Для частной клиники в России важно не только привлекать новых пациентов, но и удерживать текущих, возвращать затихших. Анализ по модели LRFM (длительность отношений, давность последнего визита, частота, сумма затрат) даёт объективную картину без субъективных опросов. Эта методика, опробованная на базе 1462 пациентов тайваньской детской стоматологии, легко масштабируется на любую российскую клинику, где ведётся электронная медицинская карта (ЭМК). Разбираем, как построить двухстадийную кластеризацию и какие сегменты получить с учётом требований российского законодательства.
Почему обычного RFM‑анализа недостаточно
Классическая модель RFM (давность последнего визита, частота обращений, сумма расходов) пришла из розничной торговли. В медицине она даёт сбой. Пациент, который раз в год приходит на профилактический осмотр, может иметь плохие показатели давности и частоты, но оставаться лояльным и здоровым. Именно поэтому авторы исследования добавили четвёртый параметр — Length (длительность отношений), то есть время с момента первого обращения. Так появилась модель LRFM.
Для российской клиники стаж отношений — ключевой индикатор. В стоматологии, педиатрии, частной терапии пациенты наблюдаются годами. Если не учитывать длину «хвоста», система будет путать впервые пришедшего с высокими затратами и «ветерана», который изредка заглядывает, но приносит стабильный доход. LRFM снимает эту неоднозначность.
Двухстадийный подход: самоорганизующиеся карты и метод k‑средних
Чтобы не делить базу «на глаз», применили двухэтапный алгоритм, легко реализуемый на Python (библиотеки MiniSom и scikit‑learn):
Этап 1 – самоорганизующиеся карты (SOM). Нейросеть проецирует четыре параметра (L, R, F, M) на двумерную сетку, сохраняя естественные группировки. SOM показала, что в выборке из 1462 записей объективно присутствуют 12 устойчивых сгустков. Никаких предположений о количестве сегментов не потребовалось.
Этап 2 – метод k‑средних. Полученное число (12) передаётся классическому алгоритму k‑средних. Он разбивает всех пациентов на кластеры и вычисляет центроиды – средние показатели по каждому из четырёх признаков в группе. Сочетание SOM и k‑средних избавляет от произвольного выбора числа кластеров, чем часто грешат маркетологи в частных клиниках.
| Этап | Метод | Результат |
|---|---|---|
| 1 | Самоорганизующиеся карты (SOM) | Определение 12 естественных кластеров |
| 2 | Метод k‑средних | Чёткое разбиение на 12 сегментов с числовыми профилями |
Для российского врача‑управленца это значит, что аналогичный алгоритм можно запустить на выгрузке из медицинской информационной системы (МИС), например, «Медиалог», «Интерин», «1С:Медицина» или любого решения, где накоплены даты и суммы приёмов. Единственное условие – обезличивание персональных данных перед обработкой согласно Федеральному закону №152‑ФЗ. Необходимо заменить ФИО на коды, а прямые демографические признаки исключить, оставив только давностные и денежные метрики. Это не влияет на работу алгоритма.
12 кластеров: лояльные, утерянные и переходные состояния
После разбиения центроиды сравнили со средними значениями по всей базе и выделили три группы:
- Лояльные (3 сегмента). Высокий стаж L, низкая давность R (т.е. приходили недавно), высокая частота F и высокая сумма затрат M. Это ядро клиники – пациенты, которые приносят регулярный поток и не требуют затрат на повторное привлечение.
- Утерянные (3 сегмента). Низкий или средний L, высокая давность последнего визита, низкие частота и сумма. Такие пациенты давно не появлялись; скорее всего, перешли к конкурентам или приостановили лечение. Без L‑измерения часть из них могла бы попасть в «спящий» сегмент, но короткий стаж отношений однозначно указывает на отток.
- Переходные (6 сегментов). Самая интересная для маркетинга «серая зона». Сюда попали, например, пациенты с большим стажем и высокими затратами, но давним последним визитом (крупный клиент, которого пора возвращать). Или часто обращающиеся, но на небольшие суммы – хорошая аудитория для программ лояльности с повышением среднего чека. Без четвёртого параметра эти группы сливались бы с лояльными или утерянными, лишая клинику дифференцированных инструментов.
Сравнение: что даёт добавление длительности отношений
Даже при одинаковом алгоритме сегментации наличие параметра L кардинально меняет картину.
| Параметр | Классическая RFM‑модель | LRFM‑модель (с длительностью) |
|---|---|---|
| Учёт стажа отношений | Отсутствует | Позволяет отделить «новичков» от «ветеранов» |
| Устойчивость к сезонным паузам | Низкая: длительный перерыв сразу ведёт в «отток» | Высокая: старый пациент с долгой паузой ещё не потерян |
| Точность определения истинно ушедших | Размыта: в группе риска оказываются здоровые люди | Чёткая: короткий стаж + плохие показатели = отток |
| Число интерпретируемых сегментов | Обычно 5–7, без переходных состояний | 12, включая «спящих», «растущих» и «затухающих» |
| Маркетинговая гибкость | Ограничена градацией «хороший/плохой» | Позволяет строить сценарии реактивации, удержания и апсейла |
Для частной клиники, работающей в условиях высокой конкуренции, возможность точно разделить аудиторию на «вернуть сейчас», «удержать программой лояльности» и «работать на рост среднего чека» даёт ощутимое преимущество без увеличения рекламного бюджета.
Практические шаги для российской клиники
- Выгрузка данных. Получите из своей МИС анонимизированную таблицу с датами первого и последнего приёма, количеством визитов и общей суммой оплат. Важно, чтобы выгрузка не содержала фамилий, адресов и других идентификаторов – так вы соблюдёте требования 152‑ФЗ.
- Расчёт LRFM‑переменных. Длительность отношений (L) = дата последнего приёма – дата первого приёма (в днях). Давность (R) = текущая дата – дата последнего приёма. Частота (F) = общее число визитов. Сумма (M) = общая сумма оплат. Всё это можно сделать в Excel или через специализированный скрипт на Python.
- Кластеризация. Запустите самоорганизующиеся карты (SOM) для определения оптимального числа кластеров (как правило, от 8 до 12), затем примените метод k‑средних. Для пилотного проекта достаточно 300–500 пациентов с полной историей, чтобы валидировать интерпретацию групп под свою специализацию.
- Интерпретация и маркетинговые действия. Сопоставьте полученные кластеры со средними значениями по клинике и распределите сегменты на лояльные, утерянные и переходные. Для лояльных предложите программы долгосрочного обслуживания, для утерянных – личные приглашения со скидкой, для переходных с высоким M, но большим R – звонок администратора с напоминанием о необходимости профилактики.
- Автоматизация. Настройте регулярный экспорт сегментов в вашу систему управления взаимоотношениями с клиентами (CRM) или маркетинговую платформу. Это позволит триггерно запускать акции по электронной почте или через Яндекс‑почту (с учётом правил Роскомнадзора) и смс.
Методология, опубликованная в 2014 году, остаётся базовой: свежие исследования лишь добавляют медицинские показатели, но ядро LRFM‑анализа не потеряло актуальности. Для частных клиник, работающих с ЭМК, это возможность без затрат на дорогую аналитику строить адресный маркетинг, возвращая до 25% «спящих» пациентов и повышая пожизненную ценность лояльных.
FAQ
Q: Что такое LRFM‑модель в медицине? A: Это расширение классической модели RFM (давность последнего визита, частота, сумма трат) ключевым параметром «L» — длительностью отношений пациента с клиникой. Помогает отделить истинно лояльных от случайных визитов.
Q: Зачем перед методом k‑средних нужны самоорганизующиеся карты? A: SOM‑визуализация объективно показывает, сколько естественных кластеров содержится в данных, и избавляет от произвольного выбора числа сегментов. Это напрямую повышает точность последующей кластеризации.
Q: Сколько сегментов получено в исследовании и какие из них соответствуют оттоку? A: На 1462 пациентах выделили 12 кластеров. Три из них интерпретированы как утерянные: у них одновременно короткий стаж отношений и плохие показатели давности, частоты и суммы.
Q: Можно ли применять LRFM‑сегментацию в многопрофильной клинике, а не только в стоматологии? A: Да, модель не привязана к специализации. Она работает с универсальными транзакционными данными из любой электронной медицинской карты. Подходит для педиатрии, гинекологии, терапии и других направлений.
Q: Нужно ли согласие пациента на обработку данных для LRFM‑анализа в РФ? A: Если данные обезличены (удалены ФИО, адрес, паспортные данные), обработка разрешена без дополнительного согласия согласно 152‑ФЗ и Разъяснениям Роскомнадзора. При передаче деперсонализированной информации в CRM‑систему достаточно уведомить пациента в договоре о том, что обезличенные данные могут использоваться для управления качеством обслуживания.