Что такое RFM-анализ и откуда взялось это название
RFM-анализ — это метод сегментации клиентской базы, при котором каждому покупателю присваивается оценка по трём параметрам его покупательского поведения. Расшифровка аббревиатуры: R — Recency (давность), F — Frequency (частота), M — Monetary (деньги).
Метод появился в 1995 году в прямом маркетинге — когда компании рассылали физические каталоги и нужно было понять, кому слать посылку в первую очередь, а кому не слать вообще. Сегодня это один из базовых аналитических инструментов в digital-маркетинге, e-commerce и CRM-маркетинге.
💡
Суть простая: не все клиенты одинаково ценны. Те, кто покупал недавно, часто и на крупные суммы, — золотой актив бизнеса. Те, кто купил один раз три года назад, — практически потерянные. RFM делает это деление наглядным и структурированным.
Три параметра, которые всё решают: R, F и M
В основе метода три показателя, которые отражают реальное поведение клиента.
Recency — давность последней покупки
Это количество дней (или недель, месяцев), прошедших с момента последней транзакции клиента. Логика простая: чем свежее последняя покупка, тем выше вероятность, что клиент купит что-то еще снова.
Важная оговорка: «недавно» — понятие относительное и зависит от ниши. Купленный полгода назад автомобиль — это недавно. Купленный полгода назад крем для лица — это очень давно. Границы нужно выставлять исходя из своего бизнеса.
Frequency — частота покупок
Сколько раз клиент совершал покупки за анализируемый период. Чем чаще человек приходит к вам, тем более он лоялен. Высокочастотный клиент — это тот, кто уже выбрал вас среди конкурентов.
Для продуктового магазина 4 покупки в месяц — норма. Для магазина мебели 4 покупки в год — уже высокая частота. Ориентируйтесь на медиану своей базы.
Monetary — сумма трат клиента
Общая сумма, которую клиент потратил за анализируемый период. Именно этот параметр показывает реальную финансовую ценность клиента для бизнеса.
10 000 рублей с клиента в нише канцтоваров — это очень хорошо. 10 000 рублей с клиента в нише промышленного оборудования — это почти ничего. Снова — всё зависит от контекста.
Кому подходит RFM-анализ, а кому нет
RFM работает там, где есть повторные покупки и достаточная база клиентов.
Подходит для:
- Интернет-магазинов
- Ресторанов, кафе, доставки еды
- Салонов красоты, парикмахерских, спа
- Клиники, стоматологии
- Фитнес-клубов и студий
- Сервисных компаний с регулярными услугами
- B2B-компаний с повторными заказами
- Подписочных сервисов
- Ретейла (продуктового, аптеки, бытовой химии)
Не подходит, если:
- База менее 1 000 клиентов — сегменты будут статистически ненадёжными
- Разовые или редкие покупки: продажа недвижимости, автомобилей, промышленного оборудования — там у клиента физически не может быть высокой частоты
- Стартап младше 3 месяцев — недостаточно данных для корректного анализа
Как сделать RFM-анализ: пошаговая инструкция
Весь процесс укладывается в пять шагов. Для базового варианта достаточно Excel или Google Таблиц.
Шаг 1. Соберите данные
Выгрузите из CRM или базы данных информацию по каждому клиенту:
- Уникальный идентификатор (ID, телефон, email)
- Дата последней покупки
- Общее количество покупок за период
- Суммарная сумма всех покупок за период
Шаг 2. Рассчитайте значения R, F, M для каждого клиента
Для Recency — рассчитайте количество дней от даты последней покупки до сегодняшнего дня. Для Frequency — посчитайте количество транзакций. Для Monetary — просуммируйте все покупки.
Шаг 3. Присвойте баллы каждому параметру
Разбейте клиентов на группы и поставьте оценки от 1 до 3 (или от 1 до 5 — для более детальной сегментации):
| Параметр | Оценка 1 (лучший) | Оценка 2 (средний) | Оценка 3 (худший) |
|---|---|---|---|
| Recency | Покупал недавно | Покупал не очень давно | Покупал давно |
| Frequency | Покупает часто | Покупает редко | Купил один раз |
| Monetary | Тратит много | Тратит средне | Тратит мало |
Бальная система для сегментации
Оценка 1 всегда означает лучший показатель для бизнеса. Клиент с RFM-кодом 111 — ваш лучший покупатель. Клиент с кодом 333 — давно потерянный.
Шаг 4. Создайте RFM-сегменты
Объедините оценки в трёхзначный код: первая цифра — R, вторая — F, третья — M. Получите от 27 (при шкале 1–3) до 125 (при шкале 1–5) комбинаций. Некоторые сегменты в вашей базе могут оказаться пустыми — это нормально.
Шаг 5. Разработайте стратегию под каждый сегмент
Для каждой группы клиентов должна быть своя коммуникация. Именно это превращает RFM из аналитики в деньги. Об этом подробнее в следующих разделах.
Сегменты клиентов и что делать с каждым из них
Все 27 комбинаций можно сгруппировать в 6–7 ключевых типов клиентов.
Чемпионы (код 111)
Покупают часто, недавно и много. Это VIP-аудитория, которая приносит основную выручку.
Что делать: Давать привилегии — ранний доступ к новинкам, персональный менеджер, закрытые распродажи. Не нужно предлагать большие скидки — они и так покупают.
Лояльные клиенты (коды 1x2, 1x3, 2x1)
Покупают регулярно, но не с максимальной частотой или чеком.
Что делать: Программы лояльности, бонусные баллы, рассылки о новинках. Цель — дотянуть до уровня чемпионов через увеличение частоты или чека.
Новые клиенты (коды 1x2–1x3, один раз)
Недавно совершили первую покупку.
Что делать: Welcome-серия писем, прогрев контентом, знакомство с брендом, скидка на второй заказ. Критически важно — не потерять в первые 30 дней.
Спящие (коды 2xx)
Раньше покупали хорошо, но уже несколько месяцев тихо.
Что делать: Реактивационная рассылка с промокодом или специальным предложением. Возможно, стоит провести кастдев-опрос — почему перестали покупать.
Под угрозой оттока (коды 3x1, 3x2)
Раньше покупали часто и много, но давно не возвращались. Самый ценный сегмент для работы по возврату.
Что делать: Персональные обращения, крупные бонусы, звонок от менеджера. ROI от возврата таких клиентов обычно выше, чем от привлечения новых.
Потерянные (код 333)
Один раз купили давно и больше не возвращались.
Что делать: Попробуйте одну реактивационную рассылку с сильным оффером. Если реакции нет — исключайте из активных коммуникаций, чтобы не тратить бюджет. Допустимо периодически повторять эту реактивационную рассылку и тестировать ее формулировки.
Матрица RFM: таблица 27 сегментов
Это стандартная матрица при шкале 1–3. Читается слева направо: первая цифра — Recency, вторая — Frequency, третья — Monetary.
| Сегмент | Тип клиента | Стратегия |
|---|---|---|
| 111 | Чемпион | VIP-привилегии, закрытые акции |
| 112, 113 | Чемпион с меньшим чеком | Upsell, программа лояльности |
| 121, 122 | Лояльный | Рассылки о новинках, бонусы |
| 131, 132, 133 | Новый клиент | Welcome-цепочка, скидка на 2-й заказ |
| 211, 212, 213 | Спящий (раньше активный) | Реактивация с промокодом |
| 221, 222, 223 | Спящий (средний) | Спецпредложение, опрос |
| 231, 232, 233 | Спящий разовый | Один реактивационный email |
| 311, 312, 313 | Ушедший (был отличным) | Персональный звонок, крупный бонус |
| 321, 322, 323 | Ушедший (был средним) | Скидка или кешбэк |
| 331, 332, 333 | Потерянный | Одна попытка — и выводить из базы |
Матрица RFM и ее сегменты
Реальные кейсы: как бизнес использует RFM в России
Данные ниже собраны из открытых публикаций ведущих маркетинговых изданий — суммарный контекст по топ-20 источникам в нише, полученный с помощью Perplexity.
Кейс Foodband: возврат 34% клиентов через цепочку реактивации
Сервис доставки еды Foodband выстроил автоматическую цепочку для сегмента R=3 (давно не покупали). Сначала — пуш без скидки (напоминание о бренде), затем — пуш с промокодом. Результат: возврат до 34% клиентов из сегмента оттока.
📈
Ключевой вывод: дешевле сначала попробовать вернуть клиента без скидки — часть аудитории реагирует уже на простое напоминание.
Кейс Seedpost: 22,5% выручки от прямого маркетинга
Интернет-магазин семян Seedpost.ru сегментировал базу по RFM и выделил группу «спит, раньше покупал часто» (R=3, F=1–2). Для них запустили email и SMS с промокодом. По результатам тестов с контрольной группой, прямой маркетинг принёс 22,5% всей выручки.
Кейс FOAM: ROI 807%
Бренд FOAM отправляет письмо со скидкой и опросом клиентам, которые совершали заказ за последние полгода, но уже три месяца не делают следующий. Простой триггер на основе RFM-сегментации дал ROI 807%.
➡️
Эти кейсы показывают одно: правильная работа с уже существующей базой — один из самых дешёвых способов роста выручки.
Связка RFM-анализ + ИИ: что меняется в 2026 году
Классический RFM — это статичный срез данных. ИИ превращает его в динамическую систему.
Что умеет ИИ в связке с RFM
- Автоматическая пересегментация — ИИ-агент пересчитывает сегменты в реальном времени при каждой новой транзакции, а не раз в квартал
- Предиктивный RFM — модели машинного обучения предсказывают, в какой сегмент клиент перейдёт через 30–90 дней, и позволяют действовать превентивно
- Персонализация контента — автоматическая генерация текста письма или SMS под каждый сегмент без участия маркетолога
- Автоматические триггеры — при падении R-оценки ниже порога ИИ-агент сам запускает реактивационную цепочку
Если вам интересно, как автоматизировать такие процессы с помощью ИИ-агентов, посмотрите сервис Ноя — там можно настроить ИИ-сотрудника, который будет автоматически работать с разными сегментами клиентов прямо из вашей CRM.
🤖
Хотите понять, как вообще работают ИИ-агенты в бизнесе? Разобрали это подробно в статье: ИИ-агенты, нейросотрудники и ИИ-ассистенты: руководство для бизнеса 2026.
Голосовая реактивация спящих сегментов: почему рассылок уже недостаточно
Вы провели RFM-анализ, выделили сегменты «спящие» (R=2) и «под угрозой оттока» (R=3, F=1–2). Следующий шаг — коммуникация. Стандартный подход: email-цепочка, SMS с промокодом, push. Это работает, кейсы выше это подтверждают. Но есть нюанс — чем «холоднее» сегмент, тем хуже работают текстовые каналы. Open rate по спящим базам редко превышает 10–15%, до клика доходит 2–3%. Человек, который забыл о вашем бренде полгода назад, с высокой вероятностью не откроет от вас и письмо.
Звонок — принципиально другой уровень касания. Дозвон до спящего клиента в зависимости от ниши составляет 35–50%, а конверсия в интерес при грамотном скрипте — 8–15%. Проблема в том, что ни один живой менеджер не будет системно прозванивать тысячи контактов из «мёртвых» этапов воронки. Это монотонная, низкоконверсионная работа с высоким уровнем негатива. Менеджеры её саботируют — и это абсолютно нормальное человеческое поведение. Именно поэтому у большинства компаний спящая база так и остаётся спящей: за эти контакты заплачено, но результат от них равен нулю.
В 2026 году эту задачу всё чаще закрывают голосовые ИИ-агенты. Они обзванивают нужные RFM-сегменты по заданному сценарию, квалифицируют интерес прямо в разговоре и передают тёплый лид менеджеру с полным контекстом — записью звонка, транскрибацией, заполненными полями в CRM. Менеджер подключается только к тем, кто подтвердил интерес, и занимается тем, что умеет лучше всего — закрытием сделок.
Одно из таких решений — платформа AI МОП: отечественная разработка, участник Сколково, полная интеграция с amoCRM и Битрикс24. Агент работает внутри CRM клиента как обычный сотрудник — двигает сделки по этапам, заполняет поля, ставит задачи. Для бизнеса ничего не меняется в процессах, просто появляется дополнительный «сотрудник», который не выгорает, не саботирует и работает круглосуточно. При этом стоимость минуты разговора — 12 рублей, что в среднем в три раза дешевле живого оператора колл-центра.
Связка RFM + голосовой ИИ даёт простую, но мощную механику: аналитика показывает, кому звонить и с каким приоритетом, а ИИ-агент это исполняет — быстро, в масштабе и без человеческого фактора. По сути, RFM-анализ перестаёт быть просто отчётом и становится рабочей системой возврата клиентов.
➡️
Если хотите понять, как это работает в вашей нише — за пару минут можно посчитать воронку и ROI с учётом маржинальности бизнеса в онлайн-калькуляторе окупаемости.
Для более детального разбора и запуска пилотного проекта бесплатно — напишите мне.
Инструменты для RFM-анализа: Excel, Python, CRM
Excel и Google Таблицы
Самый простой вариант. Нужны формулы СЕГОДНЯ(), СЧЁТЕСЛИ(), СУММЕСЛИ() и сводные таблицы. Анализ базы в 50–70 тысяч контактов занимает около 20 минут.
Плюсы: бесплатно, не нужны технические навыки, всё визуально.
Минусы: ручное обновление, нет автоматизации.
Python (библиотека Pandas)
Для тех, кто хочет автоматизации и работы с большими базами. Стандартный стек: `pandas`, `numpy`, `matplotlib`. Логика простая: рассчитать R, F, M для каждого customer_id, разбить на квантили, присвоить оценки.
Пример кода на Python для расчёта RFM:
⚠️
import pandas as pd
from datetime import date, timedelta
# Загружаем данные из CRM
df = pd.read_csv('orders.csv')
df['order_date'] = pd.to_datetime(df['order_date'])
last_date = df['order_date'].max() + timedelta(days=1)
rfm = df.groupby('customer_id').agg(
recency=('order_date', lambda x: (last_date - x.max()).days),
frequency=('order_id', 'count'),
monetary=('order_value', 'sum')
).reset_index()
# Присваиваем квантильные оценки (1–5)
rfm['R'] = pd.qcut(rfm['recency'], 5, labels=[5,4,3,2,1])
rfm['F'] = pd.qcut(rfm['frequency'].rank(method='first'), 5, labels=[1,2,3,4,5])
rfm['M'] = pd.qcut(rfm['monetary'], 5, labels=[1,2,3,4,5])
rfm['RFM_Score'] = rfm['R'].astype(str) + rfm['F'].astype(str) + rfm['M'].astype(str)
| Инструмент | Что умеет | Кому подходит |
|---|---|---|
| Mindbox | Автоматический RFM-отчёт, настройка сегментов, запуск цепочек | Средний и крупный e-commerce |
| RetailCRM | RFM-сегментация встроена, интеграция с рассылками | Интернет-магазины в России |
| Carrot Quest | Сегментация + автоматические триггеры | SaaS, e-commerce |
| AmoCRM + интеграции | Через дополнения и BI-инструменты | B2B-продажи |
| Битрикс24 | Через сводные отчёты и сегментацию контактов | Любой бизнес |
| МойСклад | Встроенные отчёты по клиентам, интеграция с рассылками | МСБ, розница |
CRM-системы с встроенным RFM
BI-инструменты
Power BI, Tableau, Yandex DataLens позволяют визуализировать RFM-матрицу в виде heat map (тепловая карта) и видеть распределение клиентов по сегментам в реальном времени.
Как часто проводить RFM-анализ
Оптимальная частота — 1–3 раза в квартал. При более редком анализе клиенты успевают перейти из одного сегмента в другой незаметно, и вы теряете момент для правильного действия.
Компании с автоматизированными системами пересчитывают RFM при каждой новой транзакции — это уже не ручной анализ, а живая сегментация.
Типичные ошибки при RFM-анализе и как их избежать
Ошибка 1: Универсальные границы сегментов
Многие берут «из интернета» готовые пороги: «до 30 дней — Recency 1, от 31 до 60 — Recency 2...» Это ошибка. Границы должны основываться на реальных данных вашей базы и цикле покупки в вашей нише.
Ошибка 2: Одинаковая коммуникация для всех
Сделать анализ и всё равно слать одну рассылку всем — выброшенные усилия. Ценность RFM именно в дифференцированном маркетинге.
Ошибка 3: Анализ «для галочки» без действий
RFM — не отчёт, а инструмент для конкретных действий. Без прописанных стратегий под каждый сегмент анализ бессмысленен.
Ошибка 4: Игнорирование параметра M при малом среднем чеке
Если у вас много транзакций с небольшим чеком, Monetary может быть менее показательным параметром, чем R и F. Некоторые аналитики используют упрощённый вариант — RF-анализ (без денег) для таких случаев.
Ошибка 5: Редкое обновление сегментов
Клиентская база живёт и меняется. Если делать RFM раз в год, вы упускаете клиентов, которые уходят прямо сейчас.
Связанные методы анализа: ABC, XYZ и LTV
RFM хорошо работает в паре с другими инструментами аналитики.
ABC-анализ делит клиентов по доле в выручке. RFM добавляет временну́ю динамику.
LTV (Lifetime Value) — совокупная прибыль от клиента за всё время. RFM помогает прогнозировать LTV: клиенты с кодом 111 имеют высочайший LTV. Подробнее о расчёте LTV — в статье LTV: что это такое, как считать и как увеличить.
Воронка продаж помогает понять путь клиента до первой покупки. RFM работает уже после неё. Разобрали структуру воронки здесь: Что такое воронка продаж: полное руководство 2026.
ROI коммуникаций по каждому сегменту — логичное продолжение RFM-стратегии. Как считать возврат инвестиций в маркетинге, читайте в статье ROI в продажах и маркетинге: что это такое и как считать.
Как прокачаться в теме RFM-анализа
Уровень 1: Базовое понимание
- Прочитайте эту статью полностью и сделайте RFM-анализ своей базы в Excel
- Изучите документацию Mindbox и RetailCRM по встроенным RFM-отчётам
- Пройдите бесплатный курс МойСклад по CRM и работе с клиентами
Уровень 2: Аналитика и Python
- Освойте библиотеку Pandas — это основа для любого маркетинг-аналитика
- Разберите публичный датасет на Kaggle (например, Brazilian E-Commerce от Olist) и сделайте RFM на нём
- Научитесь визуализировать сегменты через Matplotlib или Seaborn
Уровень 3: Автоматизация и ИИ
- Изучите, как строить триггерные цепочки в Mindbox, Carrot Quest или RetailCRM на основе RFM-сегментов
- Разберитесь с предиктивной аналитикой: модели BG/NBD и Gamma-Gamma для прогноза LTV
- Настройте ИИ-агента для автоматической реактивации сегментов через например Ноя
⚙
Если хотите ускорить этот путь — подписывайтесь на Телеграм-канал основателя портала Wake Up Marketing Дмитрия Борейчук. 11 лет практики в маркетинге и продажах + глубокое погружение в ИИ-инструменты для бизнеса: бесплатные обучения, кейсы и рабочие решения для роста выручки.
Промпт для ИИ: делаем RFM-анализ и стратегию с нейросетью
Этот промпт поможет вам разработать стратегию RFM-сегментации для вашего бизнеса. Скопируйте его, подставьте свои данные и запустите в любой из нейросетей.
Где запустить: ChatGPT, Claude, Gemini, Алиса от Яндекса
⚠️
Ты — опытный маркетинговый аналитик, специализирующийся на CRM-маркетинге и сегментации клиентских баз.
Моя задача: разработать стратегию RFM-сегментации для бизнеса.
Данные о моём бизнесе:
— Ниша: [ВПИШИТЕ ВАШУ НИШУ, например: интернет-магазин косметики]
— Средний цикл покупки: [ВПИШИТЕ, например: 45 дней]
— Средний чек: [ВПИШИТЕ, например: 3500 рублей]
— Размер клиентской базы: [ВПИШИТЕ, например: 15 000 контактов]
— Используемая CRM или инструмент: [ВПИШИТЕ, например: AmoCRM / Excel / Mindbox]
— Каналы коммуникации с клиентами: [ВПИШИТЕ, например: email, SMS, Telegram]
Выполни следующие задачи:
1. ПАРАМЕТРЫ СЕГМЕНТАЦИИ:
— Предложи конкретные пороговые значения для R, F и M под мою нишу
— Обоснуй, почему именно такие границы
— Сколько сегментов оптимально для меня (3, 5 или 7)
2. МАТРИЦА ПРИОРИТЕТОВ:
— Составь таблицу: сегмент → описание → приоритет работы (высокий/средний/низкий)
— Выдели топ-3 сегмента, с которыми нужно работать в первую очередь
3. СТРАТЕГИЯ ПОД КАЖДЫЙ КЛЮЧЕВОЙ СЕГМЕНТ:
— Цель коммуникации
— Канал (email / SMS / push / звонок)
— Оффер (что предложить)
— Частота касаний
— Метрика успеха (на что смотреть)
4. КОНТЕНТ-ИДЕИ:
— Для каждого сегмента предложи 3 темы для рассылки/сообщения
5. МЕТРИКИ ДЛЯ ОТСЛЕЖИВАНИЯ:
— Какие KPI замерять после запуска стратегии
— Как понять, что RFM-стратегия работает
Формат ответа: структурированные блоки с таблицами, конкретными цифрами и примерами формулировок под мою нишу.
FAQ: часто задаваемые вопросы по RFM-анализу
Что такое RFM-анализ простыми словами?
RFM-анализ — это способ разделить всех ваших клиентов на группы по тому, когда они последний раз покупали (R), как часто покупают (F) и сколько тратят (M). Это позволяет понять, кто приносит деньги, кто уходит и кого можно вернуть.
Как часто нужно делать RFM-анализ?
Оптимально — 1–3 раза в квартал. Если у вас автоматизированная CRM, RFM можно пересчитывать при каждой новой транзакции. Для малого бизнеса достаточно раз в месяц.
Можно ли делать RFM-анализ в Excel бесплатно?
Да. Для базы до 100 000 контактов Excel вполне справляется. Нужны сводные таблицы, функции СЕГОДНЯ(), СЧЁТЕСЛИ(), СУММЕСЛИ() и немного времени. Анализ 50–70 тысяч контактов занимает около 20 минут.
Чем отличается RFM-анализ от ABC-анализа?
ABC-анализ делит клиентов только по сумме выручки (кто платит больше всего). RFM учитывает три параметра — давность, частоту и деньги — и даёт более полную картину: клиент может платить много, но последний раз покупал два года назад (высокий M, низкий R).
Что делать с сегментом 333 (потерянные клиенты)?
Попробуйте одну реактивационную рассылку с сильным оффером — скидка 25–30% или подарок к заказу. Если реакции нет в течение 2–4 недель — исключайте из активных коммуникаций. Попытки работать с полностью неактивной базой снижают репутацию домена для email-рассылок и тратят бюджет.
Подходит ли RFM-анализ для B2B?
Да, при условии регулярных повторных сделок. В B2B вместо чека удобнее использовать маржу сделки, а вместо стандартных временных порогов — специфичные для вашей отрасли периоды.
Как сделать RFM-анализ автоматическим?
Используйте маркетинговые платформы с встроенным RFM (Mindbox, RetailCRM, Carrot Quest) или настройте BI-дашборд в Yandex DataLens или Power BI с подключением к базе данных. ИИ-агенты могут автоматически менять сегмент клиента и запускать нужную цепочку коммуникаций.
Вывод
RFM-анализ — один из тех инструментов, которые дают максимум результата при минимуме вложений. Вместо того чтобы лить бюджет на всю базу одинаково, вы точечно работаете с каждой группой: удерживаете чемпионов, возвращаете спящих, не тратите ресурс на безвозвратно потерянных. В 2026 году этот инструмент усиливается ИИ-автоматизацией, которая делает сегментацию живой и непрерывной.
