Модель RFMTC (давность, частота, сумма, время, отток), предложенная в 2009 году в международном научном журнале Expert Systems with Applications (специализирующемся на экспертных системах), добавляет к классическому RFM-сегментированию временной параметр и математически рассчитанную вероятность оттока на основе последовательности Бернулли. Это позволяет аналитически рассчитать вероятность следующей транзакции и ожидаемое число будущих визитов — продемонстрировано на выборке из 748 доноров крови.
От классического RFM к RFMTC: что нового?
RFM-сегментация (давность последнего визита, частота обращений, денежная сумма) широко известна в ритейле, но в медицинском маркетинге её применяют эвристически: клиники разбивают пациентов по давности последнего визита, частоте обращений и сумме выручки. Проблема — отсутствие прямой вероятностной оценки оттока: группы формируются «на глаз», без предсказания, кто покинет клинику в ближайшее время.
Авторы исследования добавили два параметра:
- Время (T) — временная характеристика (например, продолжительность с момента первого визита или межвизитный интервал);
- Вероятность оттока (C) — численная оценка риска, что пациент больше не обратится, вычисляемая аналитически, а не присваиваемая по порогам.
Таким образом, модель превращает историю визитов в измеримый показатель риска, пригодный для автоматического принятия маркетинговых решений.
| Компонент | RFM | RFMTC |
|---|---|---|
| Давность | ✓ | ✓ |
| Частота | ✓ | ✓ |
| Денежная сумма | ✓ | ✓ |
| Время (специфичный временной параметр) | ✗ | ✓ |
| Вероятность оттока (явная оценка) | ✗ | ✓ |
| Основа оценки оттока | Эвристические баллы | Аналитическая формула (последовательность Бернулли) |
| Предсказание будущих транзакций | Нет | Да (ожидаемое число визитов) |
Ключевое отличие: RFMTC даёт численно обоснованную вероятность, что пациент больше не совершит транзакцию, и прогнозирует его пожизненную ценность (CLV) не на экспертных допущениях, а на основе статистической модели.
Последовательность Бернулли и аналитическая оценка оттока
Центральный вклад работы — переход от субъективного скоринга к аналитическим формулам, вытекающим из моделирования истории посещений как последовательности испытаний Бернулли. Каждый временной период (месяц, квартал) рассматривается как единичное испытание: визит состоялся или нет. Совокупность прошлых периодов образует бинарный ряд, который позволяет строго вывести:
- Вероятность следующей транзакции — насколько вероятно, что пациент придёт в следующем периоде, исходя из наблюдаемой частоты и длительности «молчания»;
- Ожидаемое число будущих визитов — математическое ожидание оставшихся обращений, что напрямую пересчитывается в прогнозный CLV;
- Вероятность оттока — вероятность, что пациент окончательно прекратит визиты (так называемая «смерть» отношений).
Все оценки получаются из простых подсчётов: сколько визитов было за N периодов, как долго длился последний «нулевой» период. Это делает модель вычислительно лёгкой и воспроизводимой без машинного обучения — достаточно SQL-запроса к истории записей в МИС или CRM. В отличие от эвристических RFM-сегментов, RFMTC различает пациентов с одинаковой частотой, но разной динамикой: например, два человека с тремя визитами за год — один пропустил последние 3 месяца, другой ходил регулярно — получат принципиально разную вероятность оттока.
Практическая значимость: что показали 748 доноров крови
Исследование использовало данные о донациях крови, где каждая сдача — аналог визита пациента в клинику. Для частных медцентров аналогом могут служить регулярные процедуры: профилактические осмотры, сеансы косметологии, стоматологические check-up. Выборка в 748 доноров позволила эмпирически подтвердить, что RFMTC-модель:
- Корректно разделяет «активных» и «спящих» пациентов на основе рассчитанной вероятности оттока, без субъективной границы;
- Позволяет ранжировать базу по риску оттока, фокусируя коммуникацию на тех, кто с высокой вероятностью не вернётся без стимулирования;
- Даёт прогноз будущих явок, что важно для планирования загрузки учреждения и расчёта маркетинговых бюджетов, в том числе для российских клиник.
Конкретные числовые результаты в работе подтвердили, что аналитический подход превосходит интуитивный RFM-скоринг по стабильности и интерпретируемости. Для клиник это означает возможность заменить произвольные «пороги» (например, 6 месяцев без визита = ушедший) на измеренную вероятность, привязанную к индивидуальному поведенческому профилю.
Как клиника может использовать RFMTC для управления удержанием пациентов
Даже частная медицинская организация с умеренной IT-зрелостью способна внедрить упрощённый вариант модели. Порядок действий:
- Собрать историю записей каждого пациента: даты приёмов, оплаты, длительность наблюдения. Данные можно выгрузить из российских МИС («1С:Медицина», «Медиалог», «Барс.Здравоохранение») или CRM с медицинским модулем.
- Задать период анализа (месяц или квартал) и преобразовать визиты в бинарный Бернулли-ряд.
- Рассчитать частоту визитов и число последовательных «нулевых» периодов от последней активности.
- Вычислить вероятность оттока по формулам, основанным на свойствах биномиального распределения (см. оригинальную работу).
- Сформировать удерживающие сценарии: пациенты с высокой вероятностью оттока получают приоритетные приглашения, персональные предложения или напоминания.
Важно: модель не требует персональных медицинских данных, только транзакционную историю. Это упрощает согласование с ИТ-безопасностью и комплаенс.
Применимость для российских клиник
Методология RFMTC переносится напрямую, так как оперирует исключительно административно-финансовой информацией — датами приёмов, суммами чеков, продолжительностью отношений. Российские клиники могут воспроизвести модель при наличии данных в МИС или CRM, не нарушая врачебную тайну.
Регуляторные ограничения минимальны:
- Обработка обезличенных или псевдонимизированных транзакций не требует специального согласия пациента согласно Федеральному закону № 152-ФЗ «О персональных данных», если используется для внутренней аналитики и повышения качества сервиса.
- Массовые коммуникации (email, SMS) на основе риска оттока должны учитывать требования 152-ФЗ и ст. 24 ФЗ «О рекламе». При отсутствии прямого согласия пациента на рекламную рассылку целесообразно использовать модель для инициирования информационных сообщений (например, напоминание о профилактическом осмотре), которые не классифицируются как реклама, либо внедрять опцию добровольной подписки на напоминания при первичном приёме.
Часто задаваемые вопросы (FAQ)
1. Что такое RFMTC-модель? Это расширение классической RFM-сегментации: к давности (R), частоте (F) и денежной сумме (M) добавляются время (T) и математически рассчитанная вероятность оттока (C). Модель предсказывает, вернётся ли пациент, и оценивает его будущую пожизненную ценность.
2. Чем RFMTC отличается от обычного RFM-анализа? Классический RFM даёт эвристическую группировку «много/мало», не считая вероятность оттока численно. RFMTC на основе последовательности Бернулли вычисляет индивидуальный риск и ожидаемое число будущих визитов, что позволяет точнее планировать удерживающие акции.
3. Какие данные нужны для расчёта вероятности оттока? Только история визитов: даты приёмов и суммы оплат. Медицинская информация не требуется, что упрощает соблюдение российского законодательства о персональных данных.
4. Подходит ли модель для частных клиник в России? Да. Она применима к любой организации с регулярными записями приёмов, особенно в сегментах с повторными услугами: стоматология, косметология, диагностические центры, многопрофильные клиники. Достаточно выгрузки из МИС или CRM.
5. Как часто обновлять расчёт вероятности оттока? Оптимально — ежемесячно или раз в квартал. Чем чаще обновляются данные, тем быстрее маркетинг реагирует на снижение активности пациента и запускает удерживающие коммуникации.