В статье покажу, на каких данных все строится, как мы превращаем сырую выгрузку в исчерпывающие метрики, как собираем дашборды, делаем RFM-анализ, а далее помогаем отслеживать перетекание клиентов из одного сегмента в другой с течением времени.
В нашей аналитике системы лояльности все начинается с трех основных источников — CSV-файлов, которые мы ежедневно получаем от клиента с помощью автоматической выгрузки.
Как правило, это файл вида ПродажиГГГГММ.csv (например, Продажи202501.csv)
В этом файле содержатся все необходимые для аналитики продаж поля, но для лояльности мы используем только некоторые, а именно:
Файл не разбит по месяцам, а приходит сразу в полном виде. Он хранит полный список всех карт, когда-либо зарегистрированных в системе, а также другую справочную информацию по каждому клиенту. Например:
Опциональный источник данных, который мы используем в случае, если нет возможности выгружать списания и начисления бонусов, привязанные к каждой транзакции. Данный вид файлов выгружается по такому же принципу, как и продажи — ДвижениеБонусовБСГГГГММ.csv (например, ДвижениеБонусовБС202501.csv). Поля, которые мы берем из этой таблицы:
Классический RFM-анализ состоит из трех метрик: Recency (давность покупки), Frequency (частота покупок) и Monetary (траты на покупки). Исходя из этих показателей, клиенты разбиваются на сегменты и формируется примерно такая матрица:
Но на практике нашим заказчикам неудобно было работать с такими сегментами, и они начали давать обратную связь. Например, «случайные» и «спящие» клиенты не давали им никакой конкретики, они хотели четких статусов, которые сразу показывают, что делать с клиентом. Поэтому мы упростили классификацию, убрав лишние статусы и изменив логику расчета остальных.
Почему так?
Если не вдаваться в подробности формирования агрегированных данных, то в коде этот алгоритм выглядит примерно так:
Примечание. Порядок условий важен: проверяем «новый» по дате создания, а потом уже уходим в годовой F-блок и Recency-блок ниже. Теперь у каждого клиента есть свой статус, который мы используем для создания визуализаций и дашбордов.
RFM-статусы дают базовое понимание о клиенте. Но чтобы получить полную картину его взаимодействия с компанией, нужны еще несколько дополнительных метрик. Они показывают, где, что и как часто он берет, и помогают точнее настроить маркетинг и персональные предложения.
Что показывает: долю клиентов с 2+ чеками за 3 года, которые после «потерянного» месяца все-таки вернулись к покупке.
Зачем нужно: оцениваем, как удается реанимировать «потерянных» и насколько эффективно работают компании по «реанимации».
Как считаем:
Задача: понять, в каком магазине или какую категорию товаров клиент покупает чаще всего, чтобы:
а) предлагать ему наиболее актуальные акции,
б) формировать персональные рекомендации.
Логика расчета:
Почему важно: так можно предлагать аксессуары (чехлы, пленки, зарядки) с максимальной персонализацией.
Как считаем:
Чтобы разделить аудиторию по поколениям и адаптировать коммуникацию, мы классифицируем клиентов в группы:
Таким образом у нас появляется поле [Возрастная категория], с которым удобно строить аналитику покупок разновозрастных клиентов.
Теперь, когда мы подробно разобрали ключевые метрики лояльности — от сегментации клиентов до частоты возврата клиентов, посмотрим, как эти показатели складываются в дашборды.
На этом дашборде собраны вышеупомянутые метрики, а также блок с таблицами и инструментами для тестирования маркетинговых рассылок. Таблицы также позволяют выгрузить данные в виде PDF-файлов, PNG-картинок и, главное, Excel-таблиц.
Это рабочий инструмент, который помогает компаниям не только отслеживать текущее состояние клиентской базы, но и принимать решения на основе данных.
Также мы разработали дашборд, целиком посвященный новым клиентам.
Витрина данных позволяет оперативно отслеживать прирост клиентской базы и анализировать поведение новых клиентов в первые дни после регистрации.
Структура дашборда:
Дашборд адаптирован под ежедневный и ежемесячный мониторинг, содержит гибкие фильтры по дате, магазину, карте и номеру телефона. Он особенно полезен для оценки запуска новых точек, активаций по акциям или работы промо-персонала. Также каждую из визуализаций можно развернуть на весь экран.
Этот дашборд — ключевой инструмент для анализа динамики клиентской базы и оценки устойчивости лояльности. Он позволяет заглянуть внутрь сегментной структуры и отследить, как изменяются клиентские статусы во времени: кто удерживается, кто теряется, а кто демонстрирует рост вовлеченности.
Первая таблица с ключевыми метриками по каждому сегменту, с возможностью переключения между месяцами. Для каждого сегмента отображаются:
Этот блок позволяет сравнивать структуру клиентской базы и финансовый вклад сегментов во времени, оценивая эффективность коммуникаций и акций.
Следующий блок дашборда — матрица перетекания клиентов по статусам. Каждый клиент в каждый момент времени принадлежит к определенному сегменту:
С течением времени клиенты могут мигрировать между этими сегментами. Матрица показывает, откуда и куда перетекли клиенты между двумя месяцами, давая наглядную картину изменений в лояльности. Цветовая маркировка помогает быстро сфокусироваться на тревожных зонах — например, массовом оттоке или резком приросте.
Барчарт (столбчатая диаграмма) показывает процентное изменение по каждому сегменту за период: кто вырос, а кто сдал позиции.
В целом дашборд дает мощный управленческий инструмент для маркетинга, позволяя своевременно реагировать на сигналы оттока и работать с возвратом и удержанием клиентов.
В этой статье я показал, как можно структурировать клиентскую базу, отслеживать динамику, находить инсайты и точки роста в системе лояльности. А теперь попробуйте представить: как принимать маркетинговые решения без понимания, кто именно уходит, кто растет, а кто только зарегистрировался в системе. Думаю, что это будто управлять бизнесом с завязанными глазами. Если нужна помощь, обращайтесь.
Похожие статьи
