Analizando la recurrencia de compra en eCommerce con RFM

Uno de los grandes retos para cualquier negocio digital, y en especial para los eCommerce, es mejorar la recurrencia de compra de sus clientes (llamémoslo fidelización).

Para poder trabajar correctamente la fidelización, primero debemos ser capaces de analizarla de alguna forma, y aquí encontramos un primer obstáculo ya que no existen herramientas que nos permitan (fácilmente) tener una idea de la salud en cuanto a fidelización de nuestro negocio.

Históricamente se ha recomendado el análisis de cohortes para este tipo de tareas, pero presenta una serie de complejidades y retos que no todos los negocios están preparados para solventar. Además, por su concepción (y lo veremos en este artículo), el análisis de cohortes es perfecto para negocios como el SaaS, pero su aplicación en un entorno de transacción más puntual como es el eCommerce no tiene un encaje 100% perfecto.

En este artículo os presento un análisis de recurrencia de compra basado en el modelo RFM (Recency, Frecuency, Monetary value), así como una herramienta que permite realizar este análisis de forma directa introduciendo los datos transaccionales en un documento de Excel (y el Excel que os comparto se encarga de hacer todos los cálculos) y los resultados de un análisis sobre la recurrencia de compra y fidelización que he realizado sobre un buen conjunto de tiendas online para poder mostrar una especie de «estado actual de la fidelización en eCommerce en España«.

1. La importancia de la fidelización en eCommerce

A lo largo de los últimos años, he hablado tanto de la importancia de la fidelización en eCommerce que ya me da la sensación que está todo dicho, pero la realidad es que cuando ayudo a algunos eCommerce a vender más, en casi todos los primeros análisis detecto que los esfuerzos se han puesto en captar y, con suerte en convertir a los usuarios, y que la fidelización se deja siempre «para manaña».

A nivel resumen, la importancia de la fidelización en eCommerce se podría resumir de la siguiente manera

• Los costes de captación no dejan de subir en cualquier negocio digital debido al incremento de la competencia y que se empiezan a saturar los canales de captación más naturales.
• Tanto han subido los costes de captación que +90% de los eCommerce realizan su primera venta a pérdidas o sin generar beneficio real. Es decir, los costes de captación suelen ser superiores al margen que nos deja una venta media.
• O trabajamos el poder realizar una segunda (y tercera, cuarta…) venta a los mismos usuarios, o estaremos generando una máquina de perder dinero.

En esto de la fidelización también sucede una especie de «ley de pareto», donde el 80% de los esfuerzos se van a la captación de nuevos clientes que, en el medio plazo, solo genera el 20% de las ventas. Mientras que (con suerte), el 20% de los esfuerzos van a la fidelización que puede generar el 80% de las ventas.

Y lo peor de todo es lo que ejemplifica la siguiente imagen, la realidad es que fidelizar a un cliente es mucho más fácil que captar a uno nuevo cuando el entorno competitivo ya está maduro, como sucede a día de hoy.

Algunos estudios aseguran que cuesta un 500% más captar un nuevo cliente que fidelizar a uno actual (y a mí no me suena una cifra descabellada) o que los clientes recurrentes gastan un 33% más que los nuevos clientes (ya veremos que este diferencial es todavía mayor). También que a partir del mes 30 de la relación del cliente con la marca, el cliente recurrente gasta un 67% más.

El estudio de 2018 de Negocios Digitales de Flat 101 nos dejaba algunas cifras claras en cuanto a conversión de usuarios recurrentes. Los usuarios recurrentes convierten a 2,12% de media mientras que los nuevos usuarios convierten al 0,73% de media. Casi 3 veces más conversión de los usuarios recurrentes que, además, también compran más.

Podríamos seguir dando razones y aportando más datos para justificar la importancia de la recurrencia pero la realidad es que hasta el razonamiento más básico nos lo deja claro. Cualquier comerciante de toda la vida lo tendría claro porque lo han vivido en sus carnes: cuida lo que tienes y una vez esté bien cuidado ya puedes dedicarte a buscar nuevas oportunidades.

2. Los problemas del análisis de cohortes aplicado a eCommerce

La importancia de la fidelización y recurrencia de compra está tan clara que desde hace años que se están probando herramientas y metodologías que faciliten el análisis de la recurrencia de compra.

Ya en 2013 el gran François Derbaix (fundador de Top Rural y ahora uno de los mejores Business Angels de nuestro país) compartía sus reflexiones y trabajo sobre el análisis de cohortes aplicado al eCommerce.

El análisis de cohorte es un subconjunto del Behavioral Analysis que toma los datos de un conjunto de datos determinado y en lugar de ver a todos los usuarios como una unidad, los divide en Grupos relacionados para el análisis (cohortes) que comparten alguna característica.

Aunque podríamos hacer análisis de cohortes teniendo en cuenta cualquier característica de nuestros compradores, para aplicarlo a la recurrencia de compra, se suelen hacer segmentos de usuarios basados en la fecha de su primera compra y se analiza para cada segmento de usuarios, cuántos vuelven a comprar en el mes siguiente, a los dos meses, a los 3 meses…

Si bien el análisis de cohortes es muy buena herramienta para analizar la activación de usuarios en una App (por ejemplo), y también puede ser utilizado en otros entornos como el eCommerce, la realidad es que presenta una serie de complejidades que dificultan su uso en el día a día:

1. Lo primero y más notable es que el cálculo de cohortes es muy complejo de realizar para cualquiera que no sea técnico (y para muchos técnicos tampoco es obvio). Si bien François Derbaix compartía un excel que facilitaba un poco la vida, este Excel requiere que calcules algunos temas complejos como el número de pedidos mes a mes de los clientes nuevos del mes X. En mi experiencia, esta información aunque se puede extraer de los datos de un eCommerce, está a disposición de menos de un 0,1% de las tiendas online por la necesidad de «exprimir los datos».
2. Luego está el tema de los periodos de recurrencia de compra. Si bien el Excel de François planteaba los cohortes por meses, tenemos libertad para elegir días, semanas, meses u otro periodo de tiempo (adaptando los cálculos). Estos periodos de tiempo en otros entornos son más claros. Por ejemplo, una App que se conceptualiza como una App de uso diario tendrá cohortes a nivel de día, si es para uso semanal a nivel de semana y si es de uso más ocasional podemos hacerlo de forma mensual. La propia concepción de la App nos puede dar una idea de cómo generar las cohortes. Ahora bien, en eCommerce… ¿cada cuánto se debería dar la recurrencia de compra? Cada tipo de producto hace que esto cambie. No es lo mismo alimentación del día a día (supermercados online) donde tiene sentido analizarlo a nivel de semana o cada quince días, que si vendo grandes dispositivos de electrónica de consumo (televisiones, neveras, lavadoras…) donde, con suerte, los clientes me comprarán una vez al año (o dos con mucha suerte).
3. El análisis de cohortes está planteado bajo la suposición de que las cohortes del mes X funcionarán mejor o peor que las del mes Y si mi producto era mejor o peor cuando se dieron de alta los usuarios de cada cohorte. Es decir, muy alineado con una App o un servicio SaaS. Pero en eCommerce nos encontramos que además del propio producto digital que es el eCommerce, tenemos un tema de stock de productos que vendo (que es muy variable y afecta mucho) y además tenemos factores muy cambiantes mes a mes como las campañas promocionales, campañas súper agresivas como Black Friday, o incluso factores como los verticales que se ven muy afectados por los ciclos dentro del año (por ejemplo juguetes se vende de Septiembre a Navidades).

Todo esto (y muchos más aspectos de menor calado), hacen que el análisis de cohortes se convierta en una herramienta demasiado pesada para que sea útil en el día a día de un eCommerce Manager.

Siendo esto así… ¿cómo podemos analizar la recurrencia de compra en eCommerce? Mi propuesta se deriva del modelo RFM y para poderla explicar lo mejor posible, empezaremos revisando qué narices es esto del modelo RFM.

3. Entendiendo el modelo RFM

El modelo RFM es un modelo que se utiliza en algunos entornos para analizar el valor de los clientes. Las propias siglas de RFM nos dejan claro en qué pilares se apoya este modelo:

• R de Recencia: ¿Cómo de reciente fue la última compra del usuario?
• F de Frecuencia: ¿Cómo de frecuente realiza este usuario compras en nuestra tienda online?
• M de valor Monetario: ¿Cuánto gasta cada cliente?

El acercamiento más típico es asignarles valores a la recencia y frecuencia entre 1 y 10. En el caso de la recencia estos números marcan el número de meses desde la última compra (siendo 10 un indicador de que hace 10 o más meses de la última compra).

En el caso de la frecuencia algo similar pero cogiendo como valor el número de compras que ha realizado cada cliente.

Con estas dos variables se construye una matriz donde en cada celda tenemos el valor monetario de ese segmento, algo del tipo (en el siguiente ejemplo los valores son entre 1 y 5 pero es equivalente):

4. Adaptando el modelo RFM para el análisis de fidelización en eCommerce

Cuando queremos aplicar este modelo al análisis de fidelización en eCommerce solo tenemos que aplicar unos pequeños ajustes.

Por un lado debemos definir cuáles son los valores ideales para la recencia y la frecuencia de compra. Aquí cada negocio necesitará su adaptación, aunque como base general yo he supuesto lo siguiente.

Para la recencia:

• 1: Hace más de 160 días que no nos compra
• 2: Hace más de 90 días que no nos compra
• 3: Hace más de 60 días que no nos compra
• 4: Hace más de 30 días que no nos compra
• 5: Hace menos de 30 días que no nos compra

Para la frecuencia de compra:

• 1: Nos ha comprado una vez
• 2: Nos ha comprado dos veces
• 3: Nos ha comprado tres veces
• 4: Nos ha comprado cuatro veces
• 5: Nos ha comprado cinco o más veces

Estos valores encajan con los +40 eCommerce que he analizado para el estudio que comparto más adelante en este artículo, pero como pueden variar en determinados sectores, en el Excel que he preparado para calcular todos estos datos se pueden tunear y ajustar fácilmente para cada negocio.

Para analizar el estado de la fidelización de nuestro eCommerce no necesitamos el valor monetario (al menos para una parte).

Así que en una de las visualizaciones lo que he hecho es mostrar el porcentaje de usuarios que aparecen en cada segmento. De esta forma podremos ir analizando cómo varía este porcentaje con el tiempo y también compararnos con un «benchmark» como pueda ser la media de los eCommerce analizados posteriormente.

Para que os hagáis una idea, os dejo una captura de cómo se representa esta segmentación en un caso concreto de los eCommerce analizados:

Lo bueno de esta segmentación es que nos permite tener una «foto fija» del estado de la fidelización de nuestro eCommerce, pero además también nos permite actuar ya que podemos determinar en qué segmento se encuentra cada uno de nuestros clientes y generar para cada segmento una estrategia de comunicación distinta.

Con una estrategia por segmento, podemos conseguir llevar a los clientes de «No puedes perderlos» a «Campeones», es decir, evitar que los clientes que han sido fieles en el pasado se desvinculen de nuestra marca. O asegurarnos que los «Potencialmente fieles» se conviertan en «Campeones» y no los perdamos.

Dándole una vuelta y acercándonos más al significado inicial del RFM, también podemos calcular el LTV de los usuarios que están en cada segmento, una información muy valioso para los eCommerce. Os dejo también una captura de cómo se visualiza esta info en el Excel que os podéis bajar debajo:

La segmentación RFM es una segmentación relativamente estándar pero nos da un montón de posibilidades y sobre todo segmentos que tienen muchísimo sentido ya que agrupan a los compradores en función de su vinculación con nuestro producto o marca.

5. El análisis de recurrencia de compra como complemento al RFM

Aunque con el RFM tengamos una foto «fija» del estado de la fidelización en nuestro eCommerce, hay otra métrica que nos complementa esta visión y que además nos ofrece directamente una tendencia de crecimiento/decrecimiento en cuanto a fidelización.

Esta métrica es el porcentaje de compras que se han realizado en este mes en nuestro eCommerce por parte de clientes que ya habían comprado en el pasado. Este dato se puede conseguir con relativa facilidad (o de forma directa con el Excel que tenéis más abajo) y nos permite tener una visión de cómo evoluciona esta variable a lo largo del tiempo.

En el siguiente gráfico podéis ver la evolución del porcentaje de ventas recurrentes en uno de los eCommerce analizados. La línea azul es el porcentaje de venta recurrente de cada mes y la línea verde es una media móvil de 5 meses que nos sirve de línea base comparativa para ver si lo estamos haciendo mejor o peor que en meses anteriores.

Entre el análisis RFM y esta gráfica, tenemos ya una información bastante fiable del estado actual de la fidelización de nuestro eCommerce. Ahora lo que faltaría es poder compararnos con otros negocios para saber si nuestros datos son buenos, regulares o malos y así conocer el nivel de esfuerzo que nos va a requerir mejorarlos. Esto lo dejamos para un poquito más adelante en este artículo 😉

6. Un Excel para analizar la recurrencia de compra de tu eCommerce

Para facilitar el cálculo tanto del RFM, he creado un fichero Excel que está preparado para recibir como entrada los datos de compras que hayas tenido en tu eCommerce y, a partir de aquí, se encarga de generar la segmentación RFM por porcentaje de usuarios en cada segmento, el cálculo del LTV (Lifetime Value del cliente) y también el cálculo de recurrencia.

Este Excel tiene una serie de pestañas que comento a continuación:

• Resumen: Un resumen del resto de pestañas, por si alguien llega al fichero sin pasar por este artículo o bien a modo de recordatorio.
• Config:  Parámetros que afectan a los cálculos del resto de pestañas. No hace falta que los toques salvo que tu eCommerce tenga periodos de recurrencia muy distintos a los que se plantean como caso medio. Dentro de Config puedes ajustar la Fecha sobre la que se hacen los cálculos, que por defecto se pone a valor de «hoy» pero si los datos que pones en el Excel para el cálculo no llegan hasta el día de hoy, deberías poner como fecha el último día del que tengas datos.
• Datos base: Aquí debéis introducir vuestros datos de ventas conteniendo la fecha de la compra, el valor y el email del usuario (3 primeras columnas). El resto de columnas se calculan automáticamente. Importante mantener el formato de fecha de Excel, que debe ser igual o similar al que hay en los ejemplos de la columna B. Si no dispones del email de tus usuarios, introduce nombre y apellidos o bien el DNI. Es decir, la columna Email está preparada para recibir algo que identifique de forma unívoca a un cliente.
• Agregado mensual: Aquí se calculan los datos del % de ventas que vienen de clientes recurrentes en cada mes. Se calculan desde enero de 2015 hasta diciembre de 2025. Puedes ajustar la ventana de cálculos si lo necesitas.
• Niveles de fidelización: Resumen de la segmentación RFM sobre tus ventas que muestra el porcentaje de clientes que tienes en cada segmento.
• Fidelización sin hibernación: Parecido a la pestaña anterior pero quitando los datos de los clientes Hibernando. Este segmento tiende a acaparar +80% de los usuarios cuando el eCommerce tiene recorrido así que me parecía interesante ofrecer la vista sin estos datos.
• LTV: Cálculo del LTV de los clientes de cada segmento.

¿Cómo introducir tus propios datos?

Este fichero está preparado para que únicamente tengas que pegar en la pestaña «Datos base» los datos de tu histórico de ventas en las columnas B, C y D. Debes incluir todas las ventas que haya generado tu eCommerce (las puedes exportar desde tu Magento, Shopify, Prestashop o la plataforma que utilices) y mantener los formatos de cada columna.

Las columnas E-K se calculan de forma automática para todas las filas en las que hayas metido datos (hasta la 99.999). Como hay muchas filas que hacen cálculos, esto puede hacer que el Excel sea un poco pesado. En el caso de que «te vaya a pedales», te recomiendo que borres el contenido de las filas donde no tengas datos de ventas y así evites que se calculen cosas de más.

7. Análisis de la fidelización en tiendas online españolas

Voy a suponer que llegados a este punto o bien tienes ya calculados los datos de recurrencia para tu tienda online gracias al fichero del punto anterior, o bien estás aquí curioseando y buscando aprender aunque no vendas a través de tu propio eCommerce.

Sea como sea, en este punto voy a comparar un análisis del estado de la fidelización en tiendas online españolas, que he realizado aplicando el anterior fichero Excel a los datos de varios de nuestros clientes, y agregando todos los datos de forma que puedan aportar más valor.

La idea es tener una línea base de referencia con la que medirse, una especie de «salud de la fidelización del eCommerce español», de forma que si nuestros datos concretos son mejores que los que aquí comparto es que vamos por el buen camino, y si son sustancialmente peores es que tenéis mucho por hacer.

Por ahora los datos se han calculado a partir de 47 eCommerce distintos de multitud de sectores y tamaños, desde algunos que facturan apenas 10.000€ al mes a otros que facturan varios millones al mes, y tocando todos los sectores (juguetes, electrónica, moda, alimentación, mascotas…).

No tenemos todavía suficiente muestra como para dar los datos desglosados por sectores, pero según tengamos más datos puede que actualicemos el artículo con esa info (¡estad atentos!)

Porcentaje medio de usuarios en cada segmento RFM en los eCommerce españoles

En esta imagen podemos ver cómo se segmentan, en media, los usuarios de un eCommerce en base a la segmentación RFM.

Lo que vemos es que, en media, un eCommerce español tiene:

• Un 3,67% de nuevos usuarios
• Un 3,89% de usuarios prometedores
• Un 4,76% de usuarios que se están durmiendo
• Un 71,73% de usuarios hibernando
• Un 3,81% de usuarios potencialmente fieles
• Un 0,49% de usuarios que necesitan atención
• Un 5,23% de usuarios en riesgo
• Un 1,93% de campeones
• Un 2,32% de fieles
• Un 2,17% de usuarios «no puedes perderlos», es decir, que han sido fieles pero se están desvinculando de la marca

Hay una fuerte tendencia a acumular usuarios en Hibernando, lo cual es relativamente lógico, porque en cuanto el eCommerce tiene un tiempo de vida, es normal que muchos usuarios hayan comprado de forma puntual. Ahora bien, si tienes más de 75% / 80% de usuarios Hibernando deberías empezar a preocuparte.

Resulta mucho más interesante focalizarse en el resto de segmentos, sobre todo en aquellos que han estado fidelizados pero que se están desvinculando, que son los segmentos «Atención», «En riesgo» y «No puedes perderlos».

Compara tus resultados con esta media y así podrás tener una primera idea de cómo está yendo tu negocio en cuanto a fidelización.

LTV medio de cada segmento RFM en eCommerce en España

También resulta interesante ver cómo varía el LTV en función de cada segmento. Como el LTV varía mucho en cada negocio, lo que hemos hecho es calcular la media de este valor en función de los múltiplos del LTV de cada segmento sobre el LTV medio.

Es decir, vemos que en «Nuevos» aparece 0,56x, eso significa que el LTV medio para ese segmento es 0,56 veces el LTV medio de cada eCommerce.

Porcentaje medio de compra recurrente en eCommerce en España

Otro valor que hemos calculado es el valor medio del porcentaje de compra recurrente que acaban teniendo los eCommerce españoles. Para eso hemos cogido porcentaje de compra recurrente de los últimos meses en cada caso (porque suelen ser los mayores valores de recurrencia), y hemos calculado la media.

En media, el 59% de las compras que se hacen en los eCommerce españoles las hacen usuarios que han comprado anteriormente en ese mismo eCommerce. Hemos visto desde tasas relativamente baja del 28,86% de compra recurrente hasta tasas del 86,36% de recurrencia, lo cual es una pasada (y una gran salud del negocio).

También hemos observado que el porcentaje de compra recurrente suele estabilizarse a partir del mes 18 de los datos analizados. Lo cual indica lo rápido que se fideliza (o no se fideliza) a los clientes en eCommerce.

8. Conclusiones

En este artículo hemos visto cómo utilizar la segmentación RFM y el cálculo de compra recurrente para tener una visión más clara del estado de la fidelización de tu eCommerce.

También hemos compartido un recurso (un fichero Excel) que os permite aplicar todos estos cálculos a partir de vuestros datos y así simplificaros la vida.

Espero que os resulte útil y si tenéis cualquier duda, feedback o lo que sea, no dudéis en dejarlo en los comentarios para enriquecernos todos 🙂