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
• … e uma surpresa no final!

Pra quê serve? Como funciona?

Como citado acima, 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:

Não se preocupe se você não entendeu os valores da tabela de exemplo, vamos destrinchar como deve ser feito para levantar cada métrica e por fim pontuação, mas já posso soltar uma dica: percebeu alguma relação entre os valores inputados na primeira tabela e o score da segunda tabela?

Tá, 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.

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.
• Exemplo prático:

• 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.

• Exemplo prático:

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.

Ao final desse artigo disponibilizaremos uma ferramenta para que você trabalhe com sua própria base de dados!

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:

Agora devemos ordenar a amostra em ordem crescente:

Com a amostra ordenada e dividida em quatro partes, devemos definir os limites dos quartis. Para isso vamos tirar a média dos valores limites.

Após termos em mãos os valores limites para cada quartil, vamos separar novamente para finalmente definir a amostra dentro dos quartis.

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.

• Frequência (F): ordene a amostra e atribua os scores de forma inversa, assim como a recência.

• 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.

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.

Vamos aplicar a descrição que criamos aos nossos clientes fictícios:

O esforço da análise RFM foi necessário para saber com mais confiança qual tipo de ação deve ser tomada para cada perfil de cliente. Sem essa análise metódica podem ocorrer enganos e tomadas de decisões não tão eficientes. Como vimos acima, dois clientes que gastaram R$ 10.000,00 não necessariamente têm o mesmo perfil e hábito de compra, portanto não devem ser tratados da mesma forma.

Agora, como prometido lá no início, vamos te presentear com uma análise prática e rápida pra você mesmo testar com sua base de clientes! Desenvolvemos um código em Python para que essa classificação seja automatizada, bastando inserir a fonte de dados. Acesse o link abaixo, siga as instruções e tenha sua primeira análise RFM feita com carinho pela Erathos!

 Para acessar a ferramenta que desenvolvemos, entre nesse link e siga as instruções: rfm.labs.erathos.com

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!

Você pode nos encontrar através do LinkedIn, nosso site ou Instagram.

Nos siga e fique por dentro das novidades do mundo data-driven!

Muito obrigado e até a próxima!

By Luca Piermartiri & Mateus Luzzi

By Erathos (LinkedIn)