En un artículo anterior vimos la fórmula clásica del CLV junto a sus limitaciones. Una de las más importantes es que aplica una tasa de retención uniforme a toda la cartera, mezclando clientes con comportamientos radicalmente distintos. Un cliente que compró ayer y otro que no compra desde hace dos años reciben el mismo tratamiento, lo cual es un error tanto analítico como estratégico.
La segmentación RFM resuelve exactamente ese problema. No calcula el CLV directamente, pero hace algo igualmente valioso: clasifica a cada cliente según su comportamiento real y le asigna un segmento estratégico que orienta las decisiones de inversión en retención, reactivación y captación. Es el puente entre el análisis descriptivo y los modelos probabilísticos como BG/NBD y BG/BB que abordaremos en los próximos artículos.
Si quieres explorar la segmentación de forma interactiva con tus propios datos, la herramienta RFM del laboratorio permite cargar cualquier CSV de transacciones y obtener los 11 segmentos automáticamente.
RFM es un acrónimo de tres variables que describen el comportamiento de compra de un cliente:
La combinación de estas tres variables en una puntuación compuesta permite clasificar a cada cliente en un segmento con implicaciones estratégicas claras.
El proceso tiene tres pasos:
La herramienta clasifica la cartera en 11 segmentos. Veamos qué significa cada uno y qué acción corresponde, ilustrado con los datos del ejemplo CDNOW (2.357 clientes) que estan disponibles en la herramienta para probar:
Puntuaciones altas en R, F y M. Compraron recientemente, compran con frecuencia y gastan más que la media. Son el activo más valioso de la cartera: generan el 41% de los ingresos totales siendo el 17,6% de los clientes.
La acción no es retenerlos sino activarlos como embajadores. Pedir reseñas, incluirlos en programas de referidos, darles acceso anticipado a novedades. Invertir en descuentos agresivos para este segmento es un error: ya están comprando, y rebajar el precio solo erosiona el margen sin aumentar la frecuencia.
Frecuencia alta pero recencia moderada. Son clientes que han demostrado un patrón estable de compra a lo largo del tiempo. Representan la segunda mayor contribución a ingresos y son los mejores candidatos a convertirse en Campeones con el empuje adecuado.
La acción es profundizar la relación: programas de fidelización, feedback sobre productos, ofertas de venta cruzada. Son clientes que responden bien a la comunicación personalizada porque ya tienen una relación establecida con la marca.
Recencia alta pero frecuencia moderada o baja. Han comprado recientemente y más de una vez, pero todavía no han establecido un patrón frecuente. Son clientes en fase de desarrollo: si se interviene ahora, pueden evolucionar hacia Leales o Campeones; si no se hace nada, pueden quedarse en una relación esporádica.
La acción es aumentar la frecuencia: membresías, programas de puntos, incentivos para la segunda o tercera compra. El momento es favorable porque la recencia alta indica que la relación está activa.
Recencia alta pero frecuencia muy baja, generalmente una sola compra. Son clientes nuevos o casi nuevos que han entrado en la base pero todavía no han repetido. El riesgo es que se queden en compradores de una sola vez.
La acción es construir reconocimiento de marca y facilitar la segunda compra: secuencias de onboarding, pruebas gratuitas de otros productos, comunicación que explique el valor de la relación continuada. El ingreso medio por cliente es bajo (28 €) pero el potencial es alto si se convierten en compradores habituales.
Primera compra muy reciente. Similar a Prometedores pero con aún menos historial. En datasets más actuales este segmento suele estar poblado. La acción es idéntica: facilitar la segunda compra lo antes posible, porque la probabilidad de repetición cae significativamente con el tiempo desde la primera compra.
Recencia y frecuencia medias. Clientes que en el pasado compraron con cierta regularidad pero llevan un tiempo sin actividad notoria. No están perdidos, pero están empezando a desconectarse.
La acción es reactivar con cierta urgencia: ofertas con límite de tiempo, recordatorios de productos que compraron antes, comunicación que reactive el interés sin ser intrusiva. La ventana de intervención efectiva está cerrándose.
Recencia baja, frecuencia y valor bajos. Clientes que compraron hace tiempo, con poca frecuencia y poco gasto. Están a punto de convertirse en inactivos permanentes. Es el segundo segmento más numeroso en el ejemplo, lo que indica una cartera con un volumen significativo de clientes en riesgo de abandono.
La acción es una campaña de reactivación urgente: descuento personalizado, comunicación directa, oferta específica basada en lo que compraron antes. El coste de reactivar es menor que el de captación, pero hay que actuar antes de que crucen al segmento de Perdidos.
Frecuencia alta en el pasado pero recencia muy baja. Son ex-clientes frecuentes que han dejado de comprar. El valor histórico es significativo (117 € de ingreso medio, el tercero más alto), lo que hace que su pérdida sea especialmente costosa.
La acción es personalizada y de alta intensidad: emails directos y personales, llamada si el valor lo justifica, descuento especial que reconozca el historial de la relación. El mensaje debe ser genuino, no genérico.
El segmento más crítico. Clientes de altísimo valor histórico con recencia muy baja. En el ejemplo son solo 2 clientes pero generan 635 € de ingreso medio, más del doble que cualquier otro segmento. Perderlos tiene un impacto desproporcionado en los ingresos.
La acción es máxima prioridad: intervención personalizada, posiblemente fuera del canal digital, con una oferta que no puede rechazarse. El coste de recuperación siempre será menor que el CLV perdido.
Recencia muy baja, frecuencia moderada. Clientes que compraron varias veces pero hace mucho tiempo. Pueden estar inactivos por razones externas (cambio de situación vital, cambio de proveedor) o simplemente haberse olvidado de la marca.
La acción depende del coste: una campaña de bajo coste (email, push notification) para intentar reactivarlos; si no responden, aceptarlos como inactivos y no seguir invirtiendo en ellos.
El segmento más numeroso. Recencia, frecuencia y valor bajos. Clientes que compraron poco, hace mucho tiempo, y que probablemente ya no se identifican con la marca. El ingreso medio es de 31 €, el más bajo junto con “A punto de dormirse”.
La acción es campañas de muy bajo coste o ninguna intervención. El retorno esperado de invertir en recuperación masiva de este segmento es negativo. Si se interviene, debe ser con campañas genéricas de reactivación de marca, no con descuentos personalizados que erosionan el margen sin garantía de retorno.
La distribución por segmento en el ejemplo CDNOW revela algo importante sobre la salud de la cartera:
| Segmento | Clientes | % | Ingreso medio |
|---|---|---|---|
| Campeones | 415 | 17,6% | 289 € |
| Leales | 316 | 13,4% | 185 € |
| Perdidos | 436 | 18,5% | 31 € |
| A punto de dormirse | 410 | 17,4% | 32 € |
| Prometedores | 359 | 15,2% | 28 € |
Casi el 36% de la cartera está en segmentos de riesgo o ya perdida (Perdidos + A punto de dormirse), y otro 15% son clientes que todavía no han consolidado la relación (Prometedores). Solo el 31% está en los segmentos de mayor valor (Campeones + Leales).
Esto no es inusual en e-commerce: la distribución típica tiene una minoría de clientes de alto valor que generan la mayoría de los ingresos, y una larga cola de clientes esporádicos o inactivos. El análisis RFM hace visible esta estructura, que con una vista agregada de la cartera permanecería oculta.
Una de las visualizaciones más útiles del análisis RFM es el mapa de dispersión Frecuencia-Recencia (o F/R), que muestra cómo se distribuyen los clientes en el espacio bidimensional de estas dos variables, coloreados por segmento.
El mapa revela patrones que las tablas no muestran:
La herramienta genera este mapa automáticamente y permite identificar visualmente dónde están los problemas antes de entrar en el detalle de la tabla de clientes.
RFM es potente como herramienta de segmentación descriptiva, pero tiene limitaciones que conviene conocer antes de usarlo como base para decisiones de CLV.
Estas limitaciones no restan valor al RFM como herramienta de segmentación operativa, pero sí explican por qué los modelos probabilísticos BG/NBD y BG/BB son necesarios para estimar el CLV a nivel de cliente individual con rigor estadístico.
La herramienta RFM del laboratorio acepta cualquier CSV de transacciones con columnas de identificador de cliente, fecha y valor monetario. Un mareo que se tiene que indicar en el asistente durante el proceso de carga. Para poder trabajar desde el principio, existe un conjunto de datos de ejemplo, CDNOW el dataset clásico de Fader & Hardie para modelos de compra continua.
Los outputs incluyen la distribución de segmentos, el gráfico de dispersión F/R coloreado por segmento, el resumen por segmento con ingresos totales y medios, y la tabla de clientes con su asignación individual. Las recomendaciones estratégicas por segmento aparecen automáticamente al seleccionar cada uno.
Un ejercicio útil: después de segmentar, exporta la lista de clientes “En Riesgo” y “No Podemos Perderlos” y lanza una campaña específica para ese grupo. Suelen ser pocos clientes pero de alto valor, y el impacto de recuperarlos supera con creces el coste de la intervención.
El RFM nos ha dado la segmentación descriptiva. Sabemos qué clientes son Campeones y cuáles están a punto de perderse. Pero no sabemos cuántas compras esperamos de cada cliente en los próximos 52 semanas, ni cuánto vale exactamente ese cliente en términos de valor presente neto.
Para eso necesitamos los modelos probabilísticos. El siguiente artículo cubre el modelo BG/NBD combinado con Gamma-Gamma: el estándar académico para estimar CLV en negocios donde los clientes pueden comprar en cualquier momento, con frecuencia variable. Veremos cómo se ajustan los parámetros del modelo, qué significa la probabilidad de estar vivo para cada cliente, y cómo se obtiene el CLV individual a partir de la distribución esperada de transacciones y el valor monetario esperado por transacción.
Imagen de Kasjan Farbisz en Pixabay
Y llegamos al final de una serie que había programado para ser de tres entradas.…
Un modelo de credit scoring no es un artefacto estático. Se construye en un momento…
En las seis entregas anteriores hemos paseado por casi todos los géneros del disparate económico:…
El Customer Lifetime Value (CLV) es, probablemente, la métrica más importante que puede calcular una…
Seguimos ampliando el laboratorio de Analytics Lane con el lanzamiento de la versión 1.4, que…
Hemos llegado a la sexta entrega de la serie. Si las cuatro primeras fueron las…
This website uses cookies.