O que é RFM (Recência, Frequência, Valor Monetário)?
RFM é um modelo de segmentação de clientes baseado em três variáveis de comportamento de compra: Recência (há quanto tempo o cliente comprou pela última vez), Frequência (com que frequência ele compra dentro de um período) e Valor Monetário (quanto ele gasta no total ou por compra). A premissa central é simples e empiricamente robusta: o comportamento de compra passado prevê o comportamento futuro melhor do que atributos demográficos como idade, renda ou localização.
A técnica nasce do database marketing dos anos 1980 e 1990, quando empresas de venda por catálogo e mala direta precisavam decidir, dentro de bases com milhões de nomes, para quem valia a pena enviar uma peça impressa. Em vez de mirar toda a lista, segmentavam por histórico de resposta. Foi Arthur Hughes quem sistematizou e popularizou o método em Strategic Database Marketing (1994). Pouco depois, Jan Roelf Bult e Tom Wansbeek (1995), em Optimal Selection for Direct Mail (Marketing Science), formalizaram estatisticamente o problema de seleção e demonstraram o poder preditivo das variáveis RFM em campanhas de mala direta.
As três dimensões e como pontuar
Cada cliente recebe uma nota nas três dimensões. O método clássico divide a base em quintis: ordena-se a base por cada variável e atribui-se uma nota de 1 a 5, de modo que 20% da base fique em cada faixa. Concatenando as três notas, obtém-se um score RFM de três dígitos — de 111 a 555 — gerando 125 combinações possíveis (5 x 5 x 5).
- Recência (R): dias desde a última compra. É consistentemente a variável mais preditiva das três, porque quem comprou recentemente está engajado e tem maior probabilidade de comprar de novo. Quanto menor o intervalo, maior a nota.
- Frequência (F): número de compras no período analisado. Indica hábito, lealdade e baixa sensibilidade a atritos. Frequência alta sinaliza relacionamento, não apenas transação.
- Valor Monetário (M): total gasto (ou ticket médio) no período. Separa os clientes que efetivamente sustentam a receita daqueles de baixo retorno.
O cliente 555 é o ideal: comprou há pouco, compra com frequência e gasta muito. O 111 está praticamente perdido. Há variações do método — usar faixas fixas em vez de quintis, ponderar dimensões por relevância para o negócio (em assinaturas, frequência pesa mais; em itens de alto valor, M pesa mais) ou somar as notas em um índice único. A escolha entre quintis e cortes fixos depende do volume e da distribuição da base; quintis tendem a funcionar melhor quando a base é grande e relativamente estável.
Segmentos típicos e ações de CRM
As 125 combinações são impraticáveis de gerir individualmente. Por isso agrupam-se scores em segmentos nomeados, com tratamento diferenciado. O valor do RFM não está na nota, e sim na ação que ela dispara dentro do CRM.
- Campeões (R e F e M altos, ex.: 555, 554): melhores clientes. Ação: programas de fidelidade, lançamentos antecipados, atendimento prioritário e pedidos de indicação. Custam pouco para reter e geram receita estável.
- Leais e potenciais leais (F alta, M crescente): compram com regularidade. Ação: cross-sell e up-sell para elevar o valor monetário.
- Em risco (M e F altos no passado, R baixa, ex.: 155, 144): bons clientes esfriando. Ação: campanhas de reativação personalizadas antes que migrem para o concorrente, pois sua perda compromete receita relevante e eleva o churn.
- Hibernando / quase perdidos (R, F e M baixos, ex.: 111, 122): inativos de longa data. Ação: reengajamento de baixo custo e testes A/B; se não responderem, parar de investir e remover da base ativa.
- Novos clientes (R alta, F baixa): compraram há pouco, mas só uma vez. Ação: onboarding e estímulo à segunda compra, marco que costuma definir a retenção.
Exemplos de aplicação
E-commerce. Uma loja online recalcula o RFM semanalmente sobre os últimos 12 meses. Clientes que caíram de R5 para R2 entram automaticamente num fluxo de e-mail com cupom; os 555 recebem acesso antecipado a coleções; frequentes de baixo M (5-5-2) recebem recomendações de produtos complementares para subir o ticket. A automação substitui o disparo único para toda a base, reduzindo desgaste e custo de comunicação.
Varejo físico com programa de fidelidade. Uma rede usa o cartão de fidelidade para reconstruir o histórico de compra por CPF. Identifica que 18% dos clientes (campeões e leais) respondem por mais de 60% do faturamento e redireciona verba de mídia de massa para benefícios e atendimento desse grupo, enquanto testa reativação nos clientes em risco com ofertas por SMS.
Assinatura/serviços. Em um modelo recorrente, a recência da última interação relevante e a frequência de uso pesam mais que o gasto pontual; o RFM adaptado antecipa cancelamentos e prioriza o time de sucesso do cliente nas contas que esfriam.
Como o RFM se conecta a outras análises
RFM transforma uma base anônima em grupos acionáveis e serve de insumo, não de substituto, para modelos mais sofisticados. Ele alimenta o cálculo de customer lifetime value, ajudando a estimar o valor futuro a partir do padrão transacional observado. E ganha profundidade quando cruzado com análise de coortes: acompanhar como cada coorte de aquisição migra entre segmentos RFM ao longo do tempo revela se a retenção está melhorando ou deteriorando, algo que o snapshot estático do RFM sozinho não mostra.
Limites do modelo
O RFM é descritivo, não causal. Ele olha exclusivamente o passado transacional e não explica por que um cliente esfriou — se foi preço, atendimento, concorrência ou ciclo natural de consumo. Não incorpora satisfação, canal de aquisição, margem do produto nem contexto de mercado, e não diz nada sobre o cliente que nunca comprou. Por trabalhar com cortes em quintis, pode supervalorizar quem fez uma única compra grande (M5 com F1) e tratar igualmente clientes em situações distintas dentro do mesmo segmento. Também é sensível à janela de tempo escolhida e ao ciclo de compra do setor: o que é "recente" para supermercado não é para a compra de um carro. Em resumo, RFM é um ponto de partida robusto e barato para priorizar retenção e comunicação, mas deve ser complementado por modelos preditivos e por métricas que capturem causa, e não apenas correlação histórica.