Segmentación de clientes basada en RFM con SAS

 

El análisis RFM es una conocida técnica de segmentación del clientes. El modelo toma en consideración tres métricas:

1) Ticket medio de compra (Money)

2) Frecuencia de compra (Frecuency)

3) Tiempo qué hace que no compra (Recency)

 

En base a estas métricas clasifico a los clientes.

 

El análisis RFM es una técnica útil y extendida para clasificar clientes

 

 

En base a los resultados encontraré clientes de diferentes características. Algunos de los grupos que encuentro son:

  • frecuencia de compra alta y ticket medio alto: clientes de alto valor (que debo cuidar)
  • frecuencia de compra alta y bajo ticket medio: me interesa subir ticket medio (ofrecer otros productos)
  • frecuencia de compra baja y ticket medio alto: me interesa subir frecuencia de visita (promociones con fecha)
  • frecuencia alta y ticket medio alto, pero recencia baja : buenos clientes que debo recuperar ya que hace tiempo que no compran (campaña marketing)

Son sólo algunos de los grupos que puedo identificar y algunas acciones a tomar.

 

A continuación vamos a ver los pasos a dar para realizar un análisis RFM con SAS Enterprise Guide.

Partimos de un datasets con transacciones de compra como el que sigue:

 

 

Tenemos transacciones de compra donde tenemos identificada la fecha, el cliente, el producto y el importe de compra. Sobre este dataset ejecutamos la tarea de Guide 'Analisis RFM'.

 

 

 

Para parametrizar el análisis debemos seleccionar, el tipo de dataset de entrada, el rol que juega cada campo y el número de grupos de obtener por cada métrica y el tipo de gráficas a visualizar.

 

 

 

Tenemos dos salidas: un dataset con la puntuación RFM de cada cliente y un conjunto de gráficas que nos permiten analizar los grupos obtenidos. El campo puntuacion_rfm resume la puntación obtenida en las tres categorías (recency, frecuency, money). Los clientes con alta puntuación en las tres son clientes de alto valor.

 

Posiblemente los clientes con puntuaciones RFM: 233, 333 (alta frecuencia y alto ticket y recencia no baja) sean responsables de un porcentaje alto de las compras totales.

También podemos analizar este efecto en el siguiente mapa de calor:

 

Otro efecto interesante a estudiar es identificar grupos de baja recencia y alta frecuencia y ticket que son clientes que interesa reactivar y son candidatos a target en campaña de marketing.

 

Estas conclusiones son sólo algunas de las que se pueden obtener en un análisis de este tipo que como hemos visto resulta sencillo de realizar con SAS Enterprise Guide. Existe también la posibilidad de utilizar otros productos de SAS como Customer Intelligence http://www.sas.com/en_us/software/customer-intelligence.html

 

Más infomación en:

http://aprendesas.blogspot.com

http://online.datademy.es

datademy