RFM na prática: como classificar 3.000 clientes em uma tarde

Você já tentou classificar seus clientes e desistiu porque parecia complicado demais? Algoritmos, machine learning, ciência de dados — tudo isso existe e funciona. Mas antes de qualquer ferramenta sofisticada, existe uma técnica simples que funciona desde os anos 1990 e que você pode aplicar hoje mesmo: a análise RFM.

O que é RFM

RFM significa três coisas:

• Recência (R): quando foi a última interação do cliente? Quanto mais recente, mais engajado ele tende a estar.
• Frequência (F): com que regularidade esse cliente interage com você? Pagamentos, chamados, uso de serviço — tudo conta.
• Monetário (M): quanto esse cliente gasta ou gera de receita?

A ideia é simples: cada cliente recebe uma nota de 1 a 5 em cada dimensão. A combinação dessas notas revela em qual grupo ele se encaixa.

O que encontramos em uma base real

Quando aplicamos RFM em uma associação de proteção veicular com cerca de 3.000 membros, os resultados apareceram em horas — não em semanas. A classificação separou os clientes em quatro grandes grupos:

• Champions (Campeões): 514 clientes — pagam em dia, usam os serviços, estão há bastante tempo na base. São o coração do negócio.
• Fiéis: 2.323 clientes — a maioria silenciosa. Pagam regularmente, não dão trabalho, mas também não se destacam. São a espinha dorsal da receita.
• Em Risco: 54 clientes — já foram bons, mas estão esfriando. Recência caindo, frequência diminuindo. Sinal de alerta.
• Hibernando: 27 clientes — quase desaparecidos. Última interação há muito tempo. Se não agir rápido, viram cancelamento.

Por que RFM funciona tão bem

A pesquisa acadêmica confirma o que a prática mostra. Khajvand e Zolfaghar (2011), no artigo "Estimating Customer Lifetime Value Based on RFM Analysis of Customer Purchase Behavior", demonstraram que a análise RFM não serve apenas para classificar clientes — ela também é uma base confiável para estimar o valor de vida do cliente (CLV).

Os autores mostraram que clientes com alta recência e alta frequência tendem a gerar significativamente mais receita ao longo do tempo. Parece óbvio, mas a maioria das empresas não traduz essa intuição em ação concreta.

Como aplicar em uma tarde

Você precisa de três coisas para fazer uma análise RFM:

1. Uma lista de clientes com identificador único (CPF, código interno, e-mail)
2. Datas de transação — pagamentos, chamados abertos, uso de serviço
3. Valores — quanto cada cliente pagou ou gerou de receita

Com esses dados em uma planilha, o processo é:

1. Para cada cliente, calcule a data da última transação (R), o número total de transações (F) e o valor total gasto (M).
2. Ordene cada coluna e divida em 5 faixas iguais (quintis). Cada cliente recebe uma nota de 1 a 5 em cada dimensão.
3. Combine as notas para criar segmentos. Um cliente com R=5, F=5, M=5 é um campeão. Um cliente com R=1, F=1, M=1 está hibernando.

Não precisa de software especializado. Uma planilha com fórmulas de PERCENTIL e SE já resolve.

O que fazer com cada segmento

O valor do RFM não é a classificação em si — é a ação diferenciada que ela permite:

• Campeões (514): proteja-os. Dê atenção prioritária, ofereça benefícios exclusivos, peça indicações. Eles são seus melhores vendedores.
• Fiéis (2.323): mantenha a consistência. Não precisam de promoção — precisam de estabilidade e bom atendimento.
• Em Risco (54): aja agora. Uma ligação do gerente, uma oferta personalizada, um check-in sincero pode reverter o afastamento.
• Hibernando (27): tente uma última vez. Uma mensagem direta perguntando se está tudo bem pode trazer de volta — ou, no mínimo, revelar o motivo do afastamento.

O ponto de partida

Se você nunca fez uma segmentação RFM, comece hoje. Não espere ter o sistema perfeito ou o analista ideal. Pegue os dados que você já tem — mesmo que imperfeitos — e faça a primeira classificação. Você vai se surpreender com o que os números revelam sobre clientes que você achava que conhecia.

Referências

• Khajvand, M., & Zolfaghar, K. (2011). "Estimating Customer Lifetime Value Based on RFM Analysis of Customer Purchase Behavior." Procedia Computer Science, 3, 57–63. https://www.sciencedirect.com/science/article/pii/S1877050910003868