Si tengo que decirlo en una línea: RFM sirve para ordenar por historial de compra; comportamiento sirve para ordenar por intención reciente. En campañas como Hot Sale o Cyber Monday, no conviene tratarlos como si fueran lo mismo.
Yo miraría la decisión así:
No es un tema menor. En Cyber Monday 2025, la facturación llegó a $ 639.000 millones, con cerca de 7 millones de órdenes y un ticket promedio de $ 92.000. En ese contexto, errarle al segmento no pega solo en aperturas: pega en ventas, margen y stock.
Lo que yo rescataría del análisis es esto:
RFM vs Segmentación por Comportamiento en Email Estacional
| Criterio | RFM | Comportamiento |
|---|---|---|
| Qué mira | Historial de compra | Señales recientes |
| Sirve más para | VIP, recuperar clientes perdidos, control de descuento | Carrito, categoría, intención actual |
| Datos que pide | Última compra, cantidad de pedidos, gasto total | Clics, visitas, carrito, checkout, compras |
| Dificultad | Baja a media | Media a alta |
| Riesgo | No ve interés sin compra | Puede fragmentar de más |
| KPI que yo priorizaría | RPR y conversión | Conversión, RPR y clic |
En otras palabras: si solo miro valor histórico, puedo dejar afuera gente con ganas de comprar hoy; si solo miro comportamiento, puedo tratar igual a clientes que valen muy distinto. Por eso, para fechas estacionales, el cruce entre ambos modelos suele dar una lectura más útil.
Con esa base, el resto del artículo baja la comparación a casos concretos: reactivación, conversión, upsell, urgencia, y cómo medir cada grupo sin mezclar señales.
RFM es un modelo transaccional. Se apoya en compras previas, no en navegación ni en interacción con emails. Con tres variables - Recencia (cuándo fue la última compra), Frecuencia (cuántas veces compró) y Valor Monetario (cuánto gastó en total) - le asigna un score a cada cliente y lo ubica en segmentos que después podés usar en campaña.
En pocas palabras: RFM ayuda a priorizar mejor a quienes ya compraron. En campañas estacionales, eso sirve mucho cuando hay que ordenar envíos rápidos y con foco en ingresos.
Para armar los scores, el modelo necesita cuatro campos por cliente:
Esa información suele estar en las tablas de clientes y pedidos de Shopify, Tiendanube, VTEX o cualquier stack con integración por API. El cálculo se puede hacer en BI, en un CDP o dentro de la herramienta de email.
Conviene recalcular RFM entre 3 y 7 días antes de cerrar segmentos y piezas para campañas grandes. Si trabajás con datos frescos, el modelo ordena la base justo antes del pico de demanda.
RFM rinde mejor cuando querés priorizar contactos con historial de compra. El problema aparece cuando hay intención reciente que todavía no terminó en compra.
En temporadas de alta intención, RFM puede dejar afuera contactos activos que todavía no compraron. Ahí está el punto fino: medir por segmento. Si no lo hacés, todo queda mezclado y cuesta ver qué grupos convierten en serio.
En email estacional, cada grupo se tiene que medir según su objetivo, no por un promedio general. Apertura y clic sirven como señal. Pero el dato que manda es el ingreso por destinatario.
| Segmento RFM | Objetivo estacional | Tipo de mensaje | KPI principal | Riesgo principal |
|---|---|---|---|---|
| Champions | Maximizar ingresos y margen | Acceso anticipado, packs premium, exclusividad | Ingreso por destinatario | Sobreactivar con demasiada frecuencia |
| Loyal Customers | Aumentar repetición y ticket | Novedades, cross-sell, incentivos moderados | Tasa de conversión | Ofertas agresivas que erosionan margen |
| At Risk | Recuperar clientes valiosos | Win-back, incentivo temporal, urgencia | Tasa de reactivación | Descuento excesivo sin retorno |
| Hibernating | Reactivar o depurar | Re-engagement de bajo costo | Clic o reactivación | Baja la entregabilidad por mala respuesta |
| Lost | Supresión o limpieza | Último intento o exclusión | Rebotes/quejas evitados | Seguir enviando sin señal reciente |
Para seguir esto bien, cada envío estacional necesita parámetros UTM con el segmento RFM incluido. Por ejemplo: utm_campaign=navidad_rfm_champions. Además, hace falta un proceso de atribución que conecte los pedidos generados con el segmento que recibió ese email.
Con esa estructura, el reporte final puede mostrar con claridad:
Con esta base, el siguiente paso es contrastarlo con el comportamiento en tiempo real.
La segmentación por comportamiento agrupa contactos según señales recientes: aperturas, clics, visitas, carrito y compras. En campañas estacionales, pone el foco en la intención actual. Y eso pesa mucho cuando la ventana de compra es corta y el mensaje tiene que llegar fino, sin margen para tirar de más.
Acá conviene separar dos capas de datos:
Separarlas ayuda a no mezclar interacción con compra. No es lo mismo alguien que abre un email que alguien que ya empezó checkout.
Con esas señales, los segmentos que más sirven en campañas estacionales son:
Con estas señales, el modelo pasa de ser una idea linda a algo que se puede usar en campañas con mucha urgencia, integrando estrategias de WhatsApp para aumentar ventas en el mix de canales.
La segmentación por comportamiento gana puntería cuando la intención es reciente y concreta. En un lanzamiento de invierno, por ejemplo, quienes navegaron "Camperas" en la última semana forman un grupo bastante más preciso que un tier RFM.
El límite aparece en la ejecución. Hace falta tracking confiable y reglas simples. Si no, la cuenta se llena de microsegmentos, baja la escala y el equipo termina enredado. Por eso suele rendir mejor priorizar clics y eventos de sitio como add_to_cart, page_view y begin_checkout, en lugar de usar aperturas como señal principal.
Cada segmento se mide distinto según su objetivo. La medición cambia por el disparador, no por el tamaño del segmento.
| Segmento | Disparador | Caso de uso estacional | KPI principal | Complejidad de mantenimiento |
|---|---|---|---|---|
| Abandonadores de carrito | Carrito iniciado, sin compra | Recuperación en picos de venta | Tasa de conversión, ROI | Media-alta |
| Visitantes de producto/categoría | Vista de página sin agregar al carrito | Lanzamientos, gifting, colecciones estacionales | Tasa de clic, ingreso por destinatario | Media |
| Alertas de reposición | Producto visto sin stock, vuelve al inventario | Reposición en temporada | Ingreso por destinatario, conversión | Media |
| Alta interacción | Clics recientes o varias aperturas recientes | Acceso anticipado, contenido de categoría | Tasa de clic, ventas posteriores | Media |
| Inactivos | Sin interacción en 90–180 días | Reactivación previa al pico estacional | Tasa de reactivación, entregabilidad | Alta |
Para atribuir bien los resultados, cada envío necesita parámetros UTM que incluyan el segmento de comportamiento. Por ejemplo: utm_campaign=hotsale_browse_electro. Así, el reporte deja ver apertura, clic, conversión e ingreso por segmento.
Con estos criterios, ya se puede comparar comportamiento contra RFM en términos de precisión, escala y retorno.
RFM ordena según valor histórico. La segmentación por comportamiento, en cambio, ordena según intención reciente. Dicho simple: uno mira lo que la persona ya compró; el otro, lo que está haciendo ahora.
La forma más directa de elegir entre ambos es mirar qué datos necesita cada modelo y qué tipo de acción te deja activar.
| Criterio | RFM | Comportamiento |
|---|---|---|
| Datos requeridos | Historial transaccional: fecha de compra, frecuencia y monto en ARS | Eventos multicanal: aperturas, clics, vistas de categoría, carrito y checkout |
| Complejidad | Baja–media; suele implementarse con exportaciones de CRM o BI básico | Media–alta; requiere tracking, tags y automatizaciones en tiempo real |
| Fortaleza estacional | Priorizar valor: quién recibe el mejor descuento o acceso anticipado | Capturar intención: quién hizo clic en una categoría estacional o una campaña reciente |
| Límite principal | No detecta interés reciente si no hubo compra | Puede ser más dinámico y requerir más documentación para comparar temporadas |
| Reporting | Estable y fácil de comparar entre temporadas | Requiere definir ventanas de snapshot claras |
| Caso de uso ideal | VIP, win-back, control de margen y stock limitado | Recuperación de carrito, retargeting de categoría e interés reciente |
Con esta diferencia sobre la mesa, en muchos equipos la mejor salida no es elegir uno y descartar el otro. Es combinarlos.
Lo que mejor suele funcionar es usar RFM como base y sumar comportamiento para ajustar el momento y el mensaje. No suena complicado, y en la práctica baja a reglas bastante concretas:
Este cruce también ayuda a cuidar el margen. ¿Por qué? Porque los descuentos más agresivos se reservan para segmentos con CLV alto e intención activa, en lugar de repartirlos a todo el mundo. En casos documentados de segmentación combinada, las órdenes con descuento bajaron del 41 % al 28 %.
Con el segmento ya definido, el paso siguiente es medir apertura, clic y venta por grupo.
Para cerrar la comparación entre RFM y comportamiento, medí siempre por segmento. Reportá apertura, clic, conversión y RPR por segmento, pero para decidir qué hacer después poné el foco en clic, conversión y RPR.
| Métrica | Interpretación en RFM | Interpretación en comportamiento |
|---|---|---|
| Tasa de apertura | Relación con clientes de alto valor; una baja puede indicar desgaste del mensaje o timing incorrecto | Relevancia del asunto y del momento; una apertura alta en abandonadores recientes suele indicar interés activo |
| Tasa de clic | Engagement con ofertas alineadas al valor histórico o beneficios de fidelidad | Valida si el producto o la categoría estacional coincide con el interés actual del contacto |
| Tasa de conversión | Efectividad de incentivos para monetizar segmentos de alto valor | Mide si el momento y la urgencia del mensaje capturan la intención de compra |
| Ingresos por destinatario (RPR) | Métrica clave para justificar descuentos más altos en segmentos de CLV elevado | Ayuda a optimizar el gasto entre distintos disparadores conductuales |
Con esta lectura, el análisis deja de depender del total de campaña. La pregunta ya no es solo “¿cómo rindió el envío?”, sino qué pasó dentro de cada segmento.
Mostrá el RPR en ARS, con formato local, por ejemplo: $ 12.500,50, y usá el mismo nombre para cada segmento en todos los reportes. Parece un detalle menor, pero evita confusiones cuando comparás resultados entre campañas.
Dado que Apple Mail Privacy Protection infla las aperturas artificialmente, conviene mirar primero clic, conversión y RPR. Las aperturas pueden dar una señal útil, sí, pero hoy ya no alcanzan por sí solas.
El punto de partida depende de los datos que tenga el equipo. Si contás con historial transaccional básico, RFM es el camino más corto: te deja asignar presupuesto y descuentos según el valor real del cliente, sin depender de tracking avanzado. Cuando ya existen UTMs consistentes, eventos de comportamiento y atribución de ingresos por campaña, la segmentación conductual suma precisión en el momento y en la relevancia del mensaje.
La mezcla de ambos modelos tiene mucho sentido cuando buscás mejorar al mismo tiempo el timing y el foco en ingresos. Dicho simple: reservar las mejores ofertas para quienes tienen alto CLV y, además, muestran una señal activa de intención de compra.
Los equipos que comparan sus resultados contra una línea de base interna - el promedio de toda la base o la campaña estacional del año anterior, por segmento - tienen una ventaja clara: saben si el cambio de modelo realmente movió la aguja o si el lift se explica por el contexto del mercado.
Usá RFM cuando necesitás ordenar clientes por valor y momento de compra. Se basa en Recencia, Frecuencia y Valor Monetario. Te sirve, por ejemplo, para separar VIP, compradores frecuentes o personas que no compran hace 90 días.
La segmentación por comportamiento va por otro lado. Sirve cuando querés reaccionar a la intención reciente mientras la campaña está en marcha. Acá mirás señales como aperturas, clics, respuestas y acciones puntuales, como visitar productos o sumar al carrito.
En los dos casos, medí lo mismo para ver qué está pasando de punta a punta:
Depende del enfoque que uses.
En RFM, alcanzan datos transaccionales básicos:
En la segmentación por comportamiento, necesitás eventos de interacción. Por ejemplo:
En los dos casos, conviene unificar todo con un identificador único y mantener los valores monetarios en ARS.
Comparalos por separado: RFM usa datos transaccionales históricos, mientras que comportamiento se apoya en señales actuales. Por eso, no conviene meterlos dentro de una sola métrica.
Para medir bien, unificá el ID de usuario, corré pruebas A/B y evaluá cada segmento en su canal y touchpoint correspondiente. Después, documentá los resultados semana a semana para ver qué suma valor incremental sin mezclar ni ensuciar las señales.
