Si tienes un historial de pedidos, tienes todo lo necesario para dejar de tratar a toda tu base igual. El análisis RFM segmenta a tus clientes por tres comportamientos: cuándo compraron por última vez (Recencia), cuántas veces compraron (Frecuencia) y cuánto gastaron (Monto). Nada de encuestas, nada de datos que no tengas: solo lo que ya está en tu ecommerce o tu ERP.
Cómo se calcula, paso a paso
- Exporta el historial de pedidos: cliente, fecha y monto de cada compra. Es la única materia prima.
- Calcula las tres variables por cliente: días desde la última compra, cantidad de compras totales y gasto acumulado.
- Puntúa por quintiles: ordena la base por cada variable y divídela en cinco grupos. El 20% más reciente recibe R=5; el 20% que más compró, F=5; el que más gastó, M=5.
- Combina los scores: cada cliente queda con un código de tres dígitos, de 111 a 555.
- Agrupa en segmentos con nombre: los códigos no se leen; los segmentos sí.
Los segmentos que importan (y qué hacer con cada uno)
- Campeones (R alto, F alto, M alto): compran seguido, hace poco y gastan bien. El error clásico es mandarles el descuento general: es margen regalado a quien iba a comprar igual. Lo que funciona: acceso anticipado, beneficios de status, pedirles la reseña o el referido.
- Leales en construcción (R alto, F medio): volvieron una o dos veces. El objetivo es consolidar el hábito: contenidos y ofertas del producto complementario, no del que ya compraron.
- En riesgo (R bajo, F alto histórico): eran buenos clientes y dejaron de venir. El segmento más rentable de trabajar: ya demostraron valor y una razón concreta para volver (novedad, reposición, beneficio) recupera a una parte con costo mínimo.
- Dormidos (R bajo, F bajo): compraron una vez hace mucho. Baja prioridad y expectativas honestas: una campaña de reactivación puntual, y si no responden, dejar de invertir en ellos.
- Nuevos (R alto, F=1): la celda más sensible al tiempo. Lo que pase en los próximos 30-60 días define si se convierten en leales; acá vive la diferencia entre activación y registro.
El error que mata al RFM: calcularlo una vez
El patrón que vemos repetido: alguien exporta la base, arma el RFM en una planilla, presenta los segmentos en una reunión y la planilla muere ahí. Tres meses después los segmentos describen una base que ya no existe, porque la recencia cambia todos los días.
RFM es una foto; el negocio es una película. La versión que produce revenue es el RFM vivo: los scores se recalculan solos (diario o semanal) sobre los perfiles de una CDP, y cuando un cliente cambia de celda, cambia automáticamente la comunicación que recibe. El campeón que deja de comprar 60 días entra solo al flujo de “en riesgo”, sin que nadie corra una planilla. Esa es la diferencia entre tener los datos y operarlos: usamos exactamente este sistema en nuestros pipelines de análisis para ecommerce, donde el RFM alimenta las etapas de ciclo de vida y los flujos de retención.
De RFM a ciclo de vida
RFM es el mejor primer paso porque es barato y contundente: una tarde de trabajo sobre datos que ya existen produce el primer mapa honesto de tu base. El paso siguiente es evolucionarlo a etapas de ciclo de vida, donde los umbrales salen de tu curva real de recompra (no de quintiles genéricos) y la retención se construye por etapa, con cada segmento conectado a un flujo que corre solo.
Empieza por la foto. Pero no te quedes ahí: el valor compuesto está en la película.