Сегментация клиентов: RFM и поведенческие признаки

Сегментация клиентов — один из краеугольных механизмов повышения эффективности продаж и сервисного взаимодействия. В рамках курса «Использование BI и DWH для расчета CLTV» мы будем объединять две мощные концепции: (1) RFM как простую, понятную и устойчивую к шуму методику сегментации клиентов по трём признакам поведения: Recency (когда клиент совершил последнюю покупку), Frequency (как часто покупал) и Monetary (сколько потратил); и (2) поведенческие признаки, которые выходят за рамки покупок и отражают поведение клиента в цифровом пространстве: количество просмотров страниц, время на сайте, клики по категориям, добавления в корзину, взаимодействие с чеком и т. д. Объединение этих подходов позволяет создавать не только сегменты, но и конкретные сценарии взаимодействия, которые влияют на будущую ценность клиента (CLTV). Теоретическая часть даёт понятия и термины, объясняет логику выбора метрик, методики расчета и интерпретацию результатов. Практические примеры показывают конкретные SQL-запросы и шаги подготовки данных в типичной DWH-архитектуре. Технические детали охватывают архитектуру данных, звенья ETL/ELT-процессов, подходы к моделированию CLTV и внедрению в BI-инструменты. В главе также разобраны риски и ограничения внедрения, чтобы вы могли планировать проекты с учётом правовых, технических и бизнес-ограничений. В конце — блок FAQ, чтобы закрепить понимание и подготовить к реальным ситуациям на практике.

RFM как основа сегментации

Recency (R) — время, прошедшее с последней покупки. Чем меньше этот параметр, тем «теплее» клиент с точки зрения повторной покупки.
Frequency (F) — число покупок за заданный период. Более частые покупки обычно сигнализируют лояльность и вовлеченность.
Monetary (M) — суммарная стоимость покупок за период. Большая сумма указывает на более ценного клиента. RFM-метрика используется для быстрого сегментирования аудитории и позволяет идентифицировать группы клиентов вроде «Champions», «Loyal Customers», «Potential», «At risk» и «Churned». В классическом подходе каждый из параметров переводится в баллы, после чего суммарный балл RFM определяет сегмент. Варианты: 5-балльная шкала, квантильные пороги (NTILE) или настраиваемые пороги под конкретную бизнес-логіку. Важно помнить, что RFM — это дескриптивная методика: она не предсказывает CLTV напрямую, но обеспечивает прочную основу для сегментации и формирования целевых стратегий.

Поведенческие признаки как расширение RFM

Поведенческие признаки дополняют RFM и позволяют уловить поведение клиентов за пределами транзакций: количество просмотров страниц, время на сайте, активность в мобильном приложении, частота использования сервисов, клики по категориям, добавление и удаление товаров из корзины, возвраты, подписка на уведомления, участие в программах лояльности.
Поведенческие признаки полезны для раннего выявления «задержанного» интереса (например, частые просмотры без покупки) и для прогноза будущей стоимости клиента, особенно в сочетании с транзакционными данными.
Совокупность RFM и поведенческих признаков позволяет строить более устойчивые модели CLTV: на основе сегментов можно обучать региональные или продуктовые модели, а также более точно таргетировать кампании.

Методологии расчета CLTV в BI/DWH контексте

Применение RFM как входной вектор для сегментации и в качестве признаков для моделей CLTV. Прямой подход — вычислять CLTV через формулы-оценки (например, средний чек × частота × маржа × коэффициент удержания), но для высокодетализированной оценки выгоднее применять моделирование.
Модели предсказания CLTV: регрессионные модели (линейная регрессия, Lasso/Ridge, градиентный бустинг) и нелинейные модели (градиентный бустинг над деревьями, XGBoost, LightGBM). В качестве целевой переменной можно использовать прогнозируемую денежную стоимость за заданный период, или, что чаще, RMSE/MAE от фактического CLTV в ретроспективе.
Модели когортного анализа и Pareto/NBD, BG/NBD и другие хаббит-методы — особенно эффективны для задач предсказания «live-delta» покупателей в контексте онлайн-торговли и сервиса подписки.
Встроенная в DWH индустриальная логика: данные из фактов продаж и событий приводятся к единой временной шкале, строятся временные окна, применяются окна скользящего среднего, ведется учет маржи.

Баланс между простотой и точностью

Для оперативной аналитики полезна простая RFM-аналитика: быстрые пороги, понятные сегменты, возможность оперативной настройки маркетинга.
Для долгосрочного планирования и точного расчета CLTV предпочтительнее комбинировать RFM-сегменты с ML-моделями и прогнозами удержания. В набор признаков можно включить когортные эффекты, сезонность, маркетинговые каналы, воронку покупок и поведенческие признаки.

Практические примеры (практическая часть)

Ниже приводятся примеры процедур и запросов, которые обычно применяются в DWH/BI для расчета RFM и подготовки входных данных под модели CLTV.

Пример 1. Расчет RFM на основе транзакций

Предположим, у вас есть таблица orders с полями: customer_id, order_id, order_date, amount. Референсная дата — 2024-12-31, окно — последние 12 месяцев.

Шаг 1: вычислить R, F, M по каждому клиенту

SELECT
  customer_id,
  DATE '2024-12-31' - MAX(order_date) AS recency_days,
  COUNT(DISTINCT order_id) AS frequency,
  SUM(amount) AS monetary
FROM orders
WHERE order_date >= DATE '2024-01-01'
GROUP BY customer_id;

Шаг 2: перевести в ранги (NTILE 5) по каждому полю, с учетом того, что меньшая Recency — лучше

WITH rfm_base AS (
  SELECT
    customer_id,
    DATE '2024-12-31' - MAX(order_date) AS recency_days,
    COUNT(DISTINCT order_id) AS frequency,
    SUM(amount) AS monetary
  FROM orders
  WHERE order_date >= DATE '2024-01-01'
  GROUP BY customer_id
),
rfm_ranks AS (
  SELECT
    customer_id,
    -- инвертируем recency: меньший recency получает больший рейтинг
    NTILE(5) OVER (ORDER BY recency_days ASC) AS r_rank,
    NTILE(5) OVER (ORDER BY frequency DESC) AS f_rank,
    NTILE(5) OVER (ORDER BY monetary DESC) AS m_rank
  FROM rfm_base
)
SELECT * FROM rfm_ranks;

Шаг 3: собрать RFM-индекс и сегменты

SELECT
  customer_id,
  r_rank, f_rank, m_rank,
  (r_rank * 100 + f_rank * 10 + m_rank) AS rfm_score,
  CASE
    WHEN r_rank = 5 AND f_rank = 5 AND m_rank = 5 THEN 'Champions'
    WHEN r_rank >= 4 AND f_rank >= 4 THEN 'Loyal'
    WHEN r_rank <= 2 AND f_rank <= 2 THEN 'At risk'
    WHEN recency_days > 365 THEN 'Churned'
    ELSE 'Potential'
  END AS rfm_segment
FROM rfm_ranks
JOIN rfm_base USING (customer_id);

Пример 2. Расширение RFM поведенческими признаками

Дополнительно к RFM добавим поведенческие признаки: общее число просмотров (site_views), количество добавлений в корзину (add_to_cart), за последние 90 дней.

SELECT
  o.customer_id,
  DATE '2024-12-31' - MAX(o.order_date) AS recency_days,
  COUNT(DISTINCT o.order_id) AS frequency,
  SUM(o.amount) AS monetary,
  SUM(e.site_views) AS site_views_last90,
  SUM(CASE WHEN e.event_type = 'add_to_cart' THEN 1 ELSE 0 END) AS adds_to_cart
FROM orders o
LEFT JOIN events e ON o.customer_id = e.customer_id
  AND e.event_time >= DATE '2024-10-01'
LEFT JOIN (
  SELECT customer_id, MAX(order_date) AS max_order
  FROM orders
  GROUP BY customer_id
) m ON o.customer_id = m.customer_id
WHERE o.order_date >= DATE '2024-01-01'
GROUP BY o.customer_id;

Пример использования поведенческих признаков в модели CLTV: X = [recency_days, frequency, monetary, site_views_last90, adds_to_cart] y = прогнозируемая CLTV за следующий период Обучение можно осуществлять в Python (scikit-learn, XGBoost) или в Spark ML для больших данных.

Пример 3. Интеграция в BI-слой и визуализация

После расчета RFM и поведенческих признаков, вы можете загрузить данные в BI-систему (Metabase, Apache Superset) и построить дашборды:

сегментация по RFM, распределение по монетарности внутри сегментов;
воронку удержания по сегментам;
корреляции между поведенческими признаками и CLTV;
сигнальные графики: сезонность продаж, влияние маркетинговых кампаний.

Пример 4. Применение в модели CLTV

Фичи: recency_days, frequency, monetary, site_views_last90, adds_to_cart, день недели покупки, категория товара, канал покупки, членство в программе лояльности.
Целевая переменная: CLTV за следующий год или месяц.
Методы: градиентный бустинг (XGBoost) или LightGBM, регрессия, частично зависящие от периода выбора.

Архитектура данных и модель данных

Архитектура DWH обычно строится по звездной схеме (star schema) и включает:
- Факты продаж (FactSales): поле customer_id, order_id, date_id, product_id, amount, quantity, маржа.
- Измерения времени (DimDate): date_id, day, month, quarter, year.
- Размеры клиентов (DimCustomer): customer_id, join_date, location, segment, churn_flag, lifecycle_stage.
- Измерения клиентов извлекаются из CRM, ERP и e-commerce систем.
- Измерения продуктов (DimProduct): product_id, category, price.
Важной частью является хранение поведенческих событий (events) в отдельной фактовой или спектральной таблице для анализа на сайтах и в приложениях. Это позволяет вычислять поведенческие признаки в связке с транзакционными данными.

ETL/ELT и обработка больших данных

Процесс ETL (извлечение, преобразование, загрузка) или ELT (извлечение, загрузка, преобразование) зависит от объема данных и технологий. В классическом подходе данные извлекаются из источников (CRM, ERP, веб-аналитика), загружаются в staging-схему ДЗН (data warehouse), преобразуются в marts и аналитические таблицы.
Инструменты: для оркестрации ETL/ELT-процессов — Apache Airflow или Dagster; для обработки больших данных — Apache Spark или ClickHouse для аналитических запросов; для хранения — PostgreSQL, ClickHouse, Snowflake (Cloud-решение, но часто встречается в российских реалиях как облачный аналог).
В контексте российских реалий особое внимание уделяется использованию ClickHouse — открытой колоночной СУБД, которая хорошо подходит для агрегаций по большим объемам событий и транзакций, а также поддерживает эффективные запросы к RFM и поведенческим признакам в реальном времени.

Инструменты: открытое ПО и российские решения

Открытое ПО:

PostgreSQL как надежная СУБД для хранения факт-таблиц и dimensional-таблиц в DWH.
ClickHouse как высокопроизводительная колоночная база данных для аналитики больших данных.
Apache Spark для распределенной обработки больших данных и сложных вычислений.
Apache Airflow для оркестрации ETL/ELT-процессов.
Metabase и Apache Superset для визуализации и построения дашбордов.
Python (pandas, scikit-learn) и R для анализа, статистики и моделирования.

Российские решения и локализация:

ClickHouse имеет российское происхождение и активно используется в российских проектах благодаря скорости и возможности горизонтального масштабирования.
В качестве интеграционных инструментов часто применяются 1С-решения для российского контекста учета и аналитики, а также соединители к PostgreSQL/ClickHouse, позволяющие интегрировать данные из 1С в DWH.
В качестве BI-слоев часто применяют открытые решения (Metabase, Superset) с локализацией и поддержкой на русском языке, что упрощает внедрение в российских организациях.
Для организаций с уклоном в ERP и учетnость часто рассматривают 1С:Предприятие как часть инфраструктуры, где данные агрегируются и затем подаются в DWH для анализа CLTV и сегментации.

Имплементация и интеграционные подходы

Внедрение начинается с проектирования модели данных: определение фактов продаж, событий и размерностей; создание DimDate, DimCustomer, DimProduct и FactSales; связь между ними по ключам.
Далее — вычисление RFM и поведенческих признаков на этапе подготовки данных (staging -> CTE/temporary tables -> аналитические таблицы).
Затем — построение ML-моделей и прогноз CLTV на основе обучающих наборов: features = R, F, M, поведенческие признаки; target = CLTV за заданный период.
Завершающий этап — внедрение в BI: создание ролей и прав доступа, настройка дашбордов по сегментации, дашбордов по CLTV и сценариям маркетинговых кампаний.
Влияние на процессы маркетинга и продаж: настройка таргетированных кампаний для сегментов, автоматизированные триггеры повторной коммуникации, выбор каналов и креативов на основе сегментов и прогнозируемой CLTV.
Важная часть — обеспечение качества данных: валидации, проверки на пропуски и несоответствия, контроль целостности ключей, мониторинг задержек загрузки данных и репликации.

Риски и ограничения внедрения

Данные и качество: неполные или задерживающиеся данные могут привести к неверной кластеризации и неправильным маркетинговым решениям. Рекомендуется внедрять SLA по обновлению данных и регулярные проверки качества данных.
Выбор порогов и сегментов: пороги для RFM могут быть нестабильны в разных периодах и на разных рынках. Необходимо регулярно пересматривать пороги и адаптировать их к сезонности и текущим бизнес-целям.
Проблемы с конфиденциальностью и регуляторикой: хранение и обработка персональных данных требует соблюдения регламентов по защите данных (GDPR, локализация данных в России) и правильной настройки доступа к данным.
Холодный старт и новые клиенты: у новых клиентов отсутствуют данные за прошлые периоды; для таких случаев требуется либо использование начинается модели на основе контента, либо настройка "научения" по аналогии с похожими клиентами.
Риск перегиба в анализе: RFM — простая, но не идеальная методика. Использование слишком жестких порогов может привести к переобучению и потере гибкости. Важно сочетать RFM с поведенческими признаками и ML-моделями.
Технические ограничения: латентность загрузки данных, масштабируемость и стоимость вычислений на большом объеме данных — требуют продуманной архитектуры и квотирования ресурсов.
Внимание к региональным спецификам: применение международных стандартов анализа требует адаптации к локальным данным и каналам, в т.ч. к нюансам российского рынка, специфику учёта в 1С и т. п.

Выводы

RFM — мощный и понятный инструмент для сегментации клиентов, который хорошо работает как на старте аналитического проекта, так и в рамках более сложных CLTV-обоснований. Поведенческие признаки дополняют его и позволяют строить более точные модели и более целевые маркетинговые механики.
В реальной системе CLTV строится на связке: данные из DWH, расчет RFM и поведенческих признаков, ML-модели для предсказания CLTV, а затем визуализация и интеграция результатов в маркетинговые процессы через BI-инструменты.
Внедрение требует учета архитектуры данных, качественных процессов ETL/ELT, управляемой правовой и политикой безопасности, обеспечения устойчивости к сезонности и изменений в бизнес-модели.
Практически любой проект CLTV на базе RFM и поведенческих признаков можно реализовать на открытом стеке (PostgreSQL, ClickHouse, Spark, Airflow, Metabase/Superset) с применением российских подходов и инструментов, включая 1С как источник данных и локальные BI-слои.

Вопрос–Ответ (FAQ)

1) Что такое RFM и зачем он нужен в контексте CLTV?

RFM — это методика сегментации клиентов по трем признакам: Recency (давность последней покупки), Frequency (частота покупок) и Monetary (сумма расходов). Она позволяет быстро выделить наиболее ценных клиентов, а также выявить группы, на которые стоит направлять специальные маркетинговые программы. В контексте CLTV RFM служит основой для сегментации и в сочетании с поведенческими признаками помогает точнее оценивать будущую ценность клиента и планировать бюджеты на удержание и кросс‑продажи.

2) Какие поведенческие признаки полезны и как их использовать?

Полезны признаки вроде количества просмотров страниц, времени на сайте, количества добавлений в корзину, количества кликов по категориям, повторного посещения, использования функций лояльности и др. Их стоит использовать как дополнительные признаки в ML-моделях или для создания «поведенческих» сегментов внутри RFM. Они позволяют выявлять клиентов, которые активны в цифровом канале, но еще не конвертировались, а также прогнозировать вероятность повторной покупки.

3) Какие инструменты подходят для реализации на открытом ПО?

Подходящий набор: PostgreSQL или ClickHouse для хранения данных, Apache Spark для обработки больших данных, Apache Airflow для оркестрации ETL/ELT, Metabase или Apache Superset для визуализации, Python (pandas, scikit-learn) для анализа и моделирования. Эти инструменты широко применяются в открытом виде и позволяют реализовать весь цикл: от загрузки данных до точной визуализации результатов.

4) Какие российские решения применяются в контексте этой темы?

ClickHouse — российская разработка, широко используется для аналитики и встраивания в BI-слои. 1С может выступать источником данных и системой учета, с которой можно интегрироваться в DWH для аналитики и CLTV. Для визуализации в российских компаниях часто применяют локализованные версии Metabase или Superset, которые можно адаптировать под русский язык и требования к локализации.

5) Как построить RFM в SQL?

Основная идея — определить Recency как разницу между референсной датой и датой последней покупки, Frequency — количество заказов, Monetary — сумма потраченного. Затем можно получить ранги через NTILE(5) для каждого признака, инвертируя Recency, чтобы «лучшее» значение получало больший ранг. Для сегментов можно использовать CASE-выражения, учитывающие сочетания рангов.

6) Как связать RFM с поведенческими признаками и CLTV?

После расчета RFM и сбора поведенческих признаков можно собрать единый набор признаков (features), который будет использоваться для обучения ML-модели прогнозирования CLTV. Вы можете начать с простых моделей (регрессия, градиентный бустинг) и затем переходить к более сложным (XGBoost, LightGBM). Важно учитывать временную левую и правую коррекцию при построении обучающего набора и разделении на тренировочные/валидационные данные.

7) Какие риски связаны с внедрением данной методики?

Основные риски — качество данных и задержки обновления, неконсистентность данных между источниками, неверные пороги для сегментации, риск переобучения ML-моделей, нарушение конфиденциальности и регуляторных требований, проблема «холодного старта» для новых клиентов, а также возможные затраты на инфраструктуру и поддержание процессов ETL/ELT.

8) Каковы типичные шаги внедрения в компании?

Определение бизнес-целей и метрик CLTV.
Проектирование архитектуры данных и выбор инструментов (DWH, источники, ETL/ELT).
Сбор и подготовка данных: транзакции, события, метаданные клиентов.
Расчет RFM и поведенческих признаков; построение ML-моделей для CLTV.
Внедрение в BI-слой и создание дашбордов по сегментации и CLTV.
Мониторинг качества данных и эффективности кампаний; корректировка порогов и моделей.
Обеспечение соблюдения регуляторных требований и безопасности данных.

9) Как оценивать качество сегментации и модели CLTV?

Нужно следить за устойчивостью сегментов во времени, степенью согласования сегментов с фактическими затратами на удержание и доходами, метриками точности прогноза (RMSE, MAE) в ML-моделях и ROI кампаний, созданных на основе сегментов. Регулярно ревизируйте пороги и повторно обучайте модели на новом наборе данных.

10) Какие шаги для обучения сотрудников и поддержки внедрения?

Организуйте обучение по основам RFM и поведенческих признаков, по работе с SQL и инструментами BI/DWH, по методам ML для CLTV. Обеспечьте документацию по моделям, правилам вычисления RFM, критериям качества данных и порядку обновления данных, а также регламентам доступа к данным и мониторинга процессов.

RFM и поведенческие признаки образуют прочную основу для сегментации клиентов и расчетов CLTV.
Открытые и российские инструменты позволяют реализовать полный цикл: от загрузки данных до визуализации и мониторинга.
Важно сочетать простые подходы (RFM) с ML-моделями для повышения точности прогнозирования CLTV и эффективности маркетинговых кампаний.
Не забывайте про риски: качество данных, регуляторные требования, масштабируемость и устойчивость к сезонности. Регулярная ревизия и адаптация порогов и признаков необходимы для поддержания эффективности.

FAQ ч2

1) Что делает RFM и почему он подходит для CLTV?

RFM оценивает поведение клиентов по трём ключевым аспектам: когда была последняя покупка, как часто покупал и сколько он потратил. Эти три признака хорошо коррелируют с будущей ценностью клиента и позволяют быстро разделить аудиторию на группы для таргета и удержания. CLTV — более общий концепт, оценивающий будущую денежную стоимость клиента; RFM часто выступает эффективной входной точкой и базой для ML-моделей CLTV.

2) Какие поведенческие признаки наиболее информативны и как их выбирать?

Наиболее информативны признаки, связанные с взаимодействием клиента с сайтом и приложением: число просмотренных страниц, время на сайте, количество добавлений в корзину, число возвратов к товарам, повторные посещения и т. д. Выбирайте признаки, которые различают вовлечённых и не вовлечённых клиентов и которые можно reliably получить без пропусков. Проблемы пропусков и несопоставимости между источниками данных должны обрабатываться через консолидированные пайплайны и правила предобработки.

3) Как выбрать пороги для RFM-сегментации?

Пороги зависят от бизнес-Сценариев и распределения данных. Часто применяют квантильные пороги (NTILE) по каждому признаку, чтобы пороги динамично подстраивались под данные. В некоторых случаях применяют бизнес-логики: например, R равен 5 для клиентов, у которых давность покупки менее 7 дней, F и M — выше порогов. Важно проводить периодическую перекалибровку порогов в зависимости от сезонности и изменений в бизнесе.

4) Какие риски связаны с использованием 1С и российского ПО?

1С и связанные решения часто являются источниками бухгалтерских и ERP-данных. Интеграция может потребовать адаптации форматов, обработки локализаций и поддержания синхронизации. Важно обеспечить согласованность идентификаторов клиентов, соответствие регуляторным требованиям и безопасность данных. Российские решения могут потребовать локальных серверов, что влияет на сетевые задержки и операционные процессы.

5) Как организовать хранение и обработку поведенческих данных в DWH?

Создайте отдельную схему или таблицу событий (events) с полями: user_id, event_type, event_time, additional attributes (product_id, category, session_id). Свяжите ее с DimDate и DimCustomer через user_id. Используйте оконные функции и агрегаты для вычисления поведенческих признаков в рамках нужных окон времени (например, 90 дней, 180 дней). Это облегчит расчёт RFM и поддержание точных признаков для ML-моделей.

6) Какие ограничения у моделей CLTV и как их минимизировать?

Модели CLTV зависят от качества данных и выбранных признаков. Они могут переобучаться, если слишком много признаков или если данные неоднородны. Чтобы минимизировать риски, применяйте кросс-валидацию, регуляризацию, мониторинг производительности моделей на отдельных временных окнах, а также поддерживайте прозрачность моделей и объяснимость их решений.

7) Как обеспечить соответствие регуляторным требованиям?

Разделите данные по ролям и обеспечьте контроль доступа. Проводите анонимизацию или псевдонизацию там, где возможно. Внедрите политики хранения данных и контроль версий, используйте журналы аудита и мониторинг доступа. Важно соблюдать требования локализации данных и ограничивать обработку чувствительных данных.

8) Какие роли сотрудников вовлечены в этот проект?

Аналитики данных: расчеты RFM, формирование признаков, подготовка данных для ML.
Data Engineers: проектирование и поддержка DWH, пайплайны ETL/ELT, интеграции источников.
Data Scientists: обучение и валидация ML-моделей для CLTV.
BI-разработчики: создание дашбордов и интеграция результатов в бизнес-процессы.
Программисты/инженеры по данным в области безопасности и соответствия требованиям.

9) Как внедрить проект быстро и без больших рисков?

Начните с простого. Реализация базовой RFM-сегментации на транзакционных данных, добавьте 1–2 поведенческих признака и внедрите базовый дашборд. Постепенно наращивайте функциональность: ML-модели, расширение признаков, включение новых каналов и более сложных сегментов. Важно иметь план по качеству данных, регуляторной комиссии и мониторингу.

10) Как проверить эффект внедрения на бизнес?

Отслеживайте ROI от маркетинговых кампаний, которые основаны на сегментах CLTV: конверсия, средний чек, частота повторных покупок, удержание. Сравнивайте показатели до и после внедрения сегментации, анализируйте изменения в доходах, стоимости привлечения (CAC) и чистой прибыли (利润). Регулярно обновляйте модель и пороги, чтобы учесть изменения в рынке и поведении клиентов.

Заключение

Полноценная сегментация клиентов на основе RFM и поведенческих признаков — мощный инструмент для повышения точности прогнозирования CLTV и эффективности маркетинга. Объединение простых, понятных методов с продвинутыми техникями машинного обучения в рамках четко выстроенной архитектуры DWH и BI позволяет компаниям не только анализировать текущую ценность клиентов, но и активно управлять цепочками взаимодействия, оптимизируя расходы на удержание и увеличение доходов. Важно помнить: успех приходит не от одного инструмента, а от слаженной работы методологии, данных и технологической инфраструктуры. Подход должен быть адаптивен к конкретному рынку, к локальным регуляторным требованиям и к бизнес-целям организации.

← Предыдущая статья

Модели оттока и предиктивная стоимость

Следующая статья →

Атрибуция маркетинговых кампаний и влияние каналов