Scoring de clientes con RFM
y matriz de valor_

¿Estás segmentando tus campañas de marketing? ¿Tienes identificados los segmentos de clientes que más valor aportan a tu cartera? ¿Haces campañas específicas para captar nuevos clientes con características similares a los que más beneficio aportan a tu negocio?

En esta demo de Power BI descubrirás el potencial de disponer de un scoring de clientes dinámico y combinarlo con tu segmentación estratégica u obtenida a partir de Machine Learning.

Scoring de Clientes con RFM y matriz de valor

En esta demo de Power BI encontrarás:

  • El análisis de los segmentos obtenidos mediante el algoritmo de clustering de Power BI
  • El análisis de los segmentos obtenidos mediante un algoritmo de clustering con RStudio
  • Cálculo dinámico del scoring RFM (Recencia, Frecuencia y Valor Monetario), en el que podrás combinar diferentes pesos para cada adaptar el scoring a las características de tu negocio
  • La matriz de valor en la que se cruzan la variable de Clúster y los tramos de RFM, obteniendo como resultado la distribución del total de clientes según su valor RFM e identificando así los subsegmentos que aportan más valor.

En la parte superior derecha de las páginas del informe podrás seleccionar el tipo de clústering: Power BI o RStudio.

¿Por qué segmentar a tus clientes? ¿Por qué scoring con RFM?

Como vemos en la demo Segmentación con RFM y ABC de clientes, no todos los clientes son igual de relevantes y es conveniente analizarlos para poder tomar decisiones y adaptar nuestra estrategia. Existen varias formas para analizar cuantitativamente el valor que generan nuestros clientes.

En este caso, optamos por el análisis RFM ponderado basado en:

  • Recencia: total de días desde la última transacción, dentro del periodo de análisis.
  • Frecuencia: total de compras realizadas, dentro del periodo de análisis.
  • Valor monetario: acumulado del importe de ventas, dentro del periodo de análisis.

Gracias a la ponderación de estos valores R, F y M, conseguimos dotarlo de más versatilidad para que sea fácilmente adaptable a diferentes modelos de negocio y sectores. Por ejemplo, habrá sectores y casos de uso donde la frecuencia de compra pueda ser muy relevante (imaginemos un supermercado), otros donde quizá tenga menos interés (una joyería) o incluso en los que sea prácticamente irrelevante (un concesionario).

En este informe de Power BI conseguimos, con una sencilla ponderación, proporcionar un análisis que se adapta a los criterios de la empresa. La fórmula es la siguiente:

RFM Score

En la segunda página del informe podrás variar los pesos mediante los slicers que aparecen a la izquierda. Al modificar los pesos otorgados a las variables R, F y M, podrás comprobar cómo varía la distribución de clientes en la matriz de valor y se altera el orden en la tabla “Ordenación de clientes según RFM score”.

matriz de valor

¿Qué conseguimos con la Matriz de valor?

Ya tenemos un valor cuantitativo ponderado (y una ordenación) de clientes basada en cuánto me compra, con qué frecuencia y hace cuánto efectuó su última compra. Ahora bien, ¿nos hemos preguntado cómo son nuestros clientes? ¿qué hacemos con las variables cualitativas que nos dan más información sobre nuestra base instalada de clientes?

Si combinamos ambas, conseguiremos una matriz de valor que nos hará focalizar la atención en aquellos segmentos y subsegmentos más valiosos para definir acciones de marketing más personalizadas, priorizar determinados leads y optimizar tu agenda comercial, etc.

matriz scoring de clientes RFM

Por ejemplo, en la imagen observamos que gran parte de los clientes de todos los segmentos se centran en los tramos de 0 a 2.50 RFM Score. Sin embargo, si nos fijamos en aquellos que tienen un valor de RFM superior a 3.50 (los más valiosos), observamos como destacan respectivamente el Cluster 1 y el Cluster 3.

cluster scoring de clientes RFM

Como estrategia general, nos interesará movilizar nuestra base instalada de clientes para que aumenten su Score y en particular, a) dedicaremos nuestros esfuerzos de marketing para captar nuevos clientes parecidos al Cluster 1 (y Cluster 3 si el presupuesto lo permite), así como b) fidelizar a aquellos clientes que tienen un valor RFM más alto.

¿Por qué clústering con Machine Learning?

Para construir la matriz de valor necesitamos tener segmentados a nuestros clientes. Esta segmentación puede ser definida en base a criterios humanos, pero también podemos valernos de algoritmos de Machine Learning para conseguir segmentos y de esta forma:

Enriquecer y validar nuestra segmentación de negocio, definida por personas en base a su experiencia

– Conseguir otra segmentación con la que trabajar diferentes estrategias en paralelo

El clustering de clientes es un conjunto de técnicas descriptivas de Machine Learning que tiene por objetivo formar grupos a partir de un conjunto de elementos, los cuales tienen diferentes características o variables para permitir dicha agrupación.

Sobre la tecnología empleada

En esta demo desarrollada en Power BI partimos de datos de demo de un Marketplace de comercio electrónico y calculamos un scoring ponderado a partir de la definición de RFM propuesta. Para obtener la segmentación se desarrollan dos opciones de clustering, ambas con algoritmos de Machine Learning:

  • Clustering Power BI: Es el algoritmo predeterminado que ejecuta Power BI en base a tus datos. Esta segmentación está basada en el método k-means, el cual agrupa las observaciones encontrando los clusters cuya varianza interna (intra-cluster) sea lo más pequeña posible.
  • Clustering RStudio: El algoritmo desarrollado con R Studio es el denominado CLARA (Clustering Large Applications). Este método selecciona una muestra aleatoria inicial y le aplica el algoritmo de PAM (K-medoids) para encontrar los clusters óptimos acorde a esa muestra. Partiendo de los clusters iniciales, se agrupan las observaciones de todo el set de datos en base a las distancias entre cada observación y su correspondiente medoid (distancias intra-clusters).

Es posible realizar el scoring de clientes con la información transaccional recogida de un ERP, un CRM o una plataforma de comercio electrónico y conseguir la matriz de valor a partir de tus segmentos o desarrollar un modelo específico de clústering para tu negocio. Disponemos de plantillas que pueden ayudarte a agilizar el desarrollo de tu proyecto de analítica de clientes. ¡Consúltanos!

¿Qué más?

Consulta otras demos sobre analítica de clientes o solicita una demo personalizada.
Cuéntanos tu caso para que podamos ayudarte a empezar tu Data Strategy.