# Análisis RFM: qué es y cómo segmentar clientes con un ejemplo

> Calcula recencia, frecuencia y gasto con una ventana común, y convierte el historial en segmentos descriptivos.


El análisis RFM resume el historial de compra de cada cliente con tres medidas: recencia (cuántos días desde la última compra), frecuencia (cuántas compras hizo) y valor monetario (cuánto gastó). IBM SPSS documenta estas variables y su puntuación combinada; no prescribe umbrales universales ni demuestra qué campaña funcionará. [IBM SPSS, RFM Analysis](https://www.ibm.com/docs/en/spss-statistics/30.0.0?topic=marketing-rfm-analysis)

## Un ejemplo reproducible con tres clientes

Fija una fecha de corte, 29 de octubre de 2026, y una ventana idéntica para todos: los 180 días anteriores. Cuenta transacciones completadas, no líneas de producto: un pedido con varios productos cuenta como una compra. Excluye cancelaciones y resta del valor monetario los reembolsos parciales, para calcular gasto neto de devoluciones. Supongamos que el resultado es:

| Cliente ficticio | Días desde última compra | Compras en 180 días | Gasto neto en 180 días |
|---|---:|---:|---:|
| Ana | 10 | 4 | $240 |
| Bruno | 40 | 2 | $100 |
| Carla | 90 | 1 | $30 |

Para hacer una demostración sencilla, define los cortes antes de interpretar: recencia 0–30, 31–60 y 61 o más días; frecuencia 1, 2 y 3 o más compras; gasto menor que $50, desde $50 hasta menos de $150 y $150 o más. La puntuación de recencia es inversa: menos días desde la compra equivale a una puntuación más alta. Ana queda como reciente, alta frecuencia y alto gasto; Bruno cae en los tramos intermedios; Carla queda en los tramos de menor actividad y gasto. Las etiquetas describen únicamente esta ventana y estas reglas.

Con tres observaciones no uses quintiles: no hay suficientes clientes para cinco grupos útiles y los empates pueden repetir cortes. En una base amplia, los quintiles indican posiciones relativas dentro de esa base; cambian con su composición y no son umbrales naturales. IBM explica el uso de puntuaciones R, F y M, pero la elección de cortes aquí es ilustrativa, no una recomendación de IBM.

## De una etiqueta a una decisión prudente

Si Carla no ha comprado en 90 días, revisa primero el ciclo habitual del producto: para un artículo de reposición mensual la pausa podría merecer atención; para una compra que dura años, quizá sea normal. Comprueba además devoluciones, margen y estacionalidad antes de decidir un contacto. El segmento no demuestra que Carla vaya a responder ni que Ana sea rentable o “VIP”.

RFM describe compras pasadas; no mide por sí solo retención por cohortes ni explica por qué alguien dejó de comprar. Para estudiar permanencia en el tiempo, consulta la [guía de tasa de retención](/es/guides/tasa-retencion-clientes/). Antes de usar una campaña, verifica permisos de contacto y evalúa los resultados con una ventana y una base de comparación explícitas.

## Planifica el próximo post en HeyMark.

Guarda la idea, revisa el texto con tu equipo y mira cómo le fue después en las cuentas que conectaste.

[Empezar gratis](https://app.heymark.ai) · [Ver cómo funciona](https://heymark.ai/es/#product)

## Recursos para desarrolladores y agentes

- [Documentación MCP de HeyMark](https://heymark.ai/es/mcp/)
- [llms.txt](https://heymark.ai/llms.txt)
- [Contenido completo del sitio para modelos de lenguaje](https://heymark.ai/llms-full.txt)
- Endpoint del protocolo MCP: `POST https://mcp.heymark.ai`
- Metadatos OAuth del recurso protegido: [/.well-known/oauth-protected-resource](https://mcp.heymark.ai/.well-known/oauth-protected-resource)
- MCP server card: [/server-card](https://mcp.heymark.ai/server-card)
