L’analisi RFM è una tecnica di segmentazione del comportamento dei clienti di un eCommerce basata sui dati. L’idea è di segmentare i clienti in gruppi distinti sulla base dell’ultimo acquisto effettuato, sulla frequenza degli acquisti e su quanto hanno speso in totale. Tutto questo con l’obiettivo di definire quanto sia attivo e redditizio ciascun gruppo.

Il modello RFM è a tutti gli effetti un tool potente per l’eCommerce in quanto permette di pianificare e compiere specifiche azioni di marketing davvero mirate ed efficaci.

Sebbene ci siano diversi modi per eseguire la segmentazione, l’analisi RFM è particolarmente diffusa per tre motivi:

Utilizza scale numeriche obiettive che producono una rappresentazione concisa e informativa di alto livello dei clienti.
È semplice: gli esperti di marketing possono utilizzarla in modo efficace anche senza la necessità di ricorrere a software sofisticati o Data Scientist.
È intuitiva: l’output di questo metodo di segmentazione è facile da comprendere e interpretare.

Qual è il significato di Recency, Frequency e Monetary?

Come già anticipato, il modello RFM è un sistema di classificazione che permette di ordinare i clienti di un’azienda secondo un punteggio individuale, calcolato sulla base tre metriche:

Recency: quanto tempo è trascorso dall’ultima transazione del cliente con il brand? Nella maggior parte dei casi, quanto più recentemente un cliente ha fatto acquisti, tanto più è probabile che sarà ricettivo alle comunicazioni di marketing.
Frequency: con quale frequenza un cliente ha fatto acquisti durante un determinato periodo di tempo? I clienti che compiono acquisti frequenti sono più coinvolti e probabilmente più fedeli rispetto ai clienti che lo fanno più raramente.
Monetary: questa metrica riflette quanto un cliente ha speso in totale con il brand durante un determinato periodo di tempo.

Quali sono i vantaggi dell’analisi RFM?

Condurre un’analisi RFM sulla tua base clienti e inviare campagne personalizzate a segmenti di alto valore ha enormi vantaggi per il tuo eCommerce:

Personalizzazione: conoscendo quali sono i segmenti dei clienti più redditizi, è possibile creare offerte pertinenti e personalizzate.
Migliora i tassi di conversione: le offerte personalizzate sono in grado di produrre tassi di conversione più elevati perché le persone interagiscono maggiormente con i prodotti a cui tengono.
Migliora gli Unit Economics, uno su tutti il Customer Lifetime Value.
Aumenta entrate e profitti.

Come fare la segmentazione RFM step by step

Segmentare la propria base clienti attraverso il modello RFM è piuttosto semplice, tuttavia l’utilizzo di software specifici rende il processo sicuramente automatico e con risultati più accurati.

Per ciascun cliente assegna i valori di Recency, Frequenza e Monetary. Per fare questo è necessario accedere ai dati grezzi disponibili nel tuo CRM o nel database transazionale. I tre valori possono essere compilati in un foglio di calcolo. Ricordiamo che Recency è la quantità di tempo trascorsa dall’ultima transazione del cliente; Frequency è il numero totale di transazioni effettuate dal cliente (durante un periodo definito) e Monetary è l’importo totale che il cliente ha speso per tutte le transazioni (durante lo stesso periodo definito).

Dividi la base clienti in gruppi a livelli per ciascuna delle tre dimensioni (R, F e M), utilizzando un semplice foglio di calcolo Excel, oppure uno script in R o in Python come i nostri Data Analyst. A meno che non si utilizzi un software dedicato alla segmentazione RFM, il consiglio è di dividere i clienti in quattro livelli per ogni dimensione, in modo tale che ciascun cliente venga assegnato a un livello in ogni dimensione:

Recency	Frequency	Monetary
R-livello-1 (più recente)	F-livello-1 (più frequente)	M-livello-1 (alto spendente)
R-livello-2	F-livello-2	M-livello-2
R-livello-3	F-livello-3	M-livello-3
R-livello-4 (meno recente)	F-livello-4 (solo una transazione)	M-livello-4 (basso spendente)

Seleziona i gruppi di clienti destinatari di specifiche azioni e comunicazioni di marketing sulla base base dei segmenti RFM in cui compaiono. In questa fase è utile assegnare dei nomi ai segmenti di interesse. Per esempio:
Best Customer – questo gruppo è composto da quei clienti che si trovano nei segmenti R-livello-1, F-livello-1 e M-livello-1. Questo significa che sono quei clienti che hanno acquistato di recente, acquistano spesso e spendono di più rispetto gli altri. Una notazione più breve per questo segmento è 1-1-1.

High-spending New Customer – questo gruppo è composto da quei clienti che si trovano nei segmenti 1-4-1 (R-livello-1, F-livello-4 e M-livello-1) e 1-4-2 (R-livello-1, F-livello-4 e M-livello-2). Si tratta di quei clienti che hanno acquistato solo una volta, ma di recente spendendo molto (rispetto tutti gli altri).

Lowest-spending Active Loyal Customer – questo gruppo è composto da quei clienti che si trovano nei segmenti 1-1-3 e 1-1-4; ovvero hanno acquistato di recente, acquistano spesso ma spendendo poco (rispetto tutti gli altri).

Churned Best Customer – questo gruppo è composto da quei clienti che si trovano nei segmenti 4-1-1, 4-1-2, 4-2-1 e 4-2-2; ovvero acquistano frequentemente spendendo tanto, ma per cui è passato tanto tempo dall’ultimo acquisto.

Gli elenchi sopra riportati sono solo un esempio, come regola generale i marketer dovrebbero selezionare i gruppi di clienti più rilevanti sulla base di specifici obiettivi aziendali e obiettivi di retention.
Questo quarto passaggio in realtà va oltre la pura segmentazione RFM e consiste nel creare specifici messaggi personalizzati per ciascun gruppo di clienti. Concentrandosi sui modelli comportamentali di determinati gruppi, gli esperti di marketing sono in grado di comunicare con i propri clienti in modo molto più efficace. Riprendendo gli esempi sopra citati:

Best Customer – Le comunicazioni con questo gruppo di clienti dovrebbero mirare a farli sentire apprezzati. È molto probabile che questi clienti generino una percentuale elevata dei ricavi complessivi e per questo motivo concentrarsi sulla loro soddisfazione dovrebbe essere una priorità assoluta. Un’ulteriore analisi delle loro preferenze e affinità individuali fornirà nuove opportunità per costruire messaggi ancora più personalizzati.
High-spending New Customer – È sempre una buona idea porre attenzione particolare a tutti i nuovi clienti, a maggior ragione verso coloro che hanno speso molto per il loro primo acquisto. Anche in questo caso, è importante farli sentire apprezzati e offrire loro incentivi interessanti che li invoglino a continuare a interagire con il brand.

Lowest-spending Active Loyal Customer – Questi clienti abituali sono attivi e fedeli, ma hanno un budget ridotto. In questo caso è possibile creare campagne con contenuti che li facciano sentire apprezzati e li incentivino ad aumentare i livelli di spesa. Trattandosi di clienti fedeli, spesso paga anche premiarli con offerte speciali se si impegnano in attività di passaparola con i loro amici, per esempio tramite azioni sui social network.

Churned Best Customer – Questi clienti sono preziosi per il tuo business, ma hanno smesso di fare acquisti da diverso tempo. Sebbene spesso è difficile coinvolgere nuovamente i clienti “dormienti”, vale la pena fare un tentativo dato l’alto valore che questi potrebbero portare. Come con il primo gruppo (i Best Customer), è importante comunicare con loro sulla base delle loro preferenze specifiche derivate dai loro acquisti precedenti.

Conclusioni

La segmentazione e l’analisi RFM sono metodi semplici e altrettanto potenti per ogni eCommerce. Tuttavia, il fatto che il modello RFM consideri solo tre fattori specifici (anche se molto importanti) significa che il metodo può escludere altre variabili altrettanto salienti (per esempio i prodotti acquistati, le reazioni alle precedenti campagne, dettagli demografici e così via).

Bisogna aggiungere anche che il modello RFM è un metodo “storico”: esamina infatti il comportamento passato del cliente che può o meno indicare con precisione attività, preferenze e risposte future. Le tecniche più avanzate di segmentazione dei clienti, come per esempio K-means Clustering, Hierarchical Clustering, Support Vector Machines e DBSCAN, si basano invece su tecnologie di analisi predittiva che tendono a essere molto più accurate nel prevedere il comportamento futuro dei clienti.

In definitiva, non sempre il metodo più complicato e sofisticato è quello più efficiente; è fondamentale invece essere in grado di aggregare più fonti di dati differenti per ottenere una segmentazione più profonda.