Muitas empresas têm dificuldades em saber quais são seus melhores clientes, normalmente analisam apenas uma métrica e dessa forma acabam resumindo o comportamento do cliente de maneira superficial.
É aí que entra uma das principais análises de marketing para empresas que usam dados para tomarem melhores decisões: a análise RFM. Através do levantamento de três métricas é possível segmentar os clientes da empresa em grupos distintos e trabalhá-los um a um com suas respectivas características.
Esse método é flexível, não existe uma receita única e correta de se aplicar, é importante levar em consideração os requisitos do negócio, podendo adaptar para cada situação e até mesmo evoluir o método para corresponder às necessidades da empresa ao longo do tempo.
O que você vai aprender aqui?
O que é RFM e qual sua finalidade
Como avaliar as métricas usadas para o cálculo da RFM
Calcular um score RFM para cada cliente
Segmentar os clientes de acordo com seu perfil de consumo.
Pra que serve? Como funciona?
Como citado acima, a análise RFM é um método que usa três métricas para classificar os clientes de acordo com seu perfil de consumo, com objetivo de trabalhar cada cliente (promoções, recuperação de cliente perdido, cross-sell) conforme sua classe. Para isso, cada cliente terá seu próprio ‘score’ de RFM, ou seja, pontuação. Vamos avaliar o cliente nas três métricas e atribuir uma nota para cada métrica avaliada. Trabalharemos com pontuação de 1 a 4.
É importante salientar que teremos duas partes na pontuação do RFM, a primeira nós iremos levantar apenas as métricas e atribuí-las ao RFM, na segunda parte vamos traduzir a métrica em pontuação.
Portanto podemos trabalhar com RFM e RFM Score. No final, teremos algo parecido com isso:
![](https://framerusercontent.com/images/bJN5WRv0yWUMeceB71GU110bQDc.png)
1° parte: Atribuição das métricas.
![](https://framerusercontent.com/images/enegBzy5wu59FMZRx2QDJW40QU8.png)
2° parte: Atribuição da pontuação para classificar o cliente
Não se preocupe se você não entendeu os valores da tabela de exemplo, vamos explicar como deve ser feito para levantar cada métrica e por fim pontuação, mas temos uma dica pra você: percebeu alguma relação entre os valores atribuídos na primeira tabela e o score da segunda?
Mas afinal o que exatamente significa RFM?
RFM é uma sigla para termos da língua inglesa e cada termo reflete uma das três principais métricas que vamos avaliar. Portanto, a métrica avaliada estará diretamente ligada ao termo pelos scores que vamos atribuir para cada uma delas.
R - Recency: Numa tradução literal significa recência, ou seja, o quão recente o cliente fez a última compra.
F - Frequency: Significa frequência. Quanto esse cliente compra? É um cliente esporádico ou um cliente fiel?
M - Monetary: Normalmente essa métrica é entendida como o valor total de compra do cliente, porém usaremos o ticket médio para calcular. Por quê?
Fazemos isso para existir uma clara distinção entre valor e frequência para cada perfil de cliente. Imagine o seguinte cenário: um cliente fez 10 compras com ticket médio de R$ 1.000, totalizando R$ 10.000 em compras.
Um segundo cliente fez 2 compras com ticket médio de R$ 5.000, totalizando os mesmos R$ 10.000 em compras. Se usássemos o valor total gasto, apenas a frequência os diferenciaria.
É importante salientar que não existe uma receita única e correta quando o assunto é a Análise RFM. É possível encontrar diferentes abordagens, cada uma com seus respectivos pontos positivos e negativos.
O mais importante é você analisar se faz sentido a métrica avaliada e se essa métrica em conjunto com as outras pode beneficiar ou prejudicar situações específicas.
Quais métricas devemos avaliar para pontuar o RFM?
Essa é a base fundamental da análise RFM. Quais métricas escolher? Como trabalhar com essas métricas e traduzi-las para uma pontuação de RFM? Como dito anteriormente, não existe uma receita única e correta.
É possível encontrar diferentes abordagens, cada uma com seus respectivos pontos positivos e negativos. O mais importante é você analisar se faz sentido a métrica avaliada e se essa métrica em conjunto com as outras não vão beneficiar ou prejudicar situações específicas. Você vai entender e conseguir avaliar quais métricas fazem sentido ao final do artigo.
Recency (recência):
Vamos utilizar duas métricas para calculá-la, a data atual e a data da última compra do cliente. É uma simples subtração, a data de hoje menos a data da última compra do cliente, ou seja, a diferença das datas será o seu valor de recência.salin
![](https://framerusercontent.com/images/QhIMAXphzuNsYEW3BZAkXqHFiyU.png)
Frequency (frequência):
Frequência é a número de eventos ocorridos em um determinado intervalo de tempo. Nós invertemos o numerador com o denominador para que seja mais intuitivo, afinal é mais fácil interpretar “3,66 dias para cada compra” do que “0,28 compras por dia”.
No nosso caso, eventos ocorridos significa pedidos e intervalo de tempo é o período em que o cliente é de fato cliente da loja. Para isso utilizaremos três métricas: data atual, data da primeira compra e quantidade de pedidos distintos realizados.
P: pedidos
d1: data atual
d0: data primeira compra
Exemplo prático:
Monetary (ticket médio):
O ticket médio já é bem conhecido no ambiente corporativo. Nada mais é que o valor médio de vendas por cliente, ou seja, o faturamento total daquele cliente dividido pela quantidade de pedidos.
Temos em mãos a nossa base! E agora, como devemos pontuar os scores RFM?
Só com esses dados você já tem um belo começo, é possível criar scatter plots e relacionar as variáveis para tentar entender o consumo dos seus clientes.
![](https://framerusercontent.com/images/6uzRZ2ZosNcdeWNyFJzXuA78.png)
Quantidade de clientes por grupo macro RFM.
![](https://framerusercontent.com/images/4tQMabaQweButgRUNLtvyUxvWs.png)
Relação entre ticket médio e frequência dos grupos RFM. Bom, vamos voltar um pouco e trocar de exemplos. Primeiro, é interessante entender um pouco da estatística usada para calcular. Se você já tem conhecimento sobre quartis, pode pular essa parte e ir direto para a próxima etapa!
Quando temos uma amostra ordenada de forma ascendente (ou seja, de valores menores para valores maiores) podemos dividi-las em partes iguais, em quantas quisermos. Para o nosso caso, utilizaremos quartis, ou seja, dividiremos a nossa amostra ordenada em quatro partes iguais, daí o nome “quartil”.
O quartil é a “marca” ou “valor” que serve como referência de divisão da amostra em partes iguais, é como se fosse a nota de corte em um processo seletivo. Vamos a um exemplo prático para clarear as ideias. Vamos dividir um grupo de alunos em quartis. Primeiramente, temos a lista de alunos e suas respectivas idades:
![](https://framerusercontent.com/images/FMmKTVkFki6lbLPwrgcZsaWTREA.png)
Agora devemos ordenar a amostra em ordem crescente:
![](https://framerusercontent.com/images/p8obv1uyE2QExMZqx2LpSKsnkPo.png)
Com a amostra ordenada e dividida em quatro partes, devemos definir os limites dos quartis. Para isso vamos tirar a média dos valores limites.
![](https://framerusercontent.com/images/CgtVZCHv7Zy85rZOXuUNQyKyI.png)
Após termos em mãos os valores limites para cada quartil, vamos separar novamente para finalmente definir a amostra dentro dos quartis.
![](https://framerusercontent.com/images/J7MPCGXbzTaZCHVKS1w0zViCr4.png)
Nosso agrupamento por quartil está pronto!
Agora vamos executar esses passos aplicados à análise RFM:
Como utilizamos o score RFM seguindo uma ordem natural e lógica, ou seja, quanto maior o score, melhor, devemos nos atentar ao pontuar a recência (R) e a frequência (F). Para a empresa, quanto mais recente o cliente comprar, melhor ele é.
Clientes que não compram há muito tempo devem ter um score menor para recência. Para recordar: a métrica da recência é calculada em dias desde a última compra, portanto mais é menos, preferimos clientes com recência baixa.
Dessa forma o cálculo dos quartis para ‘R’ deve ser inverso, basta calcular os quartis ordenando do maior para o menor ou atribuindo os maiores scores para os menores quartis (essa é a forma como faremos).
O mesmo acontece para o cálculo da frequência. No nosso método, a frequência é o período de tempo para ocorrer um pedido do cliente, ou seja, quanto tempo leva para o cliente comprar de novo na empresa.
Quanto maior esse valor, menos esse cliente compra, portanto seguindo a mesma lógica explicada anteriormente, preferimos clientes com uma frequência menor.
Vamos voltar ao exemplo de clientes de uma empresa, mas dessa vez com valores mais simples.
Recência (R): Ordene a amostra e atribua os scores de forma inversa aos quartis, ou seja, primeiro quartil receberá o maior score.
![](https://framerusercontent.com/images/hDWJkFFn8R8M4SPbv6KNOX5X2I.png)
Frequência (F): Ordene a amostra e atribua os scores de forma inversa, assim como a recência.
![](https://framerusercontent.com/images/env0PuYaaFZvuMrxzSEFniM.png)
Ticket médio (M): Ordene a amostra e atribua os scores normalmente, quanto maior o ticket médio, melhor! Agora devemos sintetizar os scores de cada métrica para cada cliente, dessa forma obtendo um resultado final dos scores RFM.
![](https://framerusercontent.com/images/XjmoO4CRnxqnan0UxnurMBtOkw0.png)
Excelente, todos os nossos clientes estão segmentados! Agora podemos atribuir um título descritivo para cada segmentação, para facilitar o entendimento e ações rápidas.
Na Erathos, para atender aos requisitos do nosso cliente, criamos quatro grandes classes e então subclasses para complementá-las. Você pode manipular a segmentação e definir uma descrição específica para cada RFM Score da forma que melhor lhe atender. No nosso caso, sugerimos as classes:
Campeão
1. Campeão: São os melhores clientes, compram frequentemente, são ativos e gastam bastante!
(4–4–4) / (4–4–3) / (3–4–4)
2. Campeão potencial: São os potenciais melhores clientes, ainda não atingiram o melhor patamar de frequência e recência.
(4–3–4) / (4–3–3) / (3–4–3) / (3–3–4) / (3–3–3)
3. Campeão hibernado: É um cliente com perfil campeão porém não compra faz tempo.
(2–4–4) / (2–4–3) / (2–3–4) / (2–3–3)
4. Campeão perdido: É um cliente com perfil campeão porém não compra faz muitíssimo tempo, está no último quartil de recência.
(1–4–4) / (1–4–3) / (1–3–4) / (1–3–3)
Leal
1. Leal: São bons clientes, compram frequentemente e são ativos, porém não gastam tanto quanto os campeões.
(4–4–2) / (4–4–1) / (4–3–2) / (4–3–1) / (3–4–2) / (3–4–1)
2. Leal potencial: São clientes que pecam em frequência ou recência, se comparado ao cliente leal. Para ser um cliente leal potencial, as métricas recência e frequência não devem ser altas simultaneamente, isso caracterizaria um cliente leal.
(4–2–2) / (4–2–1) / (3–3–2) / (3–3–1) / (3–2–2) / (3–2–1)
3. Leal hibernado: É um cliente com perfil leal porém não compra faz tempo.
(2–4–2) / (2–4–1) / (2–3–2) / (2–3–1)
4. Leal perdido: É um cliente com perfil leal porém não compra faz muitíssimo tempo, está no último quartil de recência.
(1–4–2) / (1–4–1) / (1–3–2) / (1–3–1)
Ocasional
1. Ocasional: É um perfil de cliente que não compra muito, porém possui um ticket médio alto.
(4–2–4) / (4–2–3) / (3–2–4) / (3–2–3) / (3–1–4) / (3–1–3)
2. Ocasional hibernado: São clientes ocasionais mas não compram faz tempo, ou seja, score de recência baixo.
(2–2–4) / (2–2–3) / (2–1–4) / (2–1–3)
3. Ocasional perdido: Clientes que assim como os ocasionais, têm ticket médio alto porém não compram faz muito tempo.
(1–2–4) / (1–2–3) / (1–1–4) / (1–1–3)
Regular
1. Regular: São clientes que compraram recentemente, ou seja, clientes ativos, porém não compram frequentemente e nem gastam muito.
(4–1–2) / (4–1–1) / (3–1–2) / (3–1–1)
2. Regular hibernado: São os clientes com scores gerais baixos. O que faz de um cliente regular é sua atividade, apesar da frequência e ticket médio baixo. Quando esse cliente fica inativo e sua recência fica baixo, ele se torna um cliente regular hibernado.
(2–2–2) / (2–2–1) / (1–2–2) / (1–2–1)
3. Regular perdido: É o perfil de cliente com os menores scores gerais. Além da característica do cliente regular de não comprar frequentemente e nem gastar muito, esse perfil também é o menos ativo de todos.
(1–2–2) / (1–2–1) / (1–1–2) / (1–1–1)
É importante ressaltar que existem várias formas de segmentação. Caso esse modelo não seja a melhor alternativa para os requisitos de negócio de sua empresa, discuta com seu time como podem adaptar para a situação.
Você também pode entrar em contato conosco que teremos satisfação em oferecer nossas soluções.
E aí, o que achou do artigo?
Espero que tenhamos conseguido te ajudar a compreender e executar uma análise RFM para sua empresa. Se ficou alguma dúvida ou você não conta com profissionais de data science no seu time para executar essa e outras análises, entre em contato conosco, teremos prazer em ajudar!
Nos acompanhe e fique por dentro das novidades do mundo data-driven!
Muitas empresas têm dificuldades em saber quais são seus melhores clientes, normalmente analisam apenas uma métrica e dessa forma acabam resumindo o comportamento do cliente de maneira superficial.
É aí que entra uma das principais análises de marketing para empresas que usam dados para tomarem melhores decisões: a análise RFM. Através do levantamento de três métricas é possível segmentar os clientes da empresa em grupos distintos e trabalhá-los um a um com suas respectivas características.
Esse método é flexível, não existe uma receita única e correta de se aplicar, é importante levar em consideração os requisitos do negócio, podendo adaptar para cada situação e até mesmo evoluir o método para corresponder às necessidades da empresa ao longo do tempo.
O que você vai aprender aqui?
O que é RFM e qual sua finalidade
Como avaliar as métricas usadas para o cálculo da RFM
Calcular um score RFM para cada cliente
Segmentar os clientes de acordo com seu perfil de consumo.
Pra que serve? Como funciona?
Como citado acima, a análise RFM é um método que usa três métricas para classificar os clientes de acordo com seu perfil de consumo, com objetivo de trabalhar cada cliente (promoções, recuperação de cliente perdido, cross-sell) conforme sua classe. Para isso, cada cliente terá seu próprio ‘score’ de RFM, ou seja, pontuação. Vamos avaliar o cliente nas três métricas e atribuir uma nota para cada métrica avaliada. Trabalharemos com pontuação de 1 a 4.
É importante salientar que teremos duas partes na pontuação do RFM, a primeira nós iremos levantar apenas as métricas e atribuí-las ao RFM, na segunda parte vamos traduzir a métrica em pontuação.
Portanto podemos trabalhar com RFM e RFM Score. No final, teremos algo parecido com isso:
![](https://framerusercontent.com/images/bJN5WRv0yWUMeceB71GU110bQDc.png)
1° parte: Atribuição das métricas.
![](https://framerusercontent.com/images/enegBzy5wu59FMZRx2QDJW40QU8.png)
2° parte: Atribuição da pontuação para classificar o cliente
Não se preocupe se você não entendeu os valores da tabela de exemplo, vamos explicar como deve ser feito para levantar cada métrica e por fim pontuação, mas temos uma dica pra você: percebeu alguma relação entre os valores atribuídos na primeira tabela e o score da segunda?
Mas afinal o que exatamente significa RFM?
RFM é uma sigla para termos da língua inglesa e cada termo reflete uma das três principais métricas que vamos avaliar. Portanto, a métrica avaliada estará diretamente ligada ao termo pelos scores que vamos atribuir para cada uma delas.
R - Recency: Numa tradução literal significa recência, ou seja, o quão recente o cliente fez a última compra.
F - Frequency: Significa frequência. Quanto esse cliente compra? É um cliente esporádico ou um cliente fiel?
M - Monetary: Normalmente essa métrica é entendida como o valor total de compra do cliente, porém usaremos o ticket médio para calcular. Por quê?
Fazemos isso para existir uma clara distinção entre valor e frequência para cada perfil de cliente. Imagine o seguinte cenário: um cliente fez 10 compras com ticket médio de R$ 1.000, totalizando R$ 10.000 em compras.
Um segundo cliente fez 2 compras com ticket médio de R$ 5.000, totalizando os mesmos R$ 10.000 em compras. Se usássemos o valor total gasto, apenas a frequência os diferenciaria.
É importante salientar que não existe uma receita única e correta quando o assunto é a Análise RFM. É possível encontrar diferentes abordagens, cada uma com seus respectivos pontos positivos e negativos.
O mais importante é você analisar se faz sentido a métrica avaliada e se essa métrica em conjunto com as outras pode beneficiar ou prejudicar situações específicas.
Quais métricas devemos avaliar para pontuar o RFM?
Essa é a base fundamental da análise RFM. Quais métricas escolher? Como trabalhar com essas métricas e traduzi-las para uma pontuação de RFM? Como dito anteriormente, não existe uma receita única e correta.
É possível encontrar diferentes abordagens, cada uma com seus respectivos pontos positivos e negativos. O mais importante é você analisar se faz sentido a métrica avaliada e se essa métrica em conjunto com as outras não vão beneficiar ou prejudicar situações específicas. Você vai entender e conseguir avaliar quais métricas fazem sentido ao final do artigo.
Recency (recência):
Vamos utilizar duas métricas para calculá-la, a data atual e a data da última compra do cliente. É uma simples subtração, a data de hoje menos a data da última compra do cliente, ou seja, a diferença das datas será o seu valor de recência.salin
![](https://framerusercontent.com/images/QhIMAXphzuNsYEW3BZAkXqHFiyU.png)
Frequency (frequência):
Frequência é a número de eventos ocorridos em um determinado intervalo de tempo. Nós invertemos o numerador com o denominador para que seja mais intuitivo, afinal é mais fácil interpretar “3,66 dias para cada compra” do que “0,28 compras por dia”.
No nosso caso, eventos ocorridos significa pedidos e intervalo de tempo é o período em que o cliente é de fato cliente da loja. Para isso utilizaremos três métricas: data atual, data da primeira compra e quantidade de pedidos distintos realizados.
P: pedidos
d1: data atual
d0: data primeira compra
Exemplo prático:
Monetary (ticket médio):
O ticket médio já é bem conhecido no ambiente corporativo. Nada mais é que o valor médio de vendas por cliente, ou seja, o faturamento total daquele cliente dividido pela quantidade de pedidos.
Temos em mãos a nossa base! E agora, como devemos pontuar os scores RFM?
Só com esses dados você já tem um belo começo, é possível criar scatter plots e relacionar as variáveis para tentar entender o consumo dos seus clientes.
![](https://framerusercontent.com/images/6uzRZ2ZosNcdeWNyFJzXuA78.png)
Quantidade de clientes por grupo macro RFM.
![](https://framerusercontent.com/images/4tQMabaQweButgRUNLtvyUxvWs.png)
Relação entre ticket médio e frequência dos grupos RFM. Bom, vamos voltar um pouco e trocar de exemplos. Primeiro, é interessante entender um pouco da estatística usada para calcular. Se você já tem conhecimento sobre quartis, pode pular essa parte e ir direto para a próxima etapa!
Quando temos uma amostra ordenada de forma ascendente (ou seja, de valores menores para valores maiores) podemos dividi-las em partes iguais, em quantas quisermos. Para o nosso caso, utilizaremos quartis, ou seja, dividiremos a nossa amostra ordenada em quatro partes iguais, daí o nome “quartil”.
O quartil é a “marca” ou “valor” que serve como referência de divisão da amostra em partes iguais, é como se fosse a nota de corte em um processo seletivo. Vamos a um exemplo prático para clarear as ideias. Vamos dividir um grupo de alunos em quartis. Primeiramente, temos a lista de alunos e suas respectivas idades:
![](https://framerusercontent.com/images/FMmKTVkFki6lbLPwrgcZsaWTREA.png)
Agora devemos ordenar a amostra em ordem crescente:
![](https://framerusercontent.com/images/p8obv1uyE2QExMZqx2LpSKsnkPo.png)
Com a amostra ordenada e dividida em quatro partes, devemos definir os limites dos quartis. Para isso vamos tirar a média dos valores limites.
![](https://framerusercontent.com/images/CgtVZCHv7Zy85rZOXuUNQyKyI.png)
Após termos em mãos os valores limites para cada quartil, vamos separar novamente para finalmente definir a amostra dentro dos quartis.
![](https://framerusercontent.com/images/J7MPCGXbzTaZCHVKS1w0zViCr4.png)
Nosso agrupamento por quartil está pronto!
Agora vamos executar esses passos aplicados à análise RFM:
Como utilizamos o score RFM seguindo uma ordem natural e lógica, ou seja, quanto maior o score, melhor, devemos nos atentar ao pontuar a recência (R) e a frequência (F). Para a empresa, quanto mais recente o cliente comprar, melhor ele é.
Clientes que não compram há muito tempo devem ter um score menor para recência. Para recordar: a métrica da recência é calculada em dias desde a última compra, portanto mais é menos, preferimos clientes com recência baixa.
Dessa forma o cálculo dos quartis para ‘R’ deve ser inverso, basta calcular os quartis ordenando do maior para o menor ou atribuindo os maiores scores para os menores quartis (essa é a forma como faremos).
O mesmo acontece para o cálculo da frequência. No nosso método, a frequência é o período de tempo para ocorrer um pedido do cliente, ou seja, quanto tempo leva para o cliente comprar de novo na empresa.
Quanto maior esse valor, menos esse cliente compra, portanto seguindo a mesma lógica explicada anteriormente, preferimos clientes com uma frequência menor.
Vamos voltar ao exemplo de clientes de uma empresa, mas dessa vez com valores mais simples.
Recência (R): Ordene a amostra e atribua os scores de forma inversa aos quartis, ou seja, primeiro quartil receberá o maior score.
![](https://framerusercontent.com/images/hDWJkFFn8R8M4SPbv6KNOX5X2I.png)
Frequência (F): Ordene a amostra e atribua os scores de forma inversa, assim como a recência.
![](https://framerusercontent.com/images/env0PuYaaFZvuMrxzSEFniM.png)
Ticket médio (M): Ordene a amostra e atribua os scores normalmente, quanto maior o ticket médio, melhor! Agora devemos sintetizar os scores de cada métrica para cada cliente, dessa forma obtendo um resultado final dos scores RFM.
![](https://framerusercontent.com/images/XjmoO4CRnxqnan0UxnurMBtOkw0.png)
Excelente, todos os nossos clientes estão segmentados! Agora podemos atribuir um título descritivo para cada segmentação, para facilitar o entendimento e ações rápidas.
Na Erathos, para atender aos requisitos do nosso cliente, criamos quatro grandes classes e então subclasses para complementá-las. Você pode manipular a segmentação e definir uma descrição específica para cada RFM Score da forma que melhor lhe atender. No nosso caso, sugerimos as classes:
Campeão
1. Campeão: São os melhores clientes, compram frequentemente, são ativos e gastam bastante!
(4–4–4) / (4–4–3) / (3–4–4)
2. Campeão potencial: São os potenciais melhores clientes, ainda não atingiram o melhor patamar de frequência e recência.
(4–3–4) / (4–3–3) / (3–4–3) / (3–3–4) / (3–3–3)
3. Campeão hibernado: É um cliente com perfil campeão porém não compra faz tempo.
(2–4–4) / (2–4–3) / (2–3–4) / (2–3–3)
4. Campeão perdido: É um cliente com perfil campeão porém não compra faz muitíssimo tempo, está no último quartil de recência.
(1–4–4) / (1–4–3) / (1–3–4) / (1–3–3)
Leal
1. Leal: São bons clientes, compram frequentemente e são ativos, porém não gastam tanto quanto os campeões.
(4–4–2) / (4–4–1) / (4–3–2) / (4–3–1) / (3–4–2) / (3–4–1)
2. Leal potencial: São clientes que pecam em frequência ou recência, se comparado ao cliente leal. Para ser um cliente leal potencial, as métricas recência e frequência não devem ser altas simultaneamente, isso caracterizaria um cliente leal.
(4–2–2) / (4–2–1) / (3–3–2) / (3–3–1) / (3–2–2) / (3–2–1)
3. Leal hibernado: É um cliente com perfil leal porém não compra faz tempo.
(2–4–2) / (2–4–1) / (2–3–2) / (2–3–1)
4. Leal perdido: É um cliente com perfil leal porém não compra faz muitíssimo tempo, está no último quartil de recência.
(1–4–2) / (1–4–1) / (1–3–2) / (1–3–1)
Ocasional
1. Ocasional: É um perfil de cliente que não compra muito, porém possui um ticket médio alto.
(4–2–4) / (4–2–3) / (3–2–4) / (3–2–3) / (3–1–4) / (3–1–3)
2. Ocasional hibernado: São clientes ocasionais mas não compram faz tempo, ou seja, score de recência baixo.
(2–2–4) / (2–2–3) / (2–1–4) / (2–1–3)
3. Ocasional perdido: Clientes que assim como os ocasionais, têm ticket médio alto porém não compram faz muito tempo.
(1–2–4) / (1–2–3) / (1–1–4) / (1–1–3)
Regular
1. Regular: São clientes que compraram recentemente, ou seja, clientes ativos, porém não compram frequentemente e nem gastam muito.
(4–1–2) / (4–1–1) / (3–1–2) / (3–1–1)
2. Regular hibernado: São os clientes com scores gerais baixos. O que faz de um cliente regular é sua atividade, apesar da frequência e ticket médio baixo. Quando esse cliente fica inativo e sua recência fica baixo, ele se torna um cliente regular hibernado.
(2–2–2) / (2–2–1) / (1–2–2) / (1–2–1)
3. Regular perdido: É o perfil de cliente com os menores scores gerais. Além da característica do cliente regular de não comprar frequentemente e nem gastar muito, esse perfil também é o menos ativo de todos.
(1–2–2) / (1–2–1) / (1–1–2) / (1–1–1)
É importante ressaltar que existem várias formas de segmentação. Caso esse modelo não seja a melhor alternativa para os requisitos de negócio de sua empresa, discuta com seu time como podem adaptar para a situação.
Você também pode entrar em contato conosco que teremos satisfação em oferecer nossas soluções.
E aí, o que achou do artigo?
Espero que tenhamos conseguido te ajudar a compreender e executar uma análise RFM para sua empresa. Se ficou alguma dúvida ou você não conta com profissionais de data science no seu time para executar essa e outras análises, entre em contato conosco, teremos prazer em ajudar!
Nos acompanhe e fique por dentro das novidades do mundo data-driven!
Muitas empresas têm dificuldades em saber quais são seus melhores clientes, normalmente analisam apenas uma métrica e dessa forma acabam resumindo o comportamento do cliente de maneira superficial.
É aí que entra uma das principais análises de marketing para empresas que usam dados para tomarem melhores decisões: a análise RFM. Através do levantamento de três métricas é possível segmentar os clientes da empresa em grupos distintos e trabalhá-los um a um com suas respectivas características.
Esse método é flexível, não existe uma receita única e correta de se aplicar, é importante levar em consideração os requisitos do negócio, podendo adaptar para cada situação e até mesmo evoluir o método para corresponder às necessidades da empresa ao longo do tempo.
O que você vai aprender aqui?
O que é RFM e qual sua finalidade
Como avaliar as métricas usadas para o cálculo da RFM
Calcular um score RFM para cada cliente
Segmentar os clientes de acordo com seu perfil de consumo.
Pra que serve? Como funciona?
Como citado acima, a análise RFM é um método que usa três métricas para classificar os clientes de acordo com seu perfil de consumo, com objetivo de trabalhar cada cliente (promoções, recuperação de cliente perdido, cross-sell) conforme sua classe. Para isso, cada cliente terá seu próprio ‘score’ de RFM, ou seja, pontuação. Vamos avaliar o cliente nas três métricas e atribuir uma nota para cada métrica avaliada. Trabalharemos com pontuação de 1 a 4.
É importante salientar que teremos duas partes na pontuação do RFM, a primeira nós iremos levantar apenas as métricas e atribuí-las ao RFM, na segunda parte vamos traduzir a métrica em pontuação.
Portanto podemos trabalhar com RFM e RFM Score. No final, teremos algo parecido com isso:
![](https://framerusercontent.com/images/bJN5WRv0yWUMeceB71GU110bQDc.png)
1° parte: Atribuição das métricas.
![](https://framerusercontent.com/images/enegBzy5wu59FMZRx2QDJW40QU8.png)
2° parte: Atribuição da pontuação para classificar o cliente
Não se preocupe se você não entendeu os valores da tabela de exemplo, vamos explicar como deve ser feito para levantar cada métrica e por fim pontuação, mas temos uma dica pra você: percebeu alguma relação entre os valores atribuídos na primeira tabela e o score da segunda?
Mas afinal o que exatamente significa RFM?
RFM é uma sigla para termos da língua inglesa e cada termo reflete uma das três principais métricas que vamos avaliar. Portanto, a métrica avaliada estará diretamente ligada ao termo pelos scores que vamos atribuir para cada uma delas.
R - Recency: Numa tradução literal significa recência, ou seja, o quão recente o cliente fez a última compra.
F - Frequency: Significa frequência. Quanto esse cliente compra? É um cliente esporádico ou um cliente fiel?
M - Monetary: Normalmente essa métrica é entendida como o valor total de compra do cliente, porém usaremos o ticket médio para calcular. Por quê?
Fazemos isso para existir uma clara distinção entre valor e frequência para cada perfil de cliente. Imagine o seguinte cenário: um cliente fez 10 compras com ticket médio de R$ 1.000, totalizando R$ 10.000 em compras.
Um segundo cliente fez 2 compras com ticket médio de R$ 5.000, totalizando os mesmos R$ 10.000 em compras. Se usássemos o valor total gasto, apenas a frequência os diferenciaria.
É importante salientar que não existe uma receita única e correta quando o assunto é a Análise RFM. É possível encontrar diferentes abordagens, cada uma com seus respectivos pontos positivos e negativos.
O mais importante é você analisar se faz sentido a métrica avaliada e se essa métrica em conjunto com as outras pode beneficiar ou prejudicar situações específicas.
Quais métricas devemos avaliar para pontuar o RFM?
Essa é a base fundamental da análise RFM. Quais métricas escolher? Como trabalhar com essas métricas e traduzi-las para uma pontuação de RFM? Como dito anteriormente, não existe uma receita única e correta.
É possível encontrar diferentes abordagens, cada uma com seus respectivos pontos positivos e negativos. O mais importante é você analisar se faz sentido a métrica avaliada e se essa métrica em conjunto com as outras não vão beneficiar ou prejudicar situações específicas. Você vai entender e conseguir avaliar quais métricas fazem sentido ao final do artigo.
Recency (recência):
Vamos utilizar duas métricas para calculá-la, a data atual e a data da última compra do cliente. É uma simples subtração, a data de hoje menos a data da última compra do cliente, ou seja, a diferença das datas será o seu valor de recência.salin
![](https://framerusercontent.com/images/QhIMAXphzuNsYEW3BZAkXqHFiyU.png)
Frequency (frequência):
Frequência é a número de eventos ocorridos em um determinado intervalo de tempo. Nós invertemos o numerador com o denominador para que seja mais intuitivo, afinal é mais fácil interpretar “3,66 dias para cada compra” do que “0,28 compras por dia”.
No nosso caso, eventos ocorridos significa pedidos e intervalo de tempo é o período em que o cliente é de fato cliente da loja. Para isso utilizaremos três métricas: data atual, data da primeira compra e quantidade de pedidos distintos realizados.
P: pedidos
d1: data atual
d0: data primeira compra
Exemplo prático:
Monetary (ticket médio):
O ticket médio já é bem conhecido no ambiente corporativo. Nada mais é que o valor médio de vendas por cliente, ou seja, o faturamento total daquele cliente dividido pela quantidade de pedidos.
Temos em mãos a nossa base! E agora, como devemos pontuar os scores RFM?
Só com esses dados você já tem um belo começo, é possível criar scatter plots e relacionar as variáveis para tentar entender o consumo dos seus clientes.
![](https://framerusercontent.com/images/6uzRZ2ZosNcdeWNyFJzXuA78.png)
Quantidade de clientes por grupo macro RFM.
![](https://framerusercontent.com/images/4tQMabaQweButgRUNLtvyUxvWs.png)
Relação entre ticket médio e frequência dos grupos RFM. Bom, vamos voltar um pouco e trocar de exemplos. Primeiro, é interessante entender um pouco da estatística usada para calcular. Se você já tem conhecimento sobre quartis, pode pular essa parte e ir direto para a próxima etapa!
Quando temos uma amostra ordenada de forma ascendente (ou seja, de valores menores para valores maiores) podemos dividi-las em partes iguais, em quantas quisermos. Para o nosso caso, utilizaremos quartis, ou seja, dividiremos a nossa amostra ordenada em quatro partes iguais, daí o nome “quartil”.
O quartil é a “marca” ou “valor” que serve como referência de divisão da amostra em partes iguais, é como se fosse a nota de corte em um processo seletivo. Vamos a um exemplo prático para clarear as ideias. Vamos dividir um grupo de alunos em quartis. Primeiramente, temos a lista de alunos e suas respectivas idades:
![](https://framerusercontent.com/images/FMmKTVkFki6lbLPwrgcZsaWTREA.png)
Agora devemos ordenar a amostra em ordem crescente:
![](https://framerusercontent.com/images/p8obv1uyE2QExMZqx2LpSKsnkPo.png)
Com a amostra ordenada e dividida em quatro partes, devemos definir os limites dos quartis. Para isso vamos tirar a média dos valores limites.
![](https://framerusercontent.com/images/CgtVZCHv7Zy85rZOXuUNQyKyI.png)
Após termos em mãos os valores limites para cada quartil, vamos separar novamente para finalmente definir a amostra dentro dos quartis.
![](https://framerusercontent.com/images/J7MPCGXbzTaZCHVKS1w0zViCr4.png)
Nosso agrupamento por quartil está pronto!
Agora vamos executar esses passos aplicados à análise RFM:
Como utilizamos o score RFM seguindo uma ordem natural e lógica, ou seja, quanto maior o score, melhor, devemos nos atentar ao pontuar a recência (R) e a frequência (F). Para a empresa, quanto mais recente o cliente comprar, melhor ele é.
Clientes que não compram há muito tempo devem ter um score menor para recência. Para recordar: a métrica da recência é calculada em dias desde a última compra, portanto mais é menos, preferimos clientes com recência baixa.
Dessa forma o cálculo dos quartis para ‘R’ deve ser inverso, basta calcular os quartis ordenando do maior para o menor ou atribuindo os maiores scores para os menores quartis (essa é a forma como faremos).
O mesmo acontece para o cálculo da frequência. No nosso método, a frequência é o período de tempo para ocorrer um pedido do cliente, ou seja, quanto tempo leva para o cliente comprar de novo na empresa.
Quanto maior esse valor, menos esse cliente compra, portanto seguindo a mesma lógica explicada anteriormente, preferimos clientes com uma frequência menor.
Vamos voltar ao exemplo de clientes de uma empresa, mas dessa vez com valores mais simples.
Recência (R): Ordene a amostra e atribua os scores de forma inversa aos quartis, ou seja, primeiro quartil receberá o maior score.
![](https://framerusercontent.com/images/hDWJkFFn8R8M4SPbv6KNOX5X2I.png)
Frequência (F): Ordene a amostra e atribua os scores de forma inversa, assim como a recência.
![](https://framerusercontent.com/images/env0PuYaaFZvuMrxzSEFniM.png)
Ticket médio (M): Ordene a amostra e atribua os scores normalmente, quanto maior o ticket médio, melhor! Agora devemos sintetizar os scores de cada métrica para cada cliente, dessa forma obtendo um resultado final dos scores RFM.
![](https://framerusercontent.com/images/XjmoO4CRnxqnan0UxnurMBtOkw0.png)
Excelente, todos os nossos clientes estão segmentados! Agora podemos atribuir um título descritivo para cada segmentação, para facilitar o entendimento e ações rápidas.
Na Erathos, para atender aos requisitos do nosso cliente, criamos quatro grandes classes e então subclasses para complementá-las. Você pode manipular a segmentação e definir uma descrição específica para cada RFM Score da forma que melhor lhe atender. No nosso caso, sugerimos as classes:
Campeão
1. Campeão: São os melhores clientes, compram frequentemente, são ativos e gastam bastante!
(4–4–4) / (4–4–3) / (3–4–4)
2. Campeão potencial: São os potenciais melhores clientes, ainda não atingiram o melhor patamar de frequência e recência.
(4–3–4) / (4–3–3) / (3–4–3) / (3–3–4) / (3–3–3)
3. Campeão hibernado: É um cliente com perfil campeão porém não compra faz tempo.
(2–4–4) / (2–4–3) / (2–3–4) / (2–3–3)
4. Campeão perdido: É um cliente com perfil campeão porém não compra faz muitíssimo tempo, está no último quartil de recência.
(1–4–4) / (1–4–3) / (1–3–4) / (1–3–3)
Leal
1. Leal: São bons clientes, compram frequentemente e são ativos, porém não gastam tanto quanto os campeões.
(4–4–2) / (4–4–1) / (4–3–2) / (4–3–1) / (3–4–2) / (3–4–1)
2. Leal potencial: São clientes que pecam em frequência ou recência, se comparado ao cliente leal. Para ser um cliente leal potencial, as métricas recência e frequência não devem ser altas simultaneamente, isso caracterizaria um cliente leal.
(4–2–2) / (4–2–1) / (3–3–2) / (3–3–1) / (3–2–2) / (3–2–1)
3. Leal hibernado: É um cliente com perfil leal porém não compra faz tempo.
(2–4–2) / (2–4–1) / (2–3–2) / (2–3–1)
4. Leal perdido: É um cliente com perfil leal porém não compra faz muitíssimo tempo, está no último quartil de recência.
(1–4–2) / (1–4–1) / (1–3–2) / (1–3–1)
Ocasional
1. Ocasional: É um perfil de cliente que não compra muito, porém possui um ticket médio alto.
(4–2–4) / (4–2–3) / (3–2–4) / (3–2–3) / (3–1–4) / (3–1–3)
2. Ocasional hibernado: São clientes ocasionais mas não compram faz tempo, ou seja, score de recência baixo.
(2–2–4) / (2–2–3) / (2–1–4) / (2–1–3)
3. Ocasional perdido: Clientes que assim como os ocasionais, têm ticket médio alto porém não compram faz muito tempo.
(1–2–4) / (1–2–3) / (1–1–4) / (1–1–3)
Regular
1. Regular: São clientes que compraram recentemente, ou seja, clientes ativos, porém não compram frequentemente e nem gastam muito.
(4–1–2) / (4–1–1) / (3–1–2) / (3–1–1)
2. Regular hibernado: São os clientes com scores gerais baixos. O que faz de um cliente regular é sua atividade, apesar da frequência e ticket médio baixo. Quando esse cliente fica inativo e sua recência fica baixo, ele se torna um cliente regular hibernado.
(2–2–2) / (2–2–1) / (1–2–2) / (1–2–1)
3. Regular perdido: É o perfil de cliente com os menores scores gerais. Além da característica do cliente regular de não comprar frequentemente e nem gastar muito, esse perfil também é o menos ativo de todos.
(1–2–2) / (1–2–1) / (1–1–2) / (1–1–1)
É importante ressaltar que existem várias formas de segmentação. Caso esse modelo não seja a melhor alternativa para os requisitos de negócio de sua empresa, discuta com seu time como podem adaptar para a situação.
Você também pode entrar em contato conosco que teremos satisfação em oferecer nossas soluções.
E aí, o que achou do artigo?
Espero que tenhamos conseguido te ajudar a compreender e executar uma análise RFM para sua empresa. Se ficou alguma dúvida ou você não conta com profissionais de data science no seu time para executar essa e outras análises, entre em contato conosco, teremos prazer em ajudar!
Nos acompanhe e fique por dentro das novidades do mundo data-driven!
Muitas empresas têm dificuldades em saber quais são seus melhores clientes, normalmente analisam apenas uma métrica e dessa forma acabam resumindo o comportamento do cliente de maneira superficial.
É aí que entra uma das principais análises de marketing para empresas que usam dados para tomarem melhores decisões: a análise RFM. Através do levantamento de três métricas é possível segmentar os clientes da empresa em grupos distintos e trabalhá-los um a um com suas respectivas características.
Esse método é flexível, não existe uma receita única e correta de se aplicar, é importante levar em consideração os requisitos do negócio, podendo adaptar para cada situação e até mesmo evoluir o método para corresponder às necessidades da empresa ao longo do tempo.
O que você vai aprender aqui?
O que é RFM e qual sua finalidade
Como avaliar as métricas usadas para o cálculo da RFM
Calcular um score RFM para cada cliente
Segmentar os clientes de acordo com seu perfil de consumo.
Pra que serve? Como funciona?
Como citado acima, a análise RFM é um método que usa três métricas para classificar os clientes de acordo com seu perfil de consumo, com objetivo de trabalhar cada cliente (promoções, recuperação de cliente perdido, cross-sell) conforme sua classe. Para isso, cada cliente terá seu próprio ‘score’ de RFM, ou seja, pontuação. Vamos avaliar o cliente nas três métricas e atribuir uma nota para cada métrica avaliada. Trabalharemos com pontuação de 1 a 4.
É importante salientar que teremos duas partes na pontuação do RFM, a primeira nós iremos levantar apenas as métricas e atribuí-las ao RFM, na segunda parte vamos traduzir a métrica em pontuação.
Portanto podemos trabalhar com RFM e RFM Score. No final, teremos algo parecido com isso:
![](https://framerusercontent.com/images/bJN5WRv0yWUMeceB71GU110bQDc.png)
1° parte: Atribuição das métricas.
![](https://framerusercontent.com/images/enegBzy5wu59FMZRx2QDJW40QU8.png)
2° parte: Atribuição da pontuação para classificar o cliente
Não se preocupe se você não entendeu os valores da tabela de exemplo, vamos explicar como deve ser feito para levantar cada métrica e por fim pontuação, mas temos uma dica pra você: percebeu alguma relação entre os valores atribuídos na primeira tabela e o score da segunda?
Mas afinal o que exatamente significa RFM?
RFM é uma sigla para termos da língua inglesa e cada termo reflete uma das três principais métricas que vamos avaliar. Portanto, a métrica avaliada estará diretamente ligada ao termo pelos scores que vamos atribuir para cada uma delas.
R - Recency: Numa tradução literal significa recência, ou seja, o quão recente o cliente fez a última compra.
F - Frequency: Significa frequência. Quanto esse cliente compra? É um cliente esporádico ou um cliente fiel?
M - Monetary: Normalmente essa métrica é entendida como o valor total de compra do cliente, porém usaremos o ticket médio para calcular. Por quê?
Fazemos isso para existir uma clara distinção entre valor e frequência para cada perfil de cliente. Imagine o seguinte cenário: um cliente fez 10 compras com ticket médio de R$ 1.000, totalizando R$ 10.000 em compras.
Um segundo cliente fez 2 compras com ticket médio de R$ 5.000, totalizando os mesmos R$ 10.000 em compras. Se usássemos o valor total gasto, apenas a frequência os diferenciaria.
É importante salientar que não existe uma receita única e correta quando o assunto é a Análise RFM. É possível encontrar diferentes abordagens, cada uma com seus respectivos pontos positivos e negativos.
O mais importante é você analisar se faz sentido a métrica avaliada e se essa métrica em conjunto com as outras pode beneficiar ou prejudicar situações específicas.
Quais métricas devemos avaliar para pontuar o RFM?
Essa é a base fundamental da análise RFM. Quais métricas escolher? Como trabalhar com essas métricas e traduzi-las para uma pontuação de RFM? Como dito anteriormente, não existe uma receita única e correta.
É possível encontrar diferentes abordagens, cada uma com seus respectivos pontos positivos e negativos. O mais importante é você analisar se faz sentido a métrica avaliada e se essa métrica em conjunto com as outras não vão beneficiar ou prejudicar situações específicas. Você vai entender e conseguir avaliar quais métricas fazem sentido ao final do artigo.
Recency (recência):
Vamos utilizar duas métricas para calculá-la, a data atual e a data da última compra do cliente. É uma simples subtração, a data de hoje menos a data da última compra do cliente, ou seja, a diferença das datas será o seu valor de recência.salin
![](https://framerusercontent.com/images/QhIMAXphzuNsYEW3BZAkXqHFiyU.png)
Frequency (frequência):
Frequência é a número de eventos ocorridos em um determinado intervalo de tempo. Nós invertemos o numerador com o denominador para que seja mais intuitivo, afinal é mais fácil interpretar “3,66 dias para cada compra” do que “0,28 compras por dia”.
No nosso caso, eventos ocorridos significa pedidos e intervalo de tempo é o período em que o cliente é de fato cliente da loja. Para isso utilizaremos três métricas: data atual, data da primeira compra e quantidade de pedidos distintos realizados.
P: pedidos
d1: data atual
d0: data primeira compra
Exemplo prático:
Monetary (ticket médio):
O ticket médio já é bem conhecido no ambiente corporativo. Nada mais é que o valor médio de vendas por cliente, ou seja, o faturamento total daquele cliente dividido pela quantidade de pedidos.
Temos em mãos a nossa base! E agora, como devemos pontuar os scores RFM?
Só com esses dados você já tem um belo começo, é possível criar scatter plots e relacionar as variáveis para tentar entender o consumo dos seus clientes.
![](https://framerusercontent.com/images/6uzRZ2ZosNcdeWNyFJzXuA78.png)
Quantidade de clientes por grupo macro RFM.
![](https://framerusercontent.com/images/4tQMabaQweButgRUNLtvyUxvWs.png)
Relação entre ticket médio e frequência dos grupos RFM. Bom, vamos voltar um pouco e trocar de exemplos. Primeiro, é interessante entender um pouco da estatística usada para calcular. Se você já tem conhecimento sobre quartis, pode pular essa parte e ir direto para a próxima etapa!
Quando temos uma amostra ordenada de forma ascendente (ou seja, de valores menores para valores maiores) podemos dividi-las em partes iguais, em quantas quisermos. Para o nosso caso, utilizaremos quartis, ou seja, dividiremos a nossa amostra ordenada em quatro partes iguais, daí o nome “quartil”.
O quartil é a “marca” ou “valor” que serve como referência de divisão da amostra em partes iguais, é como se fosse a nota de corte em um processo seletivo. Vamos a um exemplo prático para clarear as ideias. Vamos dividir um grupo de alunos em quartis. Primeiramente, temos a lista de alunos e suas respectivas idades:
![](https://framerusercontent.com/images/FMmKTVkFki6lbLPwrgcZsaWTREA.png)
Agora devemos ordenar a amostra em ordem crescente:
![](https://framerusercontent.com/images/p8obv1uyE2QExMZqx2LpSKsnkPo.png)
Com a amostra ordenada e dividida em quatro partes, devemos definir os limites dos quartis. Para isso vamos tirar a média dos valores limites.
![](https://framerusercontent.com/images/CgtVZCHv7Zy85rZOXuUNQyKyI.png)
Após termos em mãos os valores limites para cada quartil, vamos separar novamente para finalmente definir a amostra dentro dos quartis.
![](https://framerusercontent.com/images/J7MPCGXbzTaZCHVKS1w0zViCr4.png)
Nosso agrupamento por quartil está pronto!
Agora vamos executar esses passos aplicados à análise RFM:
Como utilizamos o score RFM seguindo uma ordem natural e lógica, ou seja, quanto maior o score, melhor, devemos nos atentar ao pontuar a recência (R) e a frequência (F). Para a empresa, quanto mais recente o cliente comprar, melhor ele é.
Clientes que não compram há muito tempo devem ter um score menor para recência. Para recordar: a métrica da recência é calculada em dias desde a última compra, portanto mais é menos, preferimos clientes com recência baixa.
Dessa forma o cálculo dos quartis para ‘R’ deve ser inverso, basta calcular os quartis ordenando do maior para o menor ou atribuindo os maiores scores para os menores quartis (essa é a forma como faremos).
O mesmo acontece para o cálculo da frequência. No nosso método, a frequência é o período de tempo para ocorrer um pedido do cliente, ou seja, quanto tempo leva para o cliente comprar de novo na empresa.
Quanto maior esse valor, menos esse cliente compra, portanto seguindo a mesma lógica explicada anteriormente, preferimos clientes com uma frequência menor.
Vamos voltar ao exemplo de clientes de uma empresa, mas dessa vez com valores mais simples.
Recência (R): Ordene a amostra e atribua os scores de forma inversa aos quartis, ou seja, primeiro quartil receberá o maior score.
![](https://framerusercontent.com/images/hDWJkFFn8R8M4SPbv6KNOX5X2I.png)
Frequência (F): Ordene a amostra e atribua os scores de forma inversa, assim como a recência.
![](https://framerusercontent.com/images/env0PuYaaFZvuMrxzSEFniM.png)
Ticket médio (M): Ordene a amostra e atribua os scores normalmente, quanto maior o ticket médio, melhor! Agora devemos sintetizar os scores de cada métrica para cada cliente, dessa forma obtendo um resultado final dos scores RFM.
![](https://framerusercontent.com/images/XjmoO4CRnxqnan0UxnurMBtOkw0.png)
Excelente, todos os nossos clientes estão segmentados! Agora podemos atribuir um título descritivo para cada segmentação, para facilitar o entendimento e ações rápidas.
Na Erathos, para atender aos requisitos do nosso cliente, criamos quatro grandes classes e então subclasses para complementá-las. Você pode manipular a segmentação e definir uma descrição específica para cada RFM Score da forma que melhor lhe atender. No nosso caso, sugerimos as classes:
Campeão
1. Campeão: São os melhores clientes, compram frequentemente, são ativos e gastam bastante!
(4–4–4) / (4–4–3) / (3–4–4)
2. Campeão potencial: São os potenciais melhores clientes, ainda não atingiram o melhor patamar de frequência e recência.
(4–3–4) / (4–3–3) / (3–4–3) / (3–3–4) / (3–3–3)
3. Campeão hibernado: É um cliente com perfil campeão porém não compra faz tempo.
(2–4–4) / (2–4–3) / (2–3–4) / (2–3–3)
4. Campeão perdido: É um cliente com perfil campeão porém não compra faz muitíssimo tempo, está no último quartil de recência.
(1–4–4) / (1–4–3) / (1–3–4) / (1–3–3)
Leal
1. Leal: São bons clientes, compram frequentemente e são ativos, porém não gastam tanto quanto os campeões.
(4–4–2) / (4–4–1) / (4–3–2) / (4–3–1) / (3–4–2) / (3–4–1)
2. Leal potencial: São clientes que pecam em frequência ou recência, se comparado ao cliente leal. Para ser um cliente leal potencial, as métricas recência e frequência não devem ser altas simultaneamente, isso caracterizaria um cliente leal.
(4–2–2) / (4–2–1) / (3–3–2) / (3–3–1) / (3–2–2) / (3–2–1)
3. Leal hibernado: É um cliente com perfil leal porém não compra faz tempo.
(2–4–2) / (2–4–1) / (2–3–2) / (2–3–1)
4. Leal perdido: É um cliente com perfil leal porém não compra faz muitíssimo tempo, está no último quartil de recência.
(1–4–2) / (1–4–1) / (1–3–2) / (1–3–1)
Ocasional
1. Ocasional: É um perfil de cliente que não compra muito, porém possui um ticket médio alto.
(4–2–4) / (4–2–3) / (3–2–4) / (3–2–3) / (3–1–4) / (3–1–3)
2. Ocasional hibernado: São clientes ocasionais mas não compram faz tempo, ou seja, score de recência baixo.
(2–2–4) / (2–2–3) / (2–1–4) / (2–1–3)
3. Ocasional perdido: Clientes que assim como os ocasionais, têm ticket médio alto porém não compram faz muito tempo.
(1–2–4) / (1–2–3) / (1–1–4) / (1–1–3)
Regular
1. Regular: São clientes que compraram recentemente, ou seja, clientes ativos, porém não compram frequentemente e nem gastam muito.
(4–1–2) / (4–1–1) / (3–1–2) / (3–1–1)
2. Regular hibernado: São os clientes com scores gerais baixos. O que faz de um cliente regular é sua atividade, apesar da frequência e ticket médio baixo. Quando esse cliente fica inativo e sua recência fica baixo, ele se torna um cliente regular hibernado.
(2–2–2) / (2–2–1) / (1–2–2) / (1–2–1)
3. Regular perdido: É o perfil de cliente com os menores scores gerais. Além da característica do cliente regular de não comprar frequentemente e nem gastar muito, esse perfil também é o menos ativo de todos.
(1–2–2) / (1–2–1) / (1–1–2) / (1–1–1)
É importante ressaltar que existem várias formas de segmentação. Caso esse modelo não seja a melhor alternativa para os requisitos de negócio de sua empresa, discuta com seu time como podem adaptar para a situação.
Você também pode entrar em contato conosco que teremos satisfação em oferecer nossas soluções.
E aí, o que achou do artigo?
Espero que tenhamos conseguido te ajudar a compreender e executar uma análise RFM para sua empresa. Se ficou alguma dúvida ou você não conta com profissionais de data science no seu time para executar essa e outras análises, entre em contato conosco, teremos prazer em ajudar!
Nos acompanhe e fique por dentro das novidades do mundo data-driven!
Precisando de um time de dados?
Você pode ter acesso a um time de especialistas on demand, orientados a entender seu negócio.