Análisis experto · revisado el 6 oct. 2026
Segmentación RFM: priorizar clientes sin confundir una buena puntuación con un buen objetivo.
Qué hay que distinguir
Tres condiciones antes de cualquier cálculo.
Una puntuación relativa, no un valor
RFM clasifica a los clientes unos respecto de otros, por cuantiles de una base y un periodo. Una puntuación de 5 no se compara de una base a otra y no mide ningún margen.
El pasado, no la respuesta a la acción
RFM describe comportamientos pasados. No dice quién cambiará de comportamiento gracias a un incentivo: los mejores clientes suelen comprar sin él.
El importe en margen
Un importe medido en facturación favorece a los clientes que compran en promoción o devuelven mucho. El margen después de descuentos y devoluciones da la jerarquía real.
Método
Construir una segmentación RFM accionable en cuatro pasos
- 01Fijar la ventana y la unidad
Elegir el periodo de observación, el identificador de cliente y la fecha de referencia; una ventana demasiado corta aplasta la frecuencia y una demasiado larga mezcla clientes perdidos y activos.
- 02Puntuar por cuantiles
Dividir recencia, frecuencia e importe en quintiles sobre la misma base, documentando el tratamiento de los empates y de los clientes de una sola compra.
- 03Agrupar en segmentos de decisión
Fusionar las 125 combinaciones en unos pocos segmentos vinculados cada uno a una acción posible; un segmento sin acción es una estadística, no una decisión.
- 04Probar la acción frente a un control
Reservar un grupo de control aleatorio en cada segmento objetivo y medir después el margen incremental neto del coste de la acción.
La matriz RFM, del segmento a la acción comprobable
Cuatro segmentos tipo, su lectura y la acción por probar. Cada acción sigue siendo una hipótesis mientras un grupo de control no haya medido su efecto.
| Segmento | Recencia (R) | Frecuencia (F) | Importe (M) | Lectura | Acción por probar |
|---|---|---|---|---|---|
| Campeones | 5 | 4–5 | 4–5 | Ya compran sin incentivo | Ventaja no monetaria, grupo de control obligatorio |
| Fieles en declive | 2–3 | 4–5 | 3–5 | Valor pasado alto, actividad que se ralentiza | Reactivación dirigida, coste limitado |
| Clientes nuevos | 5 | 1 | 1–3 | Valor futuro aún desconocido | Recorrido hacia la segunda compra |
| Clientes perdidos | 1 | 1–2 | 1–2 | Baja probabilidad de retorno | Ningún gasto, solo observación |
Los umbrales son los quintiles de la base estudiada: una puntuación de 5 no se compara de una base a otra.
La mejor puntuación RFM no es el mejor objetivo
Ejemplo ilustrativo: se ofrece un vale de 10 € a 2.000 campeones y a 1.200 clientes fieles en declive, con un margen de 60 € por compra adicional y un grupo de control en cada segmento.
Campeones: coste = 2.000 × 40 % × 10 € = 8.000 €; margen incremental = 2.000 × 3 % × 60 € = 3.600 €. Fieles en declive: coste = 1.200 × 15 % × 10 € = 1.800 €; margen incremental = 1.200 × 8 % × 60 € = 5.760 €.
El segmento mejor puntuado pierde 4.400 €: la mayoría de sus clientes habría comprado sin el vale. El segmento en declive gana 3.960 €, porque allí la oferta cambia realmente el comportamiento.
Condiciones de aceptación
Lo que debe cumplirse para actuar.
- 01
Calcular el importe sobre el margen después de descuentos y devoluciones, nunca solo sobre la facturación.
- 02
Documentar la ventana, la fecha de referencia y los umbrales de cuantiles de cada puntuación.
- 03
Reservar un grupo de control aleatorio en todo segmento que reciba un incentivo.
- 04
Mantener un segmento solo si su margen incremental supera el coste de la acción.
Límites
Lo que este análisis no demuestra.
- RFM ignora el margen futuro, el ciclo de vida del producto y las compras realizadas fuera de la base observada.
- Los cuantiles dependen de la base: un cambio de perímetro desplaza todas las puntuaciones.
- Los clientes de una sola compra se concentran en las puntuaciones de frecuencia bajas, sea cual sea su valor potencial.
- Un segmento RFM no predice la respuesta a una oferta; solo un experimento la mide.
Referencias
Trabajos citados.
- Fader, Hardie & Lee (2005), RFM and CLV: Using Iso-Value Curves for Customer Base Analysis (se abre en una pestaña nueva)
- Ascarza (2018), Retention Futility: Targeting High-Risk Customers Might Be Ineffective (se abre en una pestaña nueva)
- Bult & Wansbeek (1995), Optimal Selection for Direct Mail (se abre en una pestaña nueva)