🛒 Сегментатор клієнтів — RFM-аналіз наживо

RFM означає Recency (наскільки нещодавно клієнт купував), Frequency (наскільки часто він купує) і Monetary value (скільки він витрачає). Маркетингові команди використовують його, бо він перетворює сиру історію транзакцій на компактний трицифровий відбиток кожного клієнта, що сильно корелює з майбутньою ймовірністю покупки та довічною цінністю, без потреби в навченій моделі машинного навчання. Це одна з найстаріших і найпоширеніших технік сегментації клієнтів у прямому маркетингу та електронній комерції, цінна тим, що проста в обчисленні, легко пояснюється зацікавленим сторонам і безпосередньо застосовна — кожен сегмент відповідає конкретній дії з утримання чи повернення.

Для кожного симульованого клієнта модель веде справжню історію покупок із мітками часу. Давність — це кількість симульованих днів з останньої покупки цього клієнта. Частота — кількість покупок у межах обраного часового вікна (30-365 днів). Грошова цінність — загальна сума, витрачена в тому ж вікні. Ці три сирі числа перераховуються кожен тік безпосередньо з живого потоку подій покупок — вони не заскриптовані заздалегідь, вони справді змінюються з надходженням нових покупок і виходом старих покупок за межі вікна.

Система з фіксованими порогами могла б сказати «більше 5 покупок дорівнює балу частоти 5» незалежно від поведінки решти клієнтської бази. Квантильна оцінка натомість сортує всю живу популяцію клієнтів за кожною метрикою та ділить її на п'ять рівних груп (квінтилів) за тими межовими значеннями, які фактично дають поточні дані. Клієнт із 3 покупками може отримати 5 у повільний квартал і 2 у швидкий. Ця симуляція виконує це сортування та обчислення меж з нуля при кожному оновленні, тож точки поділу справді зсуваються з реальним розподілом популяції замість того, щоб бути жорстко заданими константами.

Кожен клієнт отримує бали R, F і M від 1 (найгірший квінтиль) до 5 (найкращий квінтиль), а таблиця правил поєднує три в мітку сегмента. Чемпіони мають найвищі бали за всіма трьома осями — нещодавні, часті покупці з високими витратами. Лояльні клієнти добре оцінюються за частотою й грошовою цінністю з непоганою давністю. Група ризику раніше купувала часто, але давність сильно погіршилася. Сплячі та Втрачені клієнти оцінюються низько за всіма показниками. Нові клієнти мають чудову давність, але ще мало історії покупок. Точна таблиця правил застосовується наново до живих балів кожного клієнта кожен тік.

Дві речі змінюються кожен тік: індивідуальні історії клієнтів отримують нові події покупок (або їхня остання покупка стає давнішою), а загальнопопуляційні межі квантилів зсуваються, бо перераховуються з поточних значень усіх. Клієнт може змінити сегмент або тому, що змінилася його власна поведінка (він щойно щось купив, тож давність покращилась), або тому, що поведінка всіх інших змінила точки поділу навколо нього, навіть якщо цей клієнт не зробив нічого. Обидва ефекти є справжніми наслідками живої, відносної до популяції квантильної оцінки.

RFM дивиться лише на історію транзакцій, тож не бачить сигналів наміру, як-от поведінку перегляду, звернення в підтримку чи відповіді на опитування, і трактує одноразову велику покупку так само, як стабільні повторні витрати, якщо суми збігаються. Він також припускає, що минулі патерни покупок передбачають майбутні, що не справджується для сильно сезонних чи одноразових товарів. Оскільки бали відносні до популяції, сегмент клієнта може змінитися лише через зміну решти клієнтської бази, а не через те, що клієнт зробив щось інше — особливість, яку ця симуляція навмисно робить видимою.