Segmentación RFM: guía completa para ecommerce — qué es y cómo aplicarla

¿Qué es el modelo RFM?

RFM son las siglas de tres dimensiones del comportamiento de compra de un cliente:

• Recency (Recencia): ¿Cuándo fue su última compra? Un cliente que compró hace 7 días es más valioso que uno que compró hace 14 meses, aunque este último haya gastado más en total.
• Frequency (Frecuencia): ¿Cuántas veces ha comprado en un período determinado? La frecuencia indica hábito y compromiso con tu marca.
• Monetary (Valor monetario): ¿Cuánto ha gastado en total (o de media por pedido)? Esta dimensión refleja el valor económico directo del cliente para tu negocio.

El modelo fue formalizado por los investigadores de marketing Bult y Wansbeek en los años 90, aunque sus raíces prácticas en el marketing por catálogo son anteriores. La razón por la que ha sobrevivido al boom del big data y los modelos de machine learning es que sus tres dimensiones capturan la mayoría de la varianza en el comportamiento de compra futuro con datos que cualquier negocio tiene disponibles.

En ecommerce, RFM es especialmente potente porque cada transacción queda registrada con fecha, cliente e importe. No necesitas ninguna herramienta especial para empezar — solo los datos de pedidos de tu tienda.

Cómo calcular cada dimensión del RFM

El cálculo básico es sencillo. Para cada cliente, necesitas tres valores:

Recencia (R)

Número de días desde la última compra hasta la fecha de análisis. Si hoy es 24 de junio de 2026 y el cliente hizo su último pedido el 10 de mayo de 2026, su recencia es 45 días.

Fórmula: R = Fecha análisis − Fecha última compra (en días)

Importante: una recencia más baja (menos días) es mejor. Cuando asignes puntuaciones, invierte la escala.

Frecuencia (F)

Número de pedidos realizados en el período de análisis (habitualmente 12 meses, aunque puede ser 6 o 24 dependiendo de tu sector). En sectores de alta frecuencia como alimentación o cosmética, 12 meses puede ser poco; en muebles o electrónica de alta gama, puede ser demasiado.

Fórmula: F = Número de pedidos en el período de análisis

Valor Monetario (M)

Puede calcularse de dos formas:

• Valor total acumulado: suma de todos los pedidos del cliente en el período. Útil para identificar el valor histórico absoluto.
• Ticket medio: valor total dividido entre número de pedidos. Útil para detectar clientes de alto valor por pedido aunque compren poco.

Para la mayoría de ecommerces, el valor total acumulado es la métrica más accionable. El ticket medio se usa como métrica complementaria.

Cómo puntuar el RFM: el sistema de quintiles

Una vez calculados los tres valores, necesitas convertirlos en puntuaciones comparables. El método más común es el sistema de quintiles: divides a todos tus clientes en 5 grupos iguales según cada dimensión y asignas puntuaciones del 1 al 5.

Para Recencia: el 20% de clientes con compra más reciente recibe un 5; el 20% con compra más antigua, un 1.

Para Frecuencia y Monetary: el 20% con mayor frecuencia/gasto recibe un 5; el 20% con menor, un 1.

El resultado es un código RFM de tres dígitos para cada cliente. Un cliente con puntuación 5-5-5 es tu mejor cliente posible. Un cliente 1-1-1 es el que está más alejado y tiene menos valor.

Algunos analistas prefieren un sistema de cuartiles (4 grupos) para mayor granularidad sin llegar a los 125 segmentos posibles del sistema 5x5x5. La elección depende de cuántos clientes tengas y cuánta granularidad puedas realmente gestionar en tus acciones de marketing.

Los 8 segmentos RFM principales y qué significan

Aunque matemáticamente existen 125 combinaciones posibles (5×5×5), en la práctica se agrupan en entre 6 y 10 segmentos accionables. Estos son los más utilizados en ecommerce:

1. Champions (5-5-5 y similares: R≥4, F≥4, M≥4)

Compraron recientemente, compran con frecuencia y gastan mucho. Son tus mejores clientes. Estrategia: tratar como VIP, acceso anticipado a novedades, programas de referidos, productos exclusivos. El objetivo es mantenerlos, no convertirlos.

2. Loyal Customers (R≥3, F≥4, M≥3)

Compran regularmente y gastan bien, aunque quizás no son los más recientes o los de mayor ticket. Estrategia: programas de fidelización con beneficios escalonados, comunicación frecuente con contenido de valor, upsell hacia categorías adyacentes.

3. Potential Loyalists (R≥4, F=2-3, M≥2)

Han comprado recientemente más de una vez pero aún no tienen el hábito consolidado. Son la oportunidad de oro: están en la fase en la que se decide si se convierten en clientes habituales o se pierden. Estrategia: secuencia de emails de bienvenida extendida, programa de puntos de bienvenida, incentivo para la tercera compra.

4. New Customers (R=5, F=1, M cualquiera)

Primera compra reciente. El reto es convertirlos en compradores habituales. Estadísticamente, un cliente que realiza su segunda compra tiene un 45% de probabilidad de hacer una tercera. Estrategia: onboarding por email, guía de uso del producto, incentivo para segunda compra a los 30 días.

5. At Risk (R=2-3, F≥3, M≥3)

Antes eran buenos clientes pero hace tiempo que no compran. Es urgente actuar. Estrategia: campaña de reactivación personalizada, oferta exclusiva con urgencia, encuesta de satisfacción para entender por qué dejaron de comprar.

6. Can't Lose Them (R=1-2, F≥4, M≥4)

Clientes históricamente excelentes que llevan mucho tiempo sin aparecer. Máxima prioridad de recuperación. Estrategia: contacto personal (si el volumen lo permite), oferta muy agresiva, mensaje directo del CEO o responsable de la tienda.

7. Hibernating (R=2-3, F=2-3, M=2-3)

Clientes medios que han reducido su actividad. No son urgentes pero tampoco deben ignorarse. Estrategia: emails de reactivación con novedades de catálogo, descuento moderado, recordatorio de productos abandonados en el carrito.

8. Lost (R=1, F=1-2, M=1-2)

Compraron una o dos veces hace mucho tiempo y probablemente no volverán. Estrategia: intentar reactivación con oferta muy atractiva. Si no responden, reducir la frecuencia de comunicación para no consumir recursos ni dañar métricas de email.

Estrategias de acción por segmento

El análisis RFM solo tiene valor si desemboca en acciones concretas. La siguiente tabla resume las acciones más efectivas por segmento:

Cómo aplicar RFM en Prestashop

Prestashop no incluye un módulo nativo de segmentación RFM, pero dispones de varias opciones para implementarlo:

Opción 1: Exportación y análisis manual

Exporta el historial de pedidos desde el back-office de Prestashop (Pedidos → Exportar) y trabaja en Excel o Google Sheets. El proceso:

1. Exporta todos los pedidos con estado "completado" del último año.
2. Agrupa por cliente: fecha de último pedido, número de pedidos, suma total gastada.
3. Calcula los quintiles para cada dimensión usando la función PERCENTRANK de Excel.
4. Asigna puntuaciones 1-5 y construye el código RFM.
5. Agrupa en segmentos según la tabla de referencia.
6. Exporta cada segmento como lista para tu herramienta de email marketing (Mailchimp, Klaviyo, Brevo, etc.).

Este proceso lleva entre 3 y 5 horas la primera vez. Las actualizaciones posteriores son más rápidas si automatizas la extracción.

Opción 2: Módulos de Prestashop

Existen módulos en el marketplace de Prestashop que automatizan parte del proceso. Los más valorados en 2026 incluyen análisis de clientes con segmentación básica, aunque la mayoría no ofrecen el nivel de granularidad ni las recomendaciones accionables de una solución especializada.

Opción 3: Solución especializada como Ninlogic

Ninlogic conecta directamente con tu Prestashop vía API y calcula automáticamente los segmentos RFM para toda tu base de clientes. El resultado es un dashboard actualizado con los segmentos activos, la evolución temporal de cada uno y las recomendaciones de acción específicas para tu sector y tamaño de negocio.

Errores comunes al implementar RFM

1. Usar el ticket medio en lugar del valor total

Un cliente que compró una vez por 500€ y uno que compró 10 veces por 50€ tienen el mismo ticket medio pero perfiles completamente distintos. El segundo es mucho más valioso en términos de LTV y probabilidad de compra futura.

2. Ignorar la estacionalidad

Si analizas la recencia en enero, los clientes que solo compran en Navidad tendrán una recencia de 4-6 semanas. Si lo analizas en julio, esos mismos clientes parecerán inactivos. Ajusta las ventanas temporales según tu ciclo de negocio.

3. No actualizar el análisis con frecuencia suficiente

RFM es dinámico. Un cliente puede pasar de "Champion" a "At Risk" en 90 días si no vuelve a comprar. Hacer el análisis una vez al año y aplicar las mismas estrategias durante 12 meses es un error que genera acciones inadecuadas para muchos clientes.

4. Tratar todos los segmentos con el mismo canal

Enviar el mismo email a Champions y a clientes Lost es un error de segmentación básico. No solo reduce la efectividad de las campañas, sino que puede dañar tu reputación de remitente si los usuarios inactivos marcan tus emails como spam.

5. Olvidar que RFM mide comportamiento pasado, no predice el futuro

RFM es descriptivo, no predictivo. Un cliente con puntuación 5-5-5 puede dejar de comprar mañana por razones que el modelo no puede capturar (cambio de situación económica, mala experiencia con el último pedido, cambio a un competidor). Usa RFM como punto de partida, no como verdad absoluta.

RFM vs otras metodologías de segmentación

RFM no es la única forma de segmentar clientes, ni siempre es la mejor. Aquí una comparativa honesta:

RFM vs segmentación demográfica

La segmentación demográfica (edad, género, ubicación) es útil para personalizar creatividades y mensajes. RFM es más útil para priorizar a quién comunicar y con qué urgencia. Son complementarios: puedes aplicar RFM para priorizar y demografía para personalizar el mensaje.

RFM vs modelos de propensión de compra (ML)

Los modelos de machine learning de propensión de compra pueden ser más precisos que RFM, especialmente en bases de clientes grandes (>10.000 clientes activos). Sin embargo, requieren más datos, más recursos técnicos y más tiempo de implementación. Para la mayoría de ecommerces medianos, RFM ofrece el 80% del valor con el 20% del esfuerzo.

RFM vs CLV predictivo

El Customer Lifetime Value predictivo intenta estimar el valor futuro de un cliente basándose en su comportamiento histórico y patrones de cohorte. Es más sofisticado que RFM pero también más complejo. RFM es un buen punto de partida antes de dar el salto a CLV predictivo.

¿Cuándo RFM no es suficiente?

• Cuando tienes menos de 200 clientes activos (los quintiles no son estadísticamente significativos).
• Cuando tu modelo de negocio tiene compras muy infrecuentes por naturaleza (venta de coches, por ejemplo).
• Cuando necesitas incorporar datos no transaccionales (comportamiento web, interacciones con email, NPS) en la segmentación.

Preguntas frecuentes sobre RFM en ecommerce