Сегментируем базу подписчиков: модифицированный RFM-анализ для сайтов без ecommerce

Для сегментации базы email-подписчиков маркетологи предлагают RFM-анализ (Recency, Frequency, Monetary), который анализирует давность, частоту и суммарную стоимость покупок. Метод зарекомендовал себя для сферы ecommerce. Команда аналитиков Convergent Media Group адаптировала RFM-анализ для сегментации подписчиков на сайтах без онлайн-продаж.

Главное отличие модифицированного RFQ-анализа от RFM — параметр целевого действия. Логично, что для интернет-магазинов ключевое целевое действие — покупка товара на сайте. Именно это отслеживает показатель Monetary (суммарная стоимость покупок на пользователя).

Чтобы RFM-анализ работал для сайтов, цель которых не в онлайн-продажах, достаточно заменить параметр Monetary на Quality (качественный показатель), на месте которого может выступать любое целевое действие пользователя на сайте: скачивание лид-магнита, посещение определённой страницы или даже длительность сессии. То есть вместо суммы покупок в RFQ-анализе оценивается качество поведения пользователя.

В чём суть?

По каждому параметру — R, F и Q — выделяется несколько сегментов подписчиков и сортируется в порядке от худшего к лучшему. Например, если брать параметр R (давность), то можно выделить 3 сегмента и расположить их в таком порядке.

1. Очень давние.
2. Давние.
3. Новые.

Здесь важно определить границы сегментов. Пользователь был на сайте три месяца назад — это давно или недавно? 4 посещения — много или мало? В каждом случае границы сегмента рассчитываются индивидуально с помощью, например, обычных статистических расчётов среднего или медианного значения, или квартилей.

R — Recency, Давность

Параметр давности — самый сложный, потому что среднюю величину непросто посчитать. Например, из-за потерянных пользователей или сезонных изменений на рынке этот показатель может постоянно искажаться.

При анализе особое внимание обратите на спящих посетителей — для реактивации аудитории сайта с этим сегментом работать выгоднее, чем привлекать новых пользователей или возвращать к жизни потерянных.

Сейчас мы предложим сегментацию пользователей по параметру давности и на примере клиентского кейса определим, когда пользователь становится потерянным или спящим.

Как определить потерянных пользователей?

Нужно рассчитать показатель CLT — customer lifetime. Сделать это можно с помощью когортного анализа.

Всех подписчиков можно разделить по дате регистрации на когорты — группы пользователей. Для того чтобы найти потерянных посетителей сайта, нужно посмотреть, через какое время после регистрации пользователи перестают переходить на сайт. Чем больше времени охватывают данные, тем лучше.

На табличке ниже — наши расчёты для одного из клиентов. Мы провели когортный анализ аудитории сайта с момента настройки user ID.

Мы исключили влияние рассылок и выяснили, что большинство пользователей перестают посещать сайт через 4 месяца после регистрации. Поэтому к сегменту потерянных пользователей мы относим тех, кто на сайте в последний раз был более 4 месяцев назад.

Остальные сегменты параметра рассчитать несложно: единственная разница между ними — в сроке посещения сайта. Сегмент недавних посетителей можно рассчитать интуитивно, взяв за давность последней сессии, например, 1 месяц. Тогда пользователи, которые не подходят ни под категорию потерянных, ни под категорию недавних, попадают в сегмент спящих посетителей сайта.

F — Frequency, Частота

Частота — количество посещений сайта с момента регистрации. Чем чаще пользователь заходил на сайт, тем вероятнее он зайдёт на него снова и совершит целевое действие.

Многие маркетологи предлагают делить пользователей по частоте на равные группы. Но на практике лучше ориентироваться на распределение показателя, а группы могут получаться разного объёма.

Мы оценили частоту посещений сайта клиента по графику ниже и решили выбрать такое разделение на группы:

Трёх сегментов в параметре F достаточно. Если для бизнес-задач нужно больше трёх групп пользователей, можно разбить группу «частые посетители» на подгруппы, но увлекаться не стоит: иначе процесс аналитики превратится в расчёты ради расчётов.

Q — Quality, качественный параметр

Если мы не берём параметр Monetary, то какой именно показатель может выступать вместо него?

Вот несколько вариантов, что можно взять за Q-параметр в анализе.

Качественные характеристики посещений сайта

Например, среднее количество просмотренных страниц или средняя продолжительность сессии. По этому параметру можно разбить пользователей на следующие сегменты.

• Для игровых ресурсов: если на сайте используется монетизация за счёт показов рекламы, можно рассматривать продолжительность сессии.
• Для медиаресурсов: количество просмотренных страниц или дочитываемость материалов.

Совершение целевого действия

Любое действие, которое вы сочтёте ценным для вашего сайта и которое можно связать с конкретным пользователем.

Например, посещение определённой страницы, подписка на новости или даже покупка в офлайн-магазине по промокоду из личного кабинета.

В этом случае сегмента получится 2.

• Для платформы с онлайн-курсами: скачивание полной программы курса.
• Для сайта-визитки: заполнение лид-формы.

Частота целевых действий

В отличие от предыдущего пункта здесь учитывается именно количество совершённых действий. Разбиваются на сегменты примерно так же, как F (частота).

• Для сайта с каталогом продуктов: суммарное количество посещений продуктовых страниц.
• Для видеохостинга: суммарное количество просмотренных пользователем минут видео.

В качестве показателя Q для нашего клиента мы взяли длительность сессии.

У нас получился такой график:

Распределение средней продолжительности сессии пользователя показало, что аудиторию можно разделить на 3 сегмента.

• не заинтересованные (средняя сессия меньше 1 минуты)
• проявляют некоторый интерес (1–5 мин)
• заинтересованные (5+ мин)

Что дальше?

Когда границы сегментов чётко определены, каждому посетителю сайта присваивается значение по всем трём параметрам. Каждый уникальный набор значений Recency, Frequency и Quality — отдельный сегмент со своей интерпретацией значений.

В результате такого обобщения получается, как правило, много близких по значению сегментов, которые можно и нужно объединять.

В итоге получится вот такая таблица сегментов аудитории:

В таблице мы видим, что 49,4% пользователей сайта — случайные посетители в прошлом, а нужных сайту активных пользователей всего 0,22%. Такая сегментация позволяет определить, с какими сегментами аудитории нужно работать в первую очередь.

Количество сегментов и способ их объединения могут быть разными в зависимости от целей сайта.

Почему нельзя объединить сегменты изначально?

Потому что тогда мы лишаемся возможностей гибкого объединения сегментов, что иногда пригождается для специфических email-рассылок.

Каждый сегмент подписчиков требует особого подхода: наполнение писем и частота рассылок могут отличаться для каждой группы. Как именно настроить email-маркетинг для каждого сегмента — это тема для отдельной статьи.

Распределение пользователей по сегментам удобно видеть на графике. Бывает, проблематично строить график по трём измерением или отражать сразу все 27 сегментов. Выход — построить отдельные графики по давности:

Как применять данные RFQ-анализа?

Для сегмента «потерянные постоянные посетители» мы разработали отдельную цепь email-писем, которая призывала пользователей перейти на сайт. 29% сегмента посетили сайт в течение недели. Через месяц 41% пользователей, которые перешли на сайт из этой цепи писем, попали в категорию активных пользователей.

Что в итоге?

Результаты RFQ-анализа.

1. База email-подписчиков, сегментированная на основе поведенческих характеристик. То есть готовые группы пользователей для рассылок.
2. Оценка распределения пользователей по поведенческим факторам.
3. Возможность анализировать изменения в поведении пользователей.
4. Инструмент работы с показателем Retention (удержание пользователя).

Что потребуется для RFQ-анализа?

• Настроенный user ID (Google Analytics, Яндекс.Метрика) — действия каждого пользователя отслеживаются по уникальному идентификатору.
• User ID сопоставляется с базой email-адресов.
• Данные собираются длительное время.
• Пользователи преимущественно авторизуются на сайте.

Резюмируем

RFQ-анализ — точный способ сегментировать базу подписчиков. Чёткое понимание особенностей пользовательского поведения — ключ к составлению успешной стратегии вовлечения аудитории и реактивации неактивных пользователей.

Преимущество RFQ-анализа — в гибкости настроек сегментов. Этот метод можно подогнать под конкретные задачи каждого сайта.

Результаты анализа можно и нужно использовать на практике. Привлечение нового пользователя обычно выходит дороже реактивации лояльного в прошлом посетителя. В следующих статьях мы расскажем, как эффективно выстроить коммуникацию с каждым отдельным сегментом.

Мнение редакции может не совпадать с мнением автора. Ваши статьи присылайте нам на 42@cossa.ru. А наши требования к ним — вот тут.