Sono analisi per la segmentazione della clientela e restituiscono valori ed informazioni utili che diventano la base per fare valutazioni strategiche e prendere decisioni più oggettive, basate sui dati. Oggi parliamo delle analisi RFM quale pilastro di una data driven company.

 

Abbiamo già avuto modo di descrivere ampiamente cosa sono e a cosa servono le analisi RFM – Recency, Frequency, Monetary. Qui ci focalizziamo sul loro concreto valore di business, a partire dalle direzioni Marketing e Vendite, ma non solo.

 

È ormai quasi un cliché la fotografia di aziende che, indipendentemente dall’industria di riferimento e dalla classe dimensionale, sommerse da dati e rapporti si chiedono cosa possono fare per migliorare le cose, soprattutto quando si tratta di clienti.

 

La prima risposta sensata sarebbe “imparare a conoscerli meglio”, ma molto spesso questa geniale idea arriva alla fine di una lunga lista di altre priorità. La verità è che in moltissime aziende si dà ancora molta importanza all’acquisizione di nuovi contatti e non abbastanza attenzione alla comprensione della base clienti che già esiste; con il risultato che, molto spesso, impegno e risorse (economiche ma anche tempo e competenze) vengono indirizzate in modo esasperato solo verso le attività di lead generation, trascurando invece ciò che avviene dopo, quando una lead diventa davvero un cliente per l’azienda.

 

Eppure, è ormai noto a tutti il mantra relativo alla “centralità del cliente” (del cliente, non della lead!). E se ci si fermasse per un momento a capire cosa implica davvero questa “formula”?

 

Peter Fader – professore di marketing alla Wharton School dell’Università della Pennsylvania e noto autore del libro “Customer Centricity: Focus on the Right Customers for Strategic Advantage” – lo ribadisce ormai da tempo: non tutti i clienti sono uguali e non tutti si rivelano redditizi. Le aziende dovrebbero identificare i clienti migliori e sviluppare le proprie strategie di business intorno alle esigenze di quelle specifiche persone.

 

 

Primo passo, identificare i clienti migliori

 

Le analisi RFM rappresentano una tecnica di segmentazione del comportamento dei clienti basata sui dati, in particolare su dati che rivelano comportamenti di acquisto ed abitudini della propria clientela. In un certo senso, potremmo quindi dire che attraverso le analisi RFM le aziende possono capire quali sono i loro “clienti migliori”, quelli i cui comportamenti ed abitudini possono rappresentare la base per nuove strategie di business.

Entrando un po’ più in dettaglio, le analisi RFM (acronimo che sta per Recency, Frequency, Monetary), sono modelli di analisi dei dati attraverso i quali è possibile ricavare informazioni importanti quali “quanto recentemente ha acquistato un cliente” (recency), “quanto spesso ha acquistato” (ossia con quale frequenza), “quanto ha speso in media per gli acquisti effettuati” (qual è il valore monetario della sua spesa). Come descritto in modo approfondito nel nostro articolo “Segmentazione della clientela: le analisi RFM per conoscere i clienti”, si tratta di un modello di analisi di dati che permette di segmentare e poi raggruppare i clienti sulla base dei loro comportamenti di acquisto.

Di fatto, questo tipo di analisi consente di assegnare alla clientela punteggi qualitativi basati su tre differenti parametri (recency, frequency, monetary). Comportamenti di acquisto e abitudini basati sull’ultimo acquisto effettuato, per esempio, sulla frequenza e la spesa sostenuta, danno origine ai “punteggi qualitativi” e, sulla base di questi, non solo si comprende il valore reale per l’azienda di ciascun cliente ma si possono poi identificare e raggruppare base di clienti “simili” per comportamento e/o abitudini verso i quali indirizzare strategie mirate e personalizzate.

Parlare di punteggi qualitativi può sembrare un contro senso, essendo un punteggio solitamente un valore oggettivo, risultato di regole predeterminate. La “forzatura” deriva dal fatto che, affinché possano concretamente rappresentare un elemento efficace di business, le analisi RFM devono essere “modellate” sulla base dello specifico contesto di riferimento, aziendale e di mercato: i punteggi possono essere standard (per esempio utilizzando parametri di ranking molto semplici, come numeri da 1 a 5), ma le modalità di assegnazione di tali punteggi variano da azienda ad azienda. Come abbiamo più volte avuto modo di enfatizzare trattando questi temi, l’acquisto di un’automobile non può avere un intervallo di tempo di acquisto simile a quello di un bene di consumo alimentare e non è corretto che abbia un punteggio relativo al valore monetario più elevato solo perché la sua “natura” lo colloca ad un costo di mercato più alto.

I comportamenti di acquisto delle persone tendono a variare a seconda del contesto e di ciò che stanno effettivamente acquistando. Ecco perché sarebbe errato stabilire dei parametri e dei punteggi standard validi per tutte le aziende. La relazione tra un’azienda e la propria base clienti è unica.

Compresi quali sono effettivamente i parametri validi per il proprio contesto aziendale e come assegnare i punteggi, le analisi RFM diventano poi lo strumento più efficace per identificare i clienti “migliori” (quelli che per l’azienda hanno un valore di business più significativo e/o sui quali è possibile definire nuove strategie di ingaggio, relazione e fidelizzazione).

 

Un efficace supporto alle decisioni di business

 

Un elemento interessante delle analisi RFM riguarda le informazioni a valore che ne derivano e che rappresentano un vero e proprio patrimonio di conoscenza per le decisioni di business. Non a caso, le analisi RFM sono ormai identificate come veri e propri sistemi di supporto alle decisioni.

Da queste analisi, infatti, è possibile identificare – come accennato – gruppi di clienti “simili” per comportamento ed abitudini, oppure rilevare “andamenti nascosti” che da un semplice controllo numerico degli andamenti delle vendite non potrebbero essere identificati. Tutte informazioni che un esperto di dominio, aggiungendo le proprie competenze e la propria esperienza ai dati oggettivi delle analisi RFM, può valutare per prendere decisioni responsabili.

Le analisi RFM, di fatto, non sono analisi previsionali ma offrono una base oggettiva di conoscenza che consente a imprenditori, manager delle vendite ed esperti di marketing, esperti di dominio, di sviluppo del business o della strategia di un prodotto/servizio, ecc., di poter “fare previsioni” con dati utili di cui prima non disponeva.

Potremmo dire che il sistema di supporto alle decisioni è dato da un mix di oggettività (i dati oggettivi delle analisi RFM) e di soggettività (le informazioni soggettive delle competenze e dell’esperienza del decision maker) che rappresentano la base più efficace per una reale strategia data driven.

Da qui, deriva un altro importantissimo aspetto delle analisi RFM, la loro “comprensibilità” agli esperti di dominio che non necessariamente sono anche esperti di dati. Affinché le analisi RFM risultino di facile lettura a chi non ha le competenze tecniche per l’analisi dei dati, la “restituzione” dei dati deve essere semplice e di immediata comprensione. Ecco perché per poter diventare un vero sistema di supporto alle decisioni, anche le analisi RFM devono tener conto della Data Visualization, non tanto come “semplice” funzione per poter “navigare” dentro ai dati quanto, piuttosto, come discriminante tecnologica affinché i dati possano mostrare ciò che racchiudono, cioè l’informazione.

 

New call-to-action

Approfondimenti da BNext:

Data Science Lifecycle, le 6 (+1) fasi del processo

La Data Science è un campo di studi interdisciplinare il cui obiettivo finale è estrarre informazione e conoscenza utili da dati strutturati o non strutturati. Non esiste un framework unico e universalmente condivido per definire i processi di Data Science, tuttavia, dal punto di vista tecnico lo standard KDD è quello a cui ci si ispira maggiormente, perché indica l’intero processo di ricerca di nuova conoscenza dai dati.

Cos’è la data monetization e come si implementa in azienda

Lo scopo di tutte le attività che vengono pianificate ed effettuate all’interno di qualunque azienda è quello di creare profitto. L’uso dei dati, in quanto nuovo asset aziendale, mantiene questa linea. Esistono diversi modi di utilizzare i dati aziendali, ed anche in...

Data Mesh: un nuovo approccio architetturale 

Nell’epoca dei Big Data ci troviamo quotidianamente ad affiancare le aziende nella definizione di strategie data driven e ad aiutarle a diventare o a mantenersi competitive nei mercati di riferimento. I dati in questo senso rappresentano un aspetto centrale ed anche...

A cosa serve la Data Science?

L’analisi dei dati è in generale una materia molto ampia e con una storia che rimanda indietro di diversi anni da oggi. Si inizia a parlare di analisi dati già alla fine del 1700 con le prime visualizzazioni grafiche e l’evoluzione di questa materia non solo negli...

IoT Analytics: il valore di applicare il Machine Learning all’IoT 

L’Iot consiste in un sistema formato da dispositivi informatici univoci e interconnessi, capaci di scambiare dati attraverso la rete in maniera autonoma, sfruttando un protocollo di comunicazione. Quando ci si riferisce all’Internet of Things (IoT), infatti, si pensa...

Come scegliere la giusta Data Visualization? I nuovi trend 

La Data Visualization è definita come la rappresentazione grafica di dati e informazioni, ed abbiamo già trattato quanto questo strumento grafico sia capace di rendere informazioni complesse o difficili da interpretare, comprensibili ed accessibili anche per utenti...

Decision support system: cosa sono e come aiutano le aziende 

Negli ultimi decenni il grande e rapido sviluppo delle tecnologie e dell’informatica ha portato le attività aziendali di ogni settore verso un approccio “intelligente”, guidato dai dati. Ciò ha permesso di spostare sempre più il focus sul cliente e sui suoi bisogni e...

Churn Strategy: gli step per impostarla al meglio minimizzando il Churn Rate

Churn analysis e churn rate sono due concetti strettamente connessi: l’analisi degli abbandoni (churn analysis) è quella branca della Data Science attraverso cui si cerca di prevedere quali clienti hanno maggiori probabilità di abbandonare l’azienda, cosa che si...

Cosa sono e come funzionano i sistemi di raccomandazione 

Prima della diffusione di internet e dei motori di ricerca, trovare informazioni utili ad uno specifico argomento o contesto era molto difficile, richiedeva tempo, ricerche lunghe e faticose, e spesso risultava costoso in quanto non era inusuale dover acquistare libri...

Datafication: cos’è e che impatto ha sulla nostra vita quotidiana

Cos’è la Datafication e perché se ne parla  Per datafication si intende tutto il processo tecnologico che trasforma i vari aspetti della vita quotidiana, sociale ed individuale di ogni persona in dati i quali, opportunamente trattati ed analizzati, si trasformano...