Comprender el estado de la recurrencia y la fidelización de los compradores de tu ecommerce es vital para accionar determinadas palancas.
En este artículo os quiero enseñar los 3 análisis principales que planteamos para auditar el estado de la base de datos de compradores de un ecommerce: RFM, análisis de cohortes y análisis de recurrencias.
Tabla de contenidos
Análisis RFM
En una entrada anterior, ya hablamos del modelo RFM. En aquella ocasión nos centramos en el RFM como un modelo de segmentación, pero hay que entender que nos funciona también como un modelo de análisis. Nos va a ayudar a comprender en qué punto se encuentran la totalidad de nuestros contactos compradores.
Cómo montar un análisis con la matriz RFM
El planteamiento del análisis RFM es relativamente sencillo. Se trata de asignar una puntuación de 1 a 5 puntos a cada contacto comprador en base a 3 variables diferentes: recencia (R), frecuencia (F) y valor monetario (M).
Podemos estipular que aquellos contactos que compraron hace menos de 30 días reciban 5 puntos en recencia, mientras que aquellos que hace más de 1 año que compraron reciban solo 1 punto. Lo mismo plantearemos con la frecuencia o compras totales por contacto.
En cuanto a la M o valor monetario, no soy excesivamente partidario de establecer una puntuación, salvo para bases de datos con un volumen muy elevado de compradores.
Una vez que tengamos las puntuaciones de R y F, cada contacto le quedará asignada una puntuación que va a dar lugar a 25 micro segmentos. Vemos dos ejemplos:
- Cliente A: compró hace 2 días y tiene un total de 1 compra = 5 puntos en recencia y 1 punto en frecuencia. Pasará a formar parte del micro segmento 1.5
- Cliente B: compró hace más de 1 año y tiene un total de 5 compras = 1 punto en recencia y 5 puntos en frecuencia. Pasará a formar parte del micro segmento 5.1
Con este sistema vamos a aglutinar a los compradores en 25 micro segmentos diferentes: 1.1, 1.2, 1.3, 1.4, 1.5, 2.1, 2.2 … y así hasta el 5.5
Para que el análisis sea funcional, lo que haremos será agrupar esos 25 microsegmentos en segmentos macro.
| MACRO | Micro |
| Nuevos | 5.1 |
| Prometedores | 4.1 |
| Potenciales fieles | 5.2, 5.3, 4.2, 4.3 |
| Fieles | 4.4, 4.5, 3.4, 3.5 |
| Campeones | 5.5, 5.4 |
| Durmiéndose | 3.2, 3.1 |
| Necesitan atención | 3.3 |
| Hibernando | 2.1, 2.2, 1.1, 1.2 |
| En riesgo | 2.3, 2.4, 1.3, 1.4 |
| No puedes perderlos | 1.5 y 2.5 |
Una vez hechas estas agrupaciones, nos quedará la siguiente imagen:
Qué puntos tener en cuenta a la hora de sacar conclusiones de la matriz RFM
- Fijaros que aunque no hayamos incluido la M de la matriz RFM para hacer la segmentación, si que representamos el valor monetario total aportado por el conjunto de los contactos de cada segmento macro. Incluso podríamos calcular la media del importe gastado por cada uno de esos contactos, haciéndonos una idea del valor individual de cada uno de ellos.
- Fijémosnos como el segmento «no puedes perderlos», tendría gasto medio de 2.738,60€ por contacto, frente a los 393,92€ de gasto medio del segmento «hibernando». Los dos segmentos llevan mucho sin comprar, pero el valor de unos es mucho mayor que el de los otros. Como accionable, podremos intentar reactivar a los contactos «no puedes perderlos» con cupones de descuento y regalos mucho más agresivos que para los contactos que se encuentran hibernando.
- Para tener una comprensión de los posibles accionables, nos gusta representar también el volumen de contactos suscritos a newsletter por cada segmento. De poco nos sirve contar con muchos contactos compradores si están suscritos a recibir acciones de marketing sólo el 20% o el 30% de la base de datos. Nos hemos encontrado casos en los que sólo el 15% de los contactos compradores estén suscritos, cuando debería al menos rozar el 50%.
- Es importante leer los datos en su contexto. En casos de tiendas online donde el volumen de hibernando está por debajo del 50% es posible que no se deba a que las campañas de fidelización estén surtiendo efecto, sino a un incremento de contactos nuevos y potencialmente fieles en los últimos meses. Esto puede ocurrir por un incremento de acciones de paid media para prospección de nuevos clientes.
- Con el volumen de contactos claro para cada segmento, podemos plantear accionables con una audiencia potencial definida, lo que puede ayudarnos mucho para plantear previsiones.
- En bases de datos pequeñas, cobra generar un menor volumen de agrupaciones. En cualquier caso podemos agrupar en 4 grandes bloques:
- Nuevos, prometedores y potencialmente fieles.
- Fieles y campeones.
- Necesitan atención y durmiéndose.
- No puedes perderlos, en riesgo e hiberando.
- Con una partición en 4, podemos plantear accionables específicos para cada uno de esos 4 segmentos sin recurrir a la operativa que lleva una partición en 10 con escasas diferencias entre algunos de ellos.
Análisis de retención por cohortes
En qué consiste y como leer el análisis de cohortes
A través de un análisis de cohortes lo que se plantea es aislar determinados segmentos para medir su rendimiento a lo largo del tiempo para determinadas acciones. Los segmentos (también llamados cohortes) que analizaremos son los compradores de primera vez, mientras que la acción que mediremos será la recompra en los meses sucesivos.
Para entenderlo bien vamos a ver la siguiente imagen:
Lo que viene a decirnos esta fila es que en enero de 2021 hubo 302 compradores de primera vez. De éstos, 10 de ellos (el 3,31% del total del segmento) compraron de nuevo al segundo mes (febrero 2021), 13 de ellos (el 4,30% del total del segmento) compraron de nuevo al tercer mes (marzo 2021)… y así sucesivamente hasta el mes de junio.
Una vez comprendida la dinámica, veamos un ejemplo más completo, donde analizamos la tasa de retención mes a mes por cohortes durante 1 año completo.
Qué puntos tener en cuenta a la hora de sacar conclusiones del análisis de cohortes
- A través de un análisis en diagonal, podemos detectar meses del año con una mayor propensión a la recompra en todas las cohortes.
- Podemos detectar aumentos / descensos de la tasa de retención al mes «x» de la primera compra.
- Podemos detectar aumentos de la tasa de retención que no respondan a un patrón temporal concreto. En estos casos, podemos identificarlos con acciones puntuales del pasado que sean interesantes de replicar.
- Nos va a ayudar a medir el impacto de las automatizaciones orientadas a la recompra, sin necesidad de tiempos de espera elevados. Si planteamos un workflow de cross sell a compradores primerizos a las pocas semanas de la primera compra, debería de notarse un incremento de la tasa de retención al 2º y 3er mes
Análisis de recurrencia
En qué consiste el análisis de recurrencia
A través de este análisis, ponemos en relación el volumen de pedidos de compradores primerizos con el de compradores recurrentes, así como la evolución de esta relación a lo largo del tiempo.
En la imagen superior, las barras azules representan el volumen de pedidos de compradores recurrentes mes a mes, mientras que la línea roja marca la representación de estos frente al total de compradores.
Se trata de un ejemplo curioso, ya que a pesar de incrementarse mes a mes el volumen de pedidos de recurrentes, la línea roja tiene un ritmo de crecimiento menor, puesto que el incremento de compradores primerizos es aún superior, como podemos ver en la imagen inferior.
Conclusiones
Una vez tenemos completados los análisis RFM, retención por cohortes y de cálculo de la recurrencia, podemos extraer una gran cantidad de conclusiones que nos van a guiar hacia determinados accionables en función de las conclusiones extraídas en este informe.
Ejemplos de acciones a implementar:
- En caso de detectar un volumen bajo de compradores suscritos a newsletter, habrá que potenciar la suscripción de compradores por medio de descuentos en primera compra. También es importante verificar que la casilla de suscripción tiene presencia en el checkout.
- En caso de detectar un volumen alto de contactos dormidos de valor, podemos plantear acciones de reactivación más o menos agresivas en función del gasto medio por contacto dentro del segmento de inactividad.
- En casos de BBDD pequeñas, podemos generar solo 4 segmentos RFM y construir un journey específico para cada uno, aunque podamos plantear acciones puntuales más allá de esos 4.
- Acciones de cross sell suelen tener un impacto directo a 2º y 3er mes de la primera compra, mientras que acciones de reactivación deben de tener impacto en los cohortes a partir del mes en el que se incita a la recompra. Es decir, si lanzamos un mail a contactos que entran en algún segmento de inactivos del RFM, la tasa de retención a 6º mes debería mejorar respecto a meses anteriores.
- Es posible detectar acciones puntuales con un impacto en la retención viendo el análisis de cohortes. Es una buena práctica indagar sobre qué se ha hecho antes y si es posible replicarlo.
Esperamos que con este post haya quedado un poco más claro cómo auditar una base de datos de compradores. Si queréis aprender más sobre automatizaciones y fidelización, desde VIVA! Conversion os recomendamos visitar la sección Marketing Automation de nuestro blog.
