Mejora tu ecommerce con análisis RFM basado en percentiles
Antes de indagar en cómo puedes perfeccionar tu estrategia de marketing con análisis RFM para ver como se incrementan tus ventas, vamos a explicar una cosa.
¿Qué es el análisis RFM basado en percentiles?
Tal como en una ecuación matemática, segmentar a tus clientes en percentiles, puede ayudarte a entender cómo cada grupo o segmento de clientes se comporta en comparación con otro.
Pero ¿qué es un percentil? El percentil es una medida estadística que divide una serie de datos ordenados de menor a mayor, en cien partes iguales. Los percentiles son indicadores que muestran la proporción de la serie de datos que queda por debajo de su valor. Por ejemplo, una persona con un IQ de 120 está en un percentil de 91, lo cual indica que su IQ es mayor al 91% a otras puntuaciones.
Al medir el comportamiento de tus clientes en términos de recencia, frecuencia y valor monetario de acuerdo a las compras que han realizado en tu tienda, puedes mejorar tu targeting. Esto es posible ya que este análisis te permite agrupar clientes para focalizar tus estrategias de marketing en vez de personalizarlas para cada uno de ellos.
Importancia del análisis RFM basado en percentiles para mejorar tu ecommerce
Si tienes un negocio pequeño que crece rápidamente, es posible que no tengas tiempo de enviar un email de agradecimiento a cada uno de tus clientes después de cada compra, puede que tampoco tienes tiempo de hacer un seguimiento personalizado cada cierto tiempo para ofrecer un incentivo para que compren de nuevo o para lograr que se suscriba a tu newsletter. Es imposible sacar tiempo para dedicarlo a cada uno de tus clientes.
Con el análisis RFM basado en percentiles, puedes reducir la cantidad de tiempo que requiere planear y optimizar tus campañas para llegar a más clientes de forma más simple.
Cabe destacar que segmentar a tus clientes en grupos funciona mejor cuando puedes automatizar tus campañas para lanzarlas en los momentos más óptimos.
Métodos de análisis RFM con percentiles
Método 1: Análisis con cuartiles o quintiles
Existen tres variables con los cuales un analista puede clasificar clientes para una estrategia de segmentación RFM. La recencia de su última compra, la frecuencia de compra y el valor monetario. Cada variable se divide en 5 grupos de clientes que equivalen al 20%. A cada grupo se le da una puntuación del 1 al 5 dependiendo de sus características.
Al percentil más alto se le asigna el número 5, que son los clientes con el mayor grado de una variable, por ejemplo de frecuencia de compra. Al siguiente percentil se le asigna el 4 y así sucesivamente hasta que cada segmento tiene un número de tres digitos, por ejemplo 523. A cada cliente se le asigna un valor, y usando un sistema de puntuación de quintiles, se llega a tener un total de 125 segmentos de clientes (5 x 5 x 5).
El método de percentiles:
- Requiere menos recursos para su análisis
- Es el más fácil de interpretar
- No es el más óptimo si los segmentos son muy diversos
- Únicamente considera tres variables y omite factores externos
Método 2: Agrupación (clustering) con k-means
Si no te entusiasman los cuartiles o quintiles, un analista puede agrupar las puntuaciones RFM para crear una cohesión estadística. Eso significa que hay más similitudes en cada grupo y menos similitudes entre grupos diferentes.
Cada segmento debe calcularse usando una media o promedio de todos los clientes del público de ecommerce. Utilizar un cálculo K+means ayuda a seleccionar la recencia, frecuencia y valor monetario óptimos.
El método clustering (agrupación):
- Requiere más tiempo y recursos
- Puede incluir más variantes que las RFM
- Facilita enfocarse en audiencias más pequeñas
- No considera variables externas
Método 3: Cálculo LRMF de agrupación (clustering) con k-means
Este método requiere más estudio ya que incluye una variable importante: el tiempo que ha durado la relación del cliente con el negocio. Se le antepone una L (lenght) a RFM por el «periodo de tiempo» al medir el tiempo que transcurrió entre la primera y última compra. Esta variable asegura una mayor precisión a la hora de segmentar.
El método LRMF de agrupación:
- Requiere de muchos recursos para su cálculo y análisis
- Agrupa clientes que tienen diferencias claras entre segmentos
- Puede extraer comportamientos individuales mediante la comparación de los valores de las variables LRFM dentro de cada segmento y entre cada uno de ellos.
- Facilita la personalización
Aument utiliza el método LRMF. Un ejemplo de ello es el aplicado con Gogo online store, en donde calculamos la distribución de las variables LRFM en los segmentos. Gogo store es una tienda especializada y su equipo apostó por probar algo inovador. La tienda quedó muy contenta con los resultados:
“Aument va a marcar un antes y un después en los negocios de ecommerce. Hay que estar pendientes de todo lo que hacen». Diego Arévalo, Co-fundador de Gogo store.
Adoptar uno de estos métodos puede sonar complicado pero es esencial para mejorar tu ecommerce. Si no tienes tiempo de aplicar alguno de estos métodos, nosotros de lo ponemos fácil con nuestras automatizaciones. Activa Aument en Shopify.
