Segmentación de clientes: RFM vs Cluster Analysis

En un contexto en el que la Data es uno de los activos más valiosos de las empresas, comprender cómo sacarle el máximo partido a nivel de negocio es clave en los beneficios para las marcas. Gran parte de las veces, análisis y segmentaciones tan básicas como un clustering adecuado o una segmentación eficiente se pasan por alto, y no se le dedican los medios y el desarrollo de procesos necesario para poder llegar a convertirlo en ese activo de tanto valor. Hoy en el blog hablamos sobre dos técnicas básicas, pero muy diferentes, con las que trabajar nuestras BBDD para que entiendas cuál de las dos puede generar el máximo retorno posible para tu compañía.

Como decíamos, todas las empresas necesitan entender la composición de su BBDD de clientes, para sobre todo:

• Identificar a los clientes más valiosos.
• Incrementar las ventas con clientes actuales.

Una correcta explotación comercial de una BBDD de clientes es aquella que:

• Envía mensajes que son relevantes para el cliente, con respecto a contenidos.
• Envía un volumen de mensajes adecuado, ni demasiado pocos (se perderían oportunidad de ventas) ni excesiva cantidad (genera “desenganche” del cliente).

Por lo tanto, un correcto análisis de la BBDD es el primer paso para una ejecución de acciones de comunicación adecuadas para una activación comercial exitosa.

Existen múltiples técnicas para analizar una BBDD de clientes y, en este post, explicaremos las 2 más frecuentes con sus particulares ventajas e inconvenientes. ¡Sigue leyendo!

RFM

La segmentación RFM es una técnica de segmentación de clientes que se basa en tres criterios: Recencia (R), Frecuencia (F), y Valor Monetario (M).

Recencia (R) se refiere al tiempo transcurrido desde la última compra o interacción de un cliente con una empresa. Los clientes más recientes suelen ser más valiosos para una empresa porque es más probable que realicen compras adicionales en un futuro cercano. En general, un cliente que compró en el último mes es potencialmente más interesante que un cliente que compró por última vez hace 5 años.

Frecuencia (F) se refiere a la cantidad de compras o interacciones que un cliente ha realizado con una empresa en un período de tiempo determinado. Los clientes más frecuentes son importantes para una empresa porque tienen un alto nivel de compromiso y lealtad. Una mayor frecuencia implica un mayor valor al cliente, medido en valor total de vida (Lifetime Value – LTV)

Valor (M) se refiere al valor monetario de las compras realizadas por un cliente en un período de tiempo determinado. Los clientes de alto valor son importantes para una empresa porque representan una mayor fuente de ingresos.

Ejecución de segmentación RFM

La ejecución de una segmentación RFM es muy simple: a cada cliente se le asigna un valor de 1 a 5 en cada una de las 3 variables R, F, M. Este valor de 1 a 5 se asigna por quintiles (dividiendo el 100% de clientes en 5 grupos de igual tamaño agrupados por valores de la variable)

Así, por ejemplo, un cliente tendrá R=1 si es de los que más recientemente ha comprado, F=5 si tiene una frecuencia de compra relativamente muy baja (bottom 20% de clientes) y M=3 si el valor de sus compras es cercano al promedio general de la BBDD de clientes.

Cada cliente tendrá una composición de RFM que será desde 111 a 555. Como esta combinatoria genera 125 grupos distintos -demasiados para manejar a la práctica- existe una clasificación de segmentos bastante aceptada que agrupa algunas de estas 125 combinaciones de RFM en 11 grupos:

• Champions: 555, 554, 544, 545, 454, 455, 445.
• Loyal customer: 543, 444, 435, 355, 354, 345, 344, 335.
• Potential Loyalist: 553, 551, 552, 541, 542, 533, 532, 531, 452, 451, 442, 441, 431, 453, 433, 432, 423, 353, 352, 351, 342, 341, 333, 323.
• New Customers: 512, 511, 422, 421 412, 411, 311.
• Promising: 525, 524, 523, 522, 521, 515, 514, 513, 425,424, 413,414,415, 315, 314, 313.
• Need Attention: 535, 534, 443, 434, 343, 334, 325, 324.
• Cannot Lose Them: 155, 154, 144, 214,215,115, 114, 113 .
• About to sleep: 331, 321, 312, 221, 213.
• At risk: 255, 254, 245, 244, 253, 252, 243, 242, 235, 234, 225, 224, 153, 152, 145, 143, 142, 135, 134, 133, 125, 124.
• Hibernating: 332, 322, 231, 241, 251, 233, 232, 223, 222, 132, 123, 122, 212, 211.
• Lost: 111, 112, 121, 131, 141, 151.

Cada grupo tiene su definición y objetivos de contacto. Por ejemplo, con los Champions se pueden desarrollar canales de comunicación especiales (atención más personalizada, canales de contacto más caros) o programas de alto valor (participación en eventos exclusivos) que pueden tener sentido para este grupo exclusivo, pero no para toda la BBDD de clientes.

Ventajas de una segmentación RFM

1. La principal ventaja de este tipo de segmentación es, sin duda, su simplicidad.
2. La segmentación RFM es un proceso de muy sencilla definición y ejecución desde un punto de vista técnico. 
3. Es un proceso de muy fácil comprensión por parte del equipo directivo. 
4. Y finalmente, es un proceso con mucha lógica de negocio (gastar más recursos en aquellos clientes más importantes, y menos en aquellos clientes menos importantes).

Desventajas de una segmentación RFM

En contra de esta simplicidad, la segmentación RFM tiene carencias relevantes para los equipos de marketing. Mostramos aquí las 2 carencias más importantes:

1. Simplificación

La segmentación RFM se basa solamente en criterios de compra, pero no tiene en cuenta factores importantes como por ejemplo:

• Composición de la cesta de productos: categorías de producto específicas compradas.
• Características sociodemográficas del comprador (sexo, edad, zona geográfica, número de hijos, etc)
• Comportamiento de compras (uso habitual de descuentos, compra en periodos de campañas, etc)

Los clientes en el mismo grupo de segmentación RFM pueden tener necesidades y preferencias diferentes que no se tendrán en cuenta en la segmentación RFM.

2. Carencia de elementos de activación

La otra carencia importante es la falta de elementos concretos de activación. 

Ejemplo: OK, tenemos un grupo identificado de New Customers (512, 511, 422, 421 412, 411, 311) que han comprado recientemente, pero aún no tienen una recurrencia demostrada. ¿Cómo podemos lograr esta recurrencia?

¿Sabemos qué elementos clave distinguen a estos usuarios? ¿Cuáles son sus principales palancas motivadoras de compra? ¿Son usuarios a los que les mueven los descuentos y promociones de forma especial? ¿Son usuarios principalmente de alguna categoría concreta de productos? 

Encontrar estas palancas motivadoras de compra en cada caso es fundamental. Imaginémonos poder tener segmentaciones basadas en criterios muy accionables, como por ejemplo identificar segmentos “compactos” de tipologías como las siguientes:

• Segmento 1: compradores principalmente de la categoría x
• Segmento 2: compradores principalmente de la categoría y
• Segmento 3: compradores principalmente de la categoría z
• Segmento 4: compradores con alta sensibilidad a descuentos
• Segmento 5: compradores muy sensibles a temporada/eventos (black friday, día de la madre)
• Segmento 6: compradores de productos de alto valor unitario
• Segmento 7: compradores que interactúan frecuentemente con nuestra app mobile
• … etc

Es mucho mejor poder contactar al grupo de usuarios del segmento 1 que sabemos que tiene preferencia por la categoría x con ofertas principalmente de x… mientras que al segmento 4 se les contacta con una serie de productos en oferta y al segmento 7 se les lanza un mensaje.

Esta carencia que tiene el RFM respecto la falta de elementos de activación es la que la metodología Cluster puede solucionar de forma muy efectiva.

Cluster

El análisis de clusters permite identificar grupos de clientes con características y comportamientos similares en variables que pueden ser altamente accionables.

En el blog de Kraz hemos hablado en artículos anteriores sobre las ventajas y aplicaciones de la metodología Cluster aplicada a la Segmentación de clientes: 

• Qué es y que aplicaciones tiene la segmentación cluster.
• Cuáles son los beneficios de la segmentación por clusters para tu empresa.

La principal ventaja del uso de la metodología cluster es que la agrupación de clientes se basa en una agrupación natural, no condicionada (“no supervisada”, en lenguaje técnico de ciencia de datos). Es decir, no se da ninguna pauta de agrupación, sino que el algoritmo ofrece un resultado de agrupación que agrupa segmentos internamente consistentes (individuos similares) y segmentos lo más distintos entre sí.

Si las variables de agrupación incluyen todas aquellas que permitirán un enganche accionable (tipos de productos comprados, sensibilidad a descuentos y promociones, periodos de compra, canales de compra, canales de comunicación, etc), la metodología cluster generará segmentos cuya accionabilidad tendrá notables consecuencias a nivel de negocio.

Profundiza en tu BBDD de la mano de Kraz

Desde Kraz, como agencia especializada en data solutions, hemos realizado múltiples proyectos de segmentación a partir de la metodología Cluster cuyos impactos han sido muy relevantes en los resultados de nuestros clientes. 

Por eso, si tú también piensas que podemos ayudarte a conocer un poco más sobre tu BBDD y segmentarla correctamente para poder tomar decisiones que afecten positivamente a tu negocio, no lo dudes y contacta con nosotros. ¡Estaremos encantados de ayudarte!