RFM-анализ: методика и практика применения

Голубков Е.П.,
заслуженный деятель науки РФ, д. э. н., профессор Российской академии
народного хозяйства и государственной службы при Президенте РФ

В статье рассмотрены сущность и методика проведения FRM-анализа. Приводятся примеры расчета по FRM-моделям, описываются области их практического использования. Раскрыто содержание модифицированных FRM-моделей, включающих такие дополнительные атрибуты, как длительность взаимодействия компании со своими потребителями и затраты, зависящие от числа потребителей.

Сущность и алгоритм проведения RFM-анализа
Сущность RFM-анализа
Концепция RFM-анализа была введена в работе [3] и оказалась очень эффективной в применении к базе данных в маркетинге [2]. Данный вид анализа основан на трех переменных.

1. Recency – давность покупки (период, который прошел с момента последней покупки до сегодняшнего дня). Чем меньше времени прошло с момента последней покупки, тем более вероятнее, что потребитель вернется снова.

Следует отметить, что для каждой сферы бизнеса понятие «покупка» свое.

Это может быть как покупка телевизора (если речь идет об обычном магазине, интернет-магазине аудио-, видеотехники), так и переход на новый тарифный план (если речь идет об интернет-провайдере, веб-студии и т.д.) и вообще любое изменение клиентом предыдущей модели сотрудничества.

2. Frequency – частота покупок (сколько всего покупок сделал потребитель за всю историю общения с компанией). Считается, что, чем больше делает покупок тот или иной потребитель, тем выше вероятность того, что в следующем периоде он снова сделает покупку.

3. M-netary – денежная ценность покупок (общая сумма денег, на которую были совершены покупки). Чем больше средств потратил потребитель, тем с более высокой вероятностью он их потратит снова.

В работе [1] описываются типовые зависимости вероятности повторного заказа (покупки) (принадлежности к позитивному классу) от RFM-переменных, подтверждаемые большим количеством экспериментальных данных.

R-переменная. Вероятность принадлежности к позитивному классу отрицательно зависит от recency: чем больше времени прошло с момента последнего заказа, тем меньше вероятность будущего заказа. Типичный вид кривой recency представлен на рис. 1.

Покупателю свойственно делать заказ повторно через не очень большой промежуток времени, т.е. пока покупатель еще не забыл о существовании компании, с которой взаимодействует. Более того, приобретая привычку, покупатель ощущает необходимость делать привычное действие все чаще.

Когда же покупатель теряет привычку, интервал между последним его заказом и будущим, которого, скорее всего, не будет уже никогда, вырастает до бесконечности. Эффект частоты и промежутка времени между последующими действиями открывает еще один постулат, который объясняется ниже.

F-переменная. Вероятность принадлежности к позитивному классу положительно зависит от frequency: чем больше заказов сделал клиент, тем больше вероятность, что он сделает еще один заказ. Типичный вид кривой frequency представлен на рис. 2.

M-переменная. Вероятность принадлежности к позитивному классу положительно зависит от m-netary: чем больше потрачено денег, тем больше вероятность будущего заказа. Этот постулат также очевиден и не требует особых пояснений.

Типичный вид кривой показан на рис. 3.

Методика проведения RFM-анализа
1. Исследование Recency. Для начала здесь нужно определиться с тем, что будет являться критерием активности клиента. Это может быть покупка, посещение магазина или даже переход по ссылке в Интернете на сайт компании. Все зависит от того, какие цели преследует компания, проводя анализ, и от специфики ее деятельности. Данное исследование проводится в следующей последовательности:
- для каждого клиента определяется дата последней покупки;
- для каждого клиента рассчитывается давность покупки как разность между текущей датой и датой последней покупки;
- полученные данные разбиваются на пять групп (квантилей). Каждый потребитель при этом получает идентификатор от 1 до 5 в зависимости от его активности по совершению покупок.

Например, 5 – действия, совершенные за последний месяц; от 1 до 2 месяцев назад – 4; от 2 до 3 месяцев назад – 3; от 3 месяцев до полугода – 2 и от полугода до года – 1.

2. Определение Frequency. Принцип распределения потребителей на пять групп здесь такой же, как и в Recency. Только вместо выделения временных отрезков нужно определить, какое количество покупок будет критерием вхождения потребителя в ту или иную группу. Например, 20 и более покупок – пятая группа, 0 – 2 покупки – первая группа.

Данное исследование проводится в следующей последовательности:
- для каждого потребителя определить количество покупок за определенный период;
- разбить полученные данные на 5 групп. Потребителям, совершившим наибольшее число покупок, будет присвоен код F=5, наименее активные покупатели получат F=1.

3. Классификация по параметру M-netary. Здесь все так же, как и в предыдущих пунктах. Помещение потребителя в ту или иную группу осуществляется на основе величины затраченных на покупки средств.

Данное исследование проводится в следующей последовательности:
- для каждого потребителя определить сумму потраченных денег;
- разбить полученные данные на 5 групп. Потребителям, потратившим наибольшие суммы, присваивается код М=5; потребителям, потратившим наименьшие суммы, – М=1.

4. Объединение результатов, полученных на предыдущих этапах анализа.

Каждый клиент при этом получит код RFM, состоящий из трех цифр.

Возможно возникновение совпадающих наблюдений – 2 и более одинаковых значений недавности, частоты, денежной суммы. Желательно, чтобы примерно одинаковое число клиентов попадало в каждую категорию, но большое количество совпадающих значений может повлиять на распределение клиентов по категориям [12]. Существует два метода обработки совпадающих наблюдений.

Первый метод – относить совпадающие наблюдения к одной группе. Этот метод относит совпадающие значения к одной категории независимо от того, как они влияют на распределение категорий. Тем самым обеспечивается последовательная группировка: если у двух клиентов – одно и то же значение недавности, то им всегда будет присвоена одна и та же оценка недавности. Однако в крайнем случае у нас может быть ситуация, когда есть 1000 клиентов и 500 из них совершили свою самую последнюю покупку в один и тот же день. При 5 категориях 50% клиентов должны получить оценку недавности 5 вместо желаемых 20%. Отметим, что вместе с изложенным способом группировки метод последовательной группировки немного более сложен для интерпретации оценок частоты и денежной суммы, поскольку оценки частот задаются внутри групп, сформированных по оценкам недавности, а оценки денежных сумм – внутри групп, сформированных по оценкам частот. Таким образом, два клиента с одним и тем же значением частоты не могут иметь одинаковую оценку частоты, если у них при этом разные оценки недавности, независимо от обработки совпадающих наблюдений.

Разносить совпадающие наблюдения по соседним группам следует случайным образом. Метод гарантирует более равномерное распределение категорий. Метод не влияет на первоначальные наблюдения. Он лишь используется, чтобы устранить возможность различного толкования совпадающих наблюдений. Наряду с тем что он обеспечивает равномерное распределение категорий (примерно одинаковое количество клиентов в каждой категории), метод позволяет получить разные оценки для клиентов, которые, по-видимому, схожи, или идентичны, по значениям недавности, частоты и/или денежной суммы – особенно когда обшее количество клиентов относительно небольшое и/или число совпадающих наблюдений велико.

Разнесение потребителей по различным группам (категоризация) может осуществляться с помощью нескольких методов [23].

Во вложенном методе категоризации сначала производится группировка (ранжирование) по показателю недавности (этот показатель считается наиболее важным), затем – по показателю частоты внутри каждой из групп по недавности, затем – по показателю денежной суммы внутри каждого сочетания групп по недавности и частоте. Например, если для клиента мы имеем значения R=1, F=5, M=5, это означает, что сумма покупок данного клиента входит в число 20% наиболее крупных покупок в подгруппе клиентов, относящихся к 20% клиентов в выборке, совершивших покупки давно, и одновременно к 20% клиентов с наибольшей частотой покупок внутри этой группы давно ничего не приобретавших клиентов. Этот метод характеризуется более равномерным распределением RFMоценок. Его недостаток заключается в том, что проранжированные оценки частоты и сумм покупок сложно корректно интерпретировать.

Например, ранг частоты 5 для клиента с рангом недавности 5 не может обозначать то же самое, что ранг частоты 5 для клиента с рангом недавности 4, поскольку ранг частоты зависит от ранга недавности.

Независимый метод разбивает каждый из трех показателей на 5 групп по 20% наблюдений в каждой независимо друг от друга, таким образом он придает одинаковую «важность» каждому из трех показателей. Например, если для клиента мы имеем значение M=5, то сумма покупок для данного клиента входит в число 20% наиболее крупных покупок во всей выборке клиентов. Интерпретация каждого из трех показателей является однозначной и не представляет сложности.

Оценка частоты 5 для одного клиента обозначает то же самое, что и оценка частоты 5 для другого клиента, независимо от их оценок недавности. На небольших выборках проявляется недостаток метода – распределение RFM-оценок становится менее равномерным. В табл. 1 приводится сравнение рассмотренных методов категоризации.

В табл. 1 причисление совпадающих наблюдений к одной группе дает неравномерное распределение категорий: 5 (10%), 4 (40%), 3 (20%), 2 (20%), 1 (10%).

Второй способ дает 20% наблюдений в каждой категории, но достигается это за счет того, что 4 наблюдения с датой 10/28/2006 разносятся по 3 разным категориям, а 2 наблюдения с датой 8/13/2006 отнесены к разным категориям.

Рассмотрим пример определения RFM-показателей [25]. За период анализа был взят период, равный двум месяцам. Использовалась следующая информация: даты последней покупки, количество покупок за два месяца и общая сумма покупок

Определение переменной R. От текущей даты нам нужно отнять дату последней покупки клиента. Получим количество дней. Условно, если мы берем период 60 дней, можем разделить их на 5 групп. Получится каждая группа по 12 дней.

Первая группа включает клиентов, которые сделали покупку в ближайшие 12 дней.

Им присваивается 5 баллов. Следующая группа с покупкой от 13 до 24 дней получает 4 балла и т. д.

Определение переменной F. Нам понадобятся данные о количестве покупок. Для того чтобы разделить клиентов на 5 групп в классе F, нужно выбрать максимальное и минимальное количество чеков / накладных. Обратите внимание на накладные, которые были сделаны в один день на одного клиента. Вам не нужно учитывать все их для переменной F. Один день – максимум одна накладная. Если клиенту «добирали» товар, был довоз или через час после заказа он вспомнил, что что-то не купил, эти «лишние» накладные только негативно повлияют на точность статистики. Итак, мы имеем максимальное количество чеков и минимальное. Предположим это 27 и 2. Определяем границы для классов – (27+2)/5 = 5,8, округляем до 6; 5 баллов получают клиенты с количеством чеков от 21 до 27; 4 – от 15 до 20 и т. д.

Определение переменной M. Определяется по общей сумме покупок. Подход такой же, как и при определении переменной F. Обратите внимание на явные отрывы от общего массива данных. К примеру, если 27 чеков – это единственный показатель, а после него основная масса покупок начинается, скажем, с 21, то, возможно, стоит сдвинуть границы групп. Это относится к каждому из трех показателей. Период анализа индивидуален для каждой компании.

В итоге после проведения анализа можно сформировать целых 125 групп – от 111-й до 555-й (цифры – комбинации номеров групп по каждому показателю).

Но это совсем не значит, что к потребителям каждой группы нужно применять индивидуальный подход. Здесь будет наиболее полезным выделить различные тенденции в поведении потребителей, определить самых важных, ключевых потребителей компании и тех, кто близок к тому, чтобы стать приверженцем данной компании.

Клиенты 555:
- последнюю покупку сделали недавно;
- покупки делают часто;
- денег на покупки тратят много.

Это наиболее привлекательный сегмент, это самые лояльные потребители.

Главный упор в данном случае необходимо делать на формировании лояльных отношений с такими клиентами. От предложений о скидках, акциях и распродажах следует отказаться. Но при этом не нужно думать, что о них можно «забыть», так как они и так не уйдут. Таким потребителям необходимо показать, что они действительно важны компании, что компания благодарна им (создание особых условий, программы лояльности).

Клиенты 111:
- последнюю покупку сделали давно;
- покупок делают мало;
- денег на покупки тратят мало.

Такие клиенты представляют небольшую ценность. В некоторых сферах бизнеса от них целесообразнее отказаться, чем тратить на их привлечение бюджет и время специалистов. Вполне возможно, это «мертвая» зона – сегмент «транзитных» клиентов, которым все равно, у кого покупать, и которые с трудом расстаются со своими деньгами. Попытаться привлечь их снова или понять причину низкой активности – возможные задачи для маркетологов компании.

Клиенты 511:
- последнюю покупку сделали недавно;
- покупок делают мало;
- денег на покупки тратят мало.

Это могут быть:
а) клиенты, которые впервые сделали покупку в магазине;
б) клиенты, к которым вернулся интерес к данной торговой точке. На первый взгляд такие клиенты безнадежны. Вместе с тем есть шанс заинтересовать их привлекательным и вовремя отправленным предложением. Важно мотивировать их скидками, акционными и бонусными предложениями.

Клиенты 115:
- последнюю покупку сделали давно;
- покупок делают мало;
- денег на покупки тратят много.

Такие клиенты, вполне возможно, обдуманно подходят к покупкам и готовы к большим затратам при правильной мотивации. Давность покупок свидетельствует лишь о том, что надо активно действовать по возврату этих клиентов.

RFM-анализ может сослужить полезную службу маркетологу, если стоит цель – изучить клиентскую базу и понять, что, кому, когда, в каких объемах и по какой цене предлагать. В конце концов, это один из способов заработать больше, используя для этого прежние ресурсы [25].

Система бизнес-аналитики -LAP-Эксперт – хороший инструмент для проведения RFM-анализа. Обработка большого объема данных, систематизация, простота масштабирования, визуализация – все это позволит эффективно работать с клиентской базой, повышая лояльность потребителя [27].

Различные направления применения RFM-анализа
RFM-анализ – метод анализа, классификации и сегментации клиентов по степени их лояльности. Кроме того, его применяют для определения доходности клиентов, выявления ключевых клиентов, изучения продуктового ассортимента, оценки вероятности ухода клиентов.

Данный анализ может оказаться полезным для распределения средств, включая человеческие ресурсы, но может также применяться при планировании коммуникационной политики, направленной на клиентов. RFM-анализ может оказаться полезным при выполнении адресной рассылки с предложениями товаров или услуг по выбранной группе заинтересованных клиентов; при отслеживании результатов маркетинговых акций путем измерения процента откликов клиентов на предложения.

Планируя почтовую рассылку, необходимо понимать, что и кому должно быть отправлено, – только тогда данный метод продвижения даст положительный результат.

Возможно использование RFM-анализа для организации эффективной рекламной деятельности.

Можно определить, насколько целесообразно тратить рекламный бюджет на привлечение того или иного клиента. По истории покупок можно решить, заслуживает ли клиент особого маркетингового подхода.

Сегодня большинство коммерческих организаций ведет свою клиентскую базу данных. Это интернет-магазины, сотовые операторы, директ-маркетинговые агентства, сети супермаркетов, сети ресторанов, аптечные сети, авиакомпании, туристические агентства, банки и т.д. Использование RFM-анализа позволяет анализировать данные о клиентах и их потребительских предпочтениях и эффективно пользоваться полученной информацией при планировании маркетинговой деятельности.

RFM-анализ является инструментом, позволяющим проводить оценку потребителей на основе их прошлых действий. Модель RFM прослеживает потребителя через истории приобретений ими определенных продуктов и группирует потребителей в сегменты с одинаковыми размерами покупок, частотой покупок и временем их совершения. RFM-анализ применим только по отношению к состоявшимся потребителям, поскольку у потенциальных потребителей еще нет истории покупок.

Данный метод сегментации клиентской базы одинаково подходит как для потребительского рынка, так и для корпоративного.

Особенно вопрос анализа базы данных клиентов актуален в контексте стремительного развития интернет-торговли. Интернет-магазинов становится все больше, но лишь немногие извлекают достаточную выгоду из онлайн-торговли. Понять предпочтения своих клиентов поможет их сегментация по определенным параметрам, в том числе с помощью RFM-анализа.

RFM-анализ возможно использовать при прогнозировании поведения потребителей.

Предсказательные возможности трех переменных RFM-анализа ранжируются аналогично последовательности букв в названии RFM: recency имеет наилучшую возможность прогнозирования, вторым идет frequency и последним по силе является m-netary [20].

Данная концепция была применена в различных сферах деятельности: например, в таких областях, как компьютерная безопасность [15], для автомобильной промышленности [5], для электронной промышленности [7].

Охарактеризуем более подробно отдельные области возможного применения RFM-анализа.

Ранжирование клиентов
Ранжирование используется при решении различных маркетинговых задач.

В этих целях достаточно часто применяются правило (принцип) Парето и АВС метод анализа клиентской базы. В основе правила Парето и АВС-анализа чаще всего лежит ранжирование по одному показателю – выручка от покупателя за определенный период.

В результате применения принципа Парето объекты исследования (торговые организации различного типа, рестораны и др.) могут сосредоточиться на наиболее ценных клиентах. Наиболее известным примером распределения Парето называют 20/80, т. е. 20% покупателей приносят магазину 80% выручки. В данном случае относительно небольшое число клиентов отвеча ет за основную выручку. Однако на практике это правило может выглядеть также как 30/70, 40/60 и даже 40/55.

АВС-анализ в отличие от принципа Парето распределяет клиентов по выручке не на две, а на три группы: 80/15/5. Расшифровывается данное соотношение как: клиенты, приносящие компании 80% выручки, – это группа А; следующие, приносящие 15%, – это группа В; третья группа, приносящая 5% выручки, – это группа С.

RFM-анализ также основывается на упорядочивании записей о покупателях, но уже по трем показателям. В результате построения RFM-модели всех клиентов, как отмечалось выше, можно проранжировать по интегрированному показателю RFM.

В ситуациях, когда неизвестны показатели, на основе которых можно разнести клиентов по различным классификационным группам, могут использоваться скоринговые модели.

Скоринг (от англ. sc-ring – подсчет очков в игре) – это модель классификации клиентской базы на различные группы, если неизвестна характеристика, которая разделяет эти группы, но известны другие факторы, связанные с интересующей нас характеристикой [26]. В основе скоринговых моделей лежит предположение, что люди со схожими социальными показателями ведут себя одинаково [24].

Априорно принимая такой постулат, можно строить различные статистические модели, весьма полезные при ведении любого бизнеса. Если некоторым социальным характеристикам клиента (пол, возраст, место проживания, должность, длительность работы в одном месте и т.д.) присвоить определенные веса, то каждого нового клиента можно на основе его анкеты отнести к группе сильно или слабо соответствующих бизнесу. То есть клиенту автоматически присваивается целочисленный ранг, указывающий степень доверия и внимания, которое ему следует оказывать со стороны данного бизнеса. Скоринговые модели также в основе своей используют ранжирование. Однако такие модели могут использовать множество показателей, поэтому их можно относить к рейтингу клиентов, например по склонности возврата кредита, покупке товара и т.д. Часто результатом использования такой модели является определение вероятности определенного события. Например, в банковской практике – это вероятность возврата кредита, в рознице – вероятность отклика на инициативу.

Применение скоринговых моделей предполагает использование высококвалифицированных специалистов-аналитиков. Поэтому в практической деятельности в основном применяются другие типы моделей из числа вышерассмотренных.

Использование RFM-анализа при сегментировании
Различные маркетинговые исследования показывают, что сильное влияние на выделение сегментов потребителей оказывают переменные поведенческой истории клиента, нежели результаты анкетирования клиента [11]. Историческое покупательское поведение зачастую является надежным ориентиром, говорящим о будущем покупательском поведении [18; 19]. Поэтому многие модели сегментации ограничиваются тремя переменными, используемыми в RFM-анализе [14].

При сегментировании по давности покупок необходимо определиться с тем, какой временной промежуток берется за основу. Например: сегмент 5 – 0–1 месяц; сегмент 4 – 2–4 месяца; сегмент 3 – 5–8 месяцев; сегмент 2 – 9–11 месяцев; сегмент 1 – 12 месяцев и более [25].

Мы осуществили кодировку базы данных по давности. Исходя из полученных результатов можно предположить, представители какого сегмента быстрее и охотнее откликнутся на наше предложение. Ими будут клиенты с кодом 5. При этом уровень отклика на предложение с кодом 5 будет выше, чем с кодом 4, который, в свою очередь, будет активнее представителей кода 3, и т.д.

Чем свежее память о совершенной недавно покупке, тем выше вероятность еще одной покупки. В данном случае на первый план выходит психология. Что для человека покупка? Удовольствие от того, что деньги инвестируются правильно, что у него появилась долгожданная вещь, которая однозначно улучшит его жизнь. Когда приятные эмоции от совершенной, допустим, вчера покупки еще актуальны, есть все шансы воспользоваться ими и продать такому покупателю что-то еще. И наоборот: чем больше времени прошло с момента последней покупки, тем ниже вероятность того, что этот клиент совершит очередную покупку в этом же магазине.

При сегментации по частоте покупок аналогично предыдущей схеме нужно сегментировать клиентов на пять групп. Например, клиент сделал покупку вчера.

По показателю давности он получит код 5, а по показателю частоты – 1. И таких клиентов, совершивших одну покупку как вчера, так и год назад, большое количество. Именно поэтому группа с кодом 1 окажется большой. Сегментация клиентов по частоте покупок станет хорошей демонстрацией «привязанности» клиентов к компании. Чем чаще клиент пользуется услугами/предложениями, тем вероятнее высокий уровень его доверия.

Например, можно использовать следующую кодировку: сегмент 5 – 20 и больше покупок; сегмент 4 – 15 –19 покупок; сегмент 3 – 11–14 покупок; сегмент 2 – 5 – 10 покупок; сегмент 1 – 0 – 4 покупки.

При сегментации по денежной ценности следует иметь в виду, что показатель денежной ценности покупок менее важен, чем показатели давности и частоты. Однако и его следует учитывать. Чтобы осуществить деление базы данных по денежной ценности, нужно определить для каждого клиента общую сумму денег, на которую он совершил покупки (другие действия). В сегмент с кодом 5 попадут клиенты, которые потратили больше всех денег, в сегмент с кодом 1 – меньше всех.

При этом важно понимать, что покупатели нижнего сегмента (1) могут покупать часто, но за небольшие деньги. То есть они неохотно тратят большие суммы денег, им лучше купить много недорогих товаров, чем совершать серьезные приобретения.

Таким образом, можно предположить, какому сегменту какие товары предлагать (по цене, количеству).

По результатам сегментации каждому клиенту, как отмечалось выше, присваивается трехзначная цифра, состоящая из показателя давности, частоты и ценности.

Всего – 125 ячеек, которые выглядят как 555, 554, 553, 552, 551… 113, 112, 111. Это характеристики клиентов, выраженные в цифрах.

Чтобы понять, насколько правильно осуществлен анализ, следует сформировать предложение и отправить его членам тест-группы, т. е. составить список получателей по принципу «каждый N-й». Как правило, каждый N-й – это каждый 10-й (может быть и другая выборка). Результаты отклика на предложение можно использовать при определении уровня безубыточности. Это – отношение прибыли от продаж участникам тестовой группы к затратам, потраченным на подготовку и рассылку предложения о покупке, адресованного этой же группе:

УрБез = Чистая прибыль с одной продажи /Затраты на акт продажи.

Например, если чистая прибыль одной продажи составила 100 гривен, а затраты на продажу составили те же 100 гривен, значит, уровень безубыточности – 0.

То есть 0 – это тот показатель, которого должна достигнуть тестовая группа, чтобы обеспечить безубыточность продажи [25].

Результаты сегментирования должны помочь разобраться, с какими категориями клиентов предстоит иметь дело и как использовать полученную информацию.

Использование RFM-модели при оценке е-лояльности
Развитие информационных технологий за последние десятилетия привело к росту онлайн-услуг. В результате этого важность е-лояльности стала ключевым аспектом электронной торговли. Под е-лояльностью обычно понимается предпочтительное отношение потребителя к е-продавцу, приводящее к повторным покупкам. Таким образом, вопрос о том, как оценивать е-лояльность к информации, помещенной на веб-сайтах, представляет все больший интерес.

Е-лояльность определялась как е-доверие [16] и е-удовлетворенность. Однако такие оценки основывались на опросах пользователей интернет-услуг. Было предложено использовать RFM-модель, атрибуты для расчета по которой получались на основе данных о поиске нужной информации в Интернете. Для сегментирования пользователей был использован кластерный анализ [4]. Процедура оценки е-лояльности включала регистрацию потока «кликов» посетителей веб-сайтов, на основе которых определялась новизна поиска, его частота и денежная составляющая. Далее данные три атрибута использовались для сегментирования посетителей веб-сайтов на основе PS- (Particle Swarm -ptimizati-n) кластеризации [6; 13].

С помощью предложенного подхода были измерены характеристики различных веб-сайтов. Характер поиска пользователей Интернета был определен на основе журнала регистрации для различных серверов веб-сайтов. Собиралась следующая информация:
R – время последней покупки; время последнего поиска;
F – частота покупки; частота поисков;
M – суммарная стоимость покупок; суммарное время поиска.

В общем случае рассматриваемые три атрибута для различных веб-сайтов и целей исследования имеют разную значимость. Однако в данном исследовании они считались равнозначимыми и е-лояльность рассчитывалась по формуле

Предложенная модель дала возможность выделить группы целевых пользователей с высоким и низким уровнем удовлетворенности веб-сайтами. Фокусируя свое внимание на посетителях сайтов с наиболее высокими показателями е-лояльности, разработчики веб-сайтов могут исследовать причины высокой лояльности к вебсайту, а также определить причины низкой е-лояльности с целью ее повышения.

Модифицированные RFM-модели
В развитие базового варианта RFM-анализа предлагаются различные его версии [17]. Например, предлагается определять относительную значимость (веса – w) каждого атрибута RFM-модели (wR, wF и wM). Также предлагается проводить RFMанализ с определенной периодичностью, чтобы исследовать динамику изменения спроса на определенные продукты. Сегментация может быть улучшена путем учета категорий купленных продуктов, например, 0 – покупка отсутствует, 1 – куплен малогабаритный автомобиль, 2 – куплен автомобиль экономкласса, 3 – куплен автомобиль средних размеров, 4 – куплен автомобиль класса люкс.

Широкое использование возможностей Интернета и взрывной рост электронной коммерции, расширение маркетинговой деятельности в Интернете сделали возможным получение большого объема данных о потребителях. Это способствовало лучшему пониманию потребностей потребителей, улучшению уровня удовлетворения этих потребностей и удержанию потребителей.

Как было показано выше, RFM-модель широко применяется в маркетинге баз данных с целью более глубокого обоснования выбора маркетинговых стратегий.

Для того чтобы более точно определить ценность в течение всего периода осуществления покупок (времени жизни потребителя), предложено использовать модифицированные RFM-модели [17].

Так, для опредения ценности времени жизни потребителя в данную модель добавляется новая, четвертая переменная – L, характеризующая длительность взаимосвязей с потребителями с момента первой покупки. Также предлагается к трем переменным классической RFM-модели добавлять еще переменную C, характеризующую затраты, зависящие от числа потребителей, например, затраты на функционирование отдела по обслуживанию потребителей.

Данная модель была названа LRFMC-моделью. Были проведены расчеты по моделям RFM и LRFMC. Последняя модель дала лучшие результаты.

В работе [10] предложен интегрированный трехступенчатый подход к использованию RFM-анализа, включающий выделение кластеров, классификацию и определение правил получения необходимой информации, что дает возможность на основе лучшего понимания рыночной ситуации разработать эффективные маркетинговые стратегии.

Рассматриваемая RFM-модель включает:
1. На основе выделения кластеров определение сегментов потребителей с подобными RFM-характеристиками. RFM-анализ используется, чтобы оценить лояльность потребителей и выявить целевых потребителей с высокой RFM-ценностью, объединенных в определенные кластеры.
2. На основе полученных сегментов и демографических характеристик (возраст, пол, уровень образования и т.д.) предложены правила классификации, позволяющие прогнозировать будущее поведение потребителей.
3. Предложены правила получения комплексной информации, используемой для выработки продуктовой политики. Здесь было применено положение, согласно которому лучшее предсказание поведения потребителей основывается на его поведении в прошлом [21].

Главное достоинство данного подхода заключается в облегчении процесса поиска различных маркетинговых стратегий для различных сегментов потребителей.

Для принятия маркетинговых решений совместно использованы демографические характеристики потребителей, данные по покупкам и свойства продуктов. Были проведены эксперименты по продажам через веб-сайт товаров спортивного магазина в Турции, которые подтвердили пользу от использования предложенной модели.

Данные для предложенной модели собирались в течение двух лет через вебсайт спортивного магазина. Собранная база данных включала 6149 заказов в 54 продуктовых подгруппах на 2666 покупок, совершенных индивидуальными потребителеми. Заказы на приобретение включали такие показатели, как: вид трансакции, тип продукта, код потребителя, дата заказа, величина заказа, цена, торговые скидки и были или нет использованы методы продвижения.

Данные о потребителях включали такие демографические характеристики, как возраст, пол, семейный статус, уров ень образования и географический регион.

Данные о продукте включали подробные его атрибуты (код, бренд, характер использования и др.).

Правила классификации потребителей на основе демографических показателей и RFM-переменных дали менеджерам полезные знания по выбору маркетинговых стратегий, по прогнозированию будущего поведения потребителей с различными демографическими характеристиками с точки зрения сроков, частоты и стоимости покупок.

Кроме того, использование интегрированного подхода дало возможность совершенствовать характеристики продуктов с учетом всех параметров данной модели.

В заключение следует отметить, что RFM-анализ имеет несколько недостатков.

Во-первых, метод носит дескриптивный характер и прогнозирует поведение потребителей только на основе экстраполяции их поведения в прошлом. Более точные такие оценки могут быть получены на основе прогнозных аналитических моделей.

Во-вторых, он, возможно, менее пригоден для редко приобретаемых товаров, поскольку в этих случаях способность к предсказанию значительно снижается. В-третьих, RFM-анализ игнорирует ценность потребителя, заключающуюся в позитивном или негативном влиянии, которое потребитель может оказывать на других потребителей.

В-четвертых, когда выбираются средства продвижения, ориентированные на целевых потребителей, то предполагается, что все потребители ведут себя подобным образом.

Однако RFM-анализ является эффективным методом суммирования и интерпретации сложных данных о покупках. В общем, RFM-анализ – достаточно простой и полезный способ изучения потребителей. Он также способствует определению жизненного цикла потребителей, фокусирует внимание на действительном поведении потребителей.

Используемые источники
1. Полежаев И.Е. Метод сегментации клиентских баз данных на основе жизненного цикла клиента // Электронный научный журнал «Исследовано в России» – zhurnal.ape.relarn.ru/articles/2006/200.pdf
2. Blattberg R-bert C., Byung-D- Kim, Neslin Sc-tt A. Database Marketing: Analy zing and Managing Cust-mers. – Springer, 2008.
3. Bult Jan R-elf, Wansbee T-m. -ptimal Selecti-n f-r Direct Mail // Marketing Science, v-lume 14, issue 4, N-vember 1995.
4. Chui-Yu Chiu, Zhi-Ping Lin, P--Chia Chen and I-Ting Ku-. Applying RFM m-del t- evaluate the e-l-yality f-r inf-rmati-n-based website// Internati-nal J-urnal –f Electr-nic Business Management, V-l. 7, N-. 4, pp. 278–285, 2009.
5. Chan C.H. Intelligent value-based cust-mer segmentati-n meth-d f-r campaign management: A case study -f aut-m-bile retailer // Expert Systems with Applicati-ns, V-l. 34, N-. 4, May 2008, pp. 2754–2762.
6. Chiu C.Y. and Ku- I.T. Applying h-ney-bee mating -ptimizati-n and particle swarm -ptimizati-n f-r clustering pr-blems // J-urnal -f the Chinese Institute -f Industrial Engineers, V-l. 26, N-. 5, 2009, pp. 426–431.
7. Chiu C-Y., Ku- I-T. & Chen P-C. A market segmentati-n system f-r c-nsumer electr-nics industry using particle swarm -ptimizati-n and h-ney bee mating -ptimizati-n // Gl-bal Perspective f-r C-mpetitive Enterprise, Ec-n-my and Ec-l-gy, Springer L-nd-n, 2009, pp. 681–689.
8. Chui-Yu Chiu, Zhi-Ping Lin, P--Chia Chen and I-Ting Ku-. Applying RFM m-del t- evaluate the e-l-yality f-r inf-rmati-n-based website// Internati-nal J-urnal –f Electr-nic Business Management, V-l. 7, N-. 4, pp. 278–285, 2009.
9. Chiu C.Y. and Ku- I.T. Applying h-ney-bee mating -ptimizati-n and particle swarm -ptimizati-n f-r clustering pr-blems // J-urnal -f the Chinese Institute -f Industrial Engineers, V-l. 26, N-. 5, 2009, pp. 426–431.
10. Derya Birant Data Mining Using RFM Analysis. – cdn.intech-pen.c-m/pdfs/13162/InTech-Data_mining_using_RFM_analysis.pdf
11. Dirk Van den P-el. Predicting Mail--rder Repeat Buying: Which Variables Matter? Ghent University. – Faculty -f Ec-n-mics and Business Administrati-n, Department -f Marketing, H-veniersberg, w-rking papers, D/7012/29, 2003.
12. FM-анализ лояльности клиентов – basegr-up.ru/s-luti-ns/scripts/details/RFM_analysis/.
13. Kennedy J. and Eberhart, R.C. Particle swarm -ptimizati-n // Pr-ceedings -f the IEEE Internati-nal J-int C-nference -n Neural Netw-rks, 1995, pp. 1942–1948.
14. Hughes, Arthur M. B--sting Resp-nse with RFM, Marketing T--ls, 1996. – Электронный научный журнал «ИССЛЕДОВАНО В РОССИИ» 1902. –  zhurnal.ape.relarn.ru/articles/2006/200.pdf
15. Kim H.K., Im K.H. & Park S.C. DSS f-r c-mputer security incident resp-nse applying CBR and c-llab-rative resp-nse // Expert Systems with Applicati-ns, V-l. 37, N-. 1, January 2010, pp. 852–870.
16. Reichheld F.F. and Schefter P. E-l-yalty y-ur secret weap-n -n the Web // Harvard Business Review, V-l. 78, N-. 4, 2000, pp. 105–113.
17. Reza Allahyari S-eini and Ebrahim Fathalizade. Cust-mer segmentati-n based-n m-dified RFM m-del in the insurance industry
18. R-ssi Peter E., R-bert McCull-ch., Greg Allenby (1996), The Value -f H-useh-ld Inf-rmati-n in Target Marketing // Marketing Science, 15, (Summer), 1996.
19. Schmid J., Weber A. Deskt-p Database Marketing, NTC Business B--ks, Chicag-, IL, 1997.
20. Sheppard D. The New Direct Marketing: H-w t- Implement a Pr-fit-Driven Database Marketing Strategy, B-st-n: McGraw-Hill, 1999.
21. Swearingen C. P-werful marketing strategies f-r gr-wing y-urbBusiness N-w! // SmallBiz Marketing Services, 2009, pp. 24–27.
22. atrade.inf-/RFM.html
23. gewissta.livej-urnal.c-m/13149.html
24. irina-chubuk-va.bl-gsp-t.ru/2012/01/bl-g-p-st_18.html
25. searchengines.ru/articles/RFM_analyz.html
26. statistica.ru/h-me/p-rtal/taskb-ards/sk-ring.27.html
27. insba.ru/articles/article/RFM-analiz//