В 2012 году исследователи из Южной Кореи впервые формально объединили классическую маркетинговую сегментацию RFM (давность, частота, денежная ценность) с моделью STP (сегментация, выбор целевых групп, позиционирование) и алгоритмом дерева решений на выборке из 14 072 пациентов университетской больницы. Работа, опубликованная в южнокорейском научном журнале Healthcare Informatics Research, стала цитируемой методологической базой для десятков последующих расширений — LRFM, eRFM и RFM-V — адаптирующих подход к специфике здравоохранения. Для владельца российской частной клиники этот кейс ценен тем, что доказывает: даже базовый анализ собственных административных данных способен выделить чёткие группы пациентов и запустить адресные программы лояльности или профилактические приглашения.
Почему чистый RFM потребовал интеграции с моделью STP и деревьями решений
Классический RFM-анализ, заимствованный из розничной торговли, оценивает три поведенческих параметра:
- Давность — время с момента последней госпитализации (в днях);
- Частота — количество госпитализаций за выбранный период;
- Денежная ценность — совокупная стоимость оказанных медицинских услуг.
В ритейле итоговый балл часто получают простым суммированием нормализованных значений. Однако перенос на больничную среду столкнулся с двумя проблемами: клинические профили пациентов крайне неоднородны, а без чёткого целеполагания «ранжирование» не превращается в управленческое решение. Чтобы не просто выстроить пациентов по условной «ценности», а сформировать управляемые сегменты для дифференцированной CRM-стратегии, корейская группа дополнила RFM подходом STP — последовательностью «сегментация → выбор целевых групп → позиционирование». Для российской клиники это означает необходимость формализовать цели анализа: например, выделить пациентов для программы лояльности или своевременно вернуть тех, кто не появлялся более года.
Методология: RFM-скоринг, визуализация через дерево решений и ручная проверка
Авторы извлекли ретроспективные административные данные 14 072 пациентов стационара. Каждому случаю присвоили показатели давности, частоты и денежной ценности, нормализовали их и провели начальный отбор значимых переменных с помощью логистической регрессии. Основным инструментом классификации стало дерево решений (алгоритм C5.0): оно строилось так, чтобы максимизировать разделение пациентов на группы — однородные внутри и различимые между собой по потенциалу для CRM-действий.
Исследователи не ограничились автоматическим разбиением. Они провели ручную проверку сегментов на соответствие бизнес-логике госпиталя — именно здесь проявилась суть STP. Каждая ветвь дерева сопоставлялась с конкретным управленческим вопросом: нужна ли этому сегменту программа лояльности, профилактический обзвон или акцент на дополнительные услуги. Прозрачность полученных правил важна и для российских клиник: руководитель сможет объяснить команде, почему конкретный пациент попал в группу «риск оттока», без отсылки к сложным алгоритмам.
Основные выводы: сколько сегментов и какова предсказательная сила
Источник не раскрывает абсолютные цифры точности в свободном доступе, но фиксирует ключевой результат:
- Алгоритм успешно разделил всех пациентов на несколько устойчивых сегментов, различавшихся по частоте обращений и среднему чеку;
- Переменная «Давность» оказалась наиболее сильным предиктором повторной госпитализации — это подтвердится и в более поздних исследованиях по LRFM;
- Комбинация RFM и дерева решений позволила извлечь явные правила, например: «если давность ≤ X дней и частота ≥ Y, то пациент относится к ядру лояльности». Такая логика была сразу понятна клиническим менеджерам.
Практическая ценность для российского стационара: воспроизвести подобные правила можно на собственных данных из медицинской информационной системы (МИС) и финансового учёта, получив прозрачные критерии для отбора пациентов в программы лояльности или профилактические кампании.
Эволюция модели: от RFM к LRFM, eRFM и RFM-V
Корейская работа 2012 года часто цитируется как отправная точка для семейства модификаций, разработанных специально под медицинские задачи:
| Расширение | Добавляемый параметр | Для какой задачи адаптировано |
|---|---|---|
| LRFM (длительность-давность-частота-сумма) | Длительность госпитализации | Учёт клинической сложности: продолжительные случаи меняют профиль «ценности» |
| eRFM (расширенный RFM) | Клинический риск, группы диагнозов | Сегментация с учётом прогноза повторных обращений по конкретным заболеваниям |
| RFM-V (ценностно-ориентированный RFM) | Показатели клинических результатов | Модель оплаты по результатам лечения: ценность не в потраченной сумме, а в достигнутом здоровье |
Все они отталкиваются от методологического каркаса, заложенного в статье: RFM-скоринг плюс дерево решений или другие классификаторы. Для российских клиник особенно интересны LRFM (анализ пациентов с длительным лечением) и RFM-V, если вы уже внедряете оценку клинических результатов и качество становится фактором лояльности.
Применимость для РФ
Методологическое ядро — RFM, дерево решений и STP — полностью переносимо в российские частные и государственные стационары. Однако практическая реализация наталкивается на два ограничения:
- Регуляторное. Федеральный закон №152-ФЗ «О персональных данных» требует обезличивания медицинских сведений перед анализом. В отличие от сред, работающих в рамках американского закона HIPAA, в России пока нет единого стандарта деидентификации для аналитической обработки. Поэтому клинике придётся создать внутренний протокол допустимого уровня анонимизации, который не уничтожит ключевые поведенческие сигналы — давность и частоту.
- Инфраструктурное. Во многих организациях МИС и CRM-модуль разнесены, а качество данных о денежных поступлениях оставляет желать лучшего. Прежде чем применять дерево решений, необходима интеграция финансового контура с МИС. В перспективе развитие Единой государственной информационной системы в сфере здравоохранения (ЕГИСЗ) может дать доступ к данным о повторных госпитализациях в другие учреждения, но пока большинство клиник оперируют внутренней аналитикой.
Что переносится напрямую:
- Логика RFM-скоринга без изменений; показатели давности, частоты и денежной ценности легко рассчитываются из административных баз.
- Алгоритм дерева решений (C5.0 или его аналоги, включая отечественные разработки) работает на обезличенных выборках без дополнительных согласований.
- Подход STP к интерпретации результатов: выделенные сегменты можно сразу увязывать с маркетинговыми действиями — от программ лояльности до персональных приглашений на профилактические осмотры.
Клиники, внедряющие специализированные медицинские CRM-платформы со встроенной аналитикой, могут сократить путь от методологии до работающих сегментов, автоматизировав расчёт LRFM-показателей и визуализацию деревьев решений для управленческой команды.
FAQ
Q: Что такое RFM-сегментация в медицине? A: Это разделение пациентов на группы по трём критериям: давность последнего визита, частота обращений и сумма расходов. Метод помогает выявить наиболее ценные и рисковые сегменты для запуска адресных CRM-стратегий.
Q: Зачем к RFM добавлять модель STP? A: STP (сегментация, выбор целевых групп, позиционирование) превращает статистические кластеры в конкретные управленческие решения. Вы не просто видите группы, а сразу определяете, с кем работать в программе лояльности, кого пригласить на профилактику, а кому предложить дополнительные услуги.
Q: Почему деревья решений, а не более сложные алгоритмы? A: Деревья решений выдают прозрачные правила «если-то», которые легко интерпретировать врачебному менеджменту без специальной математической подготовки. Именно это было критично в корейском кейсе 2012 года и остаётся востребованным в здравоохранении.
Q: В чём отличие LRFM от классического RFM? A: LRFM добавляет длительность госпитализации. Это важно для стационаров: пациент с кратким визитом и высокой частотой может быть не равен по ценности пациенту с долгой сложной госпитализацией, требующей иного подхода.
Q: Насколько исследование 2012 года актуально сегодня? A: Оно сохраняет высокую методологическую ценность как базовая работа, на которую опираются более современные модели (eRFM, RFM-V). Принципы RFM-скоринга и интеграции с деревьями решений не устарели и легко воспроизводятся на данных любой клиники.