L’Analisi RFM nella segmentazione dei Clienti

Hai un database clienti e non sai da dove iniziare per una segmentazione? L’analisi RFM (Recency, Frequency, Monetary) è uno dei metodi più utilizzati nelle segmentazione dei propri clienti. L’esigenza di creare liste di clienti differenti ed assegnarne un diverso valore è la motivazione che spinge tutti i marketers che vogliano migliorare il business di un’azienda. Riuscire a stabilire il life value di ogni cliente e collocarlo in un gruppo specifico – ad esempio clienti top –  ci consente sia di pianificare strategie rivolte ai singoli gruppi e sia ci fornisce un’istantanea realistica – da ripetere mensilmente – di quali sono i nostri clienti e sopratutto quali sono i migliori.

Secondo la teoria di Pareto, economista e sociologo italiano,  il 20% delle cause produce l’80% degli effetti quindi, ad esempio, il 20% dei vostri clienti genererà l’80% del fatturato e l’80% dei vostri clienti genererà il 20% dei ricavi.

 

 

 

 

Potete (dovete) intuire come sia di fondamentale importanza capire chi sono i vostri clienti e sopratutto chi sono quelli che contribuiscono in maniera maggiore al vostro fatturato. Comunicare con loro, trattandoli come è giusto che sia, li fidelizzerà ancor di più e renderà la vostra espansione sempre più semplice. Tenete a mente che un cliente soddisfatto è anche un ambasciatore della vostra azienda (il passaparola ancora funziona).
Quindi i vantaggi sono diversi:

Minori costi di gestione, minori spese di advertising, passaparola positivo.

 

 

 

 

 

Molto spesso la maggior parte dei marketers e degli imprenditori concentra tutte le attività per conquistare i Prospect  dimenticandosi dei clienti. Questo può rivelarsi un errore grossolano, non perché i Prospect non siano importanti, ma di sicuro lo sono meno dei clienti fedeli. L’analisi RFM ci consente quindi di capire i Clienti in base al loro rapporto con l’azienda.  Per calcolare l’RFM abbiamo bisogno di tre variabili:

  • Recency: la frequenza di acquisto di un cliente in un periodo determinato di tempo.
  • Frequency: relativo all’ultimo acquisto effettuato dal cliente.
  • Monetary: l’ammontare monetario di tutti gli acquisti che ha generato il cliente in un determinato periodo di tempo. 

 

Dunque il metodo di Segmentazione RFM ipotizza che i clienti migliori sono quelli che:

  • Hanno effettuato un acquisto recentemente
  • Hanno acquistato con maggiore frequenza in un dato periodo di tempo
  • Hanno effettuato acquisti di importo elevato

 

Ci sono diversi metodi per calcolare RFM: La stima di ponderazione e il calcolo quintili.

In entrambi i casi si deve assegnare un valore a tutti e tre le variabili. 

L’applicazione della stima ponderata RFM richiede un sistema di pesi di ponderazione delle tre variabili. Nella Tabella 1 si riporta un sistema di pesi usato normalmente.

Tabella 1

 

Nella tabella 2 è riportato un elenco di cinque clienti con i dati – id, ultima data di acquisto, numero di acquisti, valore monetario degli acquisti – che servono per fare la nostra analisi RFM.

 

tabella 2

 

 

Applicando il sistema di ponderazione si ottengono i punteggi corrispondenti ai diversi clienti. Il risultato finale della procedura è riportato nell’ultima colonna, le stelline rappresentano il Quality Score di ogni cliente. Prendendo come esempio il cliente 2166 (terza riga tabella 2 – 3) abbiamo prima calcolato la Recency – come da tabella 1 – e siccome l’acquisto è stato effettuato negli ultimi tre mesi abbiamo assegnato 20 punti. Gli acquisti sono 4 che moltiplicati per 4 fanno 20 punti nella frequency. Infine abbiamo applicato il 20% al valore monetario ed il risultato è stato di 34. Totale complessivo “70”. Da questa analisi possiamo affermare che il cliente 2166 non sia così importante per questa azienda

 

Tabella 3

 

Ma oltre a questo, il calcolo ci dice chiaramente che altri invece sono importanti e che in base al punteggio acquisito avranno un valore diverso per l’azienda. Se pensiamo al cliente 2173 seppur un buon cliente il punteggio della recency ci fa capire che è da un po’ di tempo non acquista. Tale informazione, come tutti i dati d’altronde, ha bisogno di un’ulteriore analisi. Magari questo cliente acquista dall’azienda dei prodotti in base alla stagionalità. Questo è uno dei punti deboli dell’analisi RFM. Nonostante ciò tali punteggi ci forniscono da subito un quadro abbastanza chiaro del valore dei clienti. Detto questo una volta calcolati tutti i punteggi dei clienti si possono stabilire delle soglie sopra o sotto le quali identificarne il valore. Influenzato dalle notti passate in compagnia di Pro Evolution Soccer, ho creato dei grafici radar che ci consentono di capire ad una prima occhiata il punteggio di ogni cliente in ogni variabile. 

 

 

E’ da ricordare che altri modelli limitano i punteggi di frequecy e monetary a 20 per stabilire un’uguaglianza tra le diverse variabili. 
Andiamo a vedere ora l’altro modello di calcolo RFM che è quello dei quintili. In questo caso il calcolo sarà leggermente più semplice. Bisognerà procedere in questo modo:

 

  1. Suddividere il database clienti per i tre valori – data ultimo acquisto, n° acquisti, valore conversioni – mantenendo solo l’id cliente e aggiungendo tre colonne una R, una F ed una M dopo ogni valore. 
  2. Ordinare il database per Recency (più recente dall’inizio)
  3. Dividere il database in 5 parti uguali (quintili)
  4. Nel primo quintile scrivere 5 sotto R, al secondo 4, al terzo 3, al secondo 2 e al primo 1.
  5. Ripetere le operazioni per Frequency (F) e Monetary (M)
  6. A questo punto avremmo dei punteggi che vanno da 555 a 111.

 

Tabella 5

 

 

 

 

 

 

Come evidenziato nella tabella 5 il cliente CID1 ha un risultato di 544. Per capire i risultati basta leggere come da grafico, associando dunque il punteggio di R, F, M ad ogni CID. Prendendo di nuovo come esempio gli stessi clienti che abbiamo utilizzato nel calcolo della media ponderata avremmo i rispettivi punteggi di RFM con il calcolo dei quintili. 

 

Tabella 5

 

Infine, guardando l’ultima tabella (6) abbiamo un quadro generale dei nostri clienti. 

 

Tabella 6

Come si può notare abbiamo quattro zone di diverso colore che indicano quattro tipologie di clienti. Sta a noi adesso differenziare le attività di marketing per ogni segmento. Ricordo che questo lavoro non vale solo per l’email marketing, ma oggi sia Google che Facebook, riconoscono le email e creano dei segmenti e dei pubblici che possono risultare utilissimi e contribuire in buona parte al successo delle nostre campagne SEM. Rispetto alla media ponderata il sistema dei quintili è un metodo di calcolo più veloce per chi ha un database abbastanza ampio (40 K clienti), dall’altro lato con la media ponderata  possiamo creare molteplici segmenti stabilendo soglie diverse. Sta di fatto che il modello RFM, e le sue infinite variabili, sono solo un primo e semplice approccio al database per capirne il valore e sfruttarne le potenzialità. L’analisi RFM è un modello e come tale è giusto o sbagliato in base all’azienda a cui lo si applica. Solo conoscendo le caratteristiche dell’azienda – settore, prodotti, stagionalità, percorso d’acquisto, tempo medio d’acquisto ecc. ecc. – sarà possibile applicare questo modello – o le sue variabili – nel modo corretto. Infine, ricorda che lo scopo ultimo di questa analisi è migliorare la comunicazione tra l’azienda e il cliente.