RFM-сегментация клиентов

Кратко

RFM-сегментация раскладывает каждого клиента по трём осям:

• Recency (давность) — сколько дней прошло с последней покупки.
• Frequency (частота) — сколько покупок за период.
• Monetary (сумма) — сколько денег клиент принёс.

Каждой оси присваивают балл от 1 до 5 по квантилям. Три балла вместе дают ячейку вроде R5-F4-M3 — это «лояльный клиент с высокой давностью, но средней суммой». Ячейка превращается в сегмент: «чемпионы», «в зоне риска», «потерянные» — и каждый сегмент получает своё действие.

Метод популярен, потому что работает почти на любых транзакционных данных и не требует машинного обучения. Он интерпретируем: маркетинг понимает «чемпионы» без перевода.

Пример

Базовый SQL для расчёта трёх метрик по каждому клиенту за последние 12 месяцев:

SELECT
  customer_id,
  -- Давность: дни с последней покупки
  DATEDIFF(
    CURRENT_DATE,
    MAX(order_date)
  ) AS recency,
  -- Частота: число уникальных заказов
  COUNT(DISTINCT order_id) AS frequency,
  -- Сумма: выручка за период
  SUM(amount) AS monetary
FROM orders
WHERE order_date >= DATE_SUB(
  CURRENT_DATE,
  INTERVAL 12 MONTH
)
GROUP BY customer_id;

На выходе — таблица из одного клиента на строку с тремя числами. Дальше эти числа превращают в баллы 1–5 и собирают в сегменты.

Как пишется

Балл по каждой оси — это номер квантиля, в который попал клиент. Пять квантилей = пять баллов. В SQL удобно считать через NTILE(5):

WITH metrics AS (
  -- Здесь запрос из раздела «Пример»
  SELECT customer_id, recency, frequency, monetary
  FROM rfm_raw
),
scored AS (
  SELECT
    customer_id,
    -- Recency инвертирован: меньше дней = лучше
    6 - NTILE(5) OVER (ORDER BY recency) AS r,
    NTILE(5) OVER (ORDER BY frequency) AS f,
    NTILE(5) OVER (ORDER BY monetary) AS m
  FROM metrics
)
SELECT *,
  CONCAT('R', r, '-F', f, '-M', m) AS rfm_cell
FROM scored;

NTILE(5) делит строки на пять групп равного размера и возвращает номер группы. Для Frequency и Monetary «больше = лучше», поэтому сортировка по возрастанию. Для Recency «меньше дней = лучше», поэтому балл инвертируем через 6 - NTILE(...).

Возможные значения балла — целые от 1 до 5 по каждой оси. Итоговая ячейка — строка вида R4-F3-M5. Всего 5 × 5 × 5 = 125 ячеек. На практике столько сегментов не нужно, поэтому ячейки группируют в 5–10 бизнес-сегментов по правилам.

Как понять

Почему Recency инвертируется

Recency — единственная ось, где «меньше» означает «лучше». Клиент, который покупал вчера, ценнее того, кто покупал полгода назад. Если этого не учесть и поставить балл по возрастанию, чемпионы получат R1, а потерянные — R5, и логика сегментов перевернётся. Инверсия через 6 - NTILE(5) ставит давних клиентов в R1, недавних — в R5.

Окно наблюдения меняет сегмент

Период, за который считаются метрики, определяет результат. За 30 дней частота 2 — это активный клиент. За 365 дней частота 2 — это случайный покупатель. Окно выбирают под цикл продукта: для подписок — 1–3 месяца, для ритейла — 6–12 месяцев, для недвижимости — несколько лет.

NTILE ломается на ties

NTILE(5) делит на равные группы по строкам, а не по значениям. Если у многих клиентов одинаковая частота (например, 1 покупка), границы квантилей проходят внутри группы одинаковых значений — два клиента с частотой 1 получают разные баллы. Это шум. Решения:

• Использовать ранги (RANK/DENSE_RANK) и делить вручную по порогам.
• Заранее договориться о порогах: «Recency ≤ 30 дней = 5 баллов».
• Для Frequency учитывать «не было покупок» отдельным нулёвым сегментом.

Квантили vs среднее

Иногда балл считают относительно среднего: «выше среднего = 5». Это ломает сегментацию при скошенном распределении — в e-commerce 80% клиентов имеют 1 покупку, и «выше среднего» почти никого не ловит. Квантили стабильнее: каждый балл содержит ~20% базы, сегменты сопоставимы по размеру.

Подсказки

• Окно наблюдения выбирайте под цикл продукта, не по умолчанию 12 месяцев.
• Recency обязательно инвертируйте — это самая частая ошибка.
• Частота = 0 (клиент не покупал в окне) — отдельный сегмент «спящие», не смешивайте с частотой 1.
• Сегментов делайте 5–10, не 125. Бизнес не справится с большим числом действий.
• Проверяйте размер сегментов: «чемпионов» должно быть 5–20%, не 80%.
• Один и тот же клиент в разных окнах попадает в разные сегменты — это нормально, не баг.
• Monetary без Frequency малозначим: один крупный чек ≠ лояльность.

На практике

В проекте volta-banking — аналитика необанка — я не использовал классический RFM с квантильными баллами 1–5. Вместо этого применил K-Means на наборе поведенческих признаков: число транзакций в месяц, средний чек, баланс сбережений, логины в неделю, P2P-переводы, месячная выручка. Это RFM-style подход: та же идея «давность + активность + деньги», но в многомерном виде.

Почему не классический RFM:

• У необанка «активность» — не только покупки. Логины, P2P, сбережения несут сигнал о лояльности, а в R/F/M их не впихнуть.
• K-Means на стандартизованных признаках находит естественные кластеры, а не навязывает границы квантилями.
• Сегменты получились содержательнее: «Power Users», «Growth Users», «Casual Users», «Dormant Users» — с привязкой к выручке и стратегию монетизации на каждый кластер.

Классический RFM с квантилями хорош, когда данных немного, признаков три, и нужна быстрая интерпретируемая сегментация без ML. Когда признаков больше трёх и они разношёрстные — кластеризация честнее. В обоих случаях главный результат — не баллы, а действие на сегмент: «Dormant Users → реактивация пушем с кэшбэком», «Growth Users → апсейл на Premium».

Рецепт для старта с классическим RFM:

1. Посчитайте R/F/M за окно под цикл продукта.
2. Поставьте баллы через NTILE(5), Recency инвертируйте.
3. Сведите 125 ячеек в 6–8 сегментов правилами CASE WHEN.
4. На каждый сегмент — одно действие и одна метрика успеха.
5. Перепроверяйте через 2–4 недели: сегменты сдвигаются, действия уточняются.

На собеседовании

Ссылки

• volta-banking — RFM-кластеризация необанка — полный код анализа с K-Means, профилями сегментов и стратегиями монетизации
• Cohort Retention Guide — когортный анализ как дополнение к RFM
• Bayesian A/B Testing — проверка гипотез на сегментах
• RFM-дашборд — интерактивная карта сегментов