Oggi scopriamo l’analisi RFM, un noto modello di marketing utile per segmentare e classificare la nostra base clienti.

Valida a tutti i livelli di marketing e aspetto fondamentale per qualsiasi analisi di business, un’adeguata classificazione dei clienti, unita a strategie di vendita efficaci, può fare la differenza nella generazione del profitto di un’attività commerciale.
Se vuoi saperne di più sull’analisi RFM e su come utilizzarla per migliorare la tua strategia di marketing, sei nel posto giusto! In questo articolo ti spiegherò, prima, il funzionamento del modello e poi vedremo insieme un’ applicazione semplificata per e-commerce.

Cos’è l’Analisi RFM

L’analisi RFM è una metodologia utilizzata nel marketing per segmentare gli acquirenti sulla base del loro comportamento d’acquisto. Il suo nome deriva dalle tre variabili che vengono prese in considerazione: Recency (quando è stata effettuata l’ultima acquisto), Frequency (quante volte il cliente ha effettuato acquisti) e Monetary (quanto ha speso il cliente).

L’obiettivo dell’analisi RFM è quello di creare delle categorie (cluster) per individuare quegli acquirenti che sono – con maggiore probabilità – più sensibili e reattivi verso promozioni e/o servizi personalizzati.

La tecnica affonda le sue radici nel – buon vecchio – marketing diretto tradizionale, dove nasce come soluzione pratica per ridurre i costi, di stampa e spedizione, dei cataloghi ed aumentare il ritorno sull’investimento. In ambito accademico è stata introdotta per la prima volta, nel 1995, da Bult e Wansbeek.

Segmentazione e fidelizzazione dei clienti con l’Analisi RFM

Come puoi immaginare, la naturale evoluzione dal cartaceo al digitale e l’avvento dei Big Data non ha potuto che incrementare l’accuratezza e l’efficacia dell’analisi RFM. Una volta ripartiti i clienti nei gruppi con il modello RFM, avremo finalmente una chiave di lettura nonché un solido supporto decisionale e previsionale per le nostre strategie di promozione e/o fidelizzazione.

Segmentare i clienti nel modo giusto e analizzare i cluster è come avere una cartina geografica delle prossime mosse commerciali da attuare: una volta definite le segmentazioni e relative caratteristiche, sarà molto più facile stabilire un action plan che punti a convertire o fidelizzare i già clienti.

I vantaggi della segmentazione clienti con l’Analisi RFM

Abbiamo compreso perché segmentare e analizzare i propri clienti, ma adesso vogliamo entrare ancor più nello specifico e farvi scoprire quali tipi di cluster potrebbero emergere da un’analisi RFM svolta nel modo adeguato.

Esempi di Cluster con analisi RFM:

• I clienti migliori
• I clienti a rischio abbandono
• I clienti più sensibili alle promozioni
• I clienti che potrebbero spendere di più e diventare più profittevoli
• I clienti da non perdere e mantenere

Prima di addentrarci nel modello, voglio farti soffermare un momento sugli ultimi due punti. Sai quanto sono importanti le azioni di fidelizzazione e mantenimento dei clienti? E soprattutto, qual è la loro portata economica?

Acquisire un nuovo cliente costa in più dalle 5 alle 25 volte rispetto a mantenere uno esistente (fonte: Harvard Business Review). Non a caso gli investimenti in programmi di fidelizzazione sono cresciuti del 57% per il mercato USA nel 2017. (fonte: E-Marketer)

Le azioni di mantenimento sono un propulsore per le vendite: in ambito finanziario, un aumento del 5% della customer retention genera un aumento delle vendite del 25% (fonte: Bain & Co).

Ricordatelo, la fedeltà paga… ed anche bene aggiungerei! Adesso che hai capito perché vale la pena implementare il modello, ti spiegherò come funziona. Sei pronto?

Come funziona il modello RFM

Il modello poggia su un principio universale, quello di Pareto, la famosa legge del 80-20. Applicata alle scienze aziendali,  allude al tipico fenomeno per cui l’80% dei profitti di un’impresa viene generato dal 20% dei suoi clienti. Con il modello RFM andiamo appunto a scovare questa fetta preziosa della nostra clientela.

Ti leggo nel pensiero, stai dicendo che basterebbe osservare i ricavi generati da ciascun cliente. Osservazione sacrosanta, ma lasciami spiegare una cosa: questa analisi considera due dimensioni temporali che approfondiscono comprensione e previsione del processo di (ri)acquisto. Quelle che rispondono a due domande precise: quando è avvenuto l’ultimo acquisto? Con quale frequenza si acquista?

Arrivando al punto, il modello RFM non è nient’altro che un sistema di classificazione che ordina i clienti sulla base di un punteggio individuale, calcolato sulla base di tre metriche: Recency, Frequency e Monetary.

Recency: misura il tempo trascorso dall’ultimo acquisto di un certo cliente. Ci aspettiamo che più questo è vicino, maggiore è la probabilità che quel cliente ci scelga di nuovo in futuro.

Frequency: riflette il numero di acquisti ripetuti da un cliente. Anche in questo caso, la probabilità di un eventuale acquisto futuro cresce all’aumentare della frequenza.

Monetary: indica l’ammontare speso del cliente nel periodo di riferimento (ndr lascio fare a te le dovute considerazioni del caso).

Il processo che determina il punteggio si chiama Scoring e può avvenire mediante due tipologie di classificazione: a base empirica o statistica. Per spiegarvi i due metodi farò riferimento al libro Digital Analytics per E-Commerce (2018) scritto da Fabio Piccigallo, lettura consigliatissima.

L’attribuzione del punteggio RFM: base empirica vs statistica

Il metodo empirico è quello di natura soggettiva, risulta più flessibile per le esigenze di segmentazione. In sostanza, si tratta di fissare a proprio piacimento i valori soglia delle tre variabili di RFM per l’attribuzione del punteggio. Considerando un certo intervallo temporale, assegneremo ad esempio per la frequenza:

• 5 punti: chi ha acquistato 10 o più volte
• 4 punti: chi ha acquistato dalle 6 alle 9 volte
• 3 punti: dalle 3 alle 5

e via dicendo fino ad arrivare ad 1. La soggettività è allo stesso tempo croce e delizia del metodo empirico, spostare la soglia a propria discrezione determina in maniera netta la formazione dei gruppi. Il suggerimento è di adottare questo metodo solo per piccoli business con clienti fidelizzati, procedendo per tentativi e migliorando di volta in volta.

Viceversa, il metodo statistico è quello più oggettivo, la sua natura sperimentale lascia meno margine di errore. C’è da dire che con questo metodo da più confidenza, statistica e non, nel risultato. In poche parole, con questo criterio osserviamo i valori assunti dalle tre metriche e poi li raggruppiamo questi sulla base di percentili o decili.

Non allarmarti, è più semplice di quello che sembra. Se abbiamo 100 valori registrati per la Frequency, dobbiamo calcolare prima la mediana e poi collochiamo una parte dei clienti al di sopra e un’altra al di sotto di essa. Continuiamo il procedimento fino a quando avremo ottenuto 10 gruppi in totale.

Qualunque sia il metodo seguito, avremo per ogni cliente uno score RFM risultato come concatenazione dei singoli punteggi registrati: in pratica, se per Pinco Pallino registriamo R=3 F=2 M=2 il suo punteggio RFM finale sarà pari a 322. Lo step finale sarà quello di etichettare i consumatori e inserirli dentro dei Cluster, come indicato nella tabella sottostante.

Osserviamo la prima classe, quella dei campioni in cui troveremo tutti i clienti contrassegnati dai punteggi RFM: 444, 555, 454, 445, 455,544, 554, 545. Il nostro Pinco Pallino (RFM=322) sarà etichettato come un cliente che necessita di attenzione. Ecco svelato il metodo, semplice vero?

Un’applicazione (pratica) dell’analisi RFM

Ottimo, adesso diamo la parola ai numeri! Vediamo come possiamo applicare il nostro modello usando un semplice foglio di calcolo, Excel o Google Sheet, a tuo piacimento. Immaginate di trovare Pino, proprietario di un e-commerce che vende distillati, in procinto di segmentare il suo database clienti.

Pino vuole inviare una mail personalizzata solo ai suoi migliori acquirenti. Si sente riconoscente verso di loro, e vuole dare un omaggio un raffinatissimo portabottiglie in noce. Siccome la sua società non è una Onlus, il “regalo” sarà solo per chi effettua un’ordine prima del 23 Dicembre.

Per semplificare la faccenda supponiamo di avere una customer base di 10 clienti, inseriti in una tabella come questa:

Qual è secondo te il miglior cliente di Pino? A colpo d’occhio sembra che sia Roberto S. , con i suoi 350 € di acquisti, lo spendaccione del gruppo. Aspettiamo però di applicare il modello prima di trarre le conclusioni.

Con un database così modesto il punteggio può essere attribuito su base empirica: dopo un intenso brainstorming con il suo commerciale, Pino stabilisce delle soglie di valori per attribuire lo score ai singoli valori osservati ovvero Recency, Frequency e Monetary.

_{Soglie per attribuzione Recency}

_{Soglie per attribuzione Frequency}

_{Soglie per attribuzione Monetary}

Ci siamo, per segmentare il nostro elenco clienti dovremo:

1) Aggiungere una colonna punteggio affianco ciascun valore R,F,M

2) Calcolare il punteggio sulla base delle soglie impostate in precedenza:

Quando i dati disponibili sono pochi, puoi calcolare tutto a mano. Quando iniziano a diventare tanti, ti consiglio di utilizzare la funzione IFS di Google Sheet (equivalente al SE nidificato su Excel). Per la Recency, se i dati sono elencati nella colonna C puoi usare la seguente funzione:

=IFS(C2<5;”5″;C2<10;”4″;C2<15;”3″;C2<20;”2″;C2>20;”1″)

la rispettiva sintassi logica è:

IFS(condizione1; valore1; [condizione2; …]; [valore2; …])*

* nb tradotto significa che è rispettata la condizione 1 (C2<5) viene restituito il valore 1 (“5”), se invece è valida la condizione 2 (C2<10) allora verrà restituito il valore 2(“4”) e via dicendo.

3) Etichettare ogni cliente in funzione dello score RFM ed inserirlo all’interno di un Cluster

Abbiamo scoperto che il miglior cliente non è il top spender Roberto S ma Carlo D. Non so tu, ma il nostro Pino è piuttosto sorpreso dal risultato! Dopo aver segmentato per bene il suo elenco clienti, capisce che i target ideali per la DEM natalizia sono Andrea, Carlo, Marina e Nicoletta. Ah, si rende anche conto che bisogna fare qualcosa per non lasciarsi scappare Roberto.

Disclaimer: ci tengo a precisare che questa è un’applicazione semplificata di RFM, il mio scopo era quello di mostrare la logica sottostante al modello. Spero di esserci riuscito, se qualcosa non fosse chiaro e/o hai notato qualche errore ti prego di segnalarmelo con un commento.

Esistono modalità e tecniche più complesse e performanti. Due su tutte: quelle operate con i linguaggi come R e Phyton. I risultati dell’analisi possono ovviamente essere visualizzati graficamente per migliorare la comprensione dell’output, provare Tableau per credere.

Tirando le somme, questo modello è un buon paradigma per migliorare il targeting ed aumentare la probabilità che le strategie producano le risposte dirette desiderate. Questi sono i dati che puoi ottenere dall’analisi: customer retention, tasso di risposta e tasso di conversione.

Chiudiamo con qualche spunto operativo. Puoi utilizzare i cluster, oltre che in una DEM personalizzata, sfruttando gli indirizzi e-mail- raccolti in pieno rispetto delle le linee guida del GDPR– all’interno di elenchi per il remarketing: in questo modo puoi raggiungerli all’interno della Rete Display di Google Ads oppure mentre navigano sui Social Network, caricando la lista su Custom Audience di Facebook.

Per il momento è tutto. E tu, conoscevi questa tecnica di segmentazione? Ce ne sono altre che preferisci? Non mi resta che augurarti una buona segmentazione!