Use el análisis de marketing directo de SPSS Statistics para obtener comprensión profunda

Analice el historial del cliente mediante RFM

Aprenda cómo usar el proceso de análisis RFM del módulo Direct Marketing de IBM® SPSS® Statistics. Al usar este proceso, los usuarios no técnicos pueden analizar sus datos de usuario. Este artículo es para cualquier persona que comienza a trabajar con SPSS Statistics y desea iniciarse en análisis predictivo y eventualmente en big data en un contexto comercial.

David Gillman, Director de servicios, Data Sooner

David GillmanDavid Gillman ha trabajado en áreas de inteligencia de negocio, búsqueda de minería de datos y análisis predictivo por 20 años. Cuenta con formación académica en matemática aplicada, optimización y análisis estadístico con particular énfasis en su aplicación a actividades comerciales. Cuenta con experiencia práctica en la mejora de las operaciones empresariales mediante análisis aplicado en industrias de distribución, manufactura y hospitalidad con organizaciones de varios tamaños. Es posible ponerse en contacto con David en gillman@datasooner.com.



21-01-2013

Introducción

Dividir los clientes en grupos es una tendencia natural. Las empresas desean conocer quiénes son sus mejores clientes, cuáles son los peores, quiénes son potenciales clientes, cuál es nuevo, etc. Los departamentos de marketing y ventas lo hacen regularmente y con frecuencia. Su objetivo es lograr el ingreso máximo (de ventas, en este caso) con un esfuerzo limitado.

Clasificar y agrupar clientes sería una función natural de la naturaleza humana y las operaciones de negocios, pero hacerlo bien es un asunto de estudio, discusión y práctica. Un tipo de modelado de segmentación desarrollado con asistentes en IBM SPSS Statistics es la segmentación de actividades recientes, frecuencia y valor monetario (RFM). RFM es un método probado y ampliamente utilizado para dividir a clientes en grupos de acuerdo a su comportamiento. Una rápida exploración de la lista de clientes agrupados según la puntuación de RFM le muestra quiénes son sus mejores clientes y quiénes son clientes buenos y malos.

El modelado de RFM no es la única forma de segmentar clientes y no es necesariamente la mejor manera. Sin embargo, es un buen método de segmentación de clientes que cualquier persona puede entender con facilidad y usar con rapidez.

Es útil saber cómo sus clientes se dividen en grupos. Es posible usar esa información para predecir el comportamiento del cliente en el futuro inmediato. Es aún más útil monitorear cómo las puntuaciones de RFM de clientes individuales cambian a lo largo del tiempo. Utilizando ese conocimiento es posible cambiar los procesos de negocio para maximizar el ciclo de vida de un cliente. También es posible obtener toda esta información de un asistente fácil de usar en SPSS Statistics.


Modelos RFM

Si usted no está en marketing, puede no haber escuchado sobre la segmentación de RFM. No se preocupe; es fácil de comprender.

  • Recency

    Recency se refiere al tiempo transcurrido desde que el cliente realizó su último pedido de compra. Esta medida se utiliza porque, en muchas situaciones, se ha demostrado que es mucho menos probable que los clientes que realizaron su último pedido hace mucho tiempo vuelvan a hacerlo en comparación con aquellos que hicieron un pedido hace poco tiempo.

  • Frequency

    Frequency se refiere a cuántas veces un cliente le ha realizado un pedido durante su vida. Esta medida se utiliza porque es mucho menos probable que alguien que le haya realizado un pedido vuelva a hacerlo nuevamente en comparación con alguien que le ha hecho pedidos muchas veces. Frequency es a veces ajustada un poco. Después de revisar y examinar sus operaciones, podría inventar una definición un poco diferente de frequency. Por ejemplo, podría usar la cantidad de pedidos por año en vez de los pedidos de toda una vida. Otra variante es usar pedidos solo de un valor específico en el cálculo de frecuencia (eliminar los pedidos pequeños y el efecto que algunos clientes tendrían al realizar muchos pedidos pequeños, lo que aumenta el proceso, la entrega y los costos por cobrar).

  • Monetary value

    Monetary value se refiere al valor del cliente. La mayoría de los análisis RFM usan o bien las ganancias brutas o las utilidades netas obtenidas durante la vida del cliente. Cuál usar depende de la opinión de personas influyentes en la compañía. También es posible definir el valor monetario de otras formas. Usar las utilidades netas por pedido podría cambiar el resultado. Podría ser revelador ver la diferencia de cómo un cliente está jerarquizado en las diferentes medidas de valor monetario.

Habiendo definido el RFM, analicemos el modelo.

Pensemos cada categoría del RFM (actividades recientes, frecuencia y valor monetario) como una lista ordenada de clientes basada en el valor de la medida. Divida esa lista ordenada en partes iguales—, usualmente tres o cinco, pero cualquier cifra servirá. Por ejemplo, todos los clientes que hacen pedidos con más frecuencia recibirán un 1 de 5; los clientes que hacen pedidos solo una vez obtendrán un 5 de 5.

Use el mismo sistema de clasificación para otras medidas. Cada cliente entonces tiene una puntuación de tres números, como 114, 352 o 445. En el caso de SPSS Statistics predeterminado, mientras más bajo sea cada número, será mejor. Si bien es simple en los resultados, muchas industrias usan modelos RFM para una segmentación rápida pero eficiente. El modelado RFM originalmente proviene de la industria de marketing directo (como los catálogos por correo, por ejemplo). El equivalente moderno a los catálogos de ventas por correo es el comercio electrónico. Las compañías usan el modelado RFM para enviar ofertas específicas para que los clientes regresen al local y mantener el reconocimiento del nombre por email.

Otra industria diferente que utiliza el RFM es la distribución de empresa a empresa. En este caso, un negocio puede usar el conocimiento acerca del cliente para establecer listas de precios— más descuentos para los clientes más activos y valiosos. Podría también usarse las actividades recientes para ver rápidamente cuándo los buenos clientes paran de hacer pedidos y luego preparar una oferta para hacer que regresen.


Análisis histórico utilizando RFM

Un solo modelo RFM es una instantánea en el tiempo. Comparar varios modelos en el tiempo es una manera de modelar el ciclo de vida del cliente.

Ver cómo los clientes pasan a varias clases de RFM diferentes durante su vida le otorga un conocimiento profundo del comportamiento del cliente al marketing y los vendedores. A menudo, varias pistas son visibles. Conocer cómo los diferentes tipos de clientes evolucionan en el tiempo a través del modelo RFM proporciona una base para cambiar los procesos de negocios, haciendo ofertas de marketing o movilizando recursos de venta directa al punto de mayor impacto.

Por ejemplo, podría observarse que los nuevos clientes en una industria ingresan con una puntuación RFM de 153 (lo que significa que tuvieron actividad reciente, no son frecuentes y tienen un valor medio si se califican en una escala de 5). Su próximo paso podría ser tener una mejor puntuación RFM de 122.

Luego, podría observarse una división. Algunos clientes podrían descender mientras que otros podrían ascender en sus puntuaciones RFM. Determinar la diferencia entre esos clientes podría resultar en el diseño de mejores ofertas, incentivos o programas de servicio que conduzcan a más clientes en el buen camino.

Mantener una tabla de datos donde se registre la puntuación RFM de cada cliente cada vez que ejecuten los modelos es la manera más fácil de lograrlo.


Otras técnicas de modelado de segmentación

Antes de conocer cómo usar los asistentes de SPSS Statistics para crear un modelo RFM, primero se describirán otras maneras de segmentar clientes en esta herramienta. Como podría esperarse, existen muchas formas de agrupar clientes y SPSS Statistics soporta muchos de los procesos estadísticos usados para cumplir con esta tarea. Haciendo clic en el menú Analyze , es posible observar varias categorías generales de análisis estadístico, incluyendo una llamada Classify (vea la Figura 1).

Figura 1. El submenú desplegado Classify
The expanded Classify submenu

(Vea una versión ampliada de la Figura 1).

El submenú Classify muestra los principales logaritmos disponibles. Estas opciones más avanzadas serán más útiles para usted cuando cambie a la creación de modelos de segmentación personalizados de sus clientes. Sin embargo, su uso efectivo requiere un moderado nivel de conocimiento estadístico y, en realidad, será un proceso de aprendizaje a medida que se adapte a ellas para ajustarlas a las necesidades de su organización y los datos que posee.


Análisis RFM en SPSS Statistics

Comencemos a trabajar. Antes de comenzar en SPSS Statistics, es necesario que recolecte sus datos que se extraen de los sistemas transaccionales. El tipo de datos y la baja complejidad de consulta que es necesaria podrían sorprenderlo. Utilizando algunas consultas bastante básicas que devuelven el conteo de las transacciones, la suma de cantidades y el valor máximo para la fecha, obtenga datos que representen:

  • el número de cliente u otro identificador único,
  • la última fecha de pedido para cada cliente,
  • la cantidad de transacciones que el cliente ha realizado y
  • los ingresos totales para el cliente.

Como se mencionó, es posible usar otras definiciones para la cantidad de transacciones y los ingresos totales para cada cliente. No obstante, la lista dada anteriormente es un buen punto de partida.

Cuando los datos se agrupan, podrían verse como en la Figura 2. En este ejemplo, los datos están en una hoja de cálculo, pero es posible tenerlos en otros formatos. Solo asegúrese que SPSS Statistics pueda leer ese tipo de archivo.

Figura 2. Ejemplo de un archivo de datos en una hoja de cálculo
Example of a data file in a spreadsheet

(Vea una versión ampliada de la Figura 2).

Con el archivo de datos agrupados, usted está listo para comenzar el análisis:

  1. Inicie SPSS Statistics y luego realice una conexión con el archivo de datos.

    Observará la conocida ventana Data Editor llena con su archivo de clientes, como se muestra en la Figura 3.

    Figura 3. El archivo de datos ahora en la ventana Data Editor de SPSS Statistics
    The data file now in the SPSS Statistics Data Editor window

    (Vea una versión ampliada de la Figura 3).

  2. Haga clic en Direct Marketing > Choose Technique.

    El submenú Direct Marketing (vea la Figura 4).

    Figura 4. Figura 4. La ventana Direct Marketing
    The Direct Marketing window
  3. Haga doble clic en Help identify my best contacts (RFM Analysis).
  4. En la ventana RFM Analysis: Data Format (vea la Figura 5), seleccione Customer datay luego haga clic en Continue.
    Figura 5. Las opciones de organización de datos
    Image showing the data organization choices

    Aparece la ventana con múltiple pestañas RFM Analysis from Customer Data en la cual se especifican todos los parámetros para el proceso de modelado RFM.

  5. Haga clic en la pestaña Variables , como se muestra en la Figura 6.

    Esta pestaña tiene cuatro elementos de datos que usted debe definir para que el proceso de modelado RFM funcione. Debe decirle a SPSS Statistics qué variable en los datos ingresados representa la última fecha de transacción, la cantidad de transacciones y el monto (considere las columnas en la hoja de cálculo).

    Figura 6. Definición de elementos de datos para el modelado RFM
    Defining the data elements for RFM modeling
  6. Después de correlacionar las variables de datos a las variables de entrada del modelado, incluya un identificador para que el modelo pueda dar una puntuación a cada cliente. Para este ejemplo, especifique el campo Customer ID de la hoja de cálculo (vea la Figura 7).
    Figura 7. Especificación del campo Customer ID
    Specifying the Customer ID field
  7. Haga clic en la pestaña Binning y luego seleccione la cantidad de bins que desea de las listas Recency, Frequencyy Monetary .

    Binning se refiere a cuántos bins o divisiones desea para cada medida. El valor predeterminado para cada medida es 5, el cual es una cifra común de uso en la vida real. Para simplificar, los ejemplos se adaptaron para trabajar con 3 (vea la Figura 8).

    Figura 8. Selección de la cantidad de divisiones en la pestaña Binning
    Selecting the number of divisions you want on the Binning tab

    Determinación de la cantidad de bins que es necesaria

    Determinar cuántas divisiones debería usar puede ser difícil. Demasiados bins (nueve o más) y creará tantas puntuaciones que tendrá un modelo difícil de comprender. Si son demasiado pocos, el modelo no será significativo.

    Una práctica común es usar un número impar aunque nunca existió una explicación satisfactoria del motivo. No obstante, utilizar un número impar crea una categoría media frente a la cual comparar los resultados. Esa explicación está lejos de ser indiscutible, pero usualmente se sigue la costumbre de usar un número impar de todos modos.

  8. En la ventana Binning Method , seleccione Nested o Independent, según corresponda.

    La opción que elija cambiará el lugar donde se colocará a las personas para las puntuaciones de frecuencia y valor monetario. Un método no es necesariamente mejor que otro. La mejor manera de decidir es realizar un diagrama de flujo de la diferencia y analizar el procedimiento con sus usuarios de negocios y los responsables en la toma de decisiones. Cuando haya decidido qué método utilizar, manténgase fiel a su decisión para modelados posteriores y así las comparaciones en el tiempo serán válidas.

  9. Haga clic en la pestaña Save .
  10. Elija dónde escribir la salida del modelo (vea la Figura 9). Para este ejemplo, utilice el output.sav predeterminado.

    En general, se selecciona Write a new data file en el área Location y luego se hace clic en Browse para nombrar un nuevo archivo. El único formato para este archivo es el formato original .sav de SPSS Statistics.

    Figura 9. Al guardar la salida
    Image showing how to save your output
  11. Haga clic en la pestaña Output , como se muestra en la Figura 10.

    Esta pestaña controla la salida que se muestra en Viewer de SPSS Statistics. Las selecciones y los cambios en esta pestaña no afectan el archivo de salida que se indica en la pestaña Save .

    Figura 10. La pestaña Output
    Image showing the Output tab
  12. Haga clic en OK para ejecutar el modelo RFM.

    Los datos de salida se verán como en la Figura 11 en el Data Editor después de ejecutar el procedimiento de modelado.

    Figura 11. El archivo output.sav en la ventana Data Editor de SPSS Statistics
    The output.sav file in the SPSS Statistics Data Editor window

    (Vea una versión ampliada de la Figura 11).

Después de que el proceso de modelado está completo, Viewer de SPSS Statistics Viewer muestra una ventana similar a la Figura 12, Figura 13 y Figura 14. Debe acceder al archivo de datos de salida por separado utilizando la ventana Data Editor.

Figura 12. La pantalla en Viewer de SPSS Statistics que surge del proceso de modelado RFM (1 de 3)
Screen in SPSS Statistics Viewer that results from the RFM modeling process (1 of 3)

(Vea una versión ampliada de la Figura 12).

Figura 13. La pantalla en Viewer de SPSS Statistics que surge del proceso de modelado RFM (2 de 3)
Screen in SPSS Statistics Viewer that results from the RFM modeling process (2 of 3)

(Vea una versión ampliada de la Figura 13).

Figura 14. La pantalla en Viewer de SPSS Statistics que surge del proceso de modelado RFM (3 de 3)
Screen in SPSS Statistics Viewer that results from the RFM modeling process (3 of 3)

(Vea una versión ampliada de la Figura 14).

Utilice los diagramas y gráficos en la ventana de Viewer para informar cómo el modelo presenta los datos a sus analistas y responsables de la toma de decisiones de negocios. Estas ventanas también incluyen estadísticas básicas acerca del valor medio de cada medida de variable de salida con desviaciones estándar. También considere hacer sus propios gráficos y tablas que estén diseñados a la medida de su audiencia.

Nota: Es posible guardar el archivo output.sav en otros formatos y luego integrarlo en consultas y bases de datos para poder dar puntuaciones RFM a clientes en diferentes aplicaciones.


Usarlo con frecuencia

Un solo modelo RFM es una fotografía instantánea del comportamiento pasado de sus clientes hasta la perspectiva actual. Ejecutar este modelo en el tiempo y utilizar los resultados para demostrar cómo los clientes se mueven entre las categorías proporciona un conocimiento profundo que un solo resultado no puede dar.

La manera más fácil de hacerlo es crear un simple archivo de datos que almacene las puntuaciones de cada cliente por fecha. Utilizando consultas igualmente simples, es posible obtener las series cronológicas de puntuaciones RFM para clientes individuales y grupos de clientes en el tiempo. Para realizar un análisis más preciso, ejecute el modelo RFM regularmente y en intervalos de tiempo uniformemente separados. De esta forma, creará una base para el análisis del ciclo de vida del cliente.

Es posible usar estos datos para observar muchas cosas acerca de cómo el comportamiento de pedido de sus clientes cambia con el tiempo. Una de las mejores maneras es combinar su análisis con una segmentación demográfica para observar cómo diferentes grupos se desplazan entre las puntuaciones RFM con el tiempo. Una visión que podría adquirir es cómo identificar patrones que indiquen cuándo es probable que un cliente deje de realizar pedidos (algunas personas lo denominan cambio de servicio). Dirigirse a esos clientes con incentivos o atención extra cambiaría sus próximas acciones y se los conservaría por más tiempo.


Conclusión

Utilizar las posibilidades del modelado RFM dentro de SPSS Statistics es una manera rápida de incorporar personas para un mayor análisis. Es posible usar el modelado RFM para obtener un conocimiento más profundo del comportamiento de sus clientes, ya sea en un minorista, comercio electrónico, distribución u otras industrias comerciales. Incluso las instituciones benéficas pueden aplicar este modelo para mejorar la interactividad con los donadores.

El análisis RFM es, relativamente, un proceso de modelado fácil de comprender. Los usuarios de negocios pueden ver su valor rápidamente. Utilícelo para hacer un uso profundo del análisis en su organización. Es un fantástico punto de partida para encontrar más maneras interesantes de incorporar la minería de datos y el análisis predictivo en su compañía.

Recursos

Aprender

Obtener los productos y tecnologías

  • Evalúe los productos de IBM de la forma en que más le convenga: Descargue la prueba del producto, pruebe el producto online, use el producto en el entorno de nube o pase algunas horas en SOA Sandbox aprendiendo cómo implementar la arquitectura orientada a servicios de manera eficiente.

Comentar

  • Participe en la comunidad developerWorks. Conéctese con otros usuarios de developerWorks mientras explora los blogs, foros, grupos y wikis dirigidos al desarrollador.

Comentarios

developerWorks: Ingrese

Los campos obligatorios están marcados con un asterisco (*).


¿Necesita un IBM ID?
¿Olvidó su IBM ID?


¿Olvidó su Password?
Cambie su Password

Al hacer clic en Enviar, usted está de acuerdo con los términos y condiciones de developerWorks.

 


La primera vez que inicie sesión en developerWorks, se creará un perfil para usted. La información en su propio perfil (nombre, país/región y nombre de la empresa) se muestra al público y acompañará a cualquier contenido que publique, a menos que opte por la opción de ocultar el nombre de su empresa. Puede actualizar su cuenta de IBM en cualquier momento.

Toda la información enviada es segura.

Elija su nombre para mostrar



La primera vez que inicia sesión en developerWorks se crea un perfil para usted, teniendo que elegir un nombre para mostrar en el mismo. Este nombre acompañará el contenido que usted publique en developerWorks.

Por favor elija un nombre de 3 - 31 caracteres. Su nombre de usuario debe ser único en la comunidad developerWorks y debe ser distinto a su dirección de email por motivos de privacidad.

Los campos obligatorios están marcados con un asterisco (*).

(Por favor elija un nombre de 3 - 31 caracteres.)

Al hacer clic en Enviar, usted está de acuerdo con los términos y condiciones de developerWorks.

 


Toda la información enviada es segura.


static.content.url=http://www.ibm.com/developerworks/js/artrating/
SITE_ID=90
Zone=Business analytics, Industries
ArticleID=855634
ArticleTitle=Use el análisis de marketing directo de SPSS Statistics para obtener comprensión profunda
publish-date=01212013