Недавно провели RFM-анализ + ML-кластеризацию и получили интересные инсайты, которые помогли оптимизировать маркетинг в нашей сети пекарен (19 точек).

Что мы сделали?

1️⃣ RFM-анализ: сначала рассчитали Recency (давность покупки), Frequency (частоту) и Monetary (сумму трат) для каждого клиента.

2️⃣ ML-кластеризация: применили алгоритм K-Means, чтобы выявить 5 ключевых групп покупателей, которых не всегда можно было увидеть через стандартный RFM-анализ.

Что мы нашли?

🔹 Лояльные клиенты (высокие F и M, недавние покупки) обеспечивают до 60% выручки.

🔹 "Спящие" клиенты (низкая R) возвращаются в 2 раза чаще после персональных предложений.

🔹 Промоакции "на всех" неэффективны – скидки попадали даже на тех, кто и так покупает без скидок.

Что изменили?

📌 Персонализировали промо – вместо массовых скидок начали предлагать бонусы только тем, кто на грани «засыпания».

📌 Изменили частоту коммуникаций – активным клиентам реже отправляем акции, а "спящих" подогреваем интересными предложениями.

📌 Оптимизировали ассортимент – выяснили, какие товары покупают разные сегменты, и скорректировали акцент в предложениях.

Результат?

✨ Снизили маркетинговые затраты на 12% без потери продаж.

✨ Вернули часть спящих клиентов благодаря персональным триггерам.

✨ Увеличили средний чек в лояльном сегменте, сделав точечные предложения.

А вы сегментируете своих клиентов ? Какие инструменты выбираете?