RFM-анализ — это метод сегментации клиентской базы, при котором каждому покупателю присваивается оценка по трём параметрам его покупательского поведения. Расшифровка аббревиатуры: R — Recency (давность), F — Frequency (частота), M — Monetary (деньги).

Метод появился в 1995 году в прямом маркетинге — когда компании рассылали физические каталоги и нужно было понять, кому слать посылку в первую очередь, а кому не слать вообще. Сегодня это один из базовых аналитических инструментов в digital-маркетинге, e-commerce и CRM-маркетинге.

В основе метода три показателя, которые отражают реальное поведение клиента.

Это количество дней (или недель, месяцев), прошедших с момента последней транзакции клиента. Логика простая: чем свежее последняя покупка, тем выше вероятность, что клиент купит что-то еще снова.

Важная оговорка: «недавно» — понятие относительное и зависит от ниши. Купленный полгода назад автомобиль — это недавно. Купленный полгода назад крем для лица — это очень давно. Границы нужно выставлять исходя из своего бизнеса.

Сколько раз клиент совершал покупки за анализируемый период. Чем чаще человек приходит к вам, тем более он лоялен. Высокочастотный клиент — это тот, кто уже выбрал вас среди конкурентов.

Для продуктового магазина 4 покупки в месяц — норма. Для магазина мебели 4 покупки в год — уже высокая частота. Ориентируйтесь на медиану своей базы.

Общая сумма, которую клиент потратил за анализируемый период. Именно этот параметр показывает реальную финансовую ценность клиента для бизнеса.

10 000 рублей с клиента в нише канцтоваров — это очень хорошо. 10 000 рублей с клиента в нише промышленного оборудования — это почти ничего. Снова — всё зависит от контекста.

RFM работает там, где есть повторные покупки и достаточная база клиентов.

Подходит для:

Не подходит, если:

Весь процесс укладывается в пять шагов. Для базового варианта достаточно Excel или Google Таблиц.

Выгрузите из CRM или базы данных информацию по каждому клиенту:

Для Recency — рассчитайте количество дней от даты последней покупки до сегодняшнего дня. Для Frequency — посчитайте количество транзакций. Для Monetary — просуммируйте все покупки.

Разбейте клиентов на группы и поставьте оценки от 1 до 3 (или от 1 до 5 — для более детальной сегментации):

Оценка 1 всегда означает лучший показатель для бизнеса. Клиент с RFM-кодом 111 — ваш лучший покупатель. Клиент с кодом 333 — давно потерянный.

Объедините оценки в трёхзначный код: первая цифра — R, вторая — F, третья — M. Получите от 27 (при шкале 1–3) до 125 (при шкале 1–5) комбинаций. Некоторые сегменты в вашей базе могут оказаться пустыми — это нормально.

Для каждой группы клиентов должна быть своя коммуникация. Именно это превращает RFM из аналитики в деньги. Об этом подробнее в следующих разделах.

Все 27 комбинаций можно сгруппировать в 6–7 ключевых типов клиентов.

Покупают часто, недавно и много. Это VIP-аудитория, которая приносит основную выручку.

Что делать: Давать привилегии — ранний доступ к новинкам, персональный менеджер, закрытые распродажи. Не нужно предлагать большие скидки — они и так покупают.

Покупают регулярно, но не с максимальной частотой или чеком.

Что делать: Программы лояльности, бонусные баллы, рассылки о новинках. Цель — дотянуть до уровня чемпионов через увеличение частоты или чека.

Недавно совершили первую покупку.

Что делать: Welcome-серия писем, прогрев контентом, знакомство с брендом, скидка на второй заказ. Критически важно — не потерять в первые 30 дней.

Раньше покупали хорошо, но уже несколько месяцев тихо.

Что делать: Реактивационная рассылка с промокодом или специальным предложением. Возможно, стоит провести кастдев-опрос — почему перестали покупать.

Раньше покупали часто и много, но давно не возвращались. Самый ценный сегмент для работы по возврату.

Что делать: Персональные обращения, крупные бонусы, звонок от менеджера. ROI от возврата таких клиентов обычно выше, чем от привлечения новых.

Один раз купили давно и больше не возвращались.

Что делать: Попробуйте одну реактивационную рассылку с сильным оффером. Если реакции нет — исключайте из активных коммуникаций, чтобы не тратить бюджет. Допустимо периодически повторять эту реактивационную рассылку и тестировать ее формулировки.

Это стандартная матрица при шкале 1–3. Читается слева направо: первая цифра — Recency, вторая — Frequency, третья — Monetary.

Данные ниже собраны из открытых публикаций ведущих маркетинговых изданий — суммарный контекст по топ-20 источникам в нише, полученный с помощью Perplexity.

Сервис доставки еды Foodband выстроил автоматическую цепочку для сегмента R=3 (давно не покупали). Сначала — пуш без скидки (напоминание о бренде), затем — пуш с промокодом. Результат: возврат до 34% клиентов из сегмента оттока.

Интернет-магазин семян Seedpost.ru сегментировал базу по RFM и выделил группу «спит, раньше покупал часто» (R=3, F=1–2). Для них запустили email и SMS с промокодом. По результатам тестов с контрольной группой, прямой маркетинг принёс 22,5% всей выручки.

Бренд FOAM отправляет письмо со скидкой и опросом клиентам, которые совершали заказ за последние полгода, но уже три месяца не делают следующий. Простой триггер на основе RFM-сегментации дал ROI 807%.

Классический RFM — это статичный срез данных. ИИ превращает его в динамическую систему.

Если вам интересно, как автоматизировать такие процессы с помощью ИИ-агентов, посмотрите сервис NeuroAgents — там можно настроить ИИ-сотрудника, который будет автоматически работать с разными сегментами клиентов прямо из вашей CRM.

Вы провели RFM-анализ, выделили сегменты «спящие» (R=2) и «под угрозой оттока» (R=3, F=1–2). Следующий шаг — коммуникация. Стандартный подход: email-цепочка, SMS с промокодом, push. Это работает, кейсы выше это подтверждают. Но есть нюанс — чем «холоднее» сегмент, тем хуже работают текстовые каналы. Open rate по спящим базам редко превышает 10–15%, до клика доходит 2–3%. Человек, который забыл о вашем бренде полгода назад, с высокой вероятностью не откроет от вас и письмо.

Звонок — принципиально другой уровень касания. Дозвон до спящего клиента в зависимости от ниши составляет 35–50%, а конверсия в интерес при грамотном скрипте — 8–15%. Проблема в том, что ни один живой менеджер не будет системно прозванивать тысячи контактов из «мёртвых» этапов воронки. Это монотонная, низкоконверсионная работа с высоким уровнем негатива. Менеджеры её саботируют — и это абсолютно нормальное человеческое поведение. Именно поэтому у большинства компаний спящая база так и остаётся спящей: за эти контакты заплачено, но результат от них равен нулю.

В 2026 году эту задачу всё чаще закрывают голосовые ИИ-агенты. Они обзванивают нужные RFM-сегменты по заданному сценарию, квалифицируют интерес прямо в разговоре и передают тёплый лид менеджеру с полным контекстом — записью звонка, транскрибацией, заполненными полями в CRM. Менеджер подключается только к тем, кто подтвердил интерес, и занимается тем, что умеет лучше всего — закрытием сделок.

Одно из таких решений — платформа AI МОП: отечественная разработка, участник Сколково, полная интеграция с amoCRM и Битрикс24. Агент работает внутри CRM клиента как обычный сотрудник — двигает сделки по этапам, заполняет поля, ставит задачи. Для бизнеса ничего не меняется в процессах, просто появляется дополнительный «сотрудник», который не выгорает, не саботирует и работает круглосуточно. При этом стоимость минуты разговора — 12 рублей, что в среднем в три раза дешевле живого оператора колл-центра.

Связка RFM + голосовой ИИ даёт простую, но мощную механику: аналитика показывает, кому звонить и с каким приоритетом, а ИИ-агент это исполняет — быстро, в масштабе и без человеческого фактора. По сути, RFM-анализ перестаёт быть просто отчётом и становится рабочей системой возврата клиентов.

Самый простой вариант. Нужны формулы СЕГОДНЯ(), СЧЁТЕСЛИ(), СУММЕСЛИ() и сводные таблицы. Анализ базы в 50–70 тысяч контактов занимает около 20 минут.

Плюсы: бесплатно, не нужны технические навыки, всё визуально.

Минусы: ручное обновление, нет автоматизации.

Для тех, кто хочет автоматизации и работы с большими базами. Стандартный стек: pandas, numpy, matplotlib. Логика простая: рассчитать R, F, M для каждого customer_id, разбить на квантили, присвоить оценки.

Пример кода на Python для расчёта RFM:

Power BI, Tableau, Yandex DataLens позволяют визуализировать RFM-матрицу в виде heat map (тепловая карта) и видеть распределение клиентов по сегментам в реальном времени.

Оптимальная частота — 1–3 раза в квартал. При более редком анализе клиенты успевают перейти из одного сегмента в другой незаметно, и вы теряете момент для правильного действия.

Компании с автоматизированными системами пересчитывают RFM при каждой новой транзакции — это уже не ручной анализ, а живая сегментация.

Многие берут «из интернета» готовые пороги: «до 30 дней — Recency 1, от 31 до 60 — Recency 2...» Это ошибка. Границы должны основываться на реальных данных вашей базы и цикле покупки в вашей нише.

Сделать анализ и всё равно слать одну рассылку всем — выброшенные усилия. Ценность RFM именно в дифференцированном маркетинге.

RFM — не отчёт, а инструмент для конкретных действий. Без прописанных стратегий под каждый сегмент анализ бессмысленен.

Если у вас много транзакций с небольшим чеком, Monetary может быть менее показательным параметром, чем R и F. Некоторые аналитики используют упрощённый вариант — RF-анализ (без денег) для таких случаев.

Клиентская база живёт и меняется. Если делать RFM раз в год, вы упускаете клиентов, которые уходят прямо сейчас.

RFM хорошо работает в паре с другими инструментами аналитики.

ABC-анализ делит клиентов по доле в выручке. RFM добавляет временну́ю динамику.

LTV (Lifetime Value) — совокупная прибыль от клиента за всё время. RFM помогает прогнозировать LTV: клиенты с кодом 111 имеют высочайший LTV. Подробнее о расчёте LTV — в статье LTV: что это такое, как считать и как увеличить.

Воронка продаж помогает понять путь клиента до первой покупки. RFM работает уже после неё. Разобрали структуру воронки здесь: Что такое воронка продаж: полное руководство 2026.

ROI коммуникаций по каждому сегменту — логичное продолжение RFM-стратегии. Как считать возврат инвестиций в маркетинге, читайте в статье ROI в продажах и маркетинге: что это такое и как считать.

Этот промпт поможет вам разработать стратегию RFM-сегментации для вашего бизнеса. Скопируйте его, подставьте свои данные и запустите в любой из нейросетей.

Где запустить: ChatGPT, Claude, Gemini, Алиса от Яндекса

RFM-анализ — это способ разделить всех ваших клиентов на группы по тому, когда они последний раз покупали (R), как часто покупают (F) и сколько тратят (M). Это позволяет понять, кто приносит деньги, кто уходит и кого можно вернуть.

Оптимально — 1–3 раза в квартал. Если у вас автоматизированная CRM, RFM можно пересчитывать при каждой новой транзакции. Для малого бизнеса достаточно раз в месяц.

Да. Для базы до 100 000 контактов Excel вполне справляется. Нужны сводные таблицы, функции СЕГОДНЯ(), СЧЁТЕСЛИ(), СУММЕСЛИ() и немного времени. Анализ 50–70 тысяч контактов занимает около 20 минут.

ABC-анализ делит клиентов только по сумме выручки (кто платит больше всего). RFM учитывает три параметра — давность, частоту и деньги — и даёт более полную картину: клиент может платить много, но последний раз покупал два года назад (высокий M, низкий R).

Попробуйте одну реактивационную рассылку с сильным оффером — скидка 25–30% или подарок к заказу. Если реакции нет в течение 2–4 недель — исключайте из активных коммуникаций. Попытки работать с полностью неактивной базой снижают репутацию домена для email-рассылок и тратят бюджет.

Да, при условии регулярных повторных сделок. В B2B вместо чека удобнее использовать маржу сделки, а вместо стандартных временных порогов — специфичные для вашей отрасли периоды.

Используйте маркетинговые платформы с встроенным RFM (Mindbox, RetailCRM, Carrot Quest) или настройте BI-дашборд в Yandex DataLens или Power BI с подключением к базе данных. ИИ-агенты могут автоматически менять сегмент клиента и запускать нужную цепочку коммуникаций.

RFM-анализ — один из тех инструментов, которые дают максимум результата при минимуме вложений. Вместо того чтобы лить бюджет на всю базу одинаково, вы точечно работаете с каждой группой: удерживаете чемпионов, возвращаете спящих, не тратите ресурс на безвозвратно потерянных. В 2026 году этот инструмент усиливается ИИ-автоматизацией, которая делает сегментацию живой и непрерывной.