RFM-анализ

Есть еще один инструмент сегментации платящих пользователей – RFM-анализ. Он делит пользователей на определенные группы в зависимости от давности (Recency), частоты (Frequency) и общей суммы (Monetary) их платежей.

Обычно задача такого анализа – изучить поведение пользователей и то, как они совершают платежи, чтобы сделать более релевантные предложения каждой из выделенных групп, сформированных по трем критериям.

– Recency – разница между текущей датой и датой последнего платежа, совершенного пользователем.

– Frequency – количество транзакций, которые сделал пользователь за исследуемый временной промежуток.

– Monetary – сумма покупок пользователя за этот же период.

Все эти три показателя рассчитываются отдельно для каждого пользователя за выбранный период, после чего пользователям должна быть проставлена оценка по каждому из трех критериев. Диапазон оценок может быть разный: 1–3, 1–4, 1–5 и т. д. Чем шире диапазон, тем больше групп получится и тем «чувствительнее» и точнее будут показатели, но в то же время тяжелее будет с ними работать из-за большого разнообразия комбинаций.

Как выставлять баллы в RFM-анализе

Для выставления баллов пользователям обычно используется два метода.

– Фиксированные диапазоны

В этом случае необходимо самостоятельно определить границы для каждого из критериев, используя свой опыт работы с продуктом: определить, что значит платеж, совершенный давно или недавно, на крупную сумму или среднюю, и т. д. Затем нужно присвоить пользователям соответствующие оценки.

Например, можно задать следующие рамки для параметров RFM.

Recency

а) Пользователи, которые платили последний раз давно (более 14 дней назад), получат 1 балл.

б) Те, которые платили 8–14 дней назад, – 2 балла.

в) Те, которые платили последний раз недавно (1–7 дней назад), получат 3 балла.

Frequency

а) Совершившие только 1 платеж за выбранный период получат 1 балл.

б) Пользователи, платившие со средней регулярностью и совершившие 2–3 платежа, – 2 балла.

в) Платившие часто и сделавшие более 3 платежей – 3 балла.

Monetary

а) Те, пользователи, которые заплатили $1–10, получают 1 балл, так как это минимальная сумма платежа в проекте.

б) Те, которые заплатили $11–20, получат 2 балла.

в) Те, что оставили в продукте более $20, получат 3 балла.

– Квантили

Второй метод определения границ – использование квантилей. Для этого нужно упорядочить данные по одному из критериев, например количеству платежей, а затем разделить пользователей на равные группы. Например, выделить 4 группы по 25 % пользователей в каждой. Либо выделить первые 10 % пользователей и присвоить им максимальный балл как платящим много, следующим 50 % – 2 балла, и тем, кто платил совсем мало (40 %), – 1 балл. В этом случае границы определяются экспертно.

Попробуем использовать эти методы на примере и предположим, что у нас есть следующие данные о пользователях.

Данные о давности, количестве и сумме платежей пользователей

Вначале попробуем метод фиксированных диапазонов и в качестве границ каждого измерения используем те, что были описаны выше. После чего, исходя из этих значений, проставим оценку каждому пользователю.

Выставление баллов пользователям методом фиксированных диапазонов

Теперь проставим баллы пользователям, используя квантили. Для этого нужно упорядочить их по возрастанию одного из трех показателей и разделить на равные части (пусть этих частей будет 3).

Выставление баллов пользователям по критерию давности платежа с помощью квантилей

Так нужно сделать по каждому показателю. В итоге получаем таблицу с баллами.

Выставление баллов пользователям с помощью квантилей

Когда оценки проставлены, пользователей можно сгруппировать в определенные сегменты. В нашем примере используем первый вариант выставления баллов, когда границы задавались экспертным путем.

Деление пользователей на группы в зависимости от полученных баллов

И, помимо количества пользователей в каждом сегменте, посчитаем доход от них.

Доход в выделенных группах пользователей

Здесь видно, что большая часть пользователей – те, кто платил со средней регулярностью, мало и давно.

Такие пользователи, скорее всего, потеряны для проекта. Но все же можно попытаться их вернуть, связавшись каким-либо образом и предложив что-то, что сейчас может быть им полезно и интересно, тем самым сохранив их в проекте.

Как использовать результаты анализа

Цель RFM-анализа и формирования сегментов заключается в том, чтобы в зависимости от платежного поведения пользователей воздействовать на них определенным образом: отправлять push- или email-уведомления, предлагать бонусы, офферы и скидки, разблокировать контент и т. д. Причем важно все это делать таргетированно – с посылом, который будет релевантен каждой отдельной группе. Таким образом вы сможете перемещать пользователей по RFM-группам, сдвигая их в более выгодные для вас сегменты.

В результате этих действий можно улучшить удержание, возвращая в проект тех платящих пользователей, которые перестали быть активны; можно повысить доход, конвертируя пользователей, совершивших один платеж, предотвращая отток лояльных пользователей.

Вот несколько примеров сегментов, которые можно выделить в результате RFM-анализа.

– Те, кто платил часто, много и недавно (R = 3, F = 3, M = 3), – это самые лояльные и активные пользователи, которых нужно беречь и поддерживать их интерес к проекту.

– Их полная противоположность (R = 1, F = 1, M = 1). Скорее всего, это уже потерянные пользователи: они платили давно, мало и редко.

– Те, кто платил много и часто, но давно (R = 1, F = 2/3, M = 2/3), – лояльные пользователи на грани ухода. Как и предыдущую категорию, можно попробовать вернуть их в проект, прислав push-уведомление или предложив бонус или скидку.

– Тех, кто недавно совершил один платеж (R = 3, F = 1, M = X), стоит мотивировать на совершение повторных платежей.

Поскольку в анализе присутствуют три показателя, а стандартные графики или таблицы обычно имеют два измерения, и чаще всего два из них совмещают. Обычно это Frequency и Monetary или Frequency и Recency.

Отчет RFM-анализ

Стоит отметить, что показатель Monetary не всегда учитывается для сегментации платящих пользователей. Одной из разновидностей такой сегментации является RF-анализ, который учитывает только давность и частоту платежей, уменьшая количество групп и упрощая восприятие результатов.

RFM-анализ – полезный инструмент сегментирования пользователей, позволяющий проанализировать платящую аудиторию проекта, выявить превалирующие сегменты, таким образом определить слабые места в приложении, а также повысить удержание, конверсию и доход, взаимодействуя с каждым пользовательским сегментом наиболее подходящим способом.