Matrice RFM per ecommerce: a cosa serve?

Si sente molto parlare di Matrice RFM per gli ecommerce. Di recente (con gli aggiornamenti della Winter edition 2024) Shopify ha introdotto tra i suoi report standard proprio questo report.

Pur esistendo da tempo e utilizzata in tutti gli ambiti di business B2C e B2B, l’analisi RFM ha trovato nuova fama nel mondo ecommerce grazie, in particolare, alla relativa facilità di acquisizione dei dati necessari per calcolare i cluster dei clienti (il calcolo dei cluster, invece, richiede qualche conoscenza di analisi statistica in più o tool specifici).

Conoscere a fondo i propri clienti è fondamentale per migliorare le strategie di marketing e incrementare le vendite. Un metodo efficace per segmentare la clientela e personalizzare le offerte è l'analisi RFM (Recency, Frequency, Monetary), che consente di identificare i clienti più preziosi e comprendere le loro abitudini di acquisto. Vediamo maggiori dettagli su questa analisi dei clienti molto popolare.

Che cos'è l'analisi RFM?

L'analisi RFM o Matrice RFM è un modello di analisi dei clienti che si basa su tre metriche chiave:

• Recency (R): Indica quanto recentemente un cliente ha effettuato un acquisto. Più recente è l'acquisto, più alto è l'interesse del cliente per il brand. Per calcolare questo valore si utilizza la data dell’ultimo ordine (last order date).
• Frequency (F): Misura la frequenza con cui un cliente effettua acquisti in un determinato periodo di tempo. I clienti che acquistano frequentemente hanno un valore maggiore per il business. Per questo valore si utilizza la somma degli ordini del cliente (orders count).
• Monetary (M): Indica quanto ha speso il cliente in totale (total revenue). Più alto è l'importo speso, maggiore è il valore del cliente per l'azienda.

Combinando questi tre fattori, è possibile ottenere un quadro chiaro del comportamento d'acquisto dei clienti e segmentarli in gruppi distinti per creare strategie di marketing su misura.

Perché agli E-commerce Manager interessa l’analisi RFM?

L'analisi RFM è essenziale per gli eCommerce Manager perché consente di comprendere i comportamenti di acquisto dei clienti, identificare le opportunità di crescita, migliorare la fidelizzazione e personalizzare le campagne di marketing. I principali vantaggi dell'analisi RFM includono:

• Segmentazione precisa: Identifica i clienti più redditizi e quelli a rischio di abbandono.
• Personalizzazione delle campagne: Creare offerte e comunicazioni mirate per ciascun segmento.
• Aumento della retention: Concentrarsi sui clienti esistenti è spesso più conveniente che acquisirne di nuovi.
• Miglioramento del customer lifetime value (CLV): Offrendo esperienze personalizzate, si può aumentare il valore a lungo termine del cliente.
• Gestione efficiente delle risorse di marketing: Evita di sprecare tempo e denaro su clienti con basso valore potenziale.

Come si calcola l'analisi RFM

Calcolare l'analisi RFM richiede la raccolta e l'elaborazione di 3 dati relativi agli acquisti dei clienti: numero totale di ordini, spesa totale del cliente, data dell’ultimo acquisto. Per ognuna di queste voci viene attribuito un punteggio da 1 a 5, dove 1 è il minimo e 5 è il massimo.

La combinazione di punteggi viene organizzata in 10 gruppi la cui denominazione può variare da tool a tool ma all’incirca tutti seguono questo schema (portiamo l’esempio di Shopify):

Champion (i clienti migliori in assoluto), Loyals, Active, New, Promising, Need Attention, Almost lost, Previously loyal, At risk, Dormant.

Questi gruppi vengono rappresentati con la matrice RFM, che contiene il totale dei clienti per ogni gruppo.

Alcune varianti possono aggiungere una diversa classificazione che includa anche i “Lost” e i Prospect (anche se di solito questi 2 gruppi non sono rappresentati nella matrice ma sono comunque 2 segmenti del mio database da tenere a mente).

Il valore dell’asse X è dato dal punteggio di Recency (R). Il valore dell’asse delle Y è dato dalla media tra Frequency e Monetary (F+M)/2.

Esistono diversi modi per eseguire il calcolo, così come si possono organizzare in modo diverso i punteggi che formano i cluster:

1. Classificazione manuale: Si suddividono i clienti in gruppi assegnando punteggi per ciascuna delle tre metriche (es. da 1 a 5), ordinando i clienti in base ai loro comportamenti d'acquisto. Questo metodo è un po’ più aleatorio se non basato su dati provenienti da altre analisi. È comunque utile per poter testare alcune “percezioni” e cominciare a impostare un piano di azione.
2. Utilizzo di software CRM e BI: Sono strumenti un po’ più robusti che permettono di elaborare velocemente i dati e le classificazioni. Sono in assoluto lo strumento migliore per elaborare questo tipo di informazioni ma normalmente non dispongono di modelli preimpostati
3. Fogli di calcolo: Excel e GoogleSheet permettono di fare questo tipo di analisi ma la preparazione delle informazioni e l’elaborazione dei dati può essere molto lunga e sconsigliata se i dati a disposizione sono decine di migliaia.
4. Tool integrabili agli e-commerce: Sui marketplace di Piattaforme come Shopify e WooCommerce è possibile trovare app e plugin sviluppate da terze parti per automatizzare il calcolo RFM.

Come utilizzare i dati della matrice RFM

Qualunque sia il metodo di calcolo o lo strumento utilizzato, resta la grande domanda. Cosa fare con i dati ottenuti?

Da sola la matrice RFM da diversi spunti di riflessione. Innanzitutto, concentra in una tabella di facile visualizzazione informazioni in merito alla qualità del mio cliente: sono più numerosi i clienti con un elevato numero di ordini ancora attivi o sono più numerosi i clienti nei gruppi con ultimo ordine più lontano nel tempo?

Avere molti contatti nel segmento “dormant” significa avere molti clienti che hanno comprato poco e poi non sono più tornati. È un problema? No. I clienti di ritorno sono normalmente, in percentuale, meno dei clienti al primo acquisto. Con il passare del tempo questi ultimi diventano “dormant”. Questi vecchi clienti potrebbero però essere una cattiva audience per alcune campagne di marketing, poiché sono clienti occasionali che non hanno speso molto, quindi probabilmente poco legati al brand.

E qui veniamo al vero spirito della matrice RFM.

Ogni cliente, in base alla sua posizione nella tua segmentazione RFM ha un approccio diverso ai prodotti offerti dal tuo negozio online. Quindi diventa molto importante avere una strategia di marketing diversa per questi segmenti.

Portiamo alcuni esempi di azioni differenziate:

• Clienti Champion (alto R, alto F, alto M):
  • Offrire promozioni esclusive e programmi di fidelizzazione per mantenere l'interesse.
  • Proporre anteprime di nuovi prodotti o servizi.
  • Offrire un servizio clienti prioritario.
• Clienti dormienti (basso R, medio F, medio M):
  • Campagne di riattivazione con email personalizzate e incentivi come sconti speciali.
  • Contenuti di marketing mirati per ricordare i benefici del prodotto.
• Clienti precedentemente fidelizzati (basso R, medio F, alto M):
  • Presentazione di nuovi prodotti
  • Offerte di cross-selling su prodotti correlati.
• Clienti a rischio (basso R, basso F, medio M):
  • Creare campagne mirate con offerte speciali per riconquistare l'interesse.
  • Identificare i motivi del disinteresse attraverso sondaggi e feedback.

Questi sono esempi molto generici e non è detto che tutte le azioni provochino la reazione desiderata. Come spesso nel digital marketing, sono i numeri a parlare e ogni azione va testata, misurata e ripetuta se valida o scartata.

C’è un punto estremamente importante: l'analisi RFM da sola non basta.

Deve seguire la definizione di una strategia, di obiettivi e la pianificazione delle campagne. Quindi più facile è riportare i segmenti dei gruppi RFM nel database di marketing, maggiori le opportunità di implementare le nuove tattiche di marketing per vendere di più.

I dati delle matrice RFM rappresentano lo stato della distribuzione dei gruppi in tempo reale. Nasce spesso la domanda: come si spostano i clienti tra i gruppo all’altro?

Molti tool non sono in grado di offrire questo tipo di analisi che richiede una gestione del dataset e sistemi di data visualization un po’ più complessi.

In mancanza di strumenti e competenze adeguate, quello che tutti possono fare, e farlo è già un gran passo, è:

1. creare un segmento dinamico (una lista di contatti) per i gruppi RFM più importanti
2. pianificare una strategia di contatto diversificata (nella comunicazione e negli obiettivi) per quel gruppo e, se possibile, attivare automazioni che partono al momento in cui un utente entra in quel gruppo.
3. misurare gli effetti della campagna, misurabile con il numero di riordini effettuati a seguito della campagna.

Non misuro gli spostamenti tra gruppi, ma almeno misuro l’obiettivo più importante: la retention del cliente.

Per concludere, l'analisi RFM è uno strumento potente per gli ecommerce che desiderano ottimizzare le proprie strategie di marketing e fidelizzare i clienti in modo efficace.