Il mio guilty pleasure sono i videogiochi.
Ma non videogames qualunque. Sono un grandissimo fan della Paradox Interactive, software house svedese specializzata in giochi di strategia. Non dico di essere il loro miglior cliente, ma se controllassero il mio account, scoprirebbero che ho acquistato con frequenza, recentemente – sigh – e che ho speso, diciamo, abbastanza – doppio sigh.
In sostanza, quello che la Paradox dovrebbe fare su di me, come qualsiasi azienda sul proprio database clienti, è un’analisi RFM. Un’analisi volta, cioè, a misurare ogni cliente in base a tre parametri per un dato periodo di tempo:
- il tempo trascorso dall’ultimo acquisto (Recency)
- l’intervallo di tempo medio tra un acquisto e l’altro (Frequency)
- l’ammontare monetario (Monetary) medio degli acquisti
Tre lettere e qualche calcolo, che permettono di dividere i clienti in gruppi diversi per abitudini e importanza. Vediamo come funziona un’analisi RFM e perché può essere utile!
Non è così difficile, promesso [via Giphy]
L’utilità di un’analisi RFM
Ascolta il Podcast!
Ascolta “NURTIGO #8 // Come ottimizzare il tuo business: analisi RFM” su Spreaker.
Andiamo con ordine: perché fare un’analisi RFM in primo luogo?
Alla fine, ciò che conta per un’attività non è pur sempre tenersi stretti i clienti e procurarsene di nuovi?
È vero, e un’analisi RFM certamente non mette in discussione questo assunto fondamentale. Ma è anche vero che:
- Non tutti i clienti sono uguali e per clienti diversi servono strategie diverse
- Le risorse da investire sui clienti sono limitate – tempo, denaro ed energie
Il cliente che ci compra 100 euro di giochi ogni anno da tre anni, è diverso da uno che ci ha comprato un gioco in sconto a 5€ 2 anni fa. Meritano due strategie e approcci diversi: il primo va premiato, il secondo ricatturato con un’altra offerta.
E se le risorse sono limitate, è fondamentale sapere su quali clienti investire. È noto ad esempio che un cliente fedele è un investimento più sicuro di un neo-cliente. C’è una probabilità tra il 60% ed il 70% di vendere ad un cliente già acquisito, mentre la probabilità di vendere a un nuovo prospect va solo dal 5% al 20%. (1)
In sostanza, un’analisi RFM è utile perché permette di:
- capire da chi è composta la nostra clientela, in modo da adottare strategie differenti per diverse tipologie di clienti
- identificare chi sono i nostri clienti più importanti, in modo da sapere dove concentrare le nostre energie
È come un GPS: ci dice dove siamo adesso e ci aiuta a capire quali sono le opzioni a nostra disposizione.
Analisi RFM: l’importanza del fattore tempo
Questo è un elemento da chiarire fin da subito.
Proprio perché l’analisi RFM ci deve dire dove siamo ora, è importante che i dati di Recency, Frequency e Monetary si riferiscano ad un dato periodo di tempo utile vicino al presente.
Un’analisi RFM che avesse come punto d’inizio ad esempio la fondazione dell’attività 15 anni fa non sarebbe solo inutile, ma pure dannosa. Clienti belli e addormentati, che all’inizio avevano comprato un sacco, potrebbero risultare importanti quanto clienti più recenti e dinamici, ma che sul Monetary complessivo non possono ancora competere.
Un anno, tre anni, sei mesi: il periodo da prendere in osservazione varia naturalmente a seconda del tipo di attività. Ma deve essere un intervallo di tempo funzionale.
Come funziona un’analisi RFM
Giuliano Emma, CEO Nurtigo, ci spiega cos’è un analisi RFM e perché può esserci utile
Chiarito perché, e a quale condizione, è utile, possiamo passare a come funziona l’analisi RFM in concreto.
In sostanza si procede assegnando a ciascuno di questi tre valori Recency, Frequency e Monetary un punteggio di riferimento.
A titolo esemplificativo prendiamo una scala da 1 a 10 punti e come periodo di riferimento un anno.
Recency:
R < 36 gg = 10 punti;
R < 72 gg = 9 punti;
R < 108 gg = 8 punti;
[…]
Frequency:
F (media) < 2gg = 10 punti;
F (media) < 4gg = 9 punti;
F (media) < 8gg = 8 punti;
[…]
Monetary:
M (media) > 900€ = 10 punti;
M (media) > 800€ = 9 punti;
M (media) > 700€ = 8 punti;
[…]
Naturalmente, i punteggi e gli intervalli a cui sono attribuiti, devono essere studiati e tarati in base al business per avere una validità euristica.
Un acquisto medio di 1000€ l’anno per un retailer può valere 10 punti, mentre per un ambito B2B un punto. Una Recency di 72 giorni può essere molto positiva per un B2B e rappresentare invece un’era geologica per un B2C. Così come una progressione lineare di valori può non essere la più indicata per l’attribuzione di un punteggio.
Ma la logica è che ora possiamo segmentare i nostri clienti in base ai loro comportamenti e al loro significato per la nostra attività.
Ad esempio il cliente con 10-10-10 sarà la nostra superstar da premiare. Il nostro cliente con 5-8-9 andrà tenuto stretto con un’offerta dedicata per non perderlo. I nostri clienti da 8-8-4 saranno oggetto di campagne di cross- e up-selling per aumentare il valore medio con il prossimo acquisto. Clienti con 2-2-2 saranno oggetto di una promozione per essere risvegliati. E via dicendo.
Una rappresentazione grafica semplificata della nostra analisi RFM
E poiché è un quadro soggetto al fattore tempo, lo vedremo cambiare in tempo reale con ogni giorno e acquisto.
Applicazione concreta dell’analisi RFM
Se la logica dell’analisi RFM è indubbiamente comprensibile con un facile esempio, quello che è difficile è applicarla al caso concreto.
Si può fare con carta e penna o con excel se si hanno dieci clienti – e se un’attività ha solo dieci clienti è il caso piuttosto di ampliare la base.
Nel caso concreto è difficile identificare i valori di riferimento – i cosiddetti benchmark – in base a cui assegnare il punteggio. Il rischio è che, pur facendo riferimento ai valori medi di frequenza e acquisto per cliente, la soglia stabilita empiricamente risulti del tutto arbitraria e pertanto inutile.
Ad esempio se il nostro volume d’affari cresce, la soglia da 10 punti del Monetary rischia di diventare obsoleta molto presto: se con l’acquisto medio guadagnamo 800 euro, non ha più senso tenere il tetto dei 10 punti a >900€. Dovremmo adeguare anche la nostra scala al nuovo stato di cose.
Ma con migliaia di transazioni è impossibile stare dietro a tutto, aggiornare manualmente il foglio di calcolo e aggiustare di conseguenza le soglie.
Per questo, il compito di fare e aggiornare automaticamente le analisi RFM è spesso affidato ai software di Business Intelligence. Sono software che si collegano a tutti gli applicativi aziendali – contabilità, gestionali, software CRM – e ne processano insieme i dati, in modo da offrire all’utilizzatore una panoramica complessiva del business. Potendo accedere al database dei clienti e al gestionale degli acquisti, per questi software fare l’analisi RFM, impostando soglie, punteggi e intervalli, è una questione di pochi secondi.
Pochi secondi per la Business Intelligence, che però possono rappresentare un asset vincente di lungo periodo per le attività.
Nurtigo, la nostra soluzione di Sales & Marketing Automation, dispone precisamente di un modulo di Business Intelligence. Ed è dotato delle funzionalità di analisi RFM che abbiamo appena visto. Se vuoi scoprire di più su come funziona all’atto pratico un software di Business Intelligence, e in che modo può aiutare la tua attività, potrebbe interessarti il nostro E-Book gratuito sui 7 benefici della Sales & Marketing Automation: al suo interno troverai un capitolo interamente dedicato alla Business Intelligence.
Puoi scaricarlo gratuitamente qui sotto. Buona lettura!
(1) Farris P. W., Bendle T. N., Pfeifer E. P., Reibstein J. D., Marketing Metrics. The Definitive Guide to Measuring Marketing, Pearson Education, 2010
