Segmentación de usuarios (RFM model) para una app de comida a domicilio (clustering)
Cómo entender en comportamiento del cliente para mejorar la retención y personalizar campañas.
Objetivo del proyecto: Identificar patrones de comportamiento para agrupar usuarios según su frecuencia de compra y gasto (RFM).
Project folder: here.
En el competitivo mercado de la entrega de comida a domicilio, conocer en profundidad a los clientes es tan importante como preparar un buen producto. No todos los usuarios compran igual, y poder identificar estos patrones de comportamiento y traducirlos en conocimiento accionable para mejorar la retención, la fidelización y el valor de vida del cliente.
Aplicamos el modelo RFM para clasificar a los clientes en función de su actividad, frecuencia de compra y gasto acumulado.
Recency (R): Días desde el último pedido (cuanto menor, mejor).
Frequency (F): Número total de pedidos realizados (cuanto mayor, mejor).
Monetary (M): Gasto total acumulado (cuanto mayor, mejor).
Esta metodología permite pasar de una visión genérica a una estrategia basada en datos: personalizar mensajes, priorizar recursos y diseñar campañas más efectivas.
Clasificamos los clientes en seis segmentos clave:
🏆 Champion Customers: usuarios recientes, frecuentes y con alto gasto.
💙 Loyal Customers: clientes fieles con gasto medio-alto.
💸 Big Spenders: usuarios de alto gasto pero baja frecuencia.
⚠️ Almost Lost: clientes en riesgo de abandono.
💔 Lost Good Customers: antiguos buenos clientes hoy inactivos.
💤 Lost Cheap Customers: usuarios de bajo valor y sin actividad reciente.
El resultado es una radiografía clara del comportamiento del cliente y una base sólida para el diseño de estrategias personalizadas de retención y crecimiento.
¿Cómo lo hacemos?
Paso 1: Análisis exploratorio de los datos (EDA) y cálculo de indicadores agregados por cliente.
A partir de una tabla de ventas, limpiamos y calculamos los indicadores agregados por cliente.
Paso 2: Cálculo de métricas RFM.
A continuación, calculamos las métricas del RFM. Cada métrica se transforma en una escala de 1 a 4 (cuartiles), de modo que un cliente con puntuación R=4, F=4, M=4 representa el perfil ideal: activo, frecuente y de alto gasto.
Paso 3: Construcción del RFM score.
Se combinó la puntuación de cada variable en un único indicador:
RFMScore = R + F + M.
Este score permite generar de forma automática distintos grupos de clientes según su comportamiento global.
444→ Champion Customers443→ Loyal CustomersXX4 —> Big Spenders (solo depende de monetary).
244→ Almost Lost144→ Lost Good Customers111→ Lost Cheap Customers
Paso 4: Visualización y análisis de resultados
¿Cuántos clientes (%) tenemos en cada grupo?
Por suerte, hay muchos “champions”, pero vemos que hay un 42% de Lost Cheap, clientes que prácticamente hemos perdido. Esto no es bueno y habrá que tomar medidas.
¿Quién compra más, gasta más y es más fiel?
Otra manera de verlo. En este gráfico (heatmap) podemos ver como los Champion son los que compran más, de forma más asidua y además, gastan más. Nuestros mejores clientes. En cambio, podemos ver como los LostGood, también gastaban mucho, pero ya no son tan activos (baja recency).
Si nos fijamos en el área naranja, son clientes que compran mucho (alta frecuency), que compraron hace poco (baja recency) y gastan mucho (alto monetary). Los mejores. Los peores, el triángulo verde.
Paso 5: Interpretación y aplicación práctica
Finalmente, se tradujeron los resultados técnicos en recomendaciones de negocio orientadas a la acción:
🏆 Champion Customers: Posible acción recomendada: Programas VIP, acceso prioritario, recompensas exclusivas por afiliados…
💙 Loyal Customers: Posible acción recomendada: Campañas de fidelización para mantener el compromiso.
💸 Big Spenders: Posible acción recomendada: Incentivar recurrencia (ofertas, recordatorios…)
⚠️ Almost Lost: Posible acción recomendada Promociones personalizadas para no perderlo.
💔 Lost Good Customers: Posible acción recomendada: Incentivos agresivos para recuperarlo.
💤 Lost Cheap Customers: Posible acción recomendada: No priorizar, bajo ROI esperado.
Esta aproximación convierte el análisis de datos en un instrumento tangible para optimizar la comunicación, la inversión publicitaria y la retención de clientes.
El resumen.
La segmentación RFM permitió convertir datos transaccionales en conocimiento estratégico sobre los hábitos de compra de los usuarios. A partir de esta información, la empresa puede diseñar estrategias de marketing personalizadas según el perfil y el valor de cada cliente, optimizando la retención y el retorno de inversión (ROI).
Además:
Permite optimizar recursos de marketing centrando esfuerzos en los segmentos de mayor valor.
Mejora la retención y fidelización, anticipando el riesgo de abandono.
Facilita la toma de decisiones basada en datos, alineando marketing y operaciones.
Sienta las bases para modelos predictivos futuros (churn, lifetime value, recomendación).
💬 En definitiva, el análisis RFM ofrece una visión clara de quiénes son los clientes más valiosos, cuáles están en riesgo y qué acciones concretas pueden maximizar su valor a largo plazo.