Традиционные модели сегментации, такие как RFM (давность, частота, сумма) и LRFM (добавляется длительность отношений), не учитывают широту потребления услуг. Исследователи под руководством Э. Чинароглу в 2019 году показали, что включение переменной разнообразия V (количество уникальных отделений) значительно повышает точность прогнозирования пожизненной ценности (LTV). Пациент, который посещает и кардиолога, и эндокринолога, при одинаковых затратах ценнее того, кто ходит только к одному специалисту.
Для российских многопрофильных клиник, где портфель услуг включает терапию, узких специалистов и диагностику, эта поправка особенно актуальна: один и тот же доход может быть сгенерирован одним лояльным пациентом, «замкнутым» на одного врача, или пациентом, пользующимся перекрёстными услугами — второй сценарий демонстрирует куда более глубокую интеграцию в экосистему клиники и меньший риск оттока.
Эволюция RFM-моделей: от транзакционной частоты к клинической глубине
Классическая модель RFM (давность последнего визита, частота обращений, денежная ценность — от англ. Recency, Frequency, Monetary) была заимствована здравоохранением из розничной торговли в конце 1990-х годов. Позже для медицинских организаций её расширили до LRFM, добавив переменную L (длительность отношений с клиникой). Это позволило отделить пациентов, обратившихся однократно, от хронических больных с высоким показателем LTV.
Однако учёные из Университета Хаджеттепе (Анкара) обнаружили системное ограничение: и RFM, и LRFM одинаково оценивают пациента, потратившего 50 000 лир на повторные визиты к одному специалисту, и пациента, потратившего ту же сумму, но распределённую между кардиологом, эндокринологом, офтальмологом и лабораторией. С точки зрения риска оттока и потенциала для перекрёстных продаж это совершенно разные группы.
Переменная разнообразия (V): что измерили в Измире
Исследователи предложили модель LRFM-V, где V — количество уникальных отделений/специализаций, которые посетил пациент за период наблюдения. Данные собраны ретроспективно: выгрузка из медицинской информационной системы (МИС) частной больницы в Измире за 20 последовательных месяцев.
В выборку вошли пациенты, имевшие два и более визитов за период. Для каждого рассчитаны пять метрик (L, R, F, M, V), после чего применён двухэтапный кластерный анализ для выделения сегментов. Авторы подчёркивают: V не коррелирует линейно с частотой — пациент может ходить часто, но к одному врачу, либо реже, но к трём разным специалистам. Именно такие случаи становятся видны только после добавления переменной разнообразия.
Кластеры «новой ценности»: кого находит LRFM-V и не видит классический LRFM
По результатам кластеризации выделяются сегменты, часть которых была бы неразличима без V. Их интерпретация:
- Высокий LRFM + высокий V — «якорные» пациенты, максимальный LTV, минимальный риск оттока. Именно они генерируют органическое перекрёстное потребление услуг.
- Высокий LRFM + низкий V — лояльные, но узкопрофильные. Потенциальный риск: при смене одного специалиста или закрытии направления пациент теряется целиком.
- Низкий LRFM + высокий V — «исследователи». Возможно, не удовлетворены качеством и мигрируют между отделениями, либо имеют сложный коморбидный профиль. Требуют иной стратегии удержания, чем просто скидка на повторный приём.
- Низкий LRFM + низкий V — транзакционные пациенты, минимальный приоритет.
Для сетевых и многопрофильных клиник с широким спектром направлений сегмент «высокое разнообразие при умеренной частоте и сумме» становится главным источником роста пожизненной ценности за счёт целенаправленного предложения дополнительных услуг.
Сравнение сегментационных моделей: что теряет клиника без V
| Модель | Переменные | Различает ли широту потребления? | Применимость для многопрофильной клиники |
|---|---|---|---|
| RFM | Давность, частота, сумма | Нет | Базовая, только транзакционная ценность |
| LRFM | Длительность, давность, частота, сумма | Нет | Учитывает стаж, но игнорирует разнообразие услуг |
| LRFM-V | Длительность, давность, частота, сумма, разнообразие (V) | Да | Выделяет кросс-функциональных пациентов, ключевых для стратегии перекрёстных продаж |
Переход к LRFM-V меняет не точность модели, а саму единицу анализа. Клиника перестаёт видеть «кошелёк» и начинает видеть «медицинский маршрут». В российских реалиях, где пациент иногда ведётся разрозненно — часть услуг в частной клинике, часть в государственной, анализ маршрута внутри частной организации может показать, насколько полно клиника закрывает его потребности.
Практическое внедрение: что нужно для расчёта V в своей клинике
- Данные: выгрузка визитов за год и более с идентификатором пациента и кодом отделения/специализации. Минимальный порог — два визита для включения в анализ.
- Расчёт V: количество уникальных отделений за период. Важно не путать с количеством уникальных врачей: замена терапевта в том же отделении не повышает V.
- Нормализация: авторы применяли квартильное шкалирование (1–4 балла) по каждой из пяти осей L-R-F-M-V для приведения к единой шкале перед кластеризацией.
- Инструментарий: помимо двухэтапного кластерного анализа можно использовать метод K-средних после снижения размерности методом главных компонент; выбор метода зависит от объёма данных и наглядности результатов.
Ключевой организационный вывод: для внедрения LRFM-V необходима не столько сложная аналитика, сколько качественный справочник отделений в МИС и корректная маршрутизация пациента. Российским клиникам, уже использующим CRM-системы или программы лояльности, внедрение модели LRFM-V даст более точную сегментацию без значительных дополнительных затрат, если МИС ведёт учёт по отделениям.
Применимость для РФ
Методология LRFM-V переносится на российскую почву напрямую — математический аппарат и логика сегментации не привязаны к конкретной юрисдикции. В российских частных клиниках и сетях (особенно федеральных, с 10+ направлениями) широта потребления услуг, вероятно, является даже более дифференцирующим признаком, чем в Измире — из-за выраженной специализации врачей и фрагментированности записи.
Ограничения при внедрении в РФ:
- Качество первичных данных. В российских МИС (особенно региональных и неинтегрированных) кодирование отделений часто не стандартизировано. Без нормализации справочника отделений расчёт V даст шум.
- Регуляторный аспект. LRFM-V — модель для внутренней сегментации, не затрагивает передачу персональных данных третьим лицам. 152-ФЗ требует обезличивания на этапе построения модели, если она выгружается за контур клиники, но для внутреннего бизнес-анализа ограничений нет. Статья 24 ФЗ-38 «О рекламе» регулирует коммуникацию с пациентом на основе сегмента, но не запрещает саму сегментацию.
- Инфраструктура. Для регулярного пересчёта сегментов (ежеквартально) требуется либо конвейер извлечения, преобразования и загрузки данных (ETL) из МИС в аналитическое хранилище, либо интеграция расчётного модуля непосредственно в контур бизнес-аналитики (BI). При отсутствии хранилища данных модель LRFM-V остаётся разовым консалтинговым упражнением, а не рабочим инструментом.
Специализированные модули маркетинговой аналитики позволяют автоматизировать расчёт метрик L-R-F-M-V по данным из МИС и обновлять сегментацию без участия аналитиков — при условии предварительной нормализации справочника отделений на стороне клиники.
FAQ
Q: Что такое переменная V в модели LRFM-V? A: V (разнообразие) — количество уникальных отделений или врачебных специализаций, которые пациент посетил за период наблюдения. Отражает широту потребления медицинских услуг.
Q: Чем LRFM-V отличается от обычного RFM-анализа? A: Классический RFM оценивает давность, частоту и сумму визитов, но не видит, ходит ли пациент к одному специалисту или к пяти разным. LRFM-V добавляет длину отношений (L) и разнообразие (V), что критично для многопрофильных клиник.
Q: Как посчитать V для своей клиники? A: Выгрузите данные о визитах за 12+ месяцев с ID пациента и кодом отделения. V = количество уникальных кодов отделений. Требуется предварительная нормализация справочника отделений.
Q: Какие методы кластеризации использовать с LRFM-V? A: Авторы оригинального исследования применили двухэтапный кластерный анализ. Альтернативно — метод K-средних после снижения размерности методом главных компонент, если позволяет объём выборки.
Q: Даёт ли LRFM-V выигрыш в точности прогноза оттока? A: Модель не столько повышает формальную точность (площадь под кривой ошибок, AUC), сколько меняет структуру сегментов, выделяя кросс-функциональных пациентов, которые при классическом LRFM были бы слиты с узкопрофильными.
Источник: ResearchGate — A Customer Segmentation Model Proposal for Hospitals: LRFM-V, 2019