 — худший.
4. Сведите 125 ячеек в именованные сегменты. Сто двадцать пять кампаний никто не проведёт, поэтому объедините комбинации в 5–11 сегментов с понятными названиями: чемпионы, лояльные, в зоне риска, потерянные. Результат: у каждого клиента есть метка сегмента, а по каждому сегменту известно число клиентов.
5. Дайте каждому сегменту одно действие и проверьте его. Для каждого сегмента напишите одно предложение или сообщение: чемпионам, например, ранний доступ, а покупателям в зоне риска письмо с возвратом. Прежде чем отправлять всем, проверьте на выборке и сравните отклик с точкой безубыточности. Результат: список сегментов с проверенным действием и решением «запускаем» или «не запускаем».
6. Пересчитывайте по расписанию и следите за переходами. Пересчитывайте раз в месяц или каждый день, если инструмент это умеет, и отслеживайте клиентов, которые перешли из сегмента в сегмент: только что стали чемпионами или только что скатились в зону риска. Результат: регулярный отчёт с размерами сегментов и перемещениями.

Примеры

RFM-отчёт Shopify

Shopify оценивает каждого клиента от 1 до 5 по давности, частоте и сумме, получает 125 комбинаций и раскладывает их на 11 групп, от Champions до Dormant. В руководстве сервиса для чемпиона с оценкой 555 предложено приглашение на предварительный показ товара, а для клиента в зоне риска с оценкой 244 — предложение на основе категории прошлой покупки.

CDNOW: документированный набор данных

Фейдер, Харди и Ли изучили 23 560 клиентов, которые сделали первую покупку в CDNOW в первом квартале 1997 года. Клиенты из верхней трети сразу по давности, частоте и сумме давали около 38 процентов будущей ценности когорты, а средняя ценность когорты составляла около 47 долларов на клиента.

Платёжный провайдер оценивает мерчантов

Иллюстративный пример. У провайдера 1 000 мерчантов. Давность — это число дней с последнего обработанного платежа, частота — число активных дней за последние 90, денежная ценность — объём обработанных платежей за те же 90 дней. На каждом уровне оценки оказывается по 200 мерчантов. Мерчант с оценкой 2 по давности и 5 по частоте и по сумме раньше был одним из крупнейших, а теперь затих, поэтому первым ему звонит аккаунт-менеджер.

Когда применять

Применяйте, когда у вас есть повторные покупки или повторные транзакции, ID клиента и хотя бы несколько сотен клиентов, а выбрать, кому писать, звонить или кого возвращать, нужно быстро и объяснимо. Метод подходит интернет-магазинам, клиникам, подпискам с оплатой по факту использования и платёжному бизнесу.

Когда не применять

Не применяйте его к разовым покупкам вроде квартиры или единственной операции: оценивать повторное поведение там нечего. И не используйте метод в одиночку, чтобы прогнозировать пожизненную ценность клиента или оценивать клиентскую базу: он описывает только прошлое и не говорит, с какой вероятностью клиент всё ещё активен.

Частые ошибки

• Путают определения. Shopify считает денежную ценность как общие траты за окно, а Фейдер, Харди и Ли и библиотека lifetimes берут среднюю сумму покупки. Выберите один вариант и напишите, какой.
• Оценивают давность наоборот, и давно ушедшие клиенты получают 5. Прежде чем что-то отправлять, убедитесь, что 555 — это ваш лучший сегмент.
• Превращают 125 ячеек в 125 сегментов. Сведите их в несколько таких, у каждого из которых есть действие и ответственный.
• Считают надёжным частого покупателя, который перестал покупать. В данных CDNOW при низкой давности более высокая прошлая частота означала более низкую будущую ценность.
• Меняют окно или пороги каждый месяц, и размеры сегментов колеблются по причинам, которые к клиентам не относятся.

Вопросы и ответы

Что такое RFM-анализ в маркетинге?

RFM-анализ ранжирует клиентов по давности (дни с последней покупки), частоте (число покупок) и денежной ценности (сумма трат). Каждый показатель оценивают, чаще всего от 1 до 5, и по оценкам клиента относят к сегменту. Маркетологи используют сегменты, чтобы выбирать предложения, беречь лучших покупателей и возвращать затухающих.

Чем ABC-анализ отличается от RFM-анализа?

ABC-анализ ранжирует клиентов или товары по одному показателю, обычно по выручке, и делит список на классы A, B и C. RFM ранжирует клиентов сразу по трём показателям, и один из них, давность, показывает, покупает ли крупный клиент до сих пор. Крупный клиент может быть в ABC классом A, а в RFM — в зоне риска.

Сколько сегментов RFM нужно?

Столько, на сколько вы способны действовать. Сервисы различаются: во встроенном отчёте Klaviyo 6 групп, у Braze в списке 10, в отчёте Shopify 11. Начните с четырёх-шести, дайте каждому одно действие и делите сегмент, только когда его участникам нужно разное сообщение.

Как часто пересчитывать оценки RFM?

Раз в месяц — рабочий вариант по умолчанию. Klaviyo обновляет свои RFM-свойства ежедневно, а встроенные атрибуты Amperity берут скользящие 12 месяцев. Что бы вы ни выбрали, держите окно и пороги неизменными: тогда изменение размера сегмента отражает поведение клиентов, а не смену правил.

Хорошо ли RFM предсказывает пожизненную ценность клиента?

Как отправная точка — хорошо, как прогноз — слабо. Фейдер, Харди и Ли нашли в данных CDNOW сильную связь давности и частоты с будущей ценностью, но одни оценки RFM не дают вероятности того, что клиент ещё активен. Вероятностные модели вроде Парето/NBD берут те же входные данные и прогнозируют ценность.

Источники

1. Peter Fader, Bruce Hardie and Ka Lok Lee, RFM and CLV: Using Iso-value Curves for Customer Base Analysis, Journal of Marketing Research 42(4), 2005 (working paper)
2. Bruce Hardie, abstract of RFM and CLV: Using Iso-value Curves for Customer Base Analysis
3. David Schmittlein, Donald Morrison and Richard Colombo, Counting Your Customers: Who Are They and What Will They Do Next?, Management Science 33(1), 1987
4. Jan Roelf Bult and Tom Wansbeek, Optimal Selection for Direct Mail, Marketing Science 14(4), 1995
5. Connie Bauer, A Direct Mail Customer Purchase Model, Journal of Direct Marketing 2(3), 1988
6. Ron Kahan, Using database marketing techniques to enhance your one-to-one marketing initiatives, Journal of Consumer Marketing 15(5), 1998
7. Prasad Naik and Nanda Piersma, Understanding the Role of Marketing Communications in Direct Marketing, working paper, 2002
8. Jedid-Jah Jonker, Richard Paap and Philip Hans Franses, Modeling charity donations: target selection, response time and gift size, Econometric Institute report EI 2000-07/A, 2000
9. Jim Porzak, RFM in the 21st Century, useR! 2017 poster
10. Chief Marketer, Database guru Arthur Hughes dies
11. Jedid-Jah Jonker, Nanda Piersma and Rob Potharst, Direct Mailing Decisions for a Dutch Fundraiser, ERIM report ERS-2002-111-LIS, 2002
12. Steve Smith, Pumping up email IQ with catalog RFM, MediaPost, 2008
13. IBM, SPSS Statistics: RFM analysis
14. Shopify, RFM analysis: definition and segmentation guide
15. Amperity Docs, Recency, frequency, monetary
16. Klaviyo Academy, RFM analysis
17. Klaviyo Academy, Identify key customer cohorts with the RFM analysis
18. Braze Docs, RFM SQL segments
19. Braze, RFM segmentation
20. lifetimes documentation, Quickstart (BG/NBD and Gamma-Gamma models)

Обновлено 15 октября 2026

Илья ПушинОснователь PUSHERS & COO Fintech ServiceИлья строит операционные системы для растущих компаний в медицине и финтехе. С 2021 года руководит трансграничными платежами в ARBI Exchange, лицензированном обменнике в Таиланде, включая KYC, AML и выход в новые юрисдикции.Об автореLinkedIn