Análisis RFM, hace poco menos de un año hicimos esta guía. Sin duda este es un tema muy importante dado que cada esfuerzo que se haga en torno a la segmentación permitirá mejorar la comunicación con grupos específicos y eso se traduce en beneficios empresariales.

La tendencia impulsa el marketing personalizado, ante ello el reto es poder crear segmentos y predecir comportamientos. La segmentación predictiva se basa en poder vislumbrar los distintos grupos según las costumbres y acciones de compra y con ello poder decidir los mensajes que mejor se adaptan a cada conjunto de clientes.

Las empresas capaces de utilizar los datos de los clientes para comprender mejor cómo piensan, sienten y toman decisiones de compra, tienen una ventaja.

Estos datos son la base para crear una experiencia de marketing personalizado. Consiguiendo con esto aumentar el engagement, crear ofertas específicas y relevantes para los grupos de clientes adecuados, mejorar las conversiones y alargar la vida útil del cliente.

En esta actualización hemos incluido ejemplos prácticos de cada uno de los segmentos resultantes. Después de los ejemplos se presenta una infografía resumen con buenas ideas para emplear en las estrategias de comunicación con los diferentes grupos. 

El Análisis RFM es una técnica de segmentación del comportamiento del cliente basada en datos.

RFM significa Recencia o Actualidad, Frecuencia y Valor Monetario.

La idea es segmentar a los clientes en base a cuándo fue su última compra, con qué frecuencia han comprado en el pasado y cuánto han gastado en total. Estas tres medidas han demostrado ser eficaces para predecir la disposición de un cliente a participar en mensajes y ofertas de marketing.

Aunque el análisis RFM nació con el correo directo, es una herramienta poderosa para que las tiendas de eCommerce la usen hoy en día.

Realizar un análisis RFM en tu base de clientes y enviar campañas personalizadas a objetivos de alto valor tiene enormes beneficios para tu tienda de comercio electrónico.

Probablemente saltan preguntas sobre los conceptos iniciales de las variables y su forma de calcularla. ¿Cómo se debe calcular la actualidad? ¿Cómo se determina la frecuencia de puntuación? ¿Cuál es un buen umbral de monetización?

Lo primero es tener presente que determinar los umbrales son el primer paso de la segmentación, ellos permiten ir delimitando los distintos grupos que se van a ir creando.

Comenzamos con determinar las métricas que comúnmente son usadas por los eCommerce. Actualidad, frecuencia y monetización.

Esta variable mide el tiempo que ha transcurrido desde la última compra. Los datos señalan que los clientes que han realizado compras recientes son más propensos a adquirir nuevos productos que aquellos que han comprado en el pasado.

Para determinar este valor los ecommerce enfrentan un par de desafíos.

1ro. Dada la tendencia a la omnicanlidad o la comunicación omnicanal, puede ser complejo vincular los datos de compras de cada medio.

2do. Cada negocio tiene dinámicas de tiempo individuales, por ejemplo, un negocio de consumibles tiene una frecuencia mucho más elevada que uno de electrodomésticos. Ante esto debe establecerse un umbral de lo que se considera adecuado para cada sector. Pueden tomarse valores referenciales de las tendencias según estadísticas de los distintos tipos de comercio. 

Las mismas preocupaciones vista en actualidad se presentan en análisis de frecuencia. Todo va a depender del modelo de negocio y las características de cada sector.

Esta variable se centra en que los clientes que han comprado más productos son estadísticamente más propensos a seguir comprando en comparación a aquellos que han comprado menos.

Nuevamente el valor estará determinado por el ciclo de vida del producto.

El valor monetario es variable en cada modelo, esa es una característica del análisis RFM, todo va a depender del modelo de negocio. Una empresa dedicada a vender lápices de seguro tendrá un valor monetario menor por cliente que una que se dedique a vender yates.

La estadística señala que los clientes que han hecho mayor inversión en la sumatoria de sus compras en el pasado, poseen una probabilidad más grande de seguir sumando dinero a una empresa que aquellos cuyas compras han sido menores.

En cada una de estas variables es necesario establecer umbrales que permitan ir separando los clientes si las condiciones se cumplen o no.

Establecer una medida única es sumamente difícil, como hemos visto, las variables dependen de cada característica de negocio. Definir los umbrales es uno de los retos en este tipo de estudios.

Afortunadamente, hay algunos enfoques comunes que sirven para asignar correctamente las métricas de RFM. El que vamos a estudiar se basa en la asignación de valores relativos.

Similar a como funcionan los porcentajes, los valores relativos no dan un dato por sí mismo, es necesario asociarlos a otro valor para poder interpretarlos. En este caso se toma un patrón de cuartil, donde se asignan valores del 1 al 4 según los umbrales de rendimiento que se determinen.

El resultado final de la segmentación RFM usará las puntuaciones asignadas de manera conjunta. En el siguiente enlace se puede ampliar el uso de segmentos RFM usando Python.

Segmentar a los clientes con un análisis RFM no tiene por qué ser demasiado complicado. A continuación mostraremos cómo se puede crear un modelo de RFM en Excel. Vamos paso a paso, e incluimos capturas de pantalla para que puedas replicar el modelo fácilmente.

Recuerda que tu eCommerce es único.

Esta no será la mejor solución para tu negocio en particular, pero será una excelente plantilla para que puedas replicarla.

Comencemos.

Antes de comenzar, es necesario definir el KPI que más importa en tu negocio para cada vector de segmentación: recencia, frecuencia y monetización.

Para hacer esto, tendrás que conectar tu historial de compras con cada cliente, y seleccionar un marco de tiempo con el que quieras trabajar.

Para nuestro ejemplo, vamos a usar los siguientes KPI's y periodos de tiempo.

Recencia: Fecha de la última compra
Frecuencia: Número total de órdenes
Monetización: Valor medio del pedido
Periodo de tiempo: 2 años

Como puedes ver, el análisis RFM es un proceso sencillo. El objetivo es puntuar sistemáticamente a cada cliente según su antigüedad, frecuencia y monetización. Hacemos esto primero ordenando a todos los clientes a través de nuestra métrica elegida, y luego puntuándolos en base a lo bien que se comportan en relación a los otros clientes en tu base de datos.

Hay varios KPI's que puedes usar para la Recencia. Algunos ejemplos de KPI son.

Para este análisis, vamos a utilizar los días de la última compra como la métrica principal.

Debes intuir qué métrica tiene más sentido para tu negocio. Lo más probable es que si eres una tienda tradicional de comercio electrónico, la fecha de la última compra será también la métrica que elijas.

Primero, queremos descargar la información de tu cliente con tus KPI's especificados. Aquí, simplemente bajamos esta información directamente de Barilliance, y la subimos a una Hoja de Google.

A continuación, vamos a limpiar un poco la hoja.

Borro algunas columnas no deseadas que olvidé eliminar: Sesiones, Última vista, Primera vista, Primer pedido y AOV.

A continuación, vamos a añadir tres columnas para las puntuaciones del RFM. Ponemos el título en la parte superior "Recencia", "Frecuencia" y "Monetización".

Por último, aplico un filtro a los datos para que sea muy fácil de clasificar. Si no sabes cómo aplicar un filtro, el proceso es fácil.

Selecciona todos los datos, incluyendo los encabezados (puedes hacerlo rápidamente manteniendo pulsada las teclas shift+command+arrows).

Una vez seleccionados todos tus datos, haz clic en datos>filtro.
Cuando hayas terminado, tu hoja debería tener un aspecto parecido a este. 

Navega hasta tu KPI de Recencia, y ordena la lista en el orden apropiado. En nuestro caso, vamos a "Días desde la última compra" y ordenamos en forma descendente.

Finalmente, puntúa a cada cliente según su posición.

Aunque hay algunas metodologías para hacer esto, he considerado que la más fácil y útil es la de los cuartiles.

Toma el número total de clientes dividido por cuatro. A continuación, da a cada cuartil una puntuación que refleje la posición. 

Primer Cuartil: 1
Segundo Cuartil: 2
Tercer Cuartil: 3
Cuarto Cuartil: 4

No te preocupes demasiado por conseguir que todo sea "perfecto". Por ejemplo, aquí tenemos dos clientes que han hecho sus pedidos en los últimos tres días. Simplemente les asigné a ambos una puntuación de 1, aunque eso pone a cinco clientes con una puntuación de 1 y a tres con la puntuación de 2.

En este punto, tu hoja debe ser similar a la de abajo.

El proceso es muy similar tanto para la Frecuencia como para la Monetización.

Mientras que estamos usando el número total de pedidos de los últimos dos años como nuestro KPI de Frecuencia, hay un número de métricas alternativas que puedes seleccionar. Entre ellas se incluyen:

Como mencionamos antes, vamos a usar # de órdenes como nuestro KPI de frecuencia. Repite los pasos 2.b y 2.c, piensa en usar tu KPI de frecuencia como tu métrica guía. Después de la puntuación, tu hoja debe ser similar a la de abajo.

Finalmente, estás listo para sacar los resultados de la Monetización.
Los KPI de monetización son

Como antes, repite los pasos 2.b y 2.c, usa tu KPI de monetización como métrica guía. Después de la puntuación, tu hoja debe ser similar a la de abajo. 

¡Impresionante!

En este punto tienes el análisis hecho. A continuación viene la parte divertida, usar estos nuevos conocimientos para identificar los segmentos rentables.

Hay muchas maneras en las que los profesionales del marketing han usado esta segmentación para orientar su marketing. Aquí hay algunas ideas para elegir.

Puntuación RFM: 111

Quiénes son: Clientes altamente comprometidos que han comprado lo más reciente, con mayor frecuencia, y han generado la mayor cantidad de ingresos.

Estrategias de marketing: Enfocarse en programas de lealtad y en la presentación de nuevos productos. Estos clientes han demostrado tener una mayor disposición a pagar, así que no utilices precios de descuento para generar ventas adicionales. En su lugar, céntrate en ofertas de valor añadido a través de recomendaciones de producto basadas en compras anteriores.

Puntuación RFM: X1X

Quiénes son: Los clientes que compran más a menudo en tu tienda.

Estrategias de marketing: Los Programas de Fidelización son efectivos para estos visitantes repetidos. El marketing de recomendación y las reseñas son también estrategias comunes de X1X. Por último, considere recompensar a estos clientes con Envío Gratis u otros beneficios similares.

Puntuación RFM: XX1

Quiénes son: Los clientes que han generado más ingresos en tu tienda.

Estrategias de marketing: Estos clientes han demostrado una alta disposición a pagar. Considerar ofertas premium, niveles de suscripción, productos de lujo, o ventas cruzadas o de valor añadido para aumentar el AOV. No desperdicies el margen en descuentos.

Puntuación RFM: X13, X14

Quiénes son: Clientes que suelen volver, pero no gastan mucho.

Estrategias de marketing: Ya has conseguido crear fidelidad. Concéntrate en aumentar la monetización a través de recomendaciones de productos en compras pasadas e incentivos relacionados con los umbrales de gasto (vinculados al AOV de tu tienda).

Puntuación RFM: 14X

Quiénes son: Compradores de primera vez en tu sitio.

Estrategias de marketing: La mayoría de los clientes nunca se convierten en leales. Tener estrategias claras para los primeros compradores, como emails de bienvenida con recompensas.

Puntuación RFM: 44X

Quiénes son: Grandes clientes del pasado que no han comprado en un tiempo.

Estrategias de marketing: Los clientes se van por una gran variedad de razones. Dependiendo de su situación, ofertas de precios, lanzamientos de nuevos productos, u otras estrategias de retención.

Segmentar tu base de clientes no es suficiente. El marketing efectivo de bases de datos depende de los tests. David Ogilvy lo resume maravillosamente en este vídeo:

Barilliance te permite no sólo crear experiencias personalizadas para cada segmento de RFM. También te da la capacidad de crear tests ab y multivariantes.

Puedes ver rápidamente qué ofertas funcionan mejor con un segmento determinado, descubrir qué contenido genera ventas, y más. 

Uno de los retos más importantes del análisis RFM (y de la segmentación en general) es la creación de una visión completa de 360 grados de un cliente.

La verdad es que el comprador omnicanal de hoy en día es muy diferente al del mundo del correo directo del que nació el RFM. El análisis RFM sigue siendo un modelo increíblemente poderoso.

Pero su efectividad está determinada por la calidad de los datos que tienes. 

Aquí es donde Barilliance brilla. Crea una visión completa del cliente, a través de dispositivos, sesiones de compra y canales. Puedes ver con qué páginas interactúan los clientes, el tiempo transcurrido desde la última compra, el volumen del pedido, el compromiso con la marca y más. En otras palabras, tienes la capacidad de crear segmentos muy detallados, incluyendo todos los que hemos mencionado anteriormente, a través de una simple interfaz. . 

Actúa.

El RFM es una herramienta segura y clara para sacar más provecho de tu lista de clientes.

Pero...

Si quieres llevar el RFM al siguiente nivel debes contar con Retención de Barilliance. Mejora el análisis tradicional de RFM de dos maneras esenciales.

Primero, conecta tus compras online y offline, el comportamiento en la web y los datos demográficos en un solo lugar, permitiéndote hacer segmentaciones más precisas.

Segundo, te permite automatizar las campañas a segmentos definidos. Se conecta a la personalización web y a las recomendaciones individualizadas de producto en emails para personalizar cada interacción no a nivel de segmento, sino a nivel de individuo.

Solicita una demostración de la herramienta de Retención aquí.