Cos’è la Matrice RFM
In questo articolo si parla di “RFM Matrix” (matrice RFM o segmentazione RFM) e della sua applicazione per l’eCommerce. No, non si tratta di un nuovo episodio della fortunata saga cinematografica con protagonista Keanu Reeves, ma di una modalità di segmentazione dei clienti del proprio shop, che fonda sulla considerazione delle tre variabili che compongono l’acronimo RFM, ossia:
- Recency: il tempo trascorso dall’ultimo acquisto fatto dal cliente;
- Frequency: il numero di acquisti effettuati dal cliente nell’intervallo temporale considerato;
- Monetary: il fatturato totale prodotto dal cliente, ossia la somma degli importi spesi per ogni suo ordine, dal primo al più recente.
Segmentazione dei clienti
Perché è importante la matrice RFM? Lo è come lo sono altre strategie di segmentazione dei clienti, per esempio basate sull’anagrafica o sui comportamenti di navigazione o acquisto, perché ci aiuta nell’attività strategica di suddivisione dei clienti in cluster omogenei per caratteristiche, che siano funzionali alla nostra capacità operativa di personalizzare la comunicazione e il marketing così da poter massimizzare la loro performance. Come? Con messaggi rilevanti e forniti al momento giusto. In pratica la matrice RFM ci consente di individuare dei “sotto-tipi” di clienti coi quali noi potremo comunicare in modo differenziato per tempi (es. subito oppure con un certo ritardo), frequenza (una volta, più volte) e per “stimoli” (con incentivo/gift, con contenuti ad hoc) con diversi obiettivi (per esempio il semplice “risveglio”, oppure l’aumento del LifeTime Value, o la “coccola” o il nurturing). 
Segmentazione e Marketing Automation
Avevo già trattato la segmentazione dei clienti in un articolo di qualche tempo fa relativo alla Marketing Automation, al termine del quale avevo anche accennato alla necessità di approfondire introducendo anche il concetto di matrice RFM. Questo poiché i due argomenti sono appunto strettamente correlati tra loro: una volta definiti i meccanismi per segmentare i clienti mediante le variabili Recency, Frequency e Monetary, siamo nella possibilità di comunicare in modo differenziato, ma per farlo con la massima efficacia e in modo ottimale in termini di rapporto costi/benefici, la strada maestra è meccanizzare: in questo la Marketing Automation ci aiuta moltissimo, affidando alla macchina, preventivamente e dettagliatamente istruita, il compito di verificare in tempo reale le condizioni di segmentazione in base a regole opportunamente studiate e impostate, e di conseguenza far partire la comunicazione “ad personam” verso il cliente differenziata per contenuto. 
Recency, Frequency, Monetary: dove trovo i dati?
Tutto quello che ci serve per un’analisi RFM sono i seguenti dati:
- Riferimento univoco del cliente (ID cliente);
- La data dell’ultimo ordine;
- Il numero di ordini che ha effettuato
- Gli importi spesi di tutti gli ordini (o la loro somma).
That’s it. Tutti dati che dovremmo avere comodamente disponibili e facilmente accessibili dal backoffice del nostro e-shop, oppure esportabili senza particolari criticità e ri-elaborabili mediante foglio elettronico con l’aiuto di una tabella pivot. 
RFM: come interpretare i dati
Bene, adesso abbiamo estratto i dati e abbiamo un bel tabellone in cui per ogni riga sono state riempite le 4 colonne con ID cliente, data ultimo ordine, numero di ordini e il totale fatturato pro capite, e ora? Facciamo un passo indietro. Quello che ci serve comprendere in via generale è chi sono gli utenti “migliori”, chi sono i “peggiori” e magari inquadrare anche qualche segmento intermedio, con lo scopo già segnalato di poterli trattare in modo diverso. Chi sono i migliori, in sintesi? Saranno i clienti che acquistano spesso (alta Frequency), acquistano molto (alto Monetary) e hanno acquistato di recente (alta Recency). Il clienti peggiori saranno coloro che acquistano raramente (magari una sola volta), per importi bassi e con l’ultimo ordine che risale alla notte dei tempi. In mezzo a questi estremi abbiamo altri casi altrettanto interessanti, che ci consentono di attivare strategie personalizzate per massimizzare la performance, per esempio:
- Clienti con molti acquisti e di importi alti (spender), ma lontani nel tempo → erano buoni clienti che ci stanno dimenticando, possiamo provare a risvegliarli;
- Clienti con molti acquisti, anche recenti, ma di importi bassi → possiamo provare a solleticarli con tecniche di upselling o di accrescimento dello scontrino medio, per esempio mediante sconti (o risparmio di spese di spedizione) ottenibili con soglie di spesa più elevate;
- Clienti che acquistano raramente ma lo hanno fatto di recente e per importi alti → teniamoli agganciati, ricordiamo loro dopo un tempo più ravvicinato quali sono i vantaggi acquistando di nuovo e presto sul nostro shop
E così via. Certo, per “indottrinare” i nostri meccanismi di automation (poiché, lo ricordo, se abbiamo migliaia di clienti non possiamo pensare di fare questo lavoro manualmente), abbiamo bisogno di definire per ciascun parametro RFM dei segmenti di riferimento. E’ importante comprendere che questi segmenti possono essere molto diversi a seconda del business, dei prodotti venduti e dunque del ciclo di vita del prodotto. Se per esempio vendi gioielli costosi, i range di fatturato pro-cliente e di frequenza di riacquisto saranno molto diversi da quelli immaginabili per chi vende prodotti food di consumo quotidiano. Esempio di segmenti Recency
- R1 – 30 giorni
- R2 -90 giorni
- R3 – 1 anno
- R4 – oltre 1 anno
Esempio di segmenti Frequency
- F1 – 1 ordine
- F2 – ordini
- F3 – 3-5 ordini
- F4 – oltre 5 ordini
Esempio di segmenti Monetary
- M1 – 0-100 €
- M2 – 101-500 €
- M3 – 501-1000 €
- M4 – oltre 1.000 €
Proviamo a incrociare per esempio i soli dati di Recency e di Frequency, e già possiamo ricavare dei cluster interessanti ai quali potremmo andare a comunicare in modo personalizzato per ottenere obiettivi diversi:
- Clienti persi
- VIP in fuga
- Clienti in fuga
- Clienti normali
- Clienti VIP
- Nuovi clienti
Introducendo anche la variabile Monetary immaginiamo di vedere i dati in un piano tridimensionale, come negli esempi che seguono: 
Dai numeri all’azione: RFM e automation
Ora che sai chi e quanti sono i tuoi clienti VIP o i VIP in fuga, i clienti nuovi ecc., cosa puoi fare? Ora, come anticipato sopra, è possibile passare all’azione. Dunque la matrice RFM non si ferma al solo scopo di ottenere una analisi strategica, ma può diventare parte integrante di un action plan attraverso la possibile integrazione con un applicativo (o funzione integrata della piattaforma di eCommerce) di marketing automation. Una volta impostati con cura i cluster e le regole, è possibile comunicare solo ai clienti che si trovano in un determinato segmento mediante per esempio:
- email automatiche o sms
- banner dedicati sul sito
- campagne ad-hoc di retargeting su media esterni, per esempio su Facebook Ads esportando i segmenti come custom audiences
Conclusioni
Hai già provato a fare un’analisi RFM per il tuo eCommerce? Usi un software o una soluzione SAAS particolare oppure fai tutto a mano esportando e rielaborando con Excel? Adotti già un sistema per la marketing automation che ti supporti nella gestione dei cluster di clienti che hai individuato con la tua analisi RFM? Raccontaci la tua esperienza. Se invece sei curioso di conoscere meglio le potenzialità che concretamente può darti l’analisi RFM associata alla maketing automation, fai un fischio, noi siamo qui per questo 😉
Commenti recenti