L’analisi del comportamento dei clienti è fondamentale per le aziende che cercano di migliorare la fidelizzazione dei clienti, aumentare i profitti e guidare la crescita dei ricavi. Una metodologia per analizzare il comportamento dei clienti e segmentarlo sulla base di parametri transazionali è l’RFM Score.
L’RFM Score è una tecnica di analisi semplice ma altamente efficace utilizzata per misurare il valore del cliente sulla base di tre metriche, ad ognuna delle quali corrisponde un elemento chiave del comportamento di acquisto: Recency (a quando risale l’ultima transazione), Frequency (quanto frequenti sono le transazioni), Monetary (qual è il valore delle transazioni).
Valutando i tre parametri relativi alle transazioni di acquisto che lo compongono, possono essere ricavate preziose informazioni sulle abitudini dei clienti da utilizzare per sviluppare azioni mirate di vendita e marketing.
Ad ogni cliente, per ciascuna delle metriche viene assegnato un valore compreso tra 1 e 5, dove i punteggi più alti indicano maggiore fedeltà e valore, e viene determinato un profilo RFM. Ad esempio, un cliente che ha effettuato diversi acquisti di valore elevato nell’ultimo mese riceverà un punteggio RFM di 555, mentre uno che ha acquistato un solo prodotto poco costoso un anno fa riceverà un punteggio RFM di 111.
Come si può ben capire, si tratta di una segmentazione dei clienti puramente transazionale, che in prima battuta non indaga elementi motivazionali o comportamentali.
La segmentazione effettuata con l’RFM Score può però aiutare a identificare quali specifiche azioni di marketing o promozionali attivare su uno specifico target. Ad esempio, se la frequenza e bassa ma il valore monetario è elevato, posso essere intraprese delle azioni per portare più spesso i clienti nello store e far incrementare le transazioni. Successivamente si fa una valutazione della risposta dei clienti alle campagne per capire cosa ha funzionato e su chi, in modo da aggiornare il profilo dei clienti con elementi qualitativi e comportamentali.
Ora si potrebbe pensare a questo approccio come qualcosa di intuitivo e che non richiede analisi specializzate; tuttavia, l’utilizzo di un’analisi RFM può fare una grande differenza nell’efficacia delle strategie di marketing di una azienda.
Assegnare i punteggi RFM
Esistono due modi principali per attribuire i punteggi RFM:
1. Quantili (performance quintiles)
2. Intervalli arbitrari (expert opinion)
Il primo metodo (quantili) prevede che, per ciascuna delle metriche R/F/M, la base clienti sia suddivisa in gruppi omogeni, solitamente 5 seguendo la regola dei quintili, con ciascun gruppo che ha un numero uguale di clienti a seconda delle dimensioni.
Un quintile è un valore statistico di un set di dati che rappresenta il 20% di una data popolazione; quindi, il primo quintile rappresenta il quinto più basso dei dati (dall’1% al 20%); il secondo quintile rappresenta il secondo quinto (dal 21% al 40%) e così via. I quintili vengono dunque utilizzati per creare dei punti di cut-off per una data popolazione; a seconda delle dimensioni della stessa, in alternativa si possono usare i quartili.
Come si può facilmente intuire, l’idea di fondo è legata al principio di Pareto (80/20) secondo cui l’80% del valore per le aziende è generato dal 20% dei clienti.
Facciamo l’esempio di avere 1000 clienti e di prendere in considerazione il valore monetario (M). Ordinando i clienti in base al loro valore monetario decrescente (es. fatturato o profitto fatto sul cliente) e suddividendoli in gruppi omogenei di 200 clienti ciascuno, potremo attribuire al primo gruppo (top 20%) un M-Score pari 5, e ai successivi un M-Score decrescente da 4 a 1. Ripetendo la stessa operazione anche per le altre due metriche, R ed F, e combinando i ranking individuali alla fine del processo si ottiene lo score aggregato, come nell’esempio della tabella sopra.
Il secondo metodo (approccio arbitrario) consiste nell’utilizzare intervalli predeterminati per assegnare i punteggi RFM. In questo caso, prendendo sempre ad esempio il valore monetario (M), in funzione delle specificità del proprio business si potrà stabilire che per un valore del cliente superiore a 500k€ l’M-Score è pari 5, tra 500k€ e 250k€ l’M-Score è pari 4, e via a scendere. Lo stesso principio di arbitrarietà può essere applicato alle altre due metriche, R ed F.
Segmentare i clienti con l’RFM
Una segmentazione efficace dei clienti sulla base dell’RFM score può essere implementata in diversi modi e dipende in gran parte dalle specificità del proprio business. Il numero di segmenti in cui inserire i clienti può essere ampio e con diverse gradazioni tra loyal e dismiss.
Personalmente, per qualsiasi tipo di segmentazione si intenda fare, prediligo la semplicità che, in primo luogo, si manifesta in un numero di cluster non elevato, idealmente ristretto alle 3 – 5 categorie più basilari che funzionano per quasi tutte le aziende e che forniscono preziose informazioni generali relative al comportamento dei clienti e chiare indicazioni su come sviluppare azioni di vendita e marketing appropriate per ciascun segmento.
Calcolare lo score e analizzare i risultati
Lo strumento più comunemente usato dagli analisti per condurre un’analisi RFM è Excel, ma con la diffusione di tools e software più potenti e ancora più specializzati – si pensi alle molteplici piattaforme CRM – ci sono molti altri modi per eseguirla e creare dashboard di visualizzazione e business intelligence.
Per me il connubio ideale è rappresentato da R + PowerBI. Quest’ultima è una delle piattaforme più potenti per la realizzazione di dashboard interattive e analisi di business intelligence.
Di R ho già parlato altre volte, e lo considero uno strumento primario per fare data analysis. In particolare, nell’esempio qui sotto, ho utilizzato lo specifico pacchetto rfm di R, per eseguire la segmentazione, identificando e classificando i clienti sulla base delle regole stabilite.
Implicazioni e possibili azioni
Normalmente, solo una frazione dei clienti risponde effettivamente alle azioni promozionali e marketing delle imprese. Tenuto conto che acquisire un nuovo cliente richiede molto più investimenti rispetto a mantenerne uno esistente, attraverso un’analisi RFM, è possibile comprendere come personalizzare le azioni sugli specifici clienti e cosa gli interessa in modo da poter massimizzare l’interazione e la risposta da parte loro.
Considerato ciò, l’analisi RFM, in un certo senso, aiuta a comprendere e massimizzare il potenziale che risiede in ciascun cliente. La sua applicazione nella definizione delle strategie di marketing rappresenta dunque un’implementazione efficace del data-driven approach.
Aiuto le organizzazioni a potenziare competenze e processi decisionali basati sui dati. Se siete interessati a esplorare questa opportunità e saperne di più contattatemi.
Massimo Ghetti - ®2023 