Cómo crear un indicador de ventas recurrentes en DAX: paso a paso
Este tutorial muestra cómo crear un indicador de ventas recurrentes en DAX para identificar clientes que compran de forma regular —una métrica muy útil para segmentación, retención y campañas de cross-sell. Primero explicamos el porqué: saber qué clientes tienen comportamiento recurrente ayuda a priorizar inversiones en retención, estimar ingresos previsibles y medir el impacto de iniciativas de fidelización. Después, ofrecemos un ejemplo práctico paso a paso que incluye cálculo de recencia, frecuencia y una ventana de recurrencia; todo pensado para ser fácil de adaptar a tu negocio.
Requisitos previos
- Power BI Desktop con un modelo simple: tabla Sales (CustomerID, OrderDate, SalesAmount) y tabla Customers (CustomerID). También puedes incluir OrderID si tienes transacciones detalladas, pero no es obligatorio.
- Conocimientos básicos de DAX: medidas, CALCULATE, FILTER, ALL y RELATED no son necesarios para seguir este tutorial, pero es útil saber qué es una medida frente a una columna.
- Una tabla de fechas (Calendar) marcada como Date table y relacionada con Sales[OrderDate]. Esto permite usar funciones temporales como DATESINPERIOD. La Calendar debe cubrir al menos el periodo histórico que quieras analizar (ej.: 24 meses).
Paso 1: pensar qué es "recurrente"
Antes de escribir DAX es importante definir la regla de negocio. No existe una definición universal de "recurrente": depende del ciclo de compra del producto. Una regla simple: un cliente es recurrente si tiene al menos N compras en los últimos M meses y la última compra fue en los últimos X días. Por ejemplo, N=3 compras en M=6 meses y último pedido en los últimos X=30 días es una definición razonable para consumo mensual/suscripción de servicios. Para productos de compra menos frecuente puedes tener N=2 en M=12 meses y X=90 días. Define estos parámetros con los stakeholders: marketing y ventas pueden aceptar trade-offs (más sensible = mayor base de recurrentes; más estricto = menor, pero más fiable). Es común validar con muestras: esperar que 10–25% de la base sea marcada como recurrente —si es 70% posiblemente la regla sea demasiado permisiva.
Paso 2: crear medidas básicas de soporte
Crearemos medidas simples que ayudan a interpretar y depurar el resultado. Las medidas de soporte facilitan pruebas con ejemplos concretos y permiten crear segmentos adicionales (ej.: clientes inactivos).
Sales Count = COUNTROWS(Sales)
Last Purchase Date = MAX(Sales[OrderDate])
Estas medidas muestran el nº total de filas de ventas por contexto y la última fecha de compra por cliente. En una tabla con Customers[CustomerID] puedes ver rápidamente si la medida Last Purchase Date coincide con la realidad, y si Sales Count refleja transacciones o documentos (si 1 venta por OrderID, Sales Count podría equivaler al nº de pedidos).
Paso 3: contar compras en los últimos M meses
Usa CALCULATE con DATESINPERIOD para contar transacciones dentro de la ventana de M meses a partir de la fecha actual del contexto. Esta medida devuelve la frecuencia en el periodo elegido y debe probarse con distintos valores de M (3, 6, 12 meses).
Purchases Last 6 Months =
CALCULATE(
COUNTROWS(Sales),
DATESINPERIOD(
Calendar[Date],
MAX(Calendar[Date]),
-6,
MONTH
)
)
Ejemplo práctico: en una base de 50.000 clientes, puedes esperar que 4.000 tengan al menos 1 compra en los últimos 6 meses; si 1.200 tienen ≥3 compras, eso supone 3% de la base como recurrentes según N=3/M=6. Ajusta según los resultados y la expectativa del negocio.
Paso 4: calcular días desde la última compra (recencia)
La recencia es crítica: un cliente puede haber comprado mucho en el pasado pero estar inactivo hoy. Esta medida calcula cuántos días han pasado desde la última compra hasta la fecha en el contexto del informe (útil con un slicer de fecha).
Days Since Last Purchase =
VAR LastDate = CALCULATE(MAX(Sales[OrderDate]), ALL(Calendar))
VAR TodayContext = MAX(Calendar[Date])
RETURN
DATEDIFF(LastDate, TodayContext, DAY)
Si usas una fecha de análisis fija (por ejemplo, 2026-10-31), un cliente con última compra en 2026-10-15 tendrá Days Since Last Purchase = 16. Valores típicos de corte: X=30 para compras mensuales; X=90 para compras trimestrales/anuales.
Paso 5: crear la medida final "Is Recurring Customer"
Ahora combinamos las condiciones de frecuencia y recencia. Debemos también considerar casos extremos: clientes sin compras deben resultar en 0 (o FALSE). Devolvemos 1/0 para facilitar agregaciones (SUM para contar recurrentes).
Is Recurring Customer =
VAR MinPurchases = 3
VAR WindowMonths = 6
VAR MaxDaysSince = 30
VAR PurchasesInWindow =
CALCULATE(
COUNTROWS(Sales),
DATESINPERIOD(Calendar[Date], MAX(Calendar[Date]), -WindowMonths, MONTH)
)
VAR DaysSince =
VAR LastDate = CALCULATE(MAX(Sales[OrderDate]), ALL(Calendar))
RETURN DATEDIFF(LastDate, MAX(Calendar[Date]), DAY)
RETURN
IF(PurchasesInWindow >= MinPurchases && DaysSince <= MaxDaysSince, 1, 0)
Notas prácticas: ajusta MinPurchases, WindowMonths y MaxDaysSince con parámetros del negocio. Para responder a preguntas de marketing, usa esta medida en tarjetas (ej.: SUM(Is Recurring Customer) muestra el total de clientes recurrentes en el periodo).
Paso 6: usar el indicador en el informe
Arrastra Customers[CustomerID] a una tabla en Power BI y añade la medida Is Recurring Customer. Crea un slicer por Calendar[Date] para simular distintas fechas de análisis y valida el comportamiento. Para resumir, usa SUM(Is Recurring Customer) o COUNTROWS con un FILTER: por ejemplo, una tarjeta con SUM(Is Recurring Customer) mostrará cuántos clientes son recurrentes en ese contexto temporal.
Verificar el resultado
Confirma que el indicador funciona comprobando ejemplos conocidos: elige un cliente con 4 compras en los últimos 6 meses y última compra hace 10 días —debe devolver 1. Prueba clientes con compras únicas o última compra hace 90 días —debe devolver 0. Valida también con muestras: revisa 20 clientes manualmente y calcula el porcentaje que coincide con la clasificación automática; si la tasa de error es >10% probablemente necesites ajustar la definición. Otra verificación útil es comparar ingreso medio de los recurrentes vs no recurrentes: espera que los recurrentes tengan CLV más alto.
Conclusión
Con estas medidas tienes un indicador simple e interpretable de clientes recurrentes en DAX. Próximos pasos: transformar Is Recurring Customer en una columna calculada para análisis histórico, crear segmentos (alta/media/baja recurrencia) con SWITCH, o incorporar SalesAmount para medir ingreso recurrente medio. Consejo final: prueba siempre con ejemplos reales en tu modelo y documenta la definición (N/M/X) para que todos los equipos apliquen la misma lógica. ¿Qué reglas consideras más útiles para tu caso?