Uno de los eternos objetivos de cualquier empresa es fidelizar a sus clientes, una regla de oro, es conocerlos mejor y qué mejor manera para realizar segmentación de clientes que utilizar técnicas analíticas para ello. En este post, detallaremos el análisis RFM (Recesión, Frecuencia, Análisis Monetario) en la era del Big Data.
Cómo ayuda el análisis RFM a la segmentación de clientes
El análisis RFM (Recency, Frequency, Monetary) es una técnica de marketing que determina cuáles son los mejores clientes atendiendo a los factores de, cuándo realizó su última compra recency, cuántas veces compran frequency, y cuánto gastan en sus compras monetary.
Qué beneficios aporta el análisis RFM
Principalmente además de los beneficios económicos y competitivos que podemos obtener nos ayuda a contestar a ciertas preguntas surgen en cualquier negocio entorno a sus clientes:
- ¿Cuáles son mis mejores clientes?.
- ¿Qué están cerca de abandonar la empresa?.
- ¿Cuáles son los clientes considerados como perdidos a los que no debes prestar mucha atención?.
- ¿En qué clientes se debe hacer un esfuerzo extra para conservarlos?.
- ¿Cuáles son los clientes más leales?.
- ¿Qué grupo (segmento) de clientes reaccionará de forma favorable ante la próxima campaña de publicidad o la actual?.
Además de responder a estas preguntas también nos encontramos los siguientes beneficios:
- Una mayor retención de clientes.
- Aumento de la tasa de respuesta.
- Aumento de la tasa de conversión
- Aumento de ingresos.
Como podemos comprobar atendiendo a los datos que producen los clientes al interactuar con nuestro negocio podemos obtener grandes beneficios, una vez que conocemos cuáles son los pilares básicos del RFM y su potencial, veamos cómo se realiza.
Pasos a seguir para realizar un análisis RFM
Un poco de historia, aunque el análisis RFM parece que suscita gran interés actualmente, especialmente por en el ámbito del digital marketing, tiene sus orígenes en 1995 por los señores Bult y Wansbeek, aunque el boom de su uso se produjo en 2008 cuando se comenzó a aplicar a bases de datos de marketing.
Como ya se ha mencionado antes partimos de la base de que tenemos en nuestros datos las tres variables principales y que son clave para todo el proceso recency, frequency, monetary (en algunos casos hemos de realizar procesos de data cleaning y data understanding para obtener dichas variables). Para mostrar gráficamente cómo se realiza un RFM vamos a tomar el siguiente set de datos.
El siguiente aspecto que debemos tener en cuenta son los quintiles, o lo que es lo mismo asignar una puntuación que abarca de 1 a 5, siendo 5 la peor para cada tipo de variable, de esta forma si un cliente tiene los valores 5, 5, 5, representaría el cliente perfecto. Si aplicamos a los datos anteriores las puntuaciones obtenemos lo siguiente:
Análisis de resultados del RFM (Recesión, Frecuencia, Análisis Monetario)
Una vez que realizamos el análisis RFM podemos interpretar los resultados sobre el segmento que ocupa cada cliente, analizar los mismos y decidir que acción de marketing más inmediata podemos aplicar sobre los clientes.
Como se puede ver aquí se muestran algunas de las posibles combinaciones que pueden tomar nuestros clientes en cuanto a su RFM.
Este tipo de análisis es muy potente cuando tenemos grandes cantidades de datos que queremos analizar de forma sencilla, ya que en base a 3 variables podemos conocer en detalle a nuestro cliente y tomar las acciones que sean oportunas para anticiparnos desde el negocio y como siempre obtener el máximo valor y beneficio.
Juan Manuel Moreno, tutor del Master en Big Data y Business Analytics de IMF Business School.
Estimados amigos, muy interesante la interpretación y las acciones de marketing o comercial asociadas al score RFM, solo un comentario respecto de la primera de las variables utilizadas, conocida como RECENCIA; por eso me llama mucho la atención que la hayan denominado RECESIÓN que es el termino con el que se define un retroceso en la actividad comercial e industrial.