Segmentação de Clientes com Análise RFM

Como identificar quem está sumindo, quem é fiel e quem tem potencial em um ecommerce de moda.

Contexto de Negócio e Objetivo

Este artigo foi desenvolvido como parte do meu portfólio de análise de dados. Utilizei o dataset público da Olist disponível no Kaggle, que contém dados reais de ecommerce brasileiro, um contexto que conheço na prática, tendo operado meu próprio ecommerce solo de moda e acessórios na plataforma.

Durante a operação da minha loja, percebi uma dificuldade comum a muitos pequenos lojistas: tomar decisões de marketing de forma genérica, sem entender o real comportamento de cada cliente. Quem estava sumindo? Quem merecia uma ação de recompra? Quem era fiel e podia receber uma oferta exclusiva?

O objetivo deste projeto é responder essas perguntas através da metodologia RFM (Recência, Frequência e Valor Monetário), segmentando clientes por comportamento de compra para apoiar decisões mais inteligentes de marketing e retenção.

Técnicas Utilizadas

• Análise RFM (Recência, Frequência, Valor Monetário);
• Estatística descritiva;
• Segmentação por quartis;
• Limpeza e tratamento de dados.

Ferramentas: SQL (DBeaver), Python (Google Colab), Power BI.

Fonte de Dados

Dataset público da Olist disponível no Kaggle, contendo dados reais de ecommerce brasileiro entre outubro de 2016 e agosto de 2018, com mais de 100 mil pedidos.

Tabelas utilizadas:

• olist_orders_dataset — pedidos e datas;
• olist_customers_dataset — identificação do cliente;
• olist_order_payments_dataset — valor pago por pedido.

Extração dos Dados

Os dados foram extraídos via SQL no DBeaver, unindo as três tabelas através de JOINs e filtrando apenas pedidos com status delivered , garantindo que apenas transações efetivamente concluídas fossem consideradas.

SELECT
    c.customer_unique_id,
    o.order_id,
    o.order_purchase_timestamp,
    p.payment_value
FROM olist_orders_dataset o
JOIN olist_customers_dataset c 
    ON o.customer_id = c.customer_id
JOIN olist_order_payments_dataset p 
    ON o.order_id = p.order_id
WHERE o.order_status = 'delivered';

Decisões técnicas relevantes:

• Utilizado customer_unique_id em vez de customer_id, pois o segundo muda a cada pedido, o mesmo cliente teria identidades diferentes em compras distintas;
• Pedidos não entregues foram descartados pois não representam transações concluídas;
• Em um cenário real com tabela de devoluções, aplicaria um filtro adicional excluindo essas transações para não distorcer os scores RFM.

Análise Exploratória

Após carregar os dados no Google Colab, foram identificados 100.756 registros, 4 colunas e zero valores nulos. A Coluna de data foi convertida de object para datetime64 .

Insights da análise exploratória:

• A média (R$153) é maior que a mediana (R$100), indicando distribuição assimétrica, pedidos de alto valor puxam a média para cima, comportamento típico de ecommerce;
• Foram identificados 4 pedidos com valor zero (menos de 0,01% da base), removidos para não distorcer os scores de Valor Monetário;
• Base final após limpeza: 100.752 registros.

Cálculo do RFM

A metodologia RFM calcula três métricas por cliente a partir dos dados extraídos:

• Recência: quantidade de dias desde a última compra até a data de referência (30/08/2018)
• Frequência: número de pedidos únicos realizados
• Monetário: valor total gasto no período

Base de clientes únicos identificados: 93.357

Criação dos Scores

Cada métrica foi dividida em 4 quartis, gerando scores de 1 a 4:

• Recência: score invertido, quem comprou mais recentemente recebe score 4
• Frequência e Monetário: score direto, quem compra mais e gasta mais recebe score 4

Segmentação

Com base na combinação dos scores R e F, os clientes foram classificados em 5 segmentos:

Insights da Segmentação

50% da base está em perigo, os segmentos Hibernando e Em Risco somam quase 47 mil clientes que estão se perdendo gradualmente. Esse é o principal problema de negócio revelado pela análise.

Apenas 12,5% são VIP, os clientes mais valiosos são minoria e representam o grupo prioritário para ações de retenção e fidelização.

25% são Leais, base sólida para estratégias de recompra, upsell e indicação.

Padrão de one-time buyers, a mediana de frequência igual a 1 e o fato de 75% dos clientes terem comprado apenas uma vez confirmam um comportamento típico de ecommerce: a maioria dos clientes não retorna após a primeira compra.

Os clientes VIP compraram há apenas 57 dias em média, enquanto os Hibernando estão há 451 dias sem comprar, mais de 1 ano de inatividade.

Plano de Ação por Segmento

VIP — 11.712 clientes

• Programa de fidelidade com acesso antecipado a lançamentos;
• Lookbooks personalizados por email;
• Atendimento via WhatsApp em datas especiais;
• Meta: manter taxa de recompra acima de 60%.

Cliente Leal — 23.458 clientes

• E-mail com recomendações baseadas no histórico de compras;
• Cupom progressivo por volume de compras;
• Meta: aumentar frequência de 2 para 3 compras ao ano.

Potencial — 11.677 clientes

• Email de pós-venda com cupom para segunda compra (válido 15 dias);
• WhatsApp com novidades da categoria comprada;
• Meta: converter 30% em Cliente Leal nos próximos 60 dias.

Em Risco — 23.200 clientes

• Campanha de reativação por email com urgência;
• Cupom de 15–20% com validade curta;
• WhatsApp com novidades da temporada;
• Meta: reativar 20% nos próximos 30 dias.

Hibernando — 23.310 clientes

• Email automatizado com cupom agressivo de 25–30%;
• Sem investimento em WhatsApp individual;
• Após 2 tentativas sem resposta, mover para baixa prioridade;
• Meta: reativar 10% da base.

Conclusão

A análise RFM revelou que a base de clientes do ecommerce é dominada por compradores únicos — 75% comprou apenas uma vez. Esse é o principal desafio de negócio: transformar compradores ocasionais em clientes recorrentes.

Os segmentos Em Risco e Hibernando representam 50% da base e exigem ação imediata e personalizada. Já os clientes VIP, apesar de serem apenas 12,5% da base, são os mais valiosos e precisam de atenção contínua para não serem perdidos.

A segmentação RFM permite sair de uma comunicação genérica para ações direcionadas por comportamento real, aumentando a eficiência do investimento em marketing e a probabilidade de retenção de cada perfil de cliente.

Este projeto faz parte do meu portfólio de análise de dados. Se você quiser ver o dashboard associado a este artigo, outros projetos, acompanhar minha evolução ou entrar em contato, acesse meu portfólio completo:

👉 https://www.notion.so/Thais-Vervloet-Amaral-Analista-de-Dados-762c74cc9eae4fe3aab921c5dd1c9ac7?t=3562db2ab26a80a3a01700a999742a31

Também estou disponível no LinkedIn para trocar ideias sobre dados e analytics.

👉https://www.notion.so/Thais-Vervloet-Amaral-Analista-de-Dados-762c74cc9eae4fe3aab921c5dd1c9ac7?t=3562db2ab26a80a3a01700a999742a31