RFM-аналіз: як сегментувати клієнтів і підвищити повторні продажі

RFM-аналіз — це метод сегментації клієнтської бази за трьома показниками поведінки: давністю останньої покупки, частотою покупок та сумою витрат. У 2026 році, коли українські магазини та сервіси накопичують детальну історію транзакцій з сайтів, додатків і навіть офлайн-точок, цей підхід перетворює сирі дані на точні рішення: кому надсилати персональну пропозицію, кого залишити в спокої, а кого терміново повертати.

Замість універсальних розсилок і «всім по 10%» компанії виділяють групи з різною цінністю та потенціалом. Це дозволяє збільшити повторні продажі, підняти середній LTV і скоротити витрати на маркетинг. У статті — не просто теорія, а повний робочий процес з прикладом на українських даних, розбір типових помилок, які роблять навіть досвідчені команди, та огляд, як RFM виглядає в сучасних інструментах 2026 року.

Як влаштований RFM-аналіз: три метрики, які відображають справжню цінність клієнта

Кожна з трьох букв відповідає за окремий аспект поведінки, і разом вони дають набагато точнішу картину, ніж вік, стать чи географія.

Давність (Recency, R) показує, скільки днів минуло з останньої покупки. Чим менша цифра — тим свіжіша пам’ять про бренд і вища ймовірність повторного контакту. Для косметики чи продуктів харчування «недавно» може означати 30–60 днів, для техніки чи меблів — 6–12 місяців. Психологічно це працює через ефект недавності: людина краще пам’ятає те, що відбувалося недавно, і легше повертається до знайомого продавця.

Частота (Frequency, F) — кількість покупок за обраний період (зазвичай 12–24 місяці). Висока частота сигналізує про звичку та лояльність. Клієнт, який купує щомісяця, вже «живе» з категорією і брендом.

Грошова цінність (Monetary, M) — загальна сума витрат клієнта за період або іноді середній чек. Важливо не плутати з частотою: бувають разові великі покупки і дрібні, але регулярні. Monetary допомагає пріоритезувати зусилля — на кого варто витрачати більше ресурсів.

Разом три метрики добре корелюють з майбутньою поведінкою. Класичний принцип Парето тут часто проявляється наочно: невелика частка клієнтів з високими показниками R+F+M приносить значну частку виручки. Метод сформувався ще в 1990-х у американській практиці database marketing і з появою CRM-систем став доступним для бізнесу будь-якого розміру.

Збір та підготовка даних: 80 % успіху аналізу залежить від цього етапу

Навіть ідеальна формула не врятує, якщо на вході — брудні дані. Багато проєктів буксують саме тут.

Потрібно мінімум три поля на клієнта: унікальний ідентифікатор (email, телефон або анонімізований hash — з урахуванням вимог українського законодавства про захист персональних даних), дата останньої покупки та сума кожної транзакції. Бажано також унікальний номер замовлення, щоб правильно рахувати частоту.

Джерела даних в українських реаліях: CRM-системи (amoCRM, Bitrix24, KeyCRM, SendPulse), панелі продавців на Prom.ua та Rozetka, власний сайт на Shopify чи OpenCart з розширеним e-commerce tracking, 1C для гібридних бізнесів, експорти з платіжних систем. Ідеально, коли дані з онлайн- і офлайн-каналів «зшиті» за одним ідентифікатором клієнта.

Ключові кроки підготовки:

• Виберіть період аналізу. Для більшості e-commerce — останні 12–24 місяці. Для сезонних категорій (одяг, подарунки) іноді беруть повні календарні роки або порівнюють рік до року.
• Агрегуйте дані по унікальному клієнту: максимальна дата покупки, кількість унікальних замовлень, загальна сума витрат.
• Очистіть: видаліть тестові та внутрішні замовлення, об’єднайте дублікати (один клієнт під різними email/телефонами), врахуйте повернення (краще працювати з нетто-сумою).
• Окремо обробіть нових клієнтів — у них зазвичай F=1 і свіжа R, тому їх часто виділяють в окремий сегмент «Нові» з фокусом на онбординг.

Без цього етапу навіть красиві цифри в таблиці не відображають реальність.

Повний розрахунок RFM на прикладі української онлайн-крамниці

Розглянемо спрощений, але реалістичний приклад. Уявімо невеликий інтернет-магазин товарів для дому та краси (типові українські суми та імена). База за останні 18 місяців — кілька сотень клієнтів. Для демонстрації візьмемо 8 репрезентативних.

Спочатку для кожного клієнта рахуємо сирі метрики:

• R raw = кількість днів з останньої покупки (на дату аналізу, припустимо 15 липня 2026).
• F raw = кількість унікальних замовлень.
• M raw = загальна сума витрат у грн.

Потім присвоюємо бали від 1 до 5 за квантилями (або бізнес-правилами). 5 — найкращий результат: для R це найменша кількість днів, для F і M — найбільші значення. У реальній роботі зручніше використовувати функцію ПЕРСЕНТИЛЬ.ВКЛ в Excel або Google Sheets, щоб автоматично ділити відсортований стовпець на п’ять рівних груп по 20 %.

Ось як це виглядає після розрахунку (спрощено для наочності, в реальному файлі формули розраховуються автоматично):

Приклад розрахунку RFM (фрагмент)

Після присвоєння балів клієнтів групують у 5–8 actionable сегментів (замість 125 можливих комбінацій). У прикладі з’явилися «Чемпіони» (555), «Лояльні», «У зоні ризику», «Сплячі» та «Нові». У реальному проєкті пороги підлаштовують під нішу та сезон.

Від коду до дії: як працювати з кожним сегментом

Кожна група потребує своєї комунікаційної стратегії. Ось узагальнені підходи, які добре працюють у 2026 році:

• Чемпіони (високі бали за всіма трьома метриками) — найцінніша група. Не пропонуйте їм масові знижки (вони і так купують). Давайте ранній доступ до новинок, персональні рекомендації, VIP-обслуговування, бонуси безумовної лояльності. Канали: email + push + особистий менеджер.
• Лояльні — стабільна база доходу. Підтримуйте інтерес крос-селами, контентом про використання продукту, програмами лояльності з накопичувальними бонусами.
• У зоні ризику (знизилася давність при нормальній частоті та сумі) — термінова реакція. Опитування «що пішло не так», персональні пропозиції на основі попередніх покупок, нагадування про бонуси.
• Сплячі (давно не купували, але раніше були активними) — реактиваційні кампанії з сильним інсентивом (промокод + обмеження за часом). Часто добре працюють SMS/Viber + ретаргетинг.
• Втрачені — мінімальні зусилля або повне виключення з масових розсилок. Іноді разова «мису вас»-кампанія з великою знижкою, але без перевитрат бюджету.
• Нові — окремий потік онбордингу: вітальне повідомлення, корисний контент, перша повторна пропозиція через 2–4 тижні.

У кейсах компаній, що використовують платформи на кшталт eSputnik та Mindbox, такі сегментовані кампанії показують значно вищий ROI порівняно з масовими розсилками.

7 типових помилок у RFM-аналізі та як їх уникнути

З практики українських проєктів найчастіше зустрічаються такі проблеми:

1. Неправильний часовий період. Для сезонного товару аналіз за 6 місяців спотворює картину. Рішення: вибирати період, що відповідає повному циклу покупки в ніші, або порівнювати рік до року.
2. Брудні дані на вході. Дублікати, тестові замовлення, невраховані повернення. Рішення: обов’язкова попередня очистка та «зшивання» профілів клієнтів.
3. Фіксовані пороги замість даних. «Недавно = менше 30 днів» для всіх категорій. Рішення: використовувати квантилі або комбінувати статистичний підхід з бізнес-логікою.
4. Одноразовий аналіз. Зробили таблицю раз — і забули. Рішення: налаштувати регулярне оновлення (для активного e-commerce — кожні 2–4 тижні).
5. Ігнорування нових клієнтів. Їх часто відносять до «сплячих» або «втрачених». Рішення: виділяти окремий сегмент «Нові» з фокусом на першій повторній покупці.
6. Відсутність вимірювання результату. Зробили сегментацію, запустили розсилки — і не подивилися uplift. Рішення: обов’язково A/B-тестувати або порівнювати метрики до/після по сегментах.
7. Надія тільки на маркетинг. RFM добре працює, коли сегменти впливають і на продукт (рекомендації на сайті), і на сервіс (пріоритет у підтримці), і на рекламу (виключення чемпіонів з широких промо).

RFM у 2026 році: AI, автоматизація та омніканальність

Класичний RFM з Excel досі працює для невеликих баз. Але сучасні платформи дозволяють значно більше. У CDP- та CRM-системах (eSputnik, SendPulse, Mindbox, Bitrix24 та інші) сегменти оновлюються автоматично при новій покупці або взаємодії. Додається real-time тригери: «клієнт перейшов у зону ризику — надіслати персональну пропозицію».

AI-шар дозволяє йти далі: моделі передбачають ймовірність відпливу або наступної покупки, використовуючи RFM-бали як одну з ознак разом з поведінкою на сайті, відкриттями листів, переглядами товару. Це вже не просто історична сегментація, а predictive scoring.

В українських реаліях популярні комбінації: RFM + email/SMS/Viber автоматизація + ретаргетинг у Meta та Google. Деякі команди додають RFM-бал у рекомендаційні алгоритми на сайті — і клієнт бачить релевантніші товари саме тому, що система знає його сегмент.

Коли RFM не спрацьовує і що використовувати замість або разом з ним

RFM — відмінний старт, але не універсальний інструмент. Він слабко працює при дуже малій базі повторних покупок (менше кількох сотень клієнтів з історією), у бізнесах з довгим циклом продажу (послуги B2B, нерухомість, складна техніка) або при підписній моделі (тут важливіші метрики утримання та MRR).

У таких випадках краще комбінувати або замінювати на:

• когортний аналіз (cohort analysis) — як змінюється утримання з часом;
• predictive models CLV (customer lifetime value) — прогноз загальної цінності клієнта;
• повноцінну поведінкову сегментацію в Google Analytics 4 / BigQuery з урахуванням подій;
• ML-кластеризацію (k-means та подібні) на більшій кількості ознак.

Якщо база велика, даних багато, а ви хочете predictive-шар або глибоку інтеграцію з наявним стеком — має сенс звернутися до фахівця з аналітики або маркетингової автоматизації. Для більшості середніх українських магазинів достатньо грамотно налаштованого RFM в Excel + однієї з доступних платформ автоматизації.

Ключові інсайти

RFM-аналіз не вимагає складного софту на старті — достатньо структурованих даних про покупки та 2–3 годин на перший розрахунок. Найбільший ефект дає не сам факт сегментації, а системна робота з отриманими групами: регулярне оновлення, чіткі сценарії комунікації та вимірювання результату.

Почніть просто: експортуйте дані за останній рік, порахуйте RFM хоча б на перших 200–300 клієнтах, визначте 4–5 основних сегментів і запустіть одну тестову кампанію на «сплячих». У більшості випадків уже на цьому етапі видно різницю в конверсії та повторних продажах. У 2026 році цей інструмент доступний практично будь-якому бізнесу, який має історію транзакцій — залишилося лише почати ним користуватися системно.