Objetivo
Mediante este artículo os explicamos como generar una modelo de fidelización de clientes mediante Power BI. Aplicándolo a una hipotética tienda online, el resultado final será un informe que agrupará los clientes por su valor de fidelización, recomendando acciones de mejora para cada segmento. Puedes descargar los ficheros al final del artículo.
1.- Introducción
Ganarse la confianza de un nuevo cliente es muy costoso. Para empezar, hay que encontrarlos, construir el mensaje adecuado e identificar la forma de hacerlo llegar. Y si eso no fuera difícil per se, después hay que esperar la oportunidad de que nuestro producto/servicio y el momento del cliente hagan ‘match’. Captar es caro y todo un reto.
Por el contrario, para aquellos clientes que ya se han relacionado con nosotros, el camino, es algo más fácil puesto que nuestro interlocutor está identificado y ha generado experiencia. Un plan de fidelización nos permitirá obtener mejores resultados y desde el punto de vista de rentabilidad será más gratificante.
En este artículo, os proponemos crear un modelo de datos que nos proporcione a diario y de forma automatizada una segmentación de nuestros clientes y una pauta de acción. Así, el resultado de dicha segmentación nos orientará respecto al plan de acción más adecuado para cada segmento.
El ejercicio lo realizaremos con Power BI que además de facilitarnos el cálculo de indicadores y la visualización de los datos, nos permitirá mantener los datos actualizados y compartir el informe, involucrando a toda la organización en el proceso de fidelización.
Los datos utilizados para el desarrollo de este informe han sido extraídos de kaggle, uno de los paraísos para los amantes de los datos y la analítica avanzada.
2.- Segmentar.
Segmentar significa clasificar a nuestros clientes en grupos de características similares (variables de segmentación). Ello nos permite establecer estrategias de fidelización diferenciadas para cada grupo. Los grupos deberían ser razonablemente grandes y homogéneos como para rentabilizar las acciones que realicemos sobre ellos.
Las variables de segmentación deben elegirse según sean nuestras necesidades y objetivos. Así podemos segmentar atendiendo a criterios geográficos, demográficos, psicográficos, según el comportamiento del cliente como consumidor, etc. Por tanto, segmentar requiere identificar aquellas variables de segmentación (provincia, ciudad, edad, capacidad adquisitiva, sexo, intereses, recurrencia de compra, gasto medio, etc.) que encajan mejor con los objetivos que perseguimos.
Puesto que en este artículo estamos desarrollando un modelo de fidelización de clientes para una hipotética compañía de consumo, una de las técnicas más utilizadas de segmentación es la segmentación RFM, que es la que implementaremos aquí.
2.1.- Segmentación RFM
Dentro de la categoría de segmentación por comportamiento del consumidor, la segmentación RFM utiliza las variables expresadas en su término anglosajón: “Recency”, “Frequency” y “Monetary”, para clasificar a los clientes.
- Recency (R): Para una fecha dada, días transcurridos desde la última acción de compra más reciente de un cliente.
- Frequency (F): Número de compras realizadas hasta una fecha dada.
- Monetary (M): Gasto realizado por un cliente hasta una fecha dada.
Estas variables valoran la fidelidad de un cliente asociándola a su frecuencia de visita a la tienda (tanto para un negocio online como para una tienda física), al volumen de compra que genera y el tiempo que hace que no nos visita. El siguiente ejemplo le pone números. Suponiendo que estamos midiendo R, F y M el día 6, obtendremos los siguientes resultados en la siguiente tabla de ventas:
Cliente | Dia1 | Dia2 | Dia3 | Dia4 | Dia5 | R | F | M |
Juan | 30 € | 5 € | 3 | 2 | 35 | |||
Valeria | 20 € | 4 | 1 | 20 | ||||
Dolores | 1 € | 1 € | 1 € | 1 € | 1 | 4 | 4 | |
Alberto | 50 € | 5 | 1 | 50 |
Parece claro que Alberto es un cliente que visita poco la tienda y que lo hizo hace mucho tiempo, sin embargo, su compra fue de valor elevado. Podría deberse a que realizó una compra por impulso, se benefició de una oferta puntual o se marchó descontento después de la primera compra. Los motivos individuales de su perfil de compra los desconocemos, pero si consideramos todos los clientes de nuestra tienda que tienen su mismo patrón, los identificamos y los agrupamos, podremos establecer estrategias de marketing más orientadas, o cuanto menos podremos avanzar un eslabón más en el conocimiento de los hábitos de dicho grupo.
Dolores, sin embargo, presenta un comportamiento de compra diferente. Nos visita de forma frecuente, pero su gasto es bajo. Quizá para su grupo de clientes sea interesante crear promociones 2x1, o desarrollar una tarjeta de puntos que incentiven su gasto.
2.2.- Extracción y manipulación de datos y cálculo de métricas
Ahora que ya conocemos los principios de la segmentación RFM, basta obtener los datos de nuestros clientes que nos permitirán calcular las variables de segmentación (clientes, gasto y fechas de compra). El proceso de cálculo como hemos visto es bastante simple. Sin embargo, a menudo lo difícil es “bajarse” la información de nuestro sistema de facturación, de nuestra tienda on-line o de nuestro CRM, procesarla y combinarla para generar las tablas de interés.
Muchas veces este trabajo se realiza con hojas de cálculo de forma manual. Como en general el área a quien más le interesa este análisis y quien lo puede accionar suele estar más ocupada en generar ventas que en manipular datos, esta tarea de segmentación pasa a segundo plano o se realiza solo cuando hay que planificar el año.
Sin embargo, todo ha cambiado con las soluciones analíticas modernas. Por ejemplo, utilizando la capacidad de Power BI de conectarse a diferentes orígenes de datos y de manipularlos, la realización de nuestro modelo de fidelización de clientes es relativamente fácil y, sobre todo, es una tarea que queda automatizada. La gerencia conocerá diariamente a que grupo pertenece cada cliente y el área de marketing y ventas podrá dedicarse a lanzar acciones de fidelización, olvidándose del tratamiento de datos.
Con finalidad comunicativa, en el ejemplo que os presentamos, los datos provienen de una hoja de cálculo. Pero si queréis profundizar en la capacidad de Power BI de conectarse a diferentes orígenes de datos podéis analizar esta tabla de Microsoft.
Una vez disponemos de los datos necesarios cargados en Power BI, hemos añadido una tabla de calendario y generado el modelo de datos, que os mostramos en esta imagen:

A partir del modelo de datos, hemos generado medidas para calcular los valores de R, F y M para cada cliente. Posteriormente, para generar los segmentos de nuestro ejemplo, para cada variable, hemos distribuido los clientes en cuatro grupos basándonos en el valor percentil de esta. Nosotros hemos utilizado el percentil ya que es una técnica bastante común, pero podríamos haber optado por otro criterio o número de grupos.
Al finalizar tendremos los clientes repartidos en 4 grupos de valores de R distintos, otros 4 grupos con los mismos clientes, pero ahora repartidos en 4 grupos según el valor de F, y lo mismo para M. Llamaremos a estos 12 grupos Q1(R), Q1(F), Q1(M), Q2(R), Q2(F), Q2(M), etc. La combinación de estos grupos entre si nos generan hasta 64 agrupaciones posibles de patrones de compra diferentes.
2.3.- Agrupar
El paso final consiste en crear grupos en los que un cliente individual pertenezca solo a uno de ellos y hacerlo de manera que las características de cada grupo nos permitan atribuirles algún patrón de compra significado y en consecuencia accionable. No necesitamos necesariamente trabajar las 64 posibilidades. Más bien al contrario, buscaremos reducirlas a partir de la interpretación del patrón que representan.
A más grupos, más complejos serán nuestros procesos de fidelización, y a menor número de grupos, menor es la personalización del plan de acción.
Siguiendo con nuestro ejemplo, nosotros hemos definido 7 grupos:
- Clientes CORE: Los clientes que visitaron recientemente la tienda, lo hacen muy a menudo y han acumulado mucho gasto. Son los mejores. Podríamos considerarlos los más fieles. Serían los que tendrían el valor R más bajo y el valor F y M más alto. Son aquellos clientes que encontremos en el grupo Q4(R), en el grupo Q1(F) y en el grupo Q1(M). A estos clientes hay que mimarles.
- Clientes LEALES: Podemos considerar leales a aquellos clientes que frecuentan la tienda y que gastan a un nivel razonable. Son asiduos a nuestra marca. Serán todos aquellos clientes que encontremos en el grupo Q1(F) y que se encuentren en el segmento Q1(M) o Q2(M) sin estar incluidos en el grupo anterior. Interesa mantener en el tiempo su fidelidad, por ejemplo, recompensándola.
- Clientes OPULENTOS: Podemos considerarlos como aquellos que cuando nos visitan, gastan mucho. Se encontrarán en Q1(M) cuando no estén incluidos en los grupos anteriores.
- Clientes PROMESA: Clientes que nos visitan mucho, pero no gastan demasiado y no están incluidos en los grupos anteriores. Se encontrarán en Q1(F) y en Q3(M) o Q4(M). Nos interesará promover acciones que tiendan a fomentar el gasto.
- Clientes DEBUTANTES: Son clientes que nos visitaron recientemente. Su frecuencia de visita es nula o muy baja. Pertenecen al grupo Q4(R) y Q1(F) y no pertenecen a ningún grupo anterior. En este caso interesará aumentar su frecuencia de visitas. Disponer de una buena estrategia de bienvenida para aumentar la probabilidad de repetición o bien capturar en la primera visita información que permita generar recordatorios posteriores al cliente son posibles estrategias de fidelización para este grupo.
- Clientes DORMIDOS: Sin aquellos que hace tiempo que no nos visitan. Interesa recuperarlos mediante, por ejemplo, promociones atractivas.
Los clientes que no podamos identificar en ninguno de los grupos anteriores, quedarán agrupados bajo la etiqueta de OTROS para poder estudiarlos profundizando, por ejemplo, con una segmentación de nivel superior.
3.- Actuar y fidelizar
Dado que cada grupo tiene características de comportamiento diferenciadas, podemos definir acciones concretas. De este modo, si ejecutamos la segmentación de forma continua, automatizando los procesos de datos asociados, dispondremos de una herramienta muy potente para facilitar el trabajo a los departamentos comerciales y de marketing.
En el informe adjunto a este artículo, con el que podéis interaccionar y descargaros, veréis que, a modo de pantalla emergente, sobre cada segmentación se recomiendan pautas de acción.
Fácil y automático. Solo es necesario desplegar el plan de acción por segmento que hayamos elaborado.
4.- Conclusiones
Si quieres conocer más a tus clientes, profundiza sobre los datos. Seguro que, en tu CRM, en tus hojas de cálculo o en tus registros de ventas tienes información que puedes utilizar para incrementar su fidelización. Identifica una técnica de segmentación accionable, y procura automatizar el proceso. De este modo podrás concentrarte en la acción comercial.
En ZinkBI podemos ayudarte. ¿Te interesa?