Ключевое исследование 2011 года, опубликованное в научном журнале Procedia Computer Science (издательство Elsevier), показало переход от порядкового RFM-скоринга к количественной оценке пожизненной ценности клиента (CLV). Каноническая формула `CLV = w1·R + w2·F + w3·M`, где R, F, M нормализованы, стала математической основой для десятков последующих работ, в том числе в аналитике здравоохранения.
От RFM-сегментирования к числовому CLV: зачем нужна метрика
Традиционный RFM-анализ, основанный на давности последнего визита, частоте обращений и сумме трат (Recency, Frequency, Monetary), разбивает пациентов на сегменты. Он даёт порядковую группу — например, «лучшие пациенты», — но не отвечает на вопрос, какую именно прибыль принесёт пациент за весь период взаимодействия с клиникой. Оценка пожизненной ценности пациента (CLV) восполняет этот пробел: она переводит качественные сегменты в прогнозируемый денежный поток.
Исследование предложило способ конвертации классического RFM-скоринга в количественный CLV без построения сложных вероятностных моделей. Авторы показали, что достаточно нормализовать значения R (давность), F (частота) и M (суммарный чек), а затем взвесить их с учётом бизнес-важности каждой компоненты.
Линейная модель взвешенного RFM: логика и преимущества
Модель взвешенного RFM (Weighted RFM, WRFM) исходит из того, что давность, частота и денежная ценность по-разному влияют на будущую стоимость пациента. Вместо простого суммирования баллов (как в скоринг-версии) вводится линейная комбинация с весовыми коэффициентами:
> CLV = w1·R + w2·F + w3·M
Здесь R, F, M — нормализованные значения соответствующих показателей, а w1, w2, w3 — веса, отражающие относительный вклад каждого фактора. Поскольку компоненты приведены к единой шкале, итоговый CLV получается непрерывным числом, которое можно ранжировать, сравнивать во времени и агрегировать по сегментам.
Для частной клиники это означает, что вместо размытых групп «хороших» и «плохих» пациентов руководитель получает конкретную цифру ценности каждого. Такой подход упрощает распределение бюджета на удержание и программы лояльности.
Такой подход сохраняет простоту RFM, но устраняет его основной недостаток — дискретность и невозможность точно ранжировать пациентов внутри одного скоринг-класса.
Нормализация R, F, M: единая шкала для объективного веса
Чтобы сложение R, F и M было математически корректным, все три переменных предварительно нормализуются. В оригинальной работе каждая величина преобразовывалась в диапазон [0,1] с помощью мин-макс нормализации:
- R (давность) — чем меньше значение (дней с последнего приёма), тем выше нормализованный показатель. Обычно используется преобразование `R' = (max(давность) – текущ_давность) / (max(давность) – min(давность))`.
- F (частота) — `F' = (F – min(F)) / (max(F) – min(F))`.
- M (денежная ценность) — `M' = (M – min(M)) / (max(M) – min(M))`.
Максимальные и минимальные значения рассчитываются по всей выборке пациентов клиники. Например, если максимальное количество визитов среди всех пациентов за год составило 15, а у конкретного пациента — 6, то его нормализованная частота будет равна приблизительно 0,4.
Такая процедура устраняет разницу в масштабах (например, дни против количества визитов или рублей) и делает веса w1, w2, w3 интерпретируемыми: чем выше вес, тем сильнее данный фактор влияет на итоговый CLV при прочих равных.
Определение весовых коэффициентов w1, w2, w3
Веса можно задавать экспертно или вычислять автоматически. В исследовательских работах часто встречаются два метода:
- Экспертный подход — веса назначаются на основе бизнес-логики. Например, если отток пациентов критичен, параметру давности задают наибольший вес.
- Аналитический подход — веса определяются по историческим данным с помощью регрессионных моделей, где целевой переменной выступает фактическая прибыль от пациента. Иногда используется метод анализа иерархий (AHP) или вычисление энтропии для каждого RFM-фактора.
Хотя источник 2011 года не детализирует конкретный метод расчёта весов, последующие работы подтвердили универсальность формулы и показали, что даже равные веса (w1 = w2 = w3) дают работоспособную модель CLV. Для быстрого запуска в клинике можно начать с равных весов, а затем уточнить их на основе накопленных данных о повторных визитах и среднем чеке.
Применение взвешенного RFM в медицине
Медицинские организации (в том числе частные клиники в России) используют эту модель для оценки ценности пациентов:
- R — давность последнего визита пациента (в днях или месяцах),
- F — число посещений (приёмов, процедур) за выбранный период,
- M — суммарный чек или средняя стоимость приёма.
Из этих трёх компонентов строится взвешенный CLV. Пациенты с высоким CLV (малая давность, высокая частота, большой средний чек) считаются наиболее ценными — их стараются удерживать программами лояльности и персонализированными предложениями. Пациенты с низким CLV могут быть объектом реактивационных акций или, наоборот, иметь низкий приоритет в маркетинговых затратах.
Данные для расчёта легко извлекаются из медицинской информационной системы (МИС) или системы управления взаимоотношениями с клиентами (CRM) клиники. Однако важно, чтобы обработка сведений о визитах и суммах не нарушала врачебную тайну и требования Федерального закона № 152-ФЗ «О персональных данных». Для маркетинговых целей необходимо либо обезличивание данных, либо явное согласие пациента на их использование.
Главное преимущество — возможность рассчитать числовую ценность каждого пациента без сложного математического аппарата, доступную для автоматизации в CRM и BI-системах (системах бизнес-аналитики), широко представленных на российском рынке.
Сравнение традиционного RFM-скоринга и взвешенной CLV-модели
| Параметр | Традиционный RFM-скоринг | Взвешенный RFM (CLV-оценка) |
|---|---|---|
| Результат | Порядковый сегмент (например, «VIP: 555») | Непрерывное число (CLV) |
| Шкала | Дискретная, ограниченное число групп | Непрерывная, любое число |
| Учёт относительной важности | Нет, все факторы равнозначны | Есть, через веса w1, w2, w3 |
| Возможность прогноза | Только классификация | Количественный прогноз будущей ценности |
| Применимость к маржинальному анализу | Затруднена | Полезна, можно сопоставлять CLV и затраты на удержание |
| Сложность внедрения | Минимальная | Низкая, требует только нормализации и задания весов |
Применимость для РФ
Взвешенная CLV-модель на основе RFM технически полностью воспроизводима в российских частных клиниках, поскольку оперирует обезличенными или псевдонимизированными данными о визитах и суммах чеков. Ключевой регуляторный момент — соответствие 152-ФЗ «О персональных данных»: обработка R (давность последнего приёма) и M (сумма чека) допустима при наличии согласия пациента на обработку персональных данных в маркетинговых целях либо при обезличивании данных до степени, исключающей идентификацию.
Ограничения по сравнению с зарубежной практикой:
- В России отсутствует прямой аналог американского закона HIPAA, регулирующего защиту медицинской информации, однако это не освобождает от строгих требований к врачебной тайне (ст. 13 Федерального закона № 323-ФЗ). Это делает недопустимой привязку CLV к диагнозам и другим медицинским данным без согласия пациента.
- Инфраструктурный разрыв: в большинстве отечественных МИС нет встроенной аналитики CLV «из коробки», но формула легко реализуется в Excel или BI-системах при выгрузке из системы планирования ресурсов предприятия (ERP) клиники.
Таким образом, модель применима для сегментации пациентов по коммерческой ценности при условии соблюдения законодательства о персональных данных.
FAQ
Q: Что такое CLV и почему его считают через RFM? A: CLV (пожизненная ценность клиента) — это прогнозная сумма прибыли, которую пациент принесёт за всё время отношений с клиникой. RFM-анализ даёт простой способ приблизиться к этой оценке, учитывая давность последнего визита, частоту обращений и денежную ценность.
Q: Чем взвешенный RFM отличается от обычного RFM-скоринга? A: Обычный скоринг делит пациентов на сегменты по шкале 1–5, а взвешенный RFM вычисляет непрерывное числовое значение CLV = w1·R + w2·F + w3·M, что позволяет точнее ранжировать пациентов и прогнозировать прибыль.
Q: Как нормализовать R, F, M для формулы CLV? A: Используется мин-макс нормализация: каждый показатель приводится к диапазону [0,1] с учётом минимума и максимума по всей выборке пациентов. Для давности (R) инвертируется логика — чем меньше дней с последнего приёма, тем ближе значение к 1.
Q: Как определить веса w1, w2, w3? A: Веса задаются экспертно (например, давность = 0.5, частота = 0.3, денежная ценность = 0.2) или рассчитываются по историческим данным через регрессию либо метод анализа иерархий. Даже равные веса часто дают приемлемый результат.
Q: Можно ли модель взвешенного RFM применять для прогноза оттока пациентов? A: Да, низкий нормализованный показатель R (длительное отсутствие) в формуле CLV снижает итоговую ценность, что косвенно идентифицирует пациентов с высоким риском оттока — их CLV падает, и они попадают в группу внимания.