Introdução à Segmentação de Clientes utilizando Python
Independentemente do nicho de mercado, manter um bom relacionamento com o cliente tem sido foco das atenções de especialistas de todo o mundo. Com o uso da tecnologia, hoje em dia, é possível ter conhecimento sobre os desejos e necessidades dos seus clientes por meio de seu comportamento nas redes sociais e, até mesmo, seguindo a sua pegada digital!
Todo cliente é único e merece tratamento especial. No entanto, para as empresas, utilizar estratégias personalizadas pode ser algo custoso, tanto em tempo quanto em recursos. Imagine a complexidade enfrentada por empresas como Amazon, Americanas, Submarino etc. que possuem uma carteira de clientes diversificada e espalhada por todo o mundo — difícil, não?
Então, entende-se que criar mecanismos (manuais ou automáticas) que possibilitem ações para conquistar novos clientes e, ainda, manter os que já se possui pode se caracterizar como um grande desafio, além de uma excelente research question e, consequentemente, possibilidades de desenvolvimento de pesquisas sobre técnicas, métodos e desenvolvimento de ferramentas.
Dentre as inúmeras estratégias já conhecidas no meio do Customer Relationship Management (CRM), uma abordagem que pode ser utilizada para o conhecimento e a classificação dos seus clientes, possibilitando inclusive ações baseadas em similaridade de perfil é a Segmentação de Clientes. A Sales Force, por exemplo, a define como:
a prática de dividir uma base de clientes em grupos de indivíduos que são semelhantes em formas específicas relevantes ao marketing.
Interessante, não?
Mas na prática, como isso funciona?
De forma simples e objetiva, o processo de segmentação faz uso das características dos consumidores, com intuito de agrupá-los (ou classificá-los) possibilitando ações que impactem esses consumidores diretamente. Essas ações têm características diversas… podem ir de uma simples indicação de um produto até mesmo grande ações de marketing.
Podemos classificar as ações de segmentação de clientes de acordo com as características:
a) Demográficas (Sexo, idade, status do relacionamento, profissão, etc.)
b) Geográficas (cidade, região, país, área urbana ou não);
c) Comportamentais (Consumo, hábitos, produtos e serviços que preferem, compras, pesquisas);
d) Psicográficas (Status social, estilo de vida, características pessoais).
Tenho certeza de que você já deve ter percebido ações assim, não é mesmo?
Recência, Frequência e Valor Monetário — RFV
O método recência (é isso mesmo.), frequência e valor monetário (RFV) consiste em agrupar a carteira de clientes por similaridade, com o intuito de avaliar o comportamento de cada um deles com relação à quando comprou — quando foi a última compra desse cliente, quantas vezes — quantas compras ele realizou em um determinado período de tempo, quanto consumiu — quanto foi o montante pago por esse cliente.
Com essa classificação, uma organização poderá avaliar periodicamente o desenvolvimento de sua carteira de clientes e avaliar, também, as suas ferramentas de venda, podendo aprimorar os seus métodos, processos e procedimentos.
É aconselhado que o RFV seja periodicamente utilizado, com o intuito de acompanhar a evolução da sua carteira de clientes, identificando grupos específicos destes clientes e podendo, com isso, tomar decisões específicas para caga grupo. Você pode até dizer que essa ação não é individualizada… eu até concordo com você, no entanto, o conceito de inteligencia coletiva tem se mostrado extremamente útil como ferramenta de influência de massa.
Como avaliar cada dimensão RFV
Trata-se de uma ferramenta de análise ideal para quem possui clientes com comprar repetidas (supermercado, lojas virtuais, produtos de matérias-primas etc.), então, se você deseja desenvolver atividades nesse seguimento, aconselho a estudar um pouco sobre o conteúdo e sua aplicação prática. Esse post é apenas uma introdução ao tema (mas eu espero que você se interesse por ele). Então, como posso direcionar um plano de aplicação de RFV? Eu indico assim:
Definindo grupos de Recência
Uma dica interessante é definir o intervalo temporal que você deseja analisar os seus dados. Uma vez que você tenha isso bem definido, você pode avaliar a evolução individual de cada cliente e/ou de um grupo de clientes organizados por alguma similaridade de perfil. Sendo assim, você deve responder às seguintes perguntas:
a) Qual é o período de análise? Sugestão: um ou dois anos seria algo interessante.
b) Em quantos grupos vou agrupar os meus clientes? Isso aqui vai depender do que, exatamente, será utilizada na ação de agrupamento. Pode ser qualquer uma das características já mencionadas anteriormente.
Definindo grupos de Frequência
Para cada cliente analisado será necessário avaliar qual é a frequência de cada compra e o período. Uma ação interessante é criar uma escala (1 a 5, por exemplo) para que os clientes sejam classificados. Sugiro que você realizar uma divisão baseada em níveis de frequência equilibrada. Isso, claro, se você não já possuir alguma escala preestabelecida.
Obs: Aconselha-se que a cobertura temporal da análise seja de 24 meses e não apenas de 12 meses.
Definindo grupos de Valor Monetário
O valor deve ser analisado com base na recência e a frequência, por meio da somatória. Depois de uma análise, você pode definir o grupo do qual os clientes fazem parte. Isso facilitará na identificação, inclusive, para futuras ações de vendas da sua organização, criação de premiações etc.
Análises e Ações
Uma forma intuitiva de agrupar a nossa cartela de clientes é por meio de quadrantes. Podemos utilizar das informações do método RFV e criar um score, relacionando os valores de cada atributo analisado (Recência, Frequência e Valor Monetário). Os quadrantes poderiam ser organizados em classes de 1 a 4, por exemplo. No contexto de recência, o valor 1 representa que o cliente consumiu há pouco tempo, já o valor 4 poderia ser atribuído a um cliente que, possivelmente, estamos perdendo. N contexto da frequência, o valor 1 significaria que o cliente consome frequentemente. De forma análoga, o valor monetário classificado com 1 significa que o consumidor está entre um grupo de grandes consumidores. Sendo assim, os clientes ideias estariam classificados (score) como 111.
Devemos criar ações comerciais que possibilitem que os clientes que estão nos quadrantes mais afastados migrem para os quadrantes mais próximos ao inicio da matria e, uma forma bem bacana de acompanhar esse processo é criando gráficos que auxiliem na analise, com relação ao tempo, o comportamento de compra dos clientes.
Relatórios periódicos mensais que indiquem o comportamento dos clientes também pode ser uma boa ferramenta. É importante entender que, se os clientes estiverem se afastando do comportamento ideal (111), estratégia devem ser pensadas e planos executados, afinal, um cliente pode fazer grande diferença no sucesso de sua organização.
Exemplo de análise
Bem… como é de costume, eu fiz um exemplo passo a passo de como você poderia inserir a metodologia RFM em seus negócios ou estudos. Utilizei uma base aberta para a análise (Online Retail Data Set — http://archive.ics.uci.edu/ml/datasets/online+retail) e você pode baixar o projeto para a sua máquia e estudar à vontade. Inclusive, seria interessante evoluir a análise com outros insights.
O link está aqui (https://github.com/adrianosantospb/RFV).
OBS: O código está todo comentado com o intuito de facilitar o entendimento. Fique livre para contribuir.
Bons estudos.
