Сегментация клиентов: как разделить базу и зачем RFM-анализ

Когда база клиентов растёт за пределы пары сотен строк в Excel, письмо «Скидка 15% для всех» начинает работать хуже с каждым месяцем. Человек, купивший вчера на 47 890 ₽, получает то же предложение, что и клиент, который заходил на сайт полгода назад и больше не вернулся. Реакция обеих групп на одинаковый оффер закономерно расходится — и бюджет на рассылку утекает мимо цели.

Я настраиваю рекламу и работаю с базами клиентов заказчиков больше семи лет, и почти в каждом проекте с базой от 800–1000 контактов первый же шаг — это не новая креативная идея для письма, а честная сегментация. Именно она показывает, где деньги теряются на плоских рассылках «всем сразу», а где, наоборот, лежит недооценённая группа с высоким потенциалом повторных покупок.

В этой статье разберу, что такое сегментация клиентов, по каким критериям делить базу, как устроен RFM-анализ и какие формулы за ним стоят, какие сегменты получаются на практике и что с ними делать в CRM-маркетинге и рекламе.

Что такое сегментация клиентов простыми словами

Сегментация клиентов — это разделение всей базы покупателей на группы по общим признакам: поведению, ценности для бизнеса, демографии или стадии в воронке продаж. Цель — не просто разложить контакты по папкам, а подобрать для каждой группы отдельное сообщение, оффер и канал коммуникации, вместо одного универсального обращения ко всей базе.

Разница между сегментацией и портретом клиента в том, что портрет — это обобщённый образ «типичного покупателя», а сегментация — это работа с реальными данными конкретной базы: кто купил, когда, на какую сумму и как часто. Портрет клиента помогает придумать посыл, сегментация — понять, кому именно и в какой момент этот посыл отправить.

Простой пример: интернет-магазин косметики с базой 3200 клиентов рассылал одно письмо «Скидка 10% в честь дня рождения бренда» всем подписчикам одновременно. Открываемость составила 11%, а конверсия в покупку — 0,4%. После разделения базы на три группы — покупавшие последние 30 дней, покупавшие 31–120 дней назад и не покупавшие дольше 120 дней — конверсия в первой группе выросла до 3,1%, во второй осталась на уровне 0,6%, а в третьей упала почти до нуля. Общий бюджет рассылки не изменился, но результат перестал усредняться, и стало видно, куда двигать ресурсы дальше.

Похожая логика работает и в B2B, хотя объёмы базы там обычно в разы меньше. У одного клиента-поставщика оборудования база из 340 контактов долго считалась «слишком маленькой для сегментации» — казалось, что с таким количеством можно и так помнить каждого клиента вручную. Но после простого разделения на три группы — активные дилеры с ежемесячными закупками, разовые покупатели крупных партий и застывшие контакты без заказов больше полугода — выяснилось, что именно вторая группа, разовые крупные покупатели, генерировала почти треть годовой выручки, но получала точно такие же письма о скидках 3%, как и мелкие дилеры. После перехода на персональные предложения для этой группы количество повторных крупных заказов выросло почти на четверть за два квартала.

По каким критериям делить базу клиентов на сегменты

Критериев сегментации десятки, но на практике я использую четыре группы признаков — они закрывают 90% реальных задач. Остальное — узкие отраслевые случаи, которые добавляются по необходимости.

Тип критерия	Примеры признаков	Когда применять
Поведенческие	Давность покупки, частота, сумма заказа, брошенная корзина	Основа для RFM-анализа, retention-рассылок
Демографические	Возраст, пол, город, доход	B2C с товарными категориями по полу/возрасту
По стадии воронки	Лид, первая покупка, повторный клиент, отток	Синхронизация с воронкой продаж
По ценности (LTV)	Суммарная выручка с клиента за весь срок	Приоритизация клиентской поддержки, VIP-программы
Психографические	Ценности, мотивы покупки, чувствительность к цене	Тонкая настройка креативов и офферов

На практике критерии редко используются по одному — работающая сегментация почти всегда комбинирует минимум два признака. Например, для сети фитнес-клубов имеет смысл сначала разделить базу по стадии воронки (лид, разовый гость, действующий абонент, ушедший клиент), а внутри каждой стадии — ещё и по частоте посещений за последний месяц. Такая двухуровневая сегментация сразу показывает не просто «сколько у нас ушедших клиентов», а «сколько из ушедших раньше ходили 3+ раза в неделю» — именно эта подгруппа обычно реагирует на реактивацию лучше остальных, потому что привычка к тренировкам у них была устойчивой, а не случайной.

Демографические и психографические признаки хорошо ложатся в портрет целевой аудитории на этапе стратегии. Но именно поведенческие данные — давность, частота, сумма — дают самый предсказуемый и измеримый результат в рассылках и рекламе, потому что не требуют опросов и гипотез: они уже лежат в базе заказов. Это ровно то, на чём строится RFM-анализ.

Отдельный вопрос, с которым часто сталкиваются на старте, — какой критерий взять за основной, если данных много и хочется учесть всё сразу. Универсального ответа нет, но есть рабочее правило: начинать с того признака, который проще всего перевести в конкретное действие маркетолога. Если после сегментации по признаку невозможно придумать разное сообщение для разных групп, ценность такого деления сомнительна, даже если сам признак выглядит статистически значимым. Например, деление по региону проживания оправдано, если у бизнеса разные региональные акции или сроки доставки, но бесполезно, если оффер и логистика одинаковы по всей стране — в этом случае регион остаётся просто справочным полем, а не рабочим сегментом.

Что такое RFM-анализ и зачем он нужен

RFM-анализ — метод сегментации клиентов по трём показателям: Recency (давность последней покупки), Frequency (частота покупок) и Monetary (сумма трат). Каждому клиенту присваивается оценка по каждому из трёх параметров, после чего клиенты объединяются в сегменты с похожими значениями.

Логика проста: клиент, который купил три дня назад, покупает раз в неделю и оставляет по 6 340 ₽ за заказ — это совсем не тот же человек, что купил год назад один раз на 890 ₽ и не вернулся. Оба будут выглядеть одинаково в общей выгрузке «все клиенты», но требуют диаметрально разных сообщений.

Важный нюанс: три параметра RFM не равнозначны для любого бизнеса. Для подписных сервисов и товаров повседневного спроса вес Frequency обычно выше — важно, что клиент покупает регулярно, а не разово крупно. Для дорогих товаров с длинным циклом принятия решения (мебель, автомобили, обучение) на первый план выходит Monetary, потому что частота покупок физически ограничена — человек не покупает диван раз в месяц. Recency почти всегда остаётся значимым параметром независимо от отрасли, так как давность последнего касания напрямую коррелирует с вероятностью следующей покупки в подавляющем большинстве ниш.

Чтобы показать логику на конкретном человеке, а не только на абстрактной формуле: представим клиента интернет-магазина электроники, который последний раз покупал 9 дней назад (высокий балл Recency), за год оформил 7 заказов (средний-высокий балл Frequency) и потратил суммарно 138 000 ₽ (высокий балл Monetary). По всем трём параметрам он попадает в верхние группы, а значит его RFM-код будет что-то вроде 554 или 555 — это и есть кандидат в «Чемпионы». Для сравнения, клиент, который купил один раз восемь месяцев назад на 4 200 ₽, получит код около 121–131 и однозначно относится к сегментам, которые требуют либо реактивации, либо аккуратного исключения из активных бюджетных кампаний, если реакция на предыдущие попытки была нулевой.

Как провести RFM-анализ базы клиентов пошагово

Разберу расчёт на упрощённом примере — это иллюстративный кейс с округлёнными данными, а не выгрузка из реального проекта клиента, но методика полностью рабочая и применяется мной именно в таком виде.

Шаг 1. Выгрузить данные по заказам

Нужна таблица: ID клиента, дата последней покупки, количество покупок за период (обычно 12 месяцев), суммарная выручка с клиента за тот же период. Период выбирается исходя из цикла покупки: для магазина продуктов — 3 месяца, для мебели или ремонта — 12–24 месяца.

Шаг 2. Разбить каждый показатель на 3–5 групп и присвоить баллы

Самый распространённый вариант — квинтили или терцили: клиентов сортируют по каждому показателю и делят на равные по количеству группы, от 1 (худшая) до 5 (лучшая, для Recency — наоборот, чем меньше дней с момента покупки, тем выше балл).

Выбор между тремя, пятью или семью группами зависит от размера базы. На выгрузке из 300–500 клиентов пять групп по 60–100 человек статистически ещё имеют смысл, а вот при базе в 150 контактов лучше ограничиться тремя группами — иначе в каждой окажется по 10–15 человек, и любая случайная крупная покупка одного клиента будет сильно искажать среднее по всей группе. Ещё один практический момент: если распределение по сумме заказов сильно скошено (у большинства клиентов чек в районе 1000–2000 ₽, но у пары клиентов разовые заказы на 200 000 ₽), делить на равные по количеству квинтили безопаснее, чем на равные по диапазону суммы интервалы — иначе почти вся база провалится в одну группу, а редкие крупные покупатели искусственно растянут шкалу.

Показатель	Балл 1 (низкий)	Балл 3 (средний)	Балл 5 (высокий)
Recency	Более 210 дней назад	61–90 дней назад	Менее 14 дней назад
Frequency	1 заказ за год	4–6 заказов за год	Более 11 заказов за год
Monetary	До 2 100 ₽ суммарно	9 400–24 800 ₽	Свыше 61 000 ₽

Шаг 3. Собрать RFM-код и сгруппировать клиентов

Каждый клиент получает трёхзначный код вроде 545 (Recency 5, Frequency 4, Monetary 5) — это и есть клиент из группы «Чемпионы». Клиент с кодом 151 купил давно, покупает редко, но потратил много за один раз — типичный кандидат на реактивацию с крупным персональным предложением, а не на общую рассылку со скидкой 5%.

Если писать SQL нет возможности — та же логика легко собирается формулами RANK и QUARTILE в Google Таблицах или Excel на выгрузке в 3–5 тыс. строк без потери точности.

Шаг 4. Проверить сегменты на здравый смысл и связать с деньгами

После того как коды присвоены, стоит не сразу запускать рассылки, а свериться с реальностью: посчитать, сколько клиентов попало в каждый сегмент и какую долю выручки они дают. Если сегмент «Чемпионы» — это 8% базы, но они формируют 41% выручки за период, это подтверждает, что сегментация построена корректно и с этой группой точно нужно работать бережно. Если же распределение получается почти равномерным по всем сегментам, вероятная причина — слишком узкие или слишком широкие границы квинтилей, и стоит пересчитать пороговые значения. Отдельно полезно вручную проверить 10–15 карточек клиентов из каждого сегмента: иногда в «Потерянные» попадают клиенты, которые просто перешли на оптовые закупки через другой канал (например, менеджера напрямую) и физически не могут иметь свежих онлайн-заказов — таких клиентов лучше исключить из автоматических реактивационных кампаний вручную.

RFM-анализ или сегментация по портрету — что выбрать

RFM и сегментация по портрету клиента решают разные задачи, и правильный ответ почти всегда «использовать оба метода вместе», а не выбирать один.

Параметр	RFM-анализ	Сегментация по портрету
Источник данных	История заказов из CRM/базы	Опросы, гипотезы, интервью с клиентами
Требует ли истории покупок	Да, без истории не работает	Нет, применим к новым лидам
Скорость обновления	Пересчитывается автоматически раз в неделю/месяц	Обновляется вручную по мере исследований
Задача	Приоритизация коммуникации по ценности	Создание сообщения и оффера

Ошибка, которую я регулярно вижу у начинающих маркетологов, — попытка построить сегментацию исключительно на предположениях о портрете без обращения к фактическим данным заказов. В результате получаются красивые персоны вроде «Ирина, 34 года, любит йогу», но неясно, сколько таких Ирин в базе реально покупают, а сколько существуют только в презентации. RFM — обратный случай: даёт точные цифры, но не объясняет мотивы поведения. Комбинация обоих методов закрывает слабые стороны каждого по отдельности.

На практике я строю сначала RFM по существующей базе — это занимает пару часов на выгрузке в 4–7 тыс. клиентов, — а затем накладываю на топ-сегменты качественный портрет клиента, чтобы понять, чем «Чемпионы» отличаются содержательно, а не только цифрами.

На одном проекте такая связка дала неожиданный инсайт: RFM показал, что сегмент «Чемпионы» — это 9% базы интернет-магазина товаров для дома. Качественное интервью с десятком клиентов из этой группы выявило, что почти все они делают покупки не для себя, а как подарки — то есть являются, по сути, оптовыми покупателями подарочных наборов для офисов. Это знание изменило не только тексты писем для сегмента, но и товарную матрицу: под этот сегмент отдельно собрали корпоративные наборы, которых раньше в ассортименте не было в явном виде, хотя фактический спрос на них уже присутствовал.

Какие сегменты клиентов получаются после RFM-анализа

Укрупнённо после RFM-анализа база делится на 6–8 типовых сегментов. Ниже — рабочий список с тем, что делать с каждым из них.

Сегмент	Характеристика	Что делать
Чемпионы	Высокие R, F, M одновременно	Программа лояльности, ранний доступ к новинкам, апселл
Лояльные	Стабильная частота, средний чек выше базового	Кросс-продажи, отзывы, рекомендации друзьям
Новички	Одна недавняя покупка без истории	Onboarding-цепочка писем, знакомство с ассортиментом
Требуют внимания	Раньше покупали часто, сейчас давность растёт	Персональное предложение, напоминание о бренде
Спящие	Умеренная активность в прошлом, сейчас затихли	Реактивационная серия писем со скидкой
Группа риска	Были активны, давность резко выросла	Опрос причин, персональный менеджер, крупный оффер
Потерянные	Минимум активности по всем трём параметрам	Разовая win-back рассылка, затем исключение из активных кампаний

Ниже — усреднённые ориентиры по доле сегментов в базе и вкладу в выручку, собранные по нескольким проектам розничной торговли и услуг. Точные цифры в вашей базе будут отличаться в зависимости от отрасли и сезона, но пропорция «меньшинство сегментов даёт большинство выручки» подтверждается почти всегда.

Сегмент	Типичная доля в базе	Типичный вклад в выручку
Чемпионы	8–12%	28–35%
Лояльные	12–18%	22–28%
Новички	10–15%	5–8%
Требуют внимания	10–14%	8–12%
Спящие	15–20%	6–10%
Группа риска	8–10%	5–8%
Потерянные	20–30%	3–6%

Из таблицы видно, что «Чемпионы» и «Лояльные» вместе — это в среднем около четверти базы, но почти две трети выручки. Именно поэтому потеря даже небольшой части этих двух сегментов из-за неудачной коммуникации обходится бизнесу дороже, чем потеря втрое большей группы «Потерянных».

Названия сегментов из таблицы — общепринятые в маркетинговой литературе, но переносить их в рабочую CRM буквально не обязательно. На практике удобнее подписывать сегменты языком, понятным всей команде: например, вместо абстрактного «Требуют внимания» использовать «Были частыми, замолчали 2+ месяца» — такая формулировка сразу подсказывает менеджеру, что писать в письме, без необходимости заглядывать в методичку по RFM. Количество сегментов также не обязано совпадать с классическими семью — для небольшой базы из 400–600 клиентов вполне достаточно четырёх укрупнённых групп («Активные», «Требуют внимания», «Спящие», «Потерянные»), а более детальное деление добавляет управленческой сложности без пропорционального роста пользы.

Что делать с сегментами в CRM-маркетинге и рекламе

Сегментация сама по себе не приносит денег — она приносит пользу только когда каждая группа получает своё сообщение через свой канал. На практике это выглядит так:

• Чемпионы и Лояльные — исключаются из акций «скидка новым клиентам», получают апсейл и программы лояльности, часто становятся источником отзывов и рекомендаций.
• Новички — получают серию писем-знакомства, а не сразу распродажи, чтобы не обесценить бренд с первого касания.
• Требуют внимания и Группа риска — сюда идёт персонализированная реклама с ретаргетингом и точечные звонки от менеджеров, а не массовая рассылка.
• Спящие и Потерянные — реактивационная серия с ограниченным сроком действия предложения, при отсутствии реакции — исключение из регулярных кампаний, чтобы не портить репутацию домена рассылок.

Показательный пример комплексного подхода: для сегмента «Требуют внимания» в одном из проектов запустили цепочку из трёх касаний — email с напоминанием об интересовавших товарах, затем через 5 дней при отсутствии реакции подключался ретаргетинг в соцсетях с тем же товаром по сниженной цене, а через 12 дней без ответа менеджер делал персональный звонок с уточнением причины паузы. Такая многоканальная последовательность вернула к покупке 17% клиентов сегмента за квартал — заметно больше, чем при разовой email-рассылке по всей базе, которая обычно даёт 2–4% отклика. Важно, что этот сценарий запускался только для сегмента с историей частых покупок: применять такую же интенсивную цепочку к сегменту «Потерянные» экономически не оправдано, так как стоимость контакта (особенно звонка) быстро превышает ожидаемую выручку с клиента.

В B2B-проектах логика похожая, но канал реактивации чаще меняется с массовой рассылки на прямой контакт менеджера. Для сегмента «Группа риска» в дистрибьюторской компании отказались от email-напоминаний в пользу персонального звонка с конкретным вопросом «что изменилось в закупках за последние два месяца» — этот простой скрипт вскрыл, что часть клиентов ушла не к конкурентам, а просто сменила закупщика внутри своей компании, и новый сотрудник не знал контактов поставщика. Решить проблему получилось не скидкой, а элементарным повторным знакомством с новым лицом на стороне клиента — то, что никакая автоматическая email-цепочка выявить не могла.

Такое разделение напрямую снижает стоимость привлечения и повышает маркетинговые метрики кампании в целом, потому что бюджет идёт туда, где вероятность отклика выше, а не распределяется поровну между всеми контактами.

Какими инструментами делать сегментацию и RFM-анализ

Для базы до 3–5 тыс. клиентов достаточно Google Таблиц или Excel с формулами ранжирования — отдельный сервис аналитики не нужен. Для баз крупнее большинство современных CRM (Bitrix24, amoCRM, RetailCRM и аналогичные) уже содержат встроенные модули RFM-сегментации или позволяют настроить автоправила на основе истории заказов.

Отдельный класс инструментов — BI-системы (Power BI, Looker Studio), где RFM-дашборд строится один раз и обновляется автоматически при подключении к базе данных без ручных пересчётов каждый месяц. Выбор инструмента зависит не столько от размера базы, сколько от частоты, с которой команда готова возвращаться к сегментам и пересматривать кампании.

Из практического опыта: в RetailCRM и amoCRM RFM-сегменты можно превратить в динамические списки, которые автоматически пересчитываются при поступлении новых заказов и сразу подключаются к триггерным цепочкам рассылок без участия аналитика. В Bitrix24 похожая логика реализуется через бизнес-процессы и роботов в CRM-воронке. Если бизнес использует несколько каналов продаж — сайт, маркетплейсы, офлайн-точки — важно свести все заказы в единую таблицу перед расчётом RFM, иначе один и тот же клиент, купивший и на сайте, и в магазине, ошибочно попадёт в разные сегменты по каждому каналу отдельно.

Если готового модуля RFM в CRM нет, а писать SQL-запросы некому, рабочим компромиссом остаётся связка Google Таблиц с функцией QUERY и регулярной выгрузкой заказов раз в неделю по расписанию — это закрывает потребности малого и среднего бизнеса без затрат на дополнительный софт и подходит даже тем, кто ведёт учёт вручную в первый год работы.