Segmentação de clientes com análise RFM

Segmentação de clientes com análise RFM começa quando você para de tratar a base como massa homogênea#

Toda empresa com histórico de vendas tem, escondido dentro do CRM, um mapa de quem compra muito, quem comprava e sumiu, quem chegou agora e quem está prestes a ir embora. O problema é que esse mapa quase nunca é lido. O marketing dispara a mesma campanha para todo mundo, o time de retenção só percebe que perdeu um cliente bom quando ele já foi, e o desconto que deveria segurar um campeão acaba indo para quem compraria de qualquer jeito. A Segmentação de clientes com análise RFM existe justamente para desfazer esse desperdício: em vez de tratar a base como uma massa homogênea, você a divide por comportamento real de compra.

RFM é uma sigla de três dimensões: Recência, Frequência e Valor Monetário. A ideia tem décadas de estrada no marketing direto e continua valendo porque é honesta sobre o que faz. Ela não adivinha o futuro, ela lê o passado com rigor e transforma esse passado em ação. Neste artigo eu mostro como calcular cada dimensão, como pontuar por quintis, como formar os segmentos que importam e como fazer tudo isso em DAX dentro do Power BI, com exemplos que você pode adaptar ao seu modelo.

As três dimensões que descrevem qualquer relação de compra#

A força do RFM está em quão pouco ele pede e quanto entrega. Você precisa apenas de uma tabela de transações com três informações: quem comprou, quando comprou e quanto pagou. A partir disso, cada cliente ganha três notas.

• Recência: há quantos dias foi a última compra. Quanto menor o número, melhor. Um cliente que comprou ontem está mais vivo do que um que comprou há oito meses.
• Frequência: quantas compras o cliente fez no período analisado. Mais compras indicam hábito e relacionamento.
• Valor Monetário: quanto o cliente gastou no total, ou a média por pedido, dependendo do que faz sentido no seu negócio.

Cada dimensão responde a uma pergunta diferente de negócio. Recência responde "ele ainda está por aqui". Frequência responde "ele tem o hábito de voltar". Valor Monetário responde "ele pesa no faturamento". Um cliente pode ser forte em uma e fraco em outra, e é exatamente esse contraste que gera segmentos úteis. O cliente que gasta muito mas não aparece há meses é um problema; o que compra toda semana valores pequenos é uma oportunidade de aumentar ticket. Sem separar as três dimensões, você perde essa nuance.

Um ponto que costumo reforçar com cliente: RFM é histórico e descritivo, não preditivo. Ele descreve o que já aconteceu com precisão, e isso já é muito mais do que a maioria das empresas usa. Se você quer prever probabilidade de churn ou próximo valor de compra, aí sim entra modelagem estatística, que é outro assunto e que tratamos em analytics avançado. RFM é o degrau anterior, mais barato e que resolve boa parte das decisões.

Pontuar por quintis é a abordagem clássica, e ela tem motivo#

Ter os três números crus não basta, porque "última compra há 45 dias" só significa alguma coisa comparado ao resto da base. A abordagem clássica do RFM resolve isso pontuando cada dimensão por quintis: você ordena todos os clientes por uma dimensão e divide a lista em cinco fatias iguais, atribuindo notas de 1 a 5.

Para Frequência e Valor Monetário, a nota 5 vai para os 20% do topo, os que mais compram e mais gastam. Para Recência a lógica se inverte: a nota 5 vai para os que compraram mais recentemente, ou seja, os de menor número de dias. Essa inversão confunde muita gente na primeira vez, então vale fixar a regra: em todas as dimensões, 5 é sempre bom.

O resultado é que cada cliente recebe três notas, algo como R5 F4 M5. Juntando, você tem um código RFM de três dígitos e um universo de 125 combinações possíveis. Ninguém opera 125 grupos, então esses códigos são agrupados em um punhado de segmentos com nome e estratégia. Por que quintis e não uma faixa fixa de dias ou de reais? Porque quintis se ajustam sozinhos à distribuição da sua base. Uma régua fixa que funciona no varejo de moda quebra numa distribuidora B2B com poucos pedidos grandes. O quintil sempre coloca 20% em cada nota, independente do formato do seu negócio, e isso torna o método reaproveitável entre empresas sem recalibrar tudo.

Vale uma ressalva honesta: quando a Frequência tem muitos empates, por exemplo metade da base com exatamente uma compra, os quintis ficam desbalanceados e a nota perde granularidade. Nesses casos você trata Frequência com faixas manuais ou aceita que ela terá menos níveis. É uma limitação real do método, não um detalhe a esconder do time.

Os segmentos que orientam a ação#

O objetivo de pontuar não é ter um relatório bonito, é decidir o que fazer com cada grupo. Os segmentos clássicos do RFM traduzem as notas em linguagem de negócio. A tabela abaixo mostra os principais, a lógica aproximada de notas e o que ela significa.

Segmento	Perfil de notas RFM	O que significa
Campeões	R alto, F alto, M alto	Compram muito, com frequência e recentemente. Seus melhores clientes.
Leais	R médio ou alto, F alto	Compram sempre, valor bom, base do faturamento recorrente.
Potenciais	R alto, F ou M média	Compraram há pouco, ainda dá para desenvolver ticket e frequência.
Novos	R alto, F baixo	Chegaram agora, uma ou duas compras, precisam de onboarding.
Em risco	R baixo, F alto, M alto	Eram ótimos e estão sumindo. Prioridade máxima de retenção.
Hibernando	R baixo, F baixo, M baixo	Compraram pouco e faz tempo. Reativação de baixo custo ou descarte.

O que faz o RFM valer o esforço é o contraste entre "em risco" e "hibernando". Os dois têm Recência baixa, os dois sumiram. Mas o cliente em risco tinha Frequência e Valor altos, ele era importante, e perdê-lo dói. O hibernando nunca comprou muito. Tratar os dois com a mesma campanha é queimar orçamento de retenção com quem não vale o custo e ao mesmo tempo dar pouca atenção a quem merecia um telefonema. É esse tipo de decisão que a segmentação torna possível.

Como calcular RFM em DAX no Power BI#

No Power BI, a base é uma tabela fato de vendas com ClienteID, DataPedido e Valor, e uma dimensão de clientes. O cálculo das três dimensões por cliente costuma ficar melhor como colunas na dimensão de clientes ou numa tabela calculada, porque a nota RFM é um atributo estável do cliente, não algo que reage a filtro de página. Vale a leitura sobre quando usar medida e quando usar coluna nas nossas boas práticas de modelagem DAX.

Primeiro, as três métricas cruas por cliente. Recência é a diferença entre a data de referência e a última compra:

Recencia Dias =
VAR DataRef = MAX ( Calendario[Data] )
VAR UltimaCompra =
    CALCULATE ( MAX ( Vendas[DataPedido] ) )
RETURN
    DATEDIFF ( UltimaCompra, DataRef, DAY )

Frequencia =
CALCULATE ( DISTINCTCOUNT ( Vendas[PedidoID] ) )

Valor Monetario =
CALCULATE ( SUM ( Vendas[Valor] ) )

Com as três métricas prontas, o próximo passo é a pontuação por quintis. A forma direta e legível é usar RANKX para posicionar cada cliente e derivar o quintil a partir da posição relativa. O exemplo abaixo pontua Recência, lembrando que menos dias tem que virar nota maior, por isso a ordenação é ascendente:

Nota R =
VAR TotalClientes =
    COUNTROWS ( ALL ( DimCliente ) )
VAR Posicao =
    RANKX (
        ALL ( DimCliente ),
        [Recencia Dias],
        ,
        ASC,
        DENSE
    )
RETURN
    SWITCH (
        TRUE (),
        Posicao <= TotalClientes * 0.2, 5,
        Posicao <= TotalClientes * 0.4, 4,
        Posicao <= TotalClientes * 0.6, 3,
        Posicao <= TotalClientes * 0.8, 2,
        1
    )

Para Frequência e Valor Monetário, a lógica é a mesma trocando a métrica e usando ordenação descendente, já que valores maiores devem receber notas maiores. Se você prefere cortes por quantis diretos em vez de posição, a função PERCENTILE.INC calcula os limites de cada faixa e um SWITCH compara o valor do cliente contra esses limites. As duas abordagens são válidas; RANKX costuma ser mais intuitivo de auditar, PERCENTILE.INC é mais fiel à definição estatística de quintil quando há empates.

Com as três notas, o código RFM e o segmento saem de um SWITCH sobre as combinações:

Segmento RFM =
VAR R = [Nota R]
VAR F = [Nota F]
VAR M = [Nota M]
RETURN
    SWITCH (
        TRUE (),
        R >= 4 && F >= 4 && M >= 4, "Campeões",
        R >= 3 && F >= 4, "Leais",
        R >= 4 && F <= 2, "Novos",
        R <= 2 && F >= 4 && M >= 4, "Em risco",
        R <= 2 && F <= 2 && M <= 2, "Hibernando",
        "Potenciais"
    )

As regras exatas do SWITCH são uma decisão de negócio, não uma verdade universal. Ajuste os cortes conforme o comportamento da sua base e valide os resultados com quem conhece os clientes. Um bom sinal de que a régua está calibrada é quando o time comercial olha a lista de campeões e reconhece os nomes. Se a modelagem base estiver pesada ou o volume de transações for muito grande, o pré-cálculo das notas na camada de dados, via engenharia de dados, deixa o modelo do Power BI mais leve e o refresh mais rápido.

Segmentar sem agir é só um gráfico bonito#

O RFM só paga a conta quando vira campanha, roteiro de time e régua de relacionamento. A tabela abaixo liga cada segmento a uma ação concreta.

Segmento	Ação de marketing	Ação de retenção ou vendas
Campeões	Programa de fidelidade, acesso antecipado, indicação	Relacionamento próximo, nunca dar desconto que ele não pediu
Leais	Cross-sell e up-sell, recompensas por recorrência	Manter contato consultivo, ouvir antes que vire risco
Potenciais	Ofertas para elevar ticket e frequência	Contato ativo para entender o potencial de conta
Novos	Onboarding, segunda compra com incentivo	Acompanhar a primeira experiência de perto
Em risco	Campanha de reconquista personalizada, oferta forte	Ligação humana, entender o motivo do afastamento
Hibernando	Reativação de baixo custo, e-mail automatizado	Não gastar time caro, deixar o canal barato trabalhar

Repare que a ação varia não só na mensagem, mas no custo do canal. Campeão e cliente em risco justificam contato humano, que é caro. Hibernando não justifica: um fluxo automatizado resolve, e se não converter, tudo bem. Essa alocação de esforço é o retorno concreto do RFM. Você deixa de gastar o mesmo por cliente e passa a gastar proporcional ao que cada um representa.

Para operacionalizar, o painel de RFM no Power BI precisa de pelo menos três telas: a distribuição da base pelos segmentos, a evolução dos segmentos ao longo do tempo (quantos campeões viraram risco no trimestre) e a lista exportável de clientes por segmento, que é o que o time de campanha realmente usa. Rodar isso todo mês e observar a migração entre segmentos é mais valioso do que a foto isolada, porque migração é o sinal antecipado de que algo mudou na base.

Perguntas frequentes#

Qual período de dados devo usar para calcular o RFM? Depende do ciclo de compra do seu negócio. Para varejo de giro rápido, 12 meses costuma dar uma boa fotografia. Para vendas B2B com ciclo longo, 24 meses ou mais faz mais sentido. A regra é que o período precisa conter compras suficientes para que Frequência signifique algo. Períodos curtos demais achatam a dimensão de Frequência e distorcem os segmentos.

RFM funciona para empresas B2B ou só para varejo B2C? Funciona nos dois. A mecânica é idêntica, o que muda é a calibragem. No B2B você tem menos clientes, pedidos maiores e frequência menor, então quintis podem gerar faixas com poucos clientes e Frequência com muitos empates. Nesses casos, faixas manuais para Frequência e um período de análise mais longo resolvem. O valor de identificar contas em risco é até maior no B2B, onde perder um cliente pesa muito.

Preciso das três dimensões ou dá para usar só Recência e Frequência? Você pode usar variações. RF sem valor monetário é comum quando o ticket é homogêneo e todo cliente gasta parecido. Mas eliminar o Valor Monetário custa a capacidade de distinguir quem sustenta o faturamento. Minha recomendação é começar com as três e simplificar depois, se perceber que uma dimensão não agrega. Cortar antes de testar é decidir no escuro.

RFM prevê quais clientes vão dar churn? Não diretamente. RFM é descritivo, ele mostra quem já esfriou, não quem vai esfriar. O segmento "em risco" é um forte indício, porque um cliente que era frequente e sumiu costuma estar a caminho do churn, mas isso é leitura do passado, não previsão estatística. Para previsão de verdade, com probabilidade por cliente, você parte do RFM para um modelo preditivo.

Com que frequência devo recalcular a segmentação? Mensal é o intervalo que funciona para a maioria. O ponto crítico não é a foto do mês, é a migração entre meses: um campeão que virou "em risco" é um alerta que vale mais do que qualquer média. Se o seu ciclo de compra é muito longo, recalcular a cada trimestre pode bastar. O importante é ser consistente na data de referência para que a comparação entre períodos seja justa.

Consigo montar isso sozinho no Power BI? Um analista com bom domínio de DAX monta um RFM funcional. O que costuma travar não é o cálculo, é a modelagem de dados por trás: garantir uma tabela fato limpa, uma dimensão de clientes confiável e um refresh que não pese. Se a base é grande ou os dados estão espalhados em vários sistemas, aí compensa ter apoio para não construir sobre um alicerce frágil.

Da lista de clientes para a decisão#

A Segmentação de clientes com análise RFM não é sofisticada, e é aí que mora a força dela: com três colunas de dados e algumas linhas de DAX, você sai de tratar todo mundo igual e passa a agir sobre quem importa, no momento que importa e pelo canal de custo certo. Comece simples, com as três dimensões e os seis segmentos, rode por alguns meses e observe a migração. O refinamento vem do uso, não do planejamento.

Se você quer estruturar o RFM sobre uma base de dados confiável e transformar os segmentos em campanhas que o marketing e a retenção realmente usam, fale com a gente. A Fynx já entregou mais de 2.000 soluções Microsoft e mais de 10.000 horas de desenvolvimento ajudando empresas a decidir com dados.