Saber que un cliente ha comprado varias veces resulta útil. Saber cuándo es más probable que vuelva a comprar permite tomar decisiones mucho mejores.
Muchas automatizaciones de email marketing utilizan reglas idénticas para toda la base de datos:
Han pasado 30 días desde la última compra → enviar un recordatorio.
El problema es que no todos los clientes compran con la misma frecuencia. Algunos realizan pedidos pequeños cada pocas semanas. Otros compran cantidades mayores cada dos o tres meses. Incluso dentro de una misma tienda, cada producto puede tener un ciclo de reposición diferente.
Enviar demasiado pronto puede resultar irrelevante y molesto. Esperar demasiado puede hacer que la tienda pierda el momento en el que existía una necesidad real de compra.
La predicción de recompra en ecommerce utiliza el historial de pedidos y otras señales de comportamiento para estimar una fecha, una ventana temporal o una probabilidad de próxima compra. No pretende adivinar el futuro con certeza, sino ayudar a decidir a qué cliente contactar, en qué momento y con qué prioridad.
En esta guía veremos cómo puede empezar una tienda online, desde un cálculo sencillo de intervalos hasta modelos predictivos más avanzados, y cómo convertir esa información en campañas útiles sin bombardear al cliente.
¿Se puede saber exactamente cuándo volverá a comprar un cliente?
No. Una predicción no puede asegurar que una persona comprará un día concreto.
El comportamiento de compra depende de muchos factores que no siempre aparecen en los datos de la tienda: cambios personales, stock disponible, precios, estacionalidad, promociones de la competencia o una necesidad que desaparece.
Lo que sí podemos hacer es estimar:
- una fecha aproximada para la siguiente compra;
- una ventana probable, como los próximos 7 o 14 días;
- la probabilidad de recompra dentro de un periodo;
- el riesgo de que un cliente no vuelva cuando supera ampliamente su ritmo habitual.
Esta distinción es importante. En marketing no necesitamos acertar el día exacto para obtener valor. Puede ser suficiente saber que un cliente se acerca a su periodo habitual de compra y que otro todavía está muy lejos de él.
La predicción permite ordenar oportunidades y adaptar la comunicación. Es una ayuda para tomar decisiones, no una garantía individual.
Por qué una regla fija de 30, 60 o 90 días no sirve para todos
Las reglas temporales son fáciles de configurar y pueden ser un buen punto de partida. Sin embargo, aplicarlas de forma uniforme ignora las diferencias entre clientes y productos.
Imaginemos tres compradores de una tienda de café:
- Ana compra dos paquetes aproximadamente cada 25 días.
- Javier realiza pedidos más grandes cada 55 días.
- Marta alterna productos y suele comprar cada 38 días.
Si enviamos el mismo recordatorio el día 30:
- para Ana quizá lleguemos tarde;
- para Javier será demasiado pronto;
- para Marta estaremos relativamente cerca de su ciclo.
También existen grandes diferencias entre categorías. El intervalo de recompra de un cosmético de uso diario no será el mismo que el de unas zapatillas, una cafetera o un mueble.
Esto explica por qué una campaña basada únicamente en «días desde la última compra» puede producir resultados irregulares. La recencia importa, pero debe interpretarse dentro del contexto del cliente y del producto.
Qué datos ayudan a predecir la próxima compra
Un ecommerce ya genera gran parte de la información necesaria a través de sus pedidos. No hace falta empezar recopilando cientos de variables.
Fechas de compra
Son el punto de partida. Permiten calcular cuánto tiempo transcurre entre los pedidos de cada cliente.
Con una secuencia de fechas podemos observar si existe un patrón relativamente estable, si los intervalos están aumentando o si el comprador se está alejando de su comportamiento habitual.
Número de pedidos
Cuantos más pedidos válidos tenga un cliente, más información disponemos sobre su ritmo individual.
Con una única compra no podemos calcular un intervalo personal. En ese caso tendremos que utilizar patrones de clientes o productos similares.
Productos y categorías comprados
El producto condiciona la necesidad de reposición. Saber qué compró el cliente puede resultar más informativo que observar únicamente el importe del pedido.
Los consumibles suelen generar ciclos más claros. En otras categorías, la siguiente compra puede consistir en un complemento o en un producto diferente.
Cantidad adquirida
Dos personas que compran el mismo producto pueden tardar tiempos distintos en volver si una adquiere una unidad y otra compra cuatro.
La cantidad permite aproximarnos mejor a la duración esperada del producto, aunque no siempre sepamos cuántas personas lo utilizan o qué existencias tenía previamente el cliente.
Recencia y frecuencia
La fecha de la última compra y el número de pedidos forman parte del análisis RFM en ecommerce. RFM ayuda a describir el valor y la actividad histórica del cliente.
La predicción añade una pregunta diferente: no solo cómo se ha comportado hasta ahora, sino qué probabilidad existe de que vuelva dentro de un periodo determinado.
Importe y evolución del gasto
El valor de los pedidos puede ayudar a identificar comportamientos. Un cliente que empieza a gastar menos, compra con menor frecuencia o abandona determinadas categorías puede estar cambiando su relación con la tienda.
Estacionalidad y promociones
Algunos clientes compran siempre en Navidad, durante rebajas o coincidiendo con una promoción concreta. Si ignoramos la estacionalidad, podemos interpretar como abandono lo que en realidad es un patrón anual.
También conviene marcar las compras fuertemente incentivadas. Una venta durante Black Friday no siempre representa el ritmo de compra habitual.
Devoluciones, cancelaciones y pedidos inválidos
Una predicción basada en datos incorrectos producirá resultados poco fiables. Los pedidos cancelados, fraudulentos, de prueba o completamente devueltos deberían tratarse de forma coherente antes de calcular los patrones.
El método más sencillo: calcular el intervalo entre compras
La forma más accesible de estimar una próxima compra consiste en estudiar los días transcurridos entre pedidos.
Supongamos que un cliente ha comprado en estas fechas:
- 10 de enero;
- 18 de febrero;
- 30 de marzo;
- 8 de mayo.
Los intervalos son:
- 39 días;
- 40 días;
- 39 días.
El patrón es bastante estable. Podríamos estimar que la siguiente compra se producirá aproximadamente 39 o 40 días después del último pedido.
Intervalo medio = suma de días entre compras / número de intervalos
En este ejemplo:
(39 + 40 + 39) / 3 = 39,3 días
Si la última compra fue el 8 de mayo, la siguiente fecha esperada estaría alrededor del 16 de junio.
No sería necesario esperar hasta el día 90 para considerar que el cliente empieza a desviarse de su comportamiento.
¿Media o mediana para estimar la recompra?
La media resulta fácil de entender, pero puede distorsionarse cuando existe un intervalo excepcionalmente largo o corto.
Imaginemos estos periodos entre pedidos:
- 28 días;
- 30 días;
- 29 días;
- 120 días.
La media es de 51,75 días. Sin embargo, tres de las cuatro compras se produjeron cerca de los 30 días. El intervalo de 120 días desplaza el resultado.
La mediana —el valor central una vez ordenados los intervalos— suele ser más resistente a estos casos extremos.
En este ejemplo, la mediana sería 29,5 días.
No existe una única medida perfecta. Podemos utilizar:
- media, si los intervalos son bastante regulares;
- mediana, si existen valores extremos;
- media reciente, si queremos dar más importancia a los últimos pedidos;
- rango habitual, si preferimos trabajar con una ventana en lugar de una fecha.
Para una tienda pequeña, empezar con la mediana y revisar casos anómalos puede ser una solución razonable.
Es mejor predecir una ventana que un día exacto
Decir que un cliente comprará exactamente el 16 de junio transmite una precisión que probablemente no existe.
Resulta más útil trabajar con ventanas:
- antes del periodo esperado;
- dentro del periodo probable;
- después del periodo esperado;
- retraso significativo respecto al patrón.
Por ejemplo, si un cliente suele comprar cada 40 días, podemos establecer:
- días 30–35: aproximación al momento de recompra;
- días 36–45: ventana probable;
- días 46–60: compra retrasada;
- más de 60 días: posible riesgo de abandono.
Los límites deben ajustarse según la variabilidad de cada cliente o grupo. Un comportamiento muy regular permite una ventana estrecha. Un historial irregular necesita una ventana más amplia y una comunicación menos categórica.
En lugar de escribir «sabemos que necesitas volver a comprar», es preferible utilizar mensajes que reconozcan la incertidumbre:
¿Te queda suficiente para las próximas semanas?
Puede que sea un buen momento para reponerlo.
Qué hacer con los clientes que solo han comprado una vez
Una gran parte de la base de datos de un ecommerce puede estar formada por compradores de un único pedido. Como no existe un segundo pedido, no podemos calcular su intervalo individual.
Eso no significa que debamos ignorarlos. Podemos utilizar referencias colectivas.
Ciclo del producto
Si muchas personas vuelven a comprar un producto alrededor de los 35 días, ese patrón puede servir como primera estimación para quien acaba de adquirirlo.
Clientes similares
Podemos agrupar compradores según producto, importe, canal de adquisición, ubicación o comportamiento inicial y observar cuándo suelen repetir personas con características parecidas.
Tiempo hasta la segunda compra
En lugar de analizar todos los intervalos, podemos estudiar específicamente cuántos días pasan entre el primer y el segundo pedido.
Esta métrica ayuda a diseñar una secuencia postcompra para nuevos clientes. El objetivo no es tratarlos como compradores recurrentes, sino acompañarlos durante el periodo en el que suele producirse la segunda compra.
Una predicción con menor confianza
Cuando tenemos poca información, la estimación debería considerarse menos segura. Un buen sistema no solo produce una probabilidad: también reconoce cuándo los datos disponibles son insuficientes.
Del cálculo individual a los modelos predictivos
Los intervalos medios o medianos funcionan bien cuando existe un patrón claro. Sin embargo, un modelo más avanzado puede combinar varias señales al mismo tiempo.
Por ejemplo:
- días desde la última compra;
- número total de pedidos;
- intervalo medio y variabilidad;
- tendencia de la frecuencia;
- productos y categorías;
- cantidad comprada;
- importe medio;
- respuesta a campañas anteriores;
- estacionalidad;
- comportamiento de clientes similares.
Con estas variables se puede plantear el problema de distintas maneras.
Predecir el número de días hasta la próxima compra
El modelo estima un valor temporal, por ejemplo, que la próxima compra podría producirse dentro de 18 días.
Es intuitivo, pero puede ser difícil de evaluar cuando muchos clientes no vuelven durante el periodo observado.
Predecir si comprará dentro de una ventana
En lugar de una fecha exacta, podemos preguntar:
¿Comprará este cliente durante los próximos 30 días?
El resultado puede expresarse como una probabilidad. Esta formulación suele ser útil para seleccionar audiencias y priorizar campañas.
Estimar el riesgo de abandono
También podemos predecir si el cliente está superando su ciclo habitual y presenta señales de no volver.
Esto permite actuar antes de que entre en una regla genérica de inactividad de 90 o 180 días.
Modelos de tiempo hasta el evento
Existen técnicas diseñadas para analizar cuánto tiempo transcurre hasta que sucede un evento, como una nueva compra, teniendo en cuenta que algunas personas todavía no han comprado de nuevo cuando termina el periodo analizado.
No es necesario que el responsable del ecommerce domine la parte matemática. Lo importante es entender qué pregunta responde el sistema y cómo se utilizará el resultado.
Diferencia entre RFM y predicción de recompra
RFM y la predicción de recompra se complementan, pero no son lo mismo.
| Análisis RFM | Predicción de recompra |
|---|---|
| Describe el comportamiento histórico | Estima un comportamiento futuro |
| Utiliza recencia, frecuencia y valor monetario | Puede combinar muchas señales adicionales |
| Agrupa clientes en segmentos | Puede asignar una probabilidad individual |
| Es sencillo de explicar y calcular | Requiere más datos y validación |
| Ayuda a identificar mejores clientes o clientes en riesgo | Ayuda a decidir cuándo contactar y a quién priorizar |
Un cliente puede tener una puntuación RFM alta porque compró recientemente, compra a menudo y gasta mucho. Aun así, quizá todavía esté lejos de su siguiente compra habitual.
Otro cliente puede tener un valor monetario menor, pero encontrarse justo dentro de su ventana de reposición y presentar una oportunidad inmediata.
RFM responde principalmente a «qué tipo de cliente es». La predicción intenta responder a «qué puede ocurrir a continuación y cuándo».
Ejemplo: de una regla fija a una campaña predictiva
Imaginemos una tienda con tres clientes:
| Cliente | Intervalo habitual | Días desde la última compra | Situación |
|---|---|---|---|
| Cliente A | 28 días | 25 días | Se aproxima a su recompra |
| Cliente B | 70 días | 30 días | Todavía es pronto |
| Cliente C | 35 días | 58 días | Se está retrasando claramente |
Una automatización fija que envíe un recordatorio a los 30 días trataría igual a los tres.
Un enfoque basado en comportamiento podría decidir:
- Cliente A: enviar próximamente un recordatorio de reposición o una recomendación relevante.
- Cliente B: no enviar todavía un mensaje de recompra.
- Cliente C: iniciar una comunicación destinada a recuperar la relación y revisar si necesita otro tipo de incentivo.
La predicción no obliga a enviar un email cada vez que detecta una oportunidad. También puede indicar cuándo no enviar.
Esta capacidad resulta importante para reducir mensajes irrelevantes y evitar que varias automatizaciones compitan por el mismo cliente.
Cómo convertir una predicción en una campaña de email
Una puntuación o una fecha estimada solo aporta valor si se conecta con una acción concreta.
Antes de la ventana probable
El cliente todavía puede estar utilizando el producto. Conviene evitar una presión comercial excesiva.
Según el negocio, podemos enviar contenido de uso, consejos, mantenimiento o ideas relacionadas con su compra.
Cerca del momento esperado
Es el momento adecuado para facilitar la siguiente compra:
- recordatorio de reposición;
- acceso directo al producto comprado;
- recomendación de una alternativa;
- opción de repetir pedido;
- productos complementarios realmente relacionados.
Cuando la compra empieza a retrasarse
Podemos recordar el valor del producto, preguntar por su experiencia o mostrar novedades relevantes. El tono debería depender de la relación previa.
Cuando existe riesgo de abandono
Si el cliente supera ampliamente su intervalo normal, puede entrar en una campaña de reactivación más específica.
No todos los casos requieren descuento. La guía sobre cómo crear una campaña de email marketing de reactivación explica cómo trabajar esta fase con mensajes e incentivos adaptados.
Recibe estrategias de email marketing cada semana. Suscríbete a la newsletter de Kiory y descubre cómo utilizar los datos de tu ecommerce para mejorar la segmentación, la recompra y la fidelización sin depender de campañas masivas.
[FORMULARIO DE SUSCRIPCIÓN: email + botón «Suscribirme gratis»]
Cómo evitar enviar el email correcto en el momento equivocado
Una campaña predictiva necesita reglas de protección. La probabilidad de compra no debería imponerse sobre el contexto real del cliente.
Antes de enviar, conviene excluir a quienes:
- acaban de realizar otro pedido;
- tienen una devolución o incidencia abierta;
- ya están dentro de otra campaña incompatible;
- se han dado de baja o no tienen consentimiento válido;
- han recibido demasiadas comunicaciones recientemente;
- no pueden comprar el producto por falta de stock;
- pertenecen a un grupo de control.
También es importante definir prioridades. Si un cliente cumple varias condiciones, ¿debería recibir el email de reposición, una campaña general o una reactivación?
Una buena automatización de email marketing para ecommerce no solo establece disparadores. También coordina exclusiones, pausas y salidas para que la comunicación sea coherente.
Cómo medir si la predicción realmente funciona
Un modelo puede parecer preciso sobre el papel y no mejorar las ventas. La validación debe incluir tanto métricas predictivas como resultados de negocio.
Compara la predicción con lo que ocurrió
Si estimamos una ventana de compra, debemos comprobar después:
- cuántos clientes compraron dentro de ella;
- cuántas compras se produjeron fuera;
- cuántos clientes seleccionados no compraron;
- qué error hubo entre la fecha estimada y la real.
Utiliza un grupo de control
Reservar una parte de los clientes a los que no se envía la campaña permite estimar cuántas compras habrían ocurrido de todas formas.
Si el 12 % del grupo contactado compra y el 10 % del grupo de control también lo hace, no deberíamos atribuir automáticamente todo ese 12 % al email.
La diferencia entre ambos grupos ofrece una aproximación más realista del efecto incremental.
Mide resultados de negocio
Además de la precisión, interesa observar:
- pedidos adicionales;
- ingreso y margen por destinatario;
- tasa de recompra;
- tiempo hasta la segunda compra;
- clientes reactivados;
- bajas y quejas;
- presión de envío.
En nuestra guía sobre cómo medir si el email marketing genera ventas explicamos por qué no basta con observar aperturas y clics. Una predicción es útil si conduce a decisiones que producen un resultado mejor que la estrategia anterior.
Compara con una regla sencilla
Un modelo avanzado debería demostrar que aporta valor frente a una referencia comprensible, como enviar según el intervalo mediano del producto o utilizar una regla fija.
Si no mejora esa base, añadir complejidad no está justificado.
Cuántos datos necesita un ecommerce para empezar
No existe una cifra universal. La cantidad necesaria depende de la variedad del catálogo, la frecuencia de compra y el tipo de modelo.
Para comenzar con intervalos y grupos no hace falta una base de datos enorme. Es posible obtener aprendizajes útiles observando productos recurrentes, medianas por categoría y clientes con varios pedidos.
Los modelos individualizados necesitan más ejemplos. Además, no basta con tener muchos clientes: necesitamos suficientes recompras y un historial representativo.
Una tienda joven puede adoptar un enfoque progresivo:
- Medir el tiempo hasta la segunda compra.
- Calcular intervalos por producto o categoría.
- Identificar clientes con patrones individuales estables.
- Crear ventanas de recompra y reglas de exclusión.
- Validar las campañas con grupos de control.
- Incorporar más variables cuando los datos lo permitan.
La estrategia debería crecer con la información disponible. Utilizar un sistema aparentemente sofisticado con pocos datos puede generar una falsa sensación de precisión.
Errores frecuentes al predecir la próxima compra
Presentar una probabilidad como una certeza
Que un cliente tenga una probabilidad elevada no significa que vaya a comprar. El lenguaje de la campaña no debería revelar ni exagerar una vigilancia sobre su comportamiento.
Ignorar el tipo y la cantidad de producto
El tiempo entre pedidos pierde parte de su significado si no consideramos qué compró el cliente y cuánto adquirió.
Entrenar y evaluar con los mismos datos
Un modelo puede memorizar el historial y parecer muy preciso sin funcionar con clientes o periodos nuevos. La evaluación debe realizarse con datos que no se utilizaron para construirlo y, preferiblemente, respetando el orden temporal.
Utilizar información futura por error
Al predecir una compra en una fecha pasada, solo deberían utilizarse datos que ya existían en ese momento. Incluir información posterior produce resultados artificialmente buenos que no podrán repetirse en uso real.
No tener en cuenta a quienes nunca vuelven
Analizar únicamente a clientes recurrentes crea una visión demasiado optimista. El sistema también debe aprender de quienes realizaron una sola compra o dejaron de comprar.
Confundir correlación con efecto de la campaña
Contactar a quienes ya tenían alta probabilidad de comprar puede generar muchos pedidos atribuidos, aunque hubieran comprado igualmente. Por eso resulta tan importante medir el incremento frente a un grupo de control.
Enviar más por disponer de más predicciones
El objetivo no es convertir cada señal en un email. Es seleccionar las oportunidades en las que una comunicación puede resultar relevante.
No actualizar el modelo
Los patrones cambian por estacionalidad, precios, catálogo y evolución del negocio. Las predicciones deben revisarse y recalibrarse con nuevos datos.
Privacidad y confianza en el email marketing predictivo
La personalización no debería resultar invasiva.
El ecommerce puede utilizar su historial de pedidos para mejorar la relevancia de sus comunicaciones, siempre dentro de una base legal adecuada y respetando las preferencias del cliente. Pero no necesita explicar en el mensaje que ha calculado una probabilidad individual ni utilizar frases que generen incomodidad.
Es mejor escribir:
Quizá sea un buen momento para reponer tu producto.
que:
Nuestro algoritmo predice que comprarás dentro de cinco días.
La tecnología debería hacer que el email se sienta más oportuno y útil, no que el cliente se sienta observado.
También conviene facilitar la baja, controlar la frecuencia, proteger los datos y limitar el uso de la información a finalidades coherentes con la relación establecida.
De enviar por calendario a contactar cuando tiene sentido
Predecir la recompra no consiste en adivinar con exactitud el futuro. Consiste en utilizar el comportamiento histórico para tomar una decisión mejor que enviar la misma campaña a todos en una fecha arbitraria.
Una tienda puede empezar de forma sencilla:
- calcular intervalos entre pedidos;
- utilizar la mediana para reducir el efecto de valores extremos;
- crear ventanas por producto o categoría;
- distinguir clientes nuevos de recurrentes;
- detectar cuándo alguien supera su ritmo habitual;
- medir el resultado frente a un grupo de control.
Con más datos, ese sistema puede incorporar nuevas señales y estimar probabilidades individuales. Pero la pregunta de negocio seguirá siendo la misma:
¿Qué clientes deberían recibir una comunicación ahora y cuáles no?
El análisis RFM ayuda a entender la relación histórica de cada cliente. La predicción de recompra añade el componente temporal y permite anticipar oportunidades o señales de abandono.
Ese paso transforma el email marketing. En lugar de esperar a que todos alcancen una regla fija de inactividad, podemos intentar contactar cerca del momento en el que el mensaje será más relevante.
Porque vender más mediante email no debería depender de aumentar constantemente los envíos. Debería depender de comprender mejor los datos y elegir el momento adecuado para cada cliente.