# O que é Análise RFM e Como Calcular o Score

> Análise RFM segmenta clientes por Recência, Frequência e Valor monetário. Aprenda a calcular o score, montar os segmentos e aplicar na prática.

Source: https://www.erathos.com/blog/analise-rfm
Published: 2026-08-19
Category: Business Intelligence & Analytics

![Diagrama de segmentação RFM com quadrantes de clientes por recência, frequência e valor monetário](https://cms-media.erathos.com/Análise RFM.png)

## O que é Análise RFM?

Muitas empresas têm dificuldade 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 tomar melhores decisões: a análise RFM. Através de três métricas, é possível segmentar os clientes em grupos distintos e trabalhar cada um de acordo com suas próprias características.

Esse método é flexível. Não existe uma receita única e correta de se aplicar. É importante levar em conta os requisitos do seu negócio, adaptar para cada situação e até evoluir o método para acompanhar as necessidades da empresa ao longo do tempo.

### De onde vêm esses dados, na prática?

Antes de calcular qualquer coisa, você precisa de dados limpos e centralizados: histórico de pedidos, datas de compra e IDs de clientes, normalmente espalhados entre uma plataforma de e-commerce, um CRM e um ERP. Se esses sistemas não conversam entre si, a análise RFM vira um exercício de planilha que fica desatualizado assim que alguém mexe numa tabela de preço ou num cadastro em outro lugar. A maioria dos times que tira valor real e contínuo da RFM já resolveu esse problema de ingestão antes, trazendo dados de pedidos e clientes para um data warehouse de forma recorrente, não como algo que será montado manualmente. Voltamos a isso no final.

### O que você vai aprender aqui?

- O que é RFM e para que serve
- Como calcular cada uma das três métricas
- Como transformar essas métricas em um score RFM usando quartis
- Como segmentar clientes em classes nomeadas, com um exemplo completo do dado bruto até o segmento final

## O que é RFM e como funciona?

A análise RFM é um método que usa três métricas para classificar clientes por perfil de consumo, permitindo trabalhar cada cliente de forma diferente, campanhas de recuperação, promoções, cross-sell, conforme sua classe. Cada cliente recebe seu próprio "score" de RFM: avaliamos ele nas três métricas e atribuímos uma nota para cada uma, numa escala de 1 a 4.

Isso acontece em duas partes: primeiro levantamos o valor bruto de cada métrica para cada cliente (a recência, frequência e ticket médio reais). Depois, traduzimos esses valores brutos em um score de 1 a 4 comparando cada cliente com o restante da base. No final, trabalhamos tanto com o valor RFM quanto com o RFM Score, como nas tabelas abaixo.

**Valores brutos de RFM por cliente**

Cliente

R (dias desde a última compra)

F (dias entre pedidos)

M (ticket médio)

00001

549

40

R$ 275,00

00002

207

15

R$ 345,01

00003

6

2

R$ 229,21

...

...

...

...

**RFM pontuado e classe resultante**

Cliente

R score

F score

M score

RFM Score

Classe

00001

2

2

3

2-2-3

Ocasional hibernado

00002

3

3

3

3-3-3

Campeão potencial

00003

4

4

3

4-4-3

Campeão

...

...

...

...

...

...

Percebeu algo? Quanto menor o valor bruto de recência e frequência, _maior_ o score. Vamos explicar o porquê logo abaixo.

RFM é uma sigla para três termos, cada um representando uma das métricas que avaliamos:

**R - Recency (Recência)**: o quão recente o cliente fez a última compra.

**F - Frequency (Frequência)**: com que frequência esse cliente compra. É um cliente esporádico ou um cliente fiel?

**M - Monetary (Monetário)**: normalmente entendido como o gasto total do cliente, mas vamos usar o ticket médio no lugar. O motivo: imagine um cliente que fez 10 compras com ticket médio de R$ 1.000, totalizando R$ 10.000. Um segundo cliente fez 2 compras com ticket médio de R$ 5.000, totalizando os mesmos R$ 10.000. Se usássemos o gasto total, só a frequência diferenciaria esses dois clientes, perderíamos o fato de que um compra pouco em valores pequenos e o outro compra raramente em valores altos. O ticket médio mantém essa distinção visível.

Assim como na segmentação em si, não existe uma forma única e correta de escolher essas métricas. O que importa é avaliar se a métrica faz sentido para o seu negócio, e se ela pode distorcer resultados quando combinada com as outras.

## Calculando cada métrica

#### Recência

Duas entradas: a data atual e a data da última compra do cliente. A recência é simplesmente a data de hoje menos a data da última compra.

Cliente

Data da última compra

Data atual

R (recência, dias)

00001

01/09/2019

03/03/2021

549

00002

08/08/2020

03/03/2021

207

00003

25/02/2021

03/03/2021

6

#### Frequência

Frequência é o número de eventos (pedidos) ocorridos em um determinado intervalo de tempo. Invertemos o numerador e o denominador usuais para deixar o número mais intuitivo: é mais fácil interpretar "3,66 dias entre compras" do que "0,28 compras por dia".

Fórmula: **F = (d1 − d0) / P**

- **P** = quantidade de pedidos distintos realizados
- **d1** = data atual
- **d0** = data da primeira compra do cliente

O intervalo é o tempo em que o cliente de fato esteve ativo, da primeira compra até hoje, dividido pela quantidade de pedidos feitos nesse período.

#### Monetário (ticket médio)

O ticket médio já é uma métrica bem conhecida: o faturamento total daquele cliente dividido pela quantidade de pedidos.

## Temos os dados. E agora?

Só com os valores brutos de R, F e M, você já tem o suficiente para começar a explorar: plotar a quantidade de clientes por segmento, ou relacionar duas métricas entre si para entender como sua base realmente se comporta.

![chart\_customers\_by\_macro\_rfm\_pt](https://cms-media.erathos.com/chart_customers_by_macro_rfm-1.png)

_Quantidade de clientes por grupo macro RFM._

![chart\_ticket\_vs\_frequency\_regular\_pt](https://cms-media.erathos.com/chart_ticket_vs_frequency_regular-1.png)

_Ticket médio vs. frequência dentro dos subgrupos do macro grupo Regular. É exatamente esse tipo de visão que aponta onde um bolsão de clientes "hibernados" está se formando antes de churnar de vez._

Antes de transformar os valores brutos em score, ajuda entender a estatística por trás: quartis. Se você já domina o conceito, pule para a próxima seção.

### Uma revisão rápida sobre quartis

Quando uma amostra está ordenada de forma ascendente, é possível dividi-la em partes iguais, quantas você quiser. Para o RFM usamos **quartis**: quatro partes iguais.

O quartil é o valor de corte que marca onde um grupo de tamanho igual termina e o próximo começa, como a nota de corte em um processo seletivo. Vamos usar um grupo de 12 alunos e suas idades:

**Amostra (não ordenada)**

Aluno

Idade

Amanda

19

João

18

Pedro

20

Marcos

21

Mateus

20

José

24

Lúcia

27

Antônio

23

Maria

21

Lorranie

22

Ana Clara

23

Lucas

26

**Amostra ordenada de forma ascendente**

Aluno

Idade

João

18

Amanda

19

Mateus

20

Pedro

20

Maria

21

Marcos

21

Lorranie

22

Ana Clara

23

Antônio

23

José

24

Lucas

26

Lúcia

27

Os limites dos quartis são a média dos valores em cada lado do ponto de corte: **Q1 = 20**, **Q2 = 21,5**, **Q3 = 23,5**. Isso divide o grupo em quatro faixas:

Faixa

Alunos

Idades

Q1 (25% menores)

João, Amanda, Mateus, Pedro

18, 19, 20, 20

Q2 (25–50%)

Maria, Marcos

21, 21

Q3 (50–75%)

Lorranie, Ana Clara, Antônio

22, 23, 23

Q4 (25% maiores)

José, Lucas, Lúcia

24, 26, 27

Essa é toda a mecânica. Agora vamos aplicar isso a R, F e M.

## Pontuando R, F e M com quartis

Como um score RFM mais alto deve sempre significar um cliente _melhor_, recência e frequência precisam ser pontuadas de forma **inversa**. Um cliente que comprou há 2 dias é melhor que um que comprou há 500 dias, então o quartil mais baixo de recência (compras mais recentes) recebe o _maior_ score, 4. A mesma lógica vale para frequência: como estamos medindo dias entre pedidos, um número menor significa que o cliente compra mais vezes, então também é pontuado de forma inversa. O monetário é pontuado normalmente: quanto maior o ticket médio, maior o score.

Aqui está uma amostra de 12 clientes levada até o final, ordenada e pontuada para cada métrica:

**Recência (pontuação inversa: menor R → maior score)**

Cliente

R (bruto)

R score

0005

2

4

0001

10

4

0002

24

4

0012

104

3

0003

430

3

0011

432

3

0010

765

2

0008

987

2

0004

1235

2

0009

1432

1

0006

1953

1

0007

3008

1

**Frequência (pontuação inversa: menor F → maior score)**

Cliente

F (bruto)

F score

0001

4

4

0006

9

4

0005

34

4

0011

48

3

0012

64

3

0002

75

3

0004

76

2

0003

132

2

0008

255

2

0010

302

1

0007

432

1

0009

766

1

**Monetário (pontuação normal: maior M → maior score)**

Cliente

M (bruto)

M score

0005

34

1

0010

49

1

0006

52

1

0007

67

2

0004

86

2

0008

97

2

0012

113

3

0009

116

3

0011

175

3

0002

196

4

0003

211

4

0001

233

4

### Juntando tudo

Agora combinamos os três scores de cada cliente em um RFM Score único e mapeamos para um segmento nomeado (os segmentos são definidos na próxima seção):

Cliente

RFM Score

Segmento

0001

4-4-4

Campeão

0002

4-3-4

Campeão potencial

0003

3-2-4

Ocasional

0004

2-2-2

Regular hibernado

0005

4-4-1

Leal

0006

1-4-1

Leal perdido

0007

1-1-2

Regular perdido

0008

2-2-2

Regular hibernado

0009

1-1-3

Ocasional perdido

0010

2-1-1

_Não se encaixa na nossa taxonomia abaixo_

0011

3-3-3

Campeão potencial

0012

3-3-3

Campeão potencial

> **Um detalhe prático importante:** o cliente 0010 caiu em 2-1-1, uma combinação que não se encaixa perfeitamente em nenhum dos segmentos nomeados abaixo. Com 4 scores possíveis em 3 métricas, existem 64 combinações possíveis, e nenhuma taxonomia que já vimos nomeia as 64. Crie uma regra de fallback simples para essas sobras (por exemplo, usar o score de R isoladamente como critério padrão) para que nenhum cliente saia silenciosamente das suas campanhas.

## Nomeando os segmentos

Depois que cada cliente tem um score, você pode atribuir uma classe descritiva para facilitar a ação. Na Erathos, para atender aos requisitos de um cliente específico, criamos quatro grandes classes com subclasses dentro de cada uma. Você pode ajustar os limites e a nomenclatura para o seu próprio negócio, essa é a estrutura que sugerimos como ponto de partida.

### Campeão

**Campeão**: seus melhores clientes. Compram com frequência, são ativos e gastam bastante. `4-4-4` · `4-4-3` · `3-4-4`

**Campeão potencial**: no caminho para virar campeão, só ainda não atingiu o pico de frequência e recência. `4-3-4` · `4-3-3` · `3-4-3` · `3-3-4` · `3-3-3`

**Campeão hibernado**: perfil campeão que não compra há um tempo. `2-4-4` · `2-4-3` · `2-3-4` · `2-3-3`

**Campeão perdido**: perfil campeão que não compra há muitíssimo tempo, no último quartil de recência. `1-4-4` · `1-4-3` · `1-3-4` · `1-3-3`

### Leal

**Leal**: bons clientes, frequentes e ativos, só não gastam tanto quanto os campeões. `4-4-2` · `4-4-1` · `4-3-2` · `4-3-1` · `3-4-2` · `3-4-1`

**Leal potencial**: fica devendo em frequência ou recência comparado a um cliente leal (se as duas fossem altas ao mesmo tempo, já seria leal). `4-2-2` · `4-2-1` · `3-3-2` · `3-3-1` · `3-2-2` · `3-2-1`

**Leal hibernado**: perfil leal que não compra há um tempo. `2-4-2` · `2-4-1` · `2-3-2` · `2-3-1`

**Leal perdido**: perfil leal que não compra há muitíssimo tempo, último quartil de recência. `1-4-2` · `1-4-1` · `1-3-2` · `1-3-1`

### Ocasional

**Ocasional**: não compra com frequência, mas tem ticket médio alto. `4-2-4` · `4-2-3` · `3-2-4` · `3-2-3` · `3-1-4` · `3-1-3`

**Ocasional hibernado**: compradores ocasionais que não compram há um tempo. `2-2-4` · `2-2-3` · `2-1-4` · `2-1-3`

**Ocasional perdido**: ticket médio alto, mas não compra há muitíssimo tempo. `1-2-4` · `1-2-3` · `1-1-4` · `1-1-3`

### Regular

**Regular**: comprou recentemente (ativo), mas não compra com frequência nem gasta muito. `4-1-2` · `4-1-1` · `3-1-2` · `3-1-1`

**Regular hibernado**: scores baixos em geral; ficou inativo além de já ter frequência e ticket médio baixos. `2-2-2` · `2-2-1` · `1-2-2` · `1-2-1`

**Regular perdido**: os menores scores gerais, e o perfil menos ativo de todos. `1-1-2` · `1-1-1`

## Cheat sheet de segmentos

Segmento

Scores típicos

Ação sugerida

Campeão

4-4-4, 4-4-3, 3-4-4

Recompensar e reter: acesso antecipado, benefícios de fidelidade, pedir indicações

Campeão potencial

4-3-x, 3-4-3, 3-3-x

Empurrar para status campeão com ofertas baseadas em frequência

Campeão hibernado / perdido

2 ou 1 em R, F/M altos

Recuperação prioritária, contato pessoal, entender o que mudou

Leal

4-4-2, 4-4-1, 4-3-x, 3-4-x

Cross-sell e upsell, já estão engajados

Leal potencial

4-2-x, 3-3-x, 3-2-x

Campanhas para aumentar frequência (assinaturas, combos)

Leal hibernado / perdido

2 ou 1 em R, F médio

Sequência de e-mail de reengajamento antes de churnar de vez

Ocasional

4-2-4, 3-2-4, 3-1-4

Proteger a relação: clientes de alto valor e baixo contato

Ocasional hibernado / perdido

2 ou 1 em R, M alto

Recuperação de alto valor, vale contato direto dado o gasto

Regular

4-1-x, 3-1-x

Baixa prioridade para esforço manual, bom encaixe para automação sempre ligada

Regular hibernado / perdido

2-2-2, 1-2-x, 1-1-x

Apenas nutrição automatizada de baixo custo, ou excluir de campanhas pagas

Existem várias formas válidas de montar essa segmentação. Se esse modelo específico não for a melhor alternativa para os requisitos do seu negócio, ajuste os limites e os nomes das classes com seu time.

## Fechando o ciclo

Esperamos que isso tenha te ajudado a entender e executar uma análise RFM para sua própria base de clientes. A matemática em si é simples, quartis e uma conta básica, o trabalho de verdade está em fazer os dados de recência, frequência e ticket médio fluírem, limpos, de onde quer que estejam hoje (Shopify, um ERP, um CRM, um meio de pagamento) para um único lugar que você consiga consultar e atualizar de forma recorrente.

É essa camada que a Erathos resolve: ingerindo os dados de pedidos, clientes e faturamento das ferramentas que você já usa direto para o seu warehouse, para que a análise RFM (e tudo que vem depois dela) rode sobre dados atualizados, não sobre uma exportação pontual. [Comece um teste grátis](https://app.erathos.com/?utm_source=blog&utm_medium=content&utm_campaign=analise-rfm&utm_content=cta-final-pt) e tenha seu primeiro pipeline rodando hoje.