Data Universe
Newsletter
Accueil/Encyclopédie/Segmentation RFM
🎯Techniques AnalyticsDébutantMarketing Analytics

Segmentation RFM

Méthode de segmentation client basée sur 3 dimensions : Récence (quand a-t-on acheté pour la dernière fois ?), Fréquence (combien de fois ?) et Montant (combien dépensé ?).

💡Explication simple

Imagine que tu tiens un restaurant. Tes meilleurs clients sont ceux qui sont venus la semaine dernière (Récence élevée), qui viennent souvent (Fréquence élevée) et qui dépensent bien (Montant élevé). RFM classe tous tes clients en combinant ces 3 notes. Un client avec RFM 5-5-5 est un « Champion », un 1-1-1 est perdu.

🏗️Exemple concret

Sur 50 000 clients : R = nombre de jours depuis le dernier achat (noté de 1 à 5), F = nombre de commandes sur 12 mois (1 à 5), M = CA total sur 12 mois (1 à 5). Segment « Champions » (5-5-5) = 3 200 clients qui génèrent 42% du CA total.

SQLexemple
WITH rfm AS (
  SELECT
    customer_id,
    DATEDIFF(CURRENT_DATE, MAX(order_date)) AS recency,
    COUNT(DISTINCT order_id)                AS frequency,
    SUM(amount)                             AS monetary
  FROM orders
  WHERE order_date >= DATEADD('year', -2, CURRENT_DATE)
  GROUP BY customer_id
),
scored AS (
  SELECT *,
    NTILE(5) OVER (ORDER BY recency DESC) AS r_score,
    NTILE(5) OVER (ORDER BY frequency)    AS f_score,
    NTILE(5) OVER (ORDER BY monetary)     AS m_score
  FROM rfm
)
SELECT *,
  CASE
    WHEN r_score >= 4 AND f_score >= 4 THEN 'Champion'
    WHEN r_score >= 3 AND f_score >= 3 THEN 'Loyal'
    WHEN r_score >= 4 AND f_score <= 2 THEN 'Nouveau client'
    WHEN r_score <= 2 AND f_score >= 3 THEN 'Client en risque'
    ELSE 'Inactif'
  END AS segment
FROM scored

∑ Concept clé

Score RFM = (Score_R w_R) + (Score_F w_F) + (Score_M w_M). Souvent on note R, F, M de 1 à 5 indépendamment puis on combine.

🎯Quand l'utiliser ?

Segmentation client pour le marketing direct
Identifier les clients à risque de churn
Cibler des campagnes de réactivation

✅ Avantages

+Simple à calculer et à expliquer
+Ne requiert que les données transactionnelles
+Directement actionnable par les équipes marketing

⚠️ Limites

Ne prend pas en compte la valeur future (CLV)
Ignore les produits achetés et les préférences
Les 3 dimensions ont le même poids par défaut (pas forcément vrai)

🛠️ Outils principaux

Python (Pandas)
SQL pur
Excel
Dataiku
Tableau
MarketingSegmentationCRMAnalyticsClient

Concepts liés

🧪

A/B Testing

Expérimentation

👥

Analyse de cohortes

Analytics Produit

📉

Analyse d'entonnoir (Funnel Analysis)

Analytics Produit

📊

Analyse du panier — Market Basket Analysis

Analytics Retail

← Retour à l'encyclopédie