RFM‑сегментация — это способ разделить клиентов по трём показателям: давность покупки (Recency), частота покупок (Frequency) и сумма расходов (Monetary). Встраивая RFM в чат‑бот Aimylogic, вы отправляете предложения тем, кто вероятнее купит, экономите бюджет на рассылки и повышаете повторные продажи в магазинах, кафе и сервисах по всей Беларуси.
Как собрать RFM‑данные через чат‑бот — пример кафе в Минске
Сценарий: небольшое кафе в центре Минска хочет чаще возвращать посетителей в будние дни. Чат‑бот на сайте и в Telegram хранит дату последней покупки, количество заказов и суммарный чек по клиенту.
Как сделать: добавьте в сценарий переменные last_order_date, order_count, total_spent. После каждого подтверждённого заказа бот обновляет эти поля через API или локальные переменные. Раз в неделю считайте R, F, M по простым правилам (например, R: дни с последней покупки; F: 1–2 = низкая, 3–5 = средняя, 6+ = высокая; M: суммы разбить на три группы). На основе суммарного RFM‑балла запускайте целевые промо‑цепочки для тех, у кого высокий R и средний M.
Сценарии сообщений для сегментов — пример интернет‑магазина в Гродно
Сценарий: магазин одежды в Гродно хочет вернуть клиентов, которые давно не покупали, и одновременно удержать тех, кто тратит больше обычного.
Как сделать: определите сегменты: «спящие» (дологaя пауза), «частые покупатели», «высокие чековые». Для «спящих» подготовьте цепочку с мягким напоминанием и персональным предложением. Для «высоких чековых» отправляйте предложения раннего доступа к новинкам. В Aimylogic создавайте ветвления по RFM‑переменным: если R>90 дней и F=1–2 — отправлять сценарий A; если M в верхнем диапазоне — сценарий B. В тексте сообщения указывайте конкретный товар и ограничение по времени, чтобы повысить отклик.
Техническая реализация в Aimylogic — пример салона красоты в Гомеле
Сценарий: салон в Гомеле ведёт запись клиентов и хочет напоминать тем, кто давно не приходил, о выгодных услугах и акциях.
Как сделать:
- Шаг 1: при записи через бота сохраняйте дату и сумму посещения в переменные профиля.
- Шаг 2: по расписанию запускайте вычисление RFM: текущая дата минус last_visit, плюс инкремент order_count, плюс обновление total_spent.
- Шаг 3: сохраните итоговый RFM‑балл в переменной rfm_score (1–5 по каждому параметру или суммарно).
- Шаг 4: создайте три сценария уведомлений и три условия запуска: rfm_score ≤ X для «спящих», ≥ Y для VIP и т.д.
Как оценивать эффект — пример аптеки в Могилёве
Сценарий: аптека в Могилёве использует чат‑бот для уведомлений о новых поставках и хочет понять, какие сегменты реагируют на рассылки чаще.
Как сделать: отслеживайте ключевые метрики для каждой рассылки и сегмента:
- процент открытий/просмотров сообщения;
- количество переходов на карточку товара или оформления заказа;
- конверсия в покупку в течение 7–14 дней.
Типичные ошибки
- Слишком сложная формула RFM с большим числом градаций — приводит к путанице при сегментации.
- Обновление данных только вручную — сегменты быстро устаревают.
- Одинаковая кампания для всех сегментов — снижает отдачу от рассылок.
- Игнорирование частоты контактов: частые рассылки у «спящих» отпугивают, у активных — утомляют.
- Нет проверки гипотез: запуск кампаний без A/B‑тестов оставляет неясным, что работает.
3 шага на неделю:
- Соберите минимальные данные: дата последнего заказа, число заказов, суммарный чек — сохраните в переменных бота.
- Разбейте клиентов на 3–4 сегмента по простым порогам R/F/M и настройте три простых сценария сообщений.
- Запустите рассылку по одному сегменту и измерьте отклик: открытие, переход, покупка. По результатам скорректируйте текст и частоту.