Matriz RFM: segmenta clientes con datos reales

El 80% de los ingresos futuros de una empresa provendrán del 20% de sus clientes actuales (Gartner, 2025). La pregunta es: ¿sabes quiénes son ese 20%?

La matriz RFM es una de las formas más eficaces de responder esa pregunta. Lleva décadas usándose en marketing directo y, con los datos que hoy genera cualquier ecommerce, implementarla es más accesible que nunca. Este artículo te explica qué es, cómo funciona el scoring y cómo aplicarlo para mejorar la conversión.

Qué es el análisis RFM

RFM es un modelo de segmentación de clientes basado en tres variables de comportamiento de compra:

Recency (Recencia): cuándo fue la última compra del cliente
Frequency (Frecuencia): cuántas veces ha comprado en un periodo determinado
Monetary (Valor monetario): cuánto dinero ha gastado en total

La premisa es simple: un cliente que compró recientemente, compra con frecuencia y gasta mucho, es más valioso que uno que compró hace un año, solo una vez y por poco importe. Parece obvio, pero la mayoría de las empresas tratan a ambos clientes de la misma manera.

Por qué funciona

El modelo RFM funciona porque se basa en comportamiento real, no en predicciones ni en datos demográficos. No necesitas saber la edad, el género ni los intereses del cliente. Solo necesitas tres datos que ya tienes en tu base de datos transaccional:

Fecha de última compra
Número de compras
Importe total gastado

Cómo funciona el scoring RFM

Paso 1: Recoge los datos

Para cada cliente de tu base de datos, necesitas:

Variable	Dato necesario	Fuente
Recency	Fecha de la última compra	Base de datos de pedidos
Frequency	Número total de pedidos completados	Base de datos de pedidos
Monetary	Suma total de importes de todos los pedidos	Base de datos de pedidos

Paso 2: Divide en quintiles

Para cada variable, ordena a todos los clientes y divídelos en 5 grupos iguales (quintiles). Asigna una puntuación de 1 a 5:

Recency:

5 = compró en los últimos 7 días
4 = compró en los últimos 30 días
3 = compró en los últimos 90 días
2 = compró en los últimos 180 días
1 = compró hace más de 180 días

Frequency:

5 = 10+ compras
4 = 6-9 compras
3 = 3-5 compras
2 = 2 compras
1 = 1 compra

Monetary:

5 = top 20% en gasto
4 = 20-40%
3 = 40-60%
2 = 60-80%
1 = bottom 20%

Nota: los rangos son orientativos. Cada negocio debe definirlos según su realidad (ticket medio, frecuencia típica de compra, estacionalidad).

Paso 3: Combina las puntuaciones

Cada cliente recibe un código de 3 dígitos. Por ejemplo:

555: compró recientemente, compra frecuentemente, gasta mucho. Tu mejor cliente.
111: compró hace mucho, solo una vez, y por poco. Cliente en riesgo de pérdida total.
551: compró recientemente, compra mucho, pero gasta poco. Oportunidad de upselling.
155: no compra desde hace tiempo, pero cuando lo hacía era frecuente y de alto valor. Cliente a recuperar urgentemente.

Paso 4: Crea segmentos accionables

No necesitas trabajar con 125 combinaciones (5x5x5). Agrupa las puntuaciones en segmentos con sentido de negocio:

Segmento	Puntuación RFM	Características	Acción recomendada
Champions	555, 554, 545	Compran mucho, frecuentemente y recientemente	Programa VIP, exclusividad, referrals
Leales	435, 534, 443	Compran frecuentemente con buen valor	Upselling, cross-selling, early access
Potenciales leales	512, 513, 412	Compraron recientemente con frecuencia media	Incentivar segunda/tercera compra
Nuevos	511, 512, 411	Primera compra reciente	Onboarding, email de bienvenida
En riesgo	255, 254, 245	Antes eran buenos clientes pero llevan tiempo sin comprar	Campañas de reactivación, ofertas especiales
Hibernando	155, 144, 133	Mucho valor histórico pero inactivos	Win-back agresivo o aceptar la pérdida
Perdidos	111, 112, 121	Bajo valor y sin actividad	Excluir de campañas de pago, limpieza de base

Aplicaciones en ecommerce CRO

El análisis RFM no es solo para email marketing. Tiene aplicaciones directas en la optimización de la conversión de tu web.

1. Personalización de la experiencia

Si conoces el segmento RFM de un usuario que vuelve a tu web (mediante login o cookie), puedes personalizar su experiencia:

Champions: mostrar productos premium, acceso anticipado a lanzamientos
Nuevos: destacar bestsellers, guías de uso, garantías
En riesgo: pop-up con oferta de recuperación, productos que compraron antes con descuento
Potenciales leales: recomendaciones basadas en su historial para fomentar la segunda compra

2. Optimización de campañas de retargeting

En lugar de retargetear a todos los visitantes por igual, segmenta por RFM:

Champions: no necesitan descuento. Muéstrales novedades.
En riesgo: justifican un descuento agresivo. El coste de adquisición de un cliente nuevo es 5-7x mayor que retener uno existente.
Perdidos: excluye este segmento. El retargeting no va a recuperarlos y estás desperdiciando presupuesto.

3. Asignación de presupuesto de marketing

¿Dónde inviertes más? El RFM te da la respuesta basada en datos:

Segmento	Inversión recomendada	Por qué
Champions	Media (retención es barata)	Ya son leales. Mantén la relación
Potenciales leales	Alta	Máximo ROI de conversión a leales
En riesgo	Media-alta	Recuperar un cliente cuesta menos que adquirir uno nuevo
Nuevos	Alta	La primera experiencia post-compra define la relación
Perdidos	Baja o nula	Bajo ROI esperado

4. Diseño de test A/B

El RFM puede informar tus experimentos de CRO. No tiene sentido testear la misma variante para Champions y para Nuevos: sus motivaciones y comportamientos son radicalmente diferentes.

Ejemplos de tests segmentados por RFM:

Champions: test de programa de referidos vs. sin programa
Nuevos: test de onboarding email largo vs. corto
En riesgo: test de descuento 10% vs. 20% vs. envío gratis
Potenciales leales: test de cross-selling en checkout vs. post-compra

Herramientas para implementar RFM

Soluciones nativas en plataformas de ecommerce

Klaviyo: segmentación RFM integrada con scoring automático. La opción más accesible para ecommerce en Shopify.
Omnisend: segmentación de clientes con variables de comportamiento tipo RFM.
Drip: scoring de contactos basado en comportamiento de compra.

Herramientas de análisis

Google BigQuery + Looker Studio: para ecommerce con datos en BigQuery, puedes crear el scoring RFM con SQL y visualizarlo en dashboards.
Python (pandas + scikit-learn): la opción más flexible. Scripts de RFM con clustering K-means para segmentación avanzada.
Excel / Google Sheets: perfectamente viable para bases de datos de hasta 50.000 clientes. Quintiles con la función PERCENTIL.

CDPs (Customer Data Platforms)

Segment: recopilación y unificación de datos de cliente para scoring RFM en tiempo real.
Bloomreach: personalización de experiencia basada en segmentación RFM nativa.

Ejemplo práctico: ecommerce de moda

Imagina un ecommerce de moda con 20.000 clientes. Tras aplicar el análisis RFM:

Segmento	% de clientes	% de ingresos	Acción
Champions (555-445)	8%	42%	Programa VIP, envío gratis permanente
Leales (434-335)	15%	28%	Cross-selling por email
Potenciales leales (512-312)	12%	10%	Descuento segunda compra
Nuevos (511-411)	20%	8%	Secuencia de bienvenida optimizada
En riesgo (244-145)	18%	9%	Campaña win-back con descuento
Perdidos (111-122)	27%	3%	Excluir de campañas de pago

El dato más revelador: el 8% de los clientes genera el 42% de los ingresos. Sin RFM, estarías invirtiendo lo mismo en retener a tus Champions que en intentar recuperar a clientes perdidos que representan el 3% de tus ingresos.

Limitaciones del modelo RFM

Como todo modelo, el RFM tiene limitaciones que debes conocer:

No predice, describe. RFM te dice cómo se comporta un cliente hoy, no cómo se comportará mañana. Para predicción, necesitas modelos como CLV predictivo o churn probability.
No considera el margen. Un cliente que gasta mucho pero solo compra productos en descuento puede tener un valor real inferior al que sugiere su puntuación Monetary.
Estacionalidad. Un cliente que compra solo en Black Friday puede aparecer como "En riesgo" en julio. Ajusta los rangos de Recency según la estacionalidad de tu negocio.
Productos de compra única. Si vendes colchones o electrodomésticos grandes, la Frequency tiene un significado diferente. Adapta el modelo a tu ciclo de compra natural.

La matriz RFM es una herramienta poderosa porque convierte datos que ya tienes en decisiones accionables. No necesitas machine learning ni herramientas sofisticadas para empezar: una hoja de cálculo y tu base de datos de pedidos son suficientes.

Si quieres ir más allá de la segmentación y optimizar la experiencia de conversión de cada segmento, en Boost trabajamos CRO basado en datos. Y para un primer diagnóstico de tu web, prueba Scan&Boost.

— Adrià Vidal