Зарплатный опрос Биржевой опрос

Александр Семенов

Сегментация пользователей с помощью RFM-анализа

Теги:

Как с помощью RFM-анализа можно изучить поведение пользователей и то, как они совершают платежи, – рассказывает аналитик devtodev Вера Карпова в нашей серии материалов «Показатели эффективности игр».

Публикация выходит в рамках цикла материалов об игровых метриках от App2Top.ru и devtodev. Статьи делятся по сезонам, каждый из которых посвящен конкретной теме. Второй сезон называется «Пользователи». В нем мы рассказываем про те бизнес-метрики, которые отражают эффективность приложения в плане работы с аудиторией.

Вера Карпова

В данной статье пойдет речь про 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, 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 промежуток времени.
  • Monetary – сумма покупок пользователя за этот же исследуемый 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 так далее. Чем шире диапазон, тем больше групп получится и тем «чувствительнее» и точнее будут показатели, но в то же время тем будет тяжелее с ними работать из-за большого разнообразия комбинаций.

Для выставления баллов пользователям обычно используется два метода:

1) Фиксированные диапазоны

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

Например, можно задать следующие рамки для параметров RFM:

Recency

а) Те пользователи, которые платили последний раз давно (более 14-дней назад) получат 1 балл.
б) Те, кто платили 8-14 дней назад – 2 балла.
в) Те, кто платил последний раз недавно (1-7 дней назад) получат 3 балла.

Frequency

а) Совершившие только 1 платеж за выбранный период – 1 балл.
б) Кто платил со средней регулярностью и совершил 2-3 платежа – 2 балла.
в) Кто платил часто и сделал более 3 платежей – 3 балла.

Monetary

а) Те, кто заплатил $1-$10 получают 1 балл, так как это минимальная сумма платежа в проекте.
б) Те, кто заплатил $11-$20 получат 2 балла
в) Те, кто оставил в продукте более $20 получат 3 балла.

2) Квантили

Второй метод определения границ – использование квантилей. Для этого нужно упорядочить данные по одному из критериев, например, по количеству платежей, а затем разделить пользователей либо 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.

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.

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).

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

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

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

Из этого видно, что большее кол-во пользователей – те, кто платили 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 может быть им полезно и интересно в этот момент, сохранив тем самым их в проекте.

Цель RFM-анализа и формирования сегментов заключается в том, чтобы в зависимости от платежного поведения пользователей, определенным образом на них воздействовать: отправлять пуш или email-уведомления, предлагать бонусы, офферы и скидки, разблокировать контент и так далее. Причем важно делать все это таргетированно с посылом, который будет релевантен каждой отдельной группе.

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 тем самым отток лояльных пользователей.

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

1) 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.

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

3) Те, кто когда-то 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 их вернуть в проект, прислав push уведомление или предложив бонус или скидку

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

Поскольку в анализе присутствуют 3 показателя, стандартные графики или таблицы обычно имеют 2 измерения, чаще всего 2 из них совмещают. Обычно это «frequency и monetary» или «frequency и recency», как в devtodev.

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 кол-во групп и упрощая восприятие результатов.

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

Читайте также материалы про другие метрики:

Теги:

Комментарии


Ответить
Оставлять комментарии могут только зарегистрированные пользователи.
×