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:

Profilazione clienti: cos’è e come farla efficacemente 

Quando si chiede ad un imprenditore quali siano gli aspetti del business che vorrebbe migliorare, molto spesso si riscontra l’esigenza tangibile di conoscere meglio la propria clientela, sia per definire in maniera più precisa il...

Data lake vs data warehouse: le differenze e quale scegliere

Nell’era del digitale le organizzazioni collezionano dati provenienti da varie sorgenti, con una quantità ed una varietà che vanno ben oltre ciò per cui i tradizionali database relazionali sono stati concepiti. In particolare, emergono limiti nell’ambito delle...

Data Fabric: cos’è e quali i vantaggi nel suo utilizzo

Le aziende si trovano ad interfacciarsi con ambienti sempre più diversificati, distribuiti e complessi. Rendere agile la gestione dei dati aziendali diventa quindi una priorità: è necessario guardare oltre le tradizionali pratiche di data management, così da gestire al meglio i costi grazie a soluzioni moderne, come ad esempio il #LogicalDataFabric.

Data Lake: cos’è e quando utilizzarlo per l’archiviazione

La trasformazione digitale sta progressivamente aumentando il volume dei dati con cui le aziende si interfacciano ormai in tempo reale per supportare i loro processi. I dati vengono acquisiti dai sistemi aziendali con grande velocità, con numeriche decisamente...

Analisi predittiva: cos’è, le diverse fasi e i modelli predittivi

Il mercato dei business analytics sta crescendo con grande rapidità, con stime miliardarie prospettate da tutti i principali analisti. Secondo Markets and Markets, il mercato dell’analisi predittiva potrebbe valere circa 28 miliardi di dollari entro il 2026. Si tratta...

Dati sintetici: cosa sono, tipologie e quando utilizzarli

L’intelligenza artificiale dispone di una serie di tecniche in grado di rivoluzionare le attività in tantissimi settori, sia in ambito enterprise che nelle applicazioni tipicamente consumer. Per alimentare il proprio operato, gli algoritmi di machine learning...

Analisi predittiva: cos’è, esempi e modelli utilizzati

Le tecniche di analisi predittiva sono presenti da moltissimi anni. Tuttavia, di recente si è assistito ad una considerevole maturazione e diffusione delle sue applicazioni, grazie all’implementazione sempre più massiccia dei dati digitali acquisiti dalle varie...

Churn rate: cos’è, come si calcola e come gestirlo

Customer churn rate, tecniche e strumenti per capire quali sono le cause che portano un cliente a cercare alternative

Overfitting e Underfitting: cosa sono e come gestirli

Il machine learning (apprendimento automatico) è una delle discipline dell’intelligenza artificiale più diffuse, grazie alla sua capacità di analizzare i dati per cercare soluzioni sempre più efficaci ad un problema noto. La scienza dei dati ha compiuto enormi...

Manutenzione nell’Industria 4.0: cosa cambia 

L’Industria 4.0 ha ridefinito vari aspetti della fabbrica tradizionale, non soltanto quelli tipicamente legati alla produzione, coinvolgendo tutte le fasi del ciclo di vita, grazie al contributo di nuovi metodi e tecnologie abilitanti. È il caso dei processi di...