No artigo anterior, terminei com uma pergunta: quais clientes merecem o próximo investimento?
Antes de responder, existe outra pergunta que parece mais simples do que realmente é: quanto vale cada cliente?
A resposta mais comum está na receita acumulada. Quem mais comprou vai para o topo da lista. É um critério objetivo, fácil de explicar e disponível em quase qualquer empresa.
Também é um critério incompleto.
Um cliente que concentrou toda a sua receita dois anos atrás pode aparecer ao lado de outro que começou a comprar há poucos meses e continua ativo. Os dois podem ter gerado o mesmo valor total, mas não representam a mesma relação hoje.
Algumas empresas avançam para modelos como RFM, que combinam recência, frequência e valor monetário. Outras usam modelos probabilísticos ou machine learning para projetar o comportamento futuro.
Todas essas abordagens são válidas. Cada uma enxerga uma parte diferente da relação.
O problema surge quando uma delas é tratada como a resposta definitiva.
A primeira lente: o valor que já foi gerado
O histórico de receita é o ponto de partida. Ele mostra o que o cliente efetivamente entregou à empresa e evita que a análise dependa apenas de opinião.
Quando existem informações de margem e custo, a leitura pode ser mais econômica. Quando não existem, a receita continua sendo uma aproximação útil.
Mas o histórico precisa refletir o tempo.
Uma compra recente costuma dizer mais sobre o estado atual da relação do que uma compra muito antiga. Por isso, faz sentido dar mais peso ao que aconteceu recentemente e reduzir, de forma gradual, a influência de receitas antigas.
Isso evita que clientes que já foram importantes, mas estão inativos há muito tempo, permaneçam indefinidamente no topo da carteira. Também ajuda a reconhecer clientes novos que ainda não acumularam grande receita, mas começaram a construir uma relação relevante.
A receita deixa de ser apenas um total. Passa a contar uma história no tempo.
A segunda lente: a forma como o cliente compra
O RFM trouxe um avanço importante porque acrescentou comportamento à receita. Não importa apenas quanto o cliente comprou, mas quando comprou e com que frequência voltou.
Ainda assim, um RFM genérico pode criar novas distorções.
Noventa dias sem comprar têm significados diferentes para quem compra café, equipamentos industriais, roupas ou móveis. Cada produto e categoria possui um ciclo de compra diferente. A recência precisa ser lida dentro desse contexto.
O mesmo vale para frequência. Seis compras em seis meses representam um comportamento. Seis compras em quatro anos representam outro. O número é igual, mas o ritmo da relação mudou completamente.
Além de recência e frequência, vale observar:
- o intervalo entre as compras;
- a regularidade desses intervalos;
- o ticket médio;
- a evolução do ticket;
- as categorias compradas;
- sinais de aceleração ou perda de ritmo.
Esses elementos mostram como o cliente compra e para onde a relação parece estar se movendo.
A literatura que conecta RFM a Customer Lifetime Value mostra que combinações diferentes de recência, frequência e valor podem levar a expectativas futuras semelhantes.[1] Isso reforça uma ideia simples: o score ajuda, mas a interpretação do comportamento continua necessária.
A terceira lente: os sinais que ajudam a antecipar o futuro
Modelos de previsão usam o histórico para estimar a probabilidade de o cliente continuar ativo, voltar a comprar ou gerar receita no futuro.
O histórico transacional é valioso porque mostra comportamento real. Mas ele não contém todo o contexto da relação.
Dois clientes com padrões de compra parecidos podem estar vivendo situações diferentes.
Um deles abriu campanhas, consumiu conteúdos, visitou páginas de produto e pediu uma proposta. O outro reduziu suas interações, acumulou problemas de atendimento ou demonstrou insatisfação em contatos recentes.
As transações ainda podem parecer iguais. Os sinais sobre o futuro, não.
É aí que outras fontes de dados podem ajudar:
- respostas a campanhas;
- consumo de conteúdo;
- visitas e pedidos de orçamento;
- sinais de intenção de compra;
- perfil e características do cliente;
- interações comerciais e de atendimento;
- pesquisas, feedback e sentimento.
Nenhum desses sinais deve ser interpretado isoladamente. Um clique não prova intenção. Uma reclamação não significa necessariamente perda. Mas, quando combinados com o histórico e o comportamento de compra, esses dados podem melhorar a leitura do que está acontecendo com cada relação.
Depois, a empresa precisa comparar suas previsões com o comportamento observado. Fontes novas só merecem permanecer no modelo quando ajudam a explicar melhor o futuro ou a tomar decisões melhores.
As três lentes trabalham melhor juntas
A proposta não é substituir receita por RFM, nem RFM por um modelo mais sofisticado.
É usar cada perspectiva para responder a uma parte da pergunta:
O que o cliente já gerou
+ como ele está comprando
+ quais sinais apontam para o futuro
= uma estimativa mais completa de valor
Essa estimativa nunca será uma verdade permanente. Ela muda à medida que o cliente compra, interage, se afasta ou demonstra novos interesses.
Também deve reconhecer quando sabemos pouco. Um cliente com anos de histórico permite uma leitura mais segura. Um cliente com uma única compra exige mais cautela. Produzir um número para ambos é fácil; atribuir a mesma confiança aos dois é que seria enganoso.
Três clientes, a mesma receita
Considere um exemplo simples, sem dados de uma empresa real.
Três clientes produziram praticamente a mesma receita nos últimos doze meses.
O primeiro compra todos os meses, mantém intervalos regulares e possui ticket estável.
O segundo concentrou a receita em duas compras grandes. A última ocorreu há dez meses, embora os produtos que costuma comprar tenham um ciclo bem mais curto.
O terceiro começou pequeno, aumentou a frequência e recentemente pediu uma proposta para uma nova categoria.
Na coluna de receita, os três estão empatados.
Quando consideramos comportamento e contexto, surgem três trajetórias. O primeiro apresenta continuidade. O segundo gerou valor, mas dá sinais de afastamento. O terceiro ainda tem menos histórico, porém sua relação parece estar ganhando espaço.
Não significa que já sabemos exatamente quanto cada um valerá. Significa que agora temos uma base melhor para estimar.
O cliente mais valioso nem sempre merece o próximo investimento
Mesmo uma boa estimativa de valor não encerra a decisão.
O primeiro cliente pode apresentar o maior valor futuro e continuar comprando sem estímulo. Nesse caso, uma campanha adicionaria custo sem necessariamente mudar o resultado.
O segundo pode concentrar valor em risco, mas talvez uma ação comercial não seja suficiente para recuperá-lo.
O terceiro pode ter espaço para crescer, mas a empresa ainda precisa decidir se a oportunidade justifica o investimento e qual intervenção faria sentido.
Por isso, existem duas perguntas diferentes:
- Quanto esperamos que essa relação produza no futuro?
- Quanto uma ação da empresa pode mudar esse futuro?
Customer Lifetime Value ajuda a orientar seleção e alocação de recursos,[3] mas a prioridade final também depende do efeito esperado da ação e do seu custo.
Estimar o valor de cada cliente melhora a decisão. Não substitui a decisão.
Onde o RADAR entra
Essa é a direção que orienta o desenvolvimento do RADAR: reunir evidências da relação com o cliente, transformar essas evidências em uma leitura de valor e usá-las para decidir onde o investimento pode produzir uma mudança relevante na carteira.
RADAR transforma evidências das relações com clientes em decisões sobre onde e quanto alocar para adquirir, preservar e desenvolver o valor da carteira.
O ponto de partida pode ser apenas o histórico transacional. À medida que outras fontes confiáveis se tornam disponíveis, a leitura pode incorporar comportamento, engajamento, intenção, perfil e percepção.
Não para produzir um score cada vez mais complexo. Para distinguir clientes que parecem iguais numa coluna, mas representam relações e futuros diferentes.
Se sua empresa olhasse para essas três lentes em conjunto, a lista dos clientes mais valiosos continuaria na mesma ordem?
Sources
[1] https://www.brucehardie.com/papers/rfm_clv_2005-02-16.pdf — RFM and CLV: Using Iso-Value Curves for Customer Base Analysis
[3] https://journals.sagepub.com/doi/abs/10.1509/jmkg.68.4.106.42728 — A Customer Lifetime Value Framework for Customer Selection and Resource Allocation Strategy
