A análise RFM é um método de marketing que é usado para avaliar estatisticamente e classificar os consumidores com base na recência, frequência e quantidade monetária de suas transações recentes, a fim de encontrar os melhores clientes e realizar campanhas de marketing focadas. Para oferecer uma análise objetiva, o sistema atribui classificações numéricas a cada cliente com base nessas variáveis. O estudo da RFM baseia-se no clichê de marketing de que “80% do seu negócio é originário de 20% de seus consumidores”.
A análise RFM atribui uma pontuação a cada cliente com base nos seguintes critérios:
- Recência. Quantos anos o consumidor fez uma compra recentemente? Os clientes que acabaram de concluir uma compra lembrarão do produto e estão mais inclinados a comprá-lo ou usá-lo novamente. As empresas frequentemente usam dias para avaliar a recência. No entanto, dependendo do produto, ele pode ser medido em anos, semanas ou até mesmo horas.
- Frequência. Com que frequência esse consumidor faz uma compra dentro de um determinado período de tempo? Os clientes que já compraram anteriormente estão mais inclinados a fazê-lo novamente. Além disso, os consumidores iniciantes podem ser alvos ideais para publicidade de acompanhamento, a fim de transformá-los em clientes repetidos.
- Monetário. Quanto dinheiro o consumidor gastou em um período específico de tempo? Clientes que gastam muito dinheiro são mais propensos a gastar mais dinheiro no futuro e ter um alto valor para uma empresa.
Como funciona a análise RFM?
A análise RFM atribui uma pontuação a cada uma das três principais variáveis. Na maioria dos casos, é atribuído um escore de 1 a 5, sendo 5 o maior. No entanto, diferentes implementações do sistema de análise RFM podem utilizar valores ou dimensionamentos um pouco diferentes.
Uma célula RFM é uma coleção de três valores para cada cliente. Em uma abordagem básica, as empresas mediam esses valores e classificam os consumidores de mais valiosos para menos valiosos para descobrir os clientes mais valiosos. Em vez de apenas a média dos três números, algumas empresas os consideram de forma diferente.
Por exemplo, uma loja de carros pode entender que é improvável que o cliente médio compre inúmeros automóveis novos em alguns anos. Um cliente que compra vários automóveis seguidos, conhecido como cliente de alta frequência, deve ser muito procurado. Como resultado, a concessionária pode decidir ponderar a importância da pontuação de frequência em conformidade.
A análise de RFM também é útil para empresas que não vendem diretamente aos clientes. Organizações sem fins lucrativos e instituições de caridade podem utilizar pesquisas de RFM para descobrir os melhores contribuintes, por exemplo, porque ex-doadores são mais propensos a contribuir novamente no futuro.
Finalmente, as empresas que não dependem de pagamentos diretos ao consumidor podem incluir uma variedade de critérios em suas análises. Por exemplo, sites e aplicativos que valorizam o leitor, quantidade de visualizações ou interação podem fazer um estudo de RFE (recência, frequência, engajamento) em vez de uma análise RFM convencional usando as mesmas técnicas que esta última.
Segmentação de clientes na análise de RFM
A análise RFM é uma forte técnica de marketing que auxilia os profissionais de marketing a aproveitar ao máximo seus gastos com publicidade.
Em vez de apenas identificar os principais consumidores com base em um valor médio global de RFM, as empresas podem utilizar a pesquisa RFM para descobrir clusters de clientes com valores comparáveis. Esse método, conhecido como segmentação de clientes, é usado para criar campanhas de marketing direto focadas personalizadas para determinadas categorias de clientes. Ele ajuda as empresas a utilizar o e-mail ou o marketing de e-mail direto para enviar mensagens para um grande grupo de certos tipos de consumidores que são mais propensos a responder.
Aqui estão alguns exemplos de tipos de clientes:
- Engajados. Os clientes com os valores mais altos (5,5,5) nos três critérios devem ser direcionados com promoções especiais para mantê-los engajados.
- Novos clientes. Clientes com baixa frequência e alta recência (5,1,X) são novos clientes. Um acompanhamento bem direcionado pode transformá-los em consumidores repetidos.
- Clientes que caducaram. Clientes com baixa recência, mas alto valor (1,X,5) foram anteriormente valorizados, mas posteriormente deixaram de ser assim. Eles podem ser reativados por uma mensagem direcionada.
Como realizar a análise de RFM
O software de CRM pode incluir análise de RFM, e existem vários programas adicionais disponíveis que podem pegar dados de CRM e analisar automaticamente as variáveis RFM, bem como dar gráficos e sugestões.
No entanto, começar com a análise RFM pode ser tão simples quanto utilizar uma planilha do Excel. As organizações podem, por exemplo, extrair o histórico de compras de um cliente de um banco de dados de CRM ou inserir diretamente o histórico de compras na planilha como dados brutos. Eles, então, peneirariam cada um dos critérios de análise da RFM e dariam uma pontuação relativa a cada valor que fosse dimensionado corretamente para sua empresa.
Por exemplo, uma loja de sapatos pode dar aos clientes que gastam R$0-R$5 a nota 1, R$10-R$20 a nota 3, e mais de R$ 100 a nota 5, mas uma concessionária de veículos pode dar aos clientes que gastam menos de R$ 5.000 a nota 1 e mais de R$ 100.000 a nota 5. Essas pontuações podem ser posteriormente usadas pelas empresas para calcular as médias gerais dos clientes e agrupamentos de segmentação de clientes.
A análise RFM tem limitações.
A modelagem RFM pode dar informações úteis sobre os clientes. No entanto, não leva em consideração inúmeros outros aspectos do cliente.
O marketing direcionado também pode incluir elementos como o tipo de bens comprados ou respostas de campanha ao consumidor. A demografia dos clientes, como idade, sexo e etnia, também não é considerada na análise de RFM.
Além disso, a RFM examina apenas os dados anteriores dos clientes e pode não antecipar o comportamento futuro do consumidor. Técnicas preditivas, ao contrário da análise RFM, podem ser capazes de prever o comportamento futuro do consumidor.
