Customer analytics · B2B
255 clientes · otros 5 segmentos 111 Loyal · 198.000€ en riesgo 34 Champions
Análisis RFM
Distribuidora B2B de hostelería · 400 clientes · segmentación de clientes en Power BI
scroll ↓
El problema
Las ventas estaban bajando, pero no estaba claro por qué.
La cartera de clientes crecía, pero el revenue no acompañaba. El equipo comercial tenía los datos, pero no una forma sencilla de saber qué clientes seguían activos, cuáles estaban perdiendo frecuencia y cuáles podían estar a punto de desaparecer.
Antes de pensar en captar más clientes, había que mirar los que ya estaban dentro.
El objetivo
Entender cómo estaba comprando cada cliente.
Analicé los 400 clientes a partir de tres preguntas muy sencillas:
¿Cuándo compró por última vez? ¿Cuántas veces compra? ¿Cuánto dinero deja?
Con esas tres variables construí un modelo RFM para detectar diferentes comportamientos de compra y, sobre todo, localizar dónde había revenue que podía estar en riesgo.
clientes analizados
segmentos de comportamiento
revenue en riesgo detectado
Mi enfoque
Tres variables para entender una cartera de clientes.
El modelo RFM parte de una idea bastante simple: el comportamiento reciente de un cliente dice mucho más que su valor histórico por separado.
Para cada cliente calculé:
Recency
Días desde su última compra.
Frequency
Número de pedidos realizados.
Monetary
Importe total comprado.
Los tres valores se transforman en puntuaciones utilizando percentiles dinámicos, en lugar de utilizar cortes fijos. Así, la segmentación se adapta a la distribución real de los clientes y no depende de unos umbrales definidos a mano.
¿El resultado?
7 segmentos de comportamiento
Champions
Los clientes más activos y de mayor valor.
Loyal
Clientes con una relación sólida, pero que empiezan a mostrar señales de pérdida de actividad.
Potential
Clientes con margen para aumentar su relación con la empresa.
At Risk
Clientes cuya actividad empieza a deteriorarse.
Needs Attention
Clientes que necesitan seguimiento antes de que su actividad siga cayendo.
Average
Clientes con un comportamiento intermedio.
Lost
Clientes que prácticamente han dejado de comprar.
Modelo de datos
El RFM está dentro del modelo, no separado del resto.
Construí un esquema en estrella con Fact_Pedidos como tabla de hechos y cinco dimensiones: Dim_Cliente · Dim_Fecha · Dim_Producto · Dim_Comercial · Dim_TipoEstablecimiento.
Las puntuaciones RFM y el segmento final viven en Dim_Cliente. De esta forma, la segmentación se puede cruzar con el resto del modelo para analizarla por zona, comercial, tipo de establecimiento, producto o periodo.
El dashboard se construyó alrededor de cuatro preguntas:
¿Cómo está el negocio?
¿Cómo se distribuyen los clientes?
¿Cómo evoluciona el revenue?
¿Qué debería hacer el equipo comercial con cada segmento?
Esta última parte se convirtió en una tabla de acciones comerciales generada directamente desde DAX mediante HTML, sin depender de un visual externo.
Esquema
Visualización en Power BI
Una página para pasar del dato a la acción.
Una señal que no aparecía en el total.
111 clientes Loyal — 198.000 € en riesgo.
Este grupo concentraba una parte importante del revenue, pero llevaba meses mostrando una peor recency.
No eran clientes que hubieran desaparecido de repente. Seguían teniendo un historial de compra valioso, pero estaban dejando de comprar.
Ahí es donde la segmentación cambia la lectura: el problema deja de ser «las ventas están bajando» y pasa a ser «estos clientes necesitan atención».
Hallazgos clave
Dos segmentos. Dos situaciones completamente distintas.
Loyal
Clientes con un historial de compra importante que estaban perdiendo actividad.
La recency había aumentado durante los últimos meses mientras su nivel histórico de gasto seguía siendo relevante. Era un grupo especialmente interesante para una estrategia de reactivación.
Champions
Los clientes más activos y rentables de la cartera.
Su recency media era de solo 14 días, una señal clara de que mantenían una relación de compra frecuente.
El mismo dashboard que detecta clientes en riesgo también permite identificar quiénes están sosteniendo el negocio.
Herramientas
Stack técnico
Power BI
Modelado, visualización e interacción con el dashboard.
DAX
Cálculo de Recency, Frequency y Monetary, percentiles, segmentación y generación de la tabla de acciones comerciales.
Power Query / M
Preparación y transformación de los datos.
Esquema en estrella
Separación entre hechos y dimensiones para mantener un modelo flexible y fácil de analizar.
HTML en DAX
Tabla de acciones comerciales generada dentro de una medida, sin utilizar un visual externo.
Percentiles dinámicos
Cortes de segmentación adaptados a la distribución real de los clientes.
Qué me llevo del proyecto
Lo más difícil no fue calcular el RFM.
La fórmula es conocida. La parte interesante estaba en decidir cómo convertir esos cálculos en una segmentación que tuviera sentido para el negocio.
Un corte fijo puede funcionar en un dataset y dejar de tener sentido cuando cambia la distribución de clientes. Por eso opté por percentiles dinámicos: el modelo se adapta a los datos en lugar de obligar a los datos a adaptarse al modelo.
También me encontré con los límites de generar HTML desde DAX. Funciona para determinados casos, pero no sustituye a un visual nativo cuando la interacción o el mantenimiento empiezan a complicarse.
Al final, el proyecto me dejó una idea bastante sencilla:
Un buen análisis no solo tiene que decir qué está pasando. Tiene que ayudar a ver dónde mirar después.
De «las ventas están bajando» a saber exactamente dónde mirar.
Dashboard interactivo publicado en Power BI Service
Portfolio completo de Power BI