Автоматизированная сегментация пользователей с применением RFM-анализа в маркетинговых стратегиях

Актуальность исследования обусловлена необходимостью повышения эффективности маркетинговых стратегий за счет автоматизированной и кастомизируемой сегментации клиентов. В рамках данной работы предложена универсальная система управления клиентскими данными, в основе которой лежит RFM сегментация с возможностью настройки гибкой логики, а также возможностью интеграции с различными внешними системами. Традиционные CRM-системы и ручные методы RFM сегментации ограничены в функционале и не всегда удовлетворяют потребности бизнеса в гибкости и интеграции с различными источниками данных. В работе были выявлены недостатки традиционных CRM-систем и предложены точки улучшения описываемой системы. Дополнительно был проведен эксперимент, в котором сравнивались полученные RFM сегменты на основе предложенной архитектуры с автостратегиями Яндекса в рекламной платформе Яндекс.Директ. Применение системы показало значительные преимущества в сравнении с автостратегиями, включая увеличение числа покупок на 30,71 % на примере магазина одежды. Полученные результаты подтверждают практическую ценность системы для оптимизации маркетинговых кампаний и повышения конверсии. Результаты имеют практическую значимость для компаний, нуждающихся в кастомизированных решениях и интеграциях. Для дальнейшего развития предлагается совершенствование метода RFM-сегментации путем внедрения алгоритмов машинного обучения, а также поиск дополнительных эффективных каналов для использования создаваемых сегментов.

1. Верес К.В., Липницкая Н.И. RFM-анализ и его применение. В сборнике: Актуальные вопросы экономики и информационных технологий: Сборник тезисов и статей докладов 59-ой научной конференции аспирантов, магистрантов и студентов БГУИР, 17–21 апреля 2023 года, Минск, Беларусь. Минск: Белорусский государственный университет информатики и радиоэлектроники; 2023. С. 55–57.

2. Ершова Е.Ю. RFM-анализ в маркетинговой практике. В сборнике: Становление и развитие предпринимательства в России: история, современность и перспективы: Сборник научных статей X юбилейной международной научной конференции, 25 мая 2023 года, Смоленск, Россия. Курск: Изд-во ЗАО «Университетская книга»; 2023. С. 47–50.

3. Багдасарян А.Л. Сегментация клиентской базы по показателям лояльности на основе RFM-анализа. В сборнике: Математика и информатика в образовании и бизнесе: Сборник материалов международной научно-практической конференции, 23 апреля 2020 года, Москва, Россия. Москва: Aegitas; 2020. С. 33–38.

4. Титова Н.А., Щеколдин В.Ю. Разработка адресных маркетинговых стратегий на основе модифицированного RFM-анализа. Практический маркетинг. 2015;(4):8–16.

5. Лепило Н.Н., Ерёменко О.Ю. Совершенствование процесса управления взаимоотношениями с клиентами на основе RFM-анализа. В сборнике: Направления повышения эффективности управленческой деятельности органов государственной власти и местного самоуправления: Сборник тезисов VI международной научно-практической конференции, 26 января 2024 года, Алчевск, Россия. Алчевск: Донбасский государственный технический университет; 2024. С. 318–322.

6. Gustriansyah R., Suhandi N., Antony F. Clustering optimization in RFM analysis Based on k-Means. Indonesian Journal of Electrical Engineering and Computer Science. 2020;18(1):470–477. https://doi.org/10.11591/ijeecs.v18.i1.pp470-477

7. Sabuncu İ., Türkan E., Polat H. Customer segmentation and profiling with RFM analysis. Turkish Journal of Marketing. 2020;5(1):22–36. https://doi.org/10.30685/tujom.v5i1.84

8. Parikh Ya., Abdelfattah E. Clustering Algorithms and RFM Analysis Performed on Retail Transactions. In: 2020 11th IEEE Annual Ubiquitous Computing, Electronics & Mobile Communication Conference (UEMCON), 28–31 October 2020, New York, USA. IEEE; 2020. pp. 0506–0511. https://doi.org/10.1109/UEMCON51285.2020.9298123

9. Lewaaelhamd I. Customer segmentation using machine learning model: an application of RFM analysis. Journal of Data Science and Intelligent Systems. 2024;2(1):165–172.

10. Святов Р.С. Роль идентификации пользователей в прогнозировании совершения целевых действий на сайте. Моделирование, оптимизация и информационные технологии. 2024;12(4). https://doi.org/10.26102/2310-6018/2024.47.4.037