RFM para segmentação de clientes

Utilizando os dados para melhorar suas campanhas de marketing.

Entender o seu cliente é extremamente importante!!

Olá, pessoal! Nesta semana trarei um pouco do meu aprendizado sobre como a análise/ciência de dados pode apoiar o marketing na segmentação da base de clientes para o disparo de campanhas mais personalizadas.

Neste processo, me deparei com um método que achei muito interessante, chamado RFM (Recency, Frequency and Monetary Value). Mas, afinal de contas, o que isto quer dizer e como podemos levar isto a uma segmentação de clientes.

Bom, em linhas gerais, esta técnica divide a sua base de clientes de forma que você tenha as seguintes informações para cada cliente:

• Quantos dias se passaram da última compra deste cliente dentro do período observado, ou seja, se estou olhando o ano de 2019 e a compra do cliente foi no dia 25 de dezembro, passaram-se 6 dias da última compra;
• Quantas vezes o cliente comprou neste período;
• Qual o volume de gastos deste cliente entre estas datas;

Com esta nova estrutura em mãos, algumas análises podem ser feitas para criar as segmentações destes clientes. Para ilustrar, trago abaixo como podemos fazer para encontrar estes valores de R, F e M e realizar uma segmentação básica.

O Dataset

Utilizarei o dataset Brazilian Ecommerce (https://www.kaggle.com/olistbr/brazilian-ecommerce) presente no Kaggle. Nele temos as informações que precisamos: produtos, clientes e valor gasto. Para não deixar muito longo, omitirei o processamento dos dados, que podem ser acompanhados completamente AQUI.

Criando o novo dataset com Recency, Frequency e MonetaryValue

Em nosso dataset tratado, utilizaremos as colunas:

• Order_id: identificador único de uma venda;
• Customer_id: identificador único do cliente;
• Payment_value: valor da compra;
• Order_delivered_carrier_date: data de entrega na transportadora;

Com estes dados, utilizamos o código abaixo para gerar as informações para cada cliente.

Abaixo uma amostra deste dataset.

Fig. 01 — Exemplo do dataset RFM

Legal, temos o nosso RFM, e agora?

Existem diversas abordagens para criar grupos a partir destes dados e vou listá-las abaixo:

• Divisão por quartis: um método comumente aplicado é dividir R, F e M em quartis e criar uma pontuação para cada um, por exemplo: para R, quanto menor o valor melhor (cliente comprando recentemente) desta forma para o primeiro quartil temos a nota 4, segundo quartil nota 3, terceiro nota 2 e último nota 1. Para F e M, quanto maior o quartil melhor, desta forma o primeiro quartil é nota 1, segundo nota 2 e assim por diante. Feita esta divisão, soma-se as notas e faz-se uma divisão deste score baseado em um limiar. Acima de 9 um cliente muito bom, etc.
• Dividindo o R em faixas e obtendo a média dos scores de F e M: este método está muito bem abordado AQUI, por isto não entrarei em detalhes.
• Aplicação de um algoritmo de clusterização para divisão dos grupos de clientes: neste método pode-se aplicar um algoritmo como o KMeans por exemplo e trabalhar com as segmentações criadas pelo método.

Para este exemplo, utilizarei o método com o KMeans para ilustrar o funcionamento.

Agora vamos analisar cada variável isoladamente agrupadas pelos clusters gerados.

Recency

Para a recência, observamos que os clientes do cluster 2 apresentam uma mediana maior, sendo o cluster 0 a menor, bem como uma distribuição mais concentrada.

Fig. 02 — Análise da recência conforme os clusters

Frequency

Na frequência, temos que o cluster 3 traz o grupo de clientes com maior frequência de compra, sendo que os demais trazem comportamentos semelhantes.

Fig. 03 — Frequência de compras entre os clusters

Monetary Value

Por último, em valor monetário, o grupo 1 apresenta os clientes com maior valor gasto.

Fig. 04 — Valor monetário entre os clusters

Observando as médias entre os clusters:

Fig. 05 — Médias dos clusters

O grupo 0 traz clientes que, em média, compraram em um menor espaço de tempo, porém não compram frequentemente e apresentam um valor total médio gasto menor.

O grupo 1 é composto por clientes que gastam mais, porém com menor frequência.

O grupo 2 é feito de clientes que compraram a um tempo maior em média, gastam com pouca frequência e também gastam pouco.

Por último, o grupo três é de clientes que gastaram a um pouco mais de tempo, compram com maior frequência porém com valor médio de gasto não tão alto.

Em termos de marketing, o grupo 3 talvez possa ser um grande candidato a receber ações com descontos e promoções e o grupo 2 possa ser alvo de uma ação para reativação de clientes que não gastam a muito tempo.

Concluindo, o RFM é um método relativamente simples e que pode trazer informações muito legais de sua base de clientes e guiar de maneira mais objetiva suas ações de marketing.

Como é um modelo que atua sobre o histórico de compra, ele apresenta falhas para entender o comportamento de clientes muito novos de sua base, como também não permite uma análise do que motiva o mesmo a fazer uma compra.

Referência:

• https://medium.com/maxmilhas-tech/o-que-%C3%A9-rfm-e-como-aplic%C3%A1-lo-ao-seu-time-de-customer-service-b9c35817ed01
• https://www.putler.com/rfm-analysis/
• https://algorithmicweb.files.wordpress.com/2018/07/algorithmic-marketing-ai-for-marketing-operations-r1-7g.pdf
• https://www.kaggle.com/jnikhilsai/rfm-clustering-of-customers-using-k-means
• https://www.sciencedirect.com/science/article/pii/S1319157819309802

É muito importante ter sua opinião sobre este artigo, deixe seu feedback AQUI.

Um abraço e até a próxima.