La traduzione di dati come l’ammontare e la frequenza degli acquisti o l’unicità del fornitore si rivela, dunque, delicata ma abbastanza gestibile. Nel panorama delle analisi relative ai clienti, volte ad individuare, in parti- colar modo quelli fedeli (poiché più redditizi), assume un importante ruolo l’approccio RFM, al quale riteniamo utile dedicare qualche accenno.
Da quanto visto finora, la complessità nelle misurazioni di driver e indici aumenta in relazione alla linea guida che l’azienda segue nell’analisi della sua clientela. Abbiamo, infatti, visto come il concetto di fedeltà possa esse- re oggetto di riflessione; e a tal proposito, abbiamo già avuto modo di do- ver affrontare il problema di rintracciare i dati relativi alla frequenza d’ac- quisto (per calcolare il grado di fedeltà della clientela), così come quelli relativi all’ammontare della spesa (per calcolare il budget ratio). In seguito, però, alle considerazioni relative al possibile interesse per il potenziale di spesa sfruttabile per ogni cliente, sorge una nuova complessità, legata alla valutazione dei tre aspetti su cui l’approccio RFM si basa:
1. R=Recency (recentezza), 2. F= Frequency (frequenza), 3. M= Monetary (valore monetario).
Nel tentativo di acquisire o fidelizzare i clienti, partendo dalla valutazione della base clienti, gioca un ruolo centrale l’organizzazione dei dati memo- rizzati sul DB clienti. Infatti, potrebbe risultare utile elaborarne le informa- zioni in base alla data dell’ultimo acquisto del prodotto e del servizio offer- to, alla frequenza con cui il cliente acquista il prodotto o il servizio, nonché all’entità della spesa. Questo perché l’idea di fondo è che non ha senso an- dare nuovamente ad offrire un prodotto o un servizio allo stesso cliente se questo lo ha già acquisto recentemente, poiché un eccesso di offerta po- trebbe addirittura generare un risultato opposto.
Questo approccio tende a generare risultati positivi perché si basa sui comportamenti di acquisto passati e serve come indicatore per quelli futuri. Lo scopo di tale analisi è, in poche parole, quello di contattare il cliente giu- sto, al momento giusto, con il messaggio giusto.
Esistono diversi modelli, come abbiamo detto, che consentono di effettua- re tale analisi, ognuno calibrato su una determinata logica, spesso orienta- ta al tipo di business di riferimento.
Uno di questi, potrebbe, ad esempio, raggruppare i clienti in varie fasce, attribuendo a ciascuno un codice in base ai tre fattori individuati (Recency, Frequency, Monetary). I clienti più sensibili sono quelli che hanno i valori più elevati in tutti e tre i fattori (ad esempio 555) e sono quelli di maggiore interesse per l’azienda.
Quelli che rispondono in maniera più superficiale o peggio, invece, hanno un punteggio basso in tutte e tre le aree (ad esempio 111)
In ogni caso, per ogni singolo fattore ci sono 5 opzioni: da 1=basso fino a 5=alto.
Il principale obiettivo di tale metodologia è quello di fornire, quindi, una metrica che permetta di misurare il potenziale del cliente per l’azienda. In- fatti, l’individuazione dei clienti più ricettivi (ai quali corrisponde di solito un punteggio RFM più alto), quindi più profittevoli, consente di misurare il pro- fitto atteso, nonché effettuare azioni promozionali, diversificando in modo proficuo le azioni di marketing al fine di ottenere i migliori risultati e limita- re i costi aziendali.
Tra gli altri obiettivi, riteniamo utile annoverare la ricerca dei pattern di migrazioni tra le fasce RFM nel tempo. Verificare, ad esempio, se tali pattern si distribuiscono in cluster, può rendere interessante un confronto con un algoritmo di clusterizzazione dei clienti. L’analisi dei cluster, in en-
trambi i casi, permetterà infatti di identificare strategie di investimento e di marketing appropriate per ciascun cluster. Il confronto con una tecnica di DM può oltretutto evidenziare il livello di efficacia dell’analisi RFM.
Detto ciò, è evidente la “connettività” di tale analisi con il problema di de- terminazione dei clienti fedeli. Nel paragrafo precedente, gli esempi relativi alle grandi distribuzioni (supermarket, elettronica) mettevano in risalto il problema di decidere se sia più fedele il cliente che acquista con frequenza alta, ma per basse cifre, piuttosto che quello che acquista raramente per alti importi.
Bene, la possibilità di effettuare un’analisi RFM stimola l’idea di ragionare in un modo ancora diverso, ponendoci delle domande tipo:
“è più fedele un cliente che ha acquistato ogni mese fino a 3 mesi fa, o lo è di più un cliente che ha fatto due acquisti nell’ultimo me- se?”
“contano di più gli acquisti recenti, o è vero il contrario?”
“sono più importanti pochi acquisti con alto ammontare, o più ac- quisti per piccoli importi?”
In altre parole, quello che si cerca di capire mediante tali modelli è quale sia il rapporto di predominanza tra i tre aspetti in gioco.
I concetti alla base dell’approccio RFM possono essere riepilogati come segue:
(1) i clienti che hanno acquistato recentemente sono più ricettivi alle promozioni successive rispetto ai clienti il cui ultimo acquisto è lontano nel tempo;
(2) i clienti abituali sono più ricettivi rispetto a quelli saltuari;
coloro che spendono molto sono più ricettivi rispetto a chi spende poco. Tali principi possono essere considerati universalmente validi in diversi campi: assicurazioni, banche, dettaglio, viaggi, …
Alle domande che ci siamo posti poc’anzi, potremmo allora rispondere provando a“quantificare” i tre principi esposti. Ad esempio, per i concetti sopra espressi, potrebbe valere che tra un cliente che ha speso molto qual- che mese fa e un altro che sta spendendo poco ma frequentemente nell’ultimo mese, sarebbe meglio puntare su quest’ultimo, poiché proba-
bilmente più sensibile alle proposte di marketing attuate per aumentare il livello di fedeltà e di fidelizzazione.
In estrema sintesi, affinché l’analisi RFM risulti efficace, sarà necessario un customer DB efficiente e ben organizzato con dati aggiornati e reali. I dati in esso memorizzati dovranno essere codificati in relazione ai tre fatto- ri dell’RFM, sulla base della situazione attuale (prevedendo data di ogni ac- quisto, ammontare di ogni acquisto e così via). Estremamente importante sarà la definizione dell’arco temporale di riferimento che non deve essere inferiore ai 12 mesi, e per risultare efficaci, tutte le azioni dovranno tenere conto della variabile temporale.
Tutto ciò permetterà di effettuare un’eventuale proposta commerciale su un campione rappresentativo di clienti estratto casualmente. Dopo averne misurato la percentuale di risposta in funzione dei risultati attesi, si potrà estendere la campagna dal test a tutto il campione.
L’analisi RFM è molto utilizzata, di solito, dagli esperti di Direct marketing per individuare le potenzialità dei vari gruppi di clienti. Essa può agevolare, abbiamo visto:
l’identificazione dei clienti di maggior valore,
l’individuazione di aree specifiche per incoraggiare i clienti ad acqui- stare frequentemente o a spendere di più,
il calcolo del valore del ciclo di vita del cliente, ovvero quanto egli spenderà durante la relazione con l’impresa.
Uno dei vantaggi di questo tipo di analisi è rappresentato dal fatto che una stessa azione di vendita, attraverso tale metodologia, potrà essere nuovamente eseguita nel tempo evidenziando altri risultati ed altre scelte operative.