Come riconoscere i clienti migliori

Quali sono i clienti migliori ? Quelli che spendono molto o quelli che acquistano spesso ? E quelli peggiori, sono tali solo perché acquistano di rado o perché hanno ordini di importo basso ? Quali sono i clienti da mantenere e quali possiamo abbandonare, quali categorie sono più profittevoli ?

A prescindere dalle opinioni personali, a queste ed altre domande è possibile trovare risposta da un’analisi di tutti dati di vendita che abbiamo nel nostro software gestionale.

Sono sufficienti:

• Un riferimento univoco del cliente;
• La data dell’ultimo acquisto (ma possibilmente anche quella del primo);
• Il numero di ordini che ha effettuato in un dato periodo di tempo (solitamente 1 anno);
• Gli importi spesi di tutti gli ordini (o la loro somma).

Si tratta di esportarli e ri-elaborabili attraverso un foglio elettronico con l’aiuto di una tabella pivot, oppure scegliendo tra le numerose applicazioni che lo fanno in real-time. La prima volta in cui ho conosciuto questo fantastico strumento è stato nel 2018, ma in realtà la Cluster Analysis venne teorizzata già verso la fine degli anni ’30. da Robert Tryon, psicologo e statistico statunitense, uno dei primi psicometristi della storia.

Cos’è la matrice RFM

Il metodo che ci permette di segmentare i nostri clienti, si chiama: Matrice RFM, grazie ad essa si rappresentano in forma oggettiva e numerica tutte le informazioni relative ad essi fornendo dati utilissimi per il marketing.

La matrice RFM è l’essenza del marketing 4.0, specie quello digitale, indispensabile in una strategia di marketing automation, fondamentale nella relazione one-to-one dove profilazione del cliente avviene secondo il Customer Lifecycle e la segmentazione sulla base queste 3 metriche importantissime:

1. (R) Recency: indica il tempo dall’ultimo acquisto/visita al negozio. E’ considerato il fattore più importante, perchè l’esperienza ci dice che chi ha acquistato qualcosa di recente è più sensibile alle promozioni ed anche è più propenso a fare un altro acquisto. Una segmentazione possibile potrebbe essere: breve, media o lunga.
2. (F) Frequency: indica il numero di volte in cui l’utente effettua un acquisto/visita al negozio in un dato intervallo di tempo (solitamente 1 anno). Si classifica la frequenza con cui i clienti acquistano in maniera occasionale, regolare e assidua; i clienti che acquistano con maggior frequenza sono più ricettivi rispetto agli altri.
3. (M) Monetary: indica la somma degli importi spesi da ogni cliente per ogni suo ordine, dal primo acquisto al più recente, coincide con il Customer LifeTime value (CLV). Un suddivisione potrebbe essere: alto spendente, normali e bassa propensione alla spesa, anche in questo caso segnalo è l’alto spendente che ha una sensibilità maggiore rispetto ai loro opposti ad acquistare nuovamente.

Il risultato che si ottiene è una tabella estremamente intuitiva, facile da capire e da interpretare che ci consentirà di ingaggiare il prospect, il lead o il cliente con messaggi e comunicazioni rilevanti e personalizzate, per aumentare le probabilità di acquisto mostrando ad esempio ciò che è presente nella propria inventory ma potrebbe non essere trovato o visto.

L’obiettivo è fornire al cliente giusto, il prodotto giusto al momento giusto ed al prezzo giusto. (Vedi anche l’articolo che ho scritto sul Dynamic Pricing)

La matrice RFM è uno strumento decisionale, che può avere anche valore previsionale e per le strategie di promozione e/o fidelizzazione diventa indispensabile, sia che si venda esclusivamente online, come nel caso di un e-commerce, che attraverso altri canali.

E’ noto che acquisire un nuovo cliente costa dalle 5 alle 25 volte in più rispetto a mantenerne uno esistente (Fonte: Harward Business Review); ciò nonostante le attività del marketing sono sempre più rivolte alla continua ricerca dei primi piuttosto che alla fidelizzazione dei secondi. Valorizzare la propria banca dati è diventato imprescindibile in un ottica di crescita ma anche di ottimizzazione dei budget destinati al marketing.

Grazie alla matrice RFM è possibile individuare i clienti migliori ovvero quelli con punteggi RFM più alti, per dedicarsi maggiormente a loro.

Mantenere i clienti già acquisiti è in genere più profittevole che acquisirne di nuovi; ma è altrettanto vero che è obbligatorio concentrarsi su quella parte del portafoglio ad alto valore riducendo l’abbandono dei clienti (churn) fatto salvo che il costo di trattenere i clienti diventasse troppo grande allora essi perderebbero il loro stato di strategicamente significativi.

Il modello RFM poggia le sue basi del principio di Pareto, secondo cui, per raggiungere il maggior risultato con il minor sforzo è bene concentrare il proprio tempo su quel 20% di clienti che genera l’80% del fatturato e mantenerli nel tempo.

In aiuto al sopracitato teorema di Pareto, scomodiamo anche il presidente degli Stati Uniti Dwight D. Eisenhower, che nel 1954 dichiarò: “Ho due tipi di problemi: l’urgenza e l’importante. Quello che è importante è raramente urgente e quello che è urgente è raramente importante.” questo che è l’essenza del principio della matrice che prese il suo nome (Matrice di Eisenhower o Eisenhower Box) secondo cui sull’asse delle ascisse viene rappresentata l’importanza e su quello delle ordinate l’urgenza, ora diviene un filtro che ti aiuta a decidere le tue priorità: un modello su chi allocare tempo e budget.

Alla base di una buona organizzazione delle informazioni è necessario strutturare una Customer Data Platform, che rispetto ad un CRM (Customer relationship management) è più completo e in grado di :

• unificare i dati sia di prospect, che di clienti provenienti da tutte le properties: digitali e non, canali social, punti vendita compresi;
• segmentare dati raccolti a livello di singolo utente (possibilmente in tempo reale);
• normalizzare i dati, permettendo così l’individuazione di schemi ricorrenti, ovvero comportamenti omogenei che si ripetono, sui quali indirizzare specifiche attività marketing.

Le variabili di una segmentazione tradizionale, nonché quello utilizzato in Google e Facebooks Ads, si basa principalmente su 4 elementi:

• Posizione geografica: dove si trovano i clienti;
• Demografica: genere, età, reddito;
• Psicografica: classe sociale, tipo di personalità;
• Comportamentale: quanto spendono, quali prodotti/servizi usano.

D’ora in poi grazie alla matrice RFM, saremo in grado di realizzare segmentazioni molto più accurate e specifiche.

Tipologie di clienti

Una volta che applicheremo la matrice RFM e segmenteremo i dati, scopriremo che esistono molte tipologie di clienti, estremizzando vi sarà chi è molto affezionato al nostro brand e chi è esclusivamente in cerca di offerte.

Questi ultimi, sono una categoria di clienti molto comune in ogni tipo business, solitamente sono stati acquisiti proprio grazie a promozioni o a prezzi concorrenziali e che difficilmente diventeranno clienti fedeli. Potranno anche comprare di frequente, ma solo se trovano il prodotto in offerta, come in occasione dei saldi, del “Black Friday”, promozioni periodiche.

In questa categoria di clienti meno utili troviamo anche quelli “one shot” ovvero coloro che hanno comprato una sola volta e si sono dimenticati di noi, magari perché ci hanno trovato per un caso fortuito o per soddisfare un’esigenza specifica legata a quel momento. Tuttavia è pur vero, che chi ci ha conosciuto acquistando un nostro prodotto/servizio sulla base di uno sconto o impulsivamente potrebbe anche diventare un cliente affezionato; starà a noi attraverso una strategia di lead nurturing cercando di farlo salire nella scala del valore.

I clienti abituali, ovvero quelli con i quali la relazione dura da più tempo/ordini sono anche i meno sensibili all’appeal di prezzi minori offerti dai concorrenti e secondo alcune statistiche anche i più profittevoli, ricordiamoci che sono anche i più attrattivi per la concorrenza.

La scala del valore è della matrice RFM si realizza assegnando un punteggio, detto Scoring, su base empirica (più flessibile, es.: da 1 a 5) o statistica (in percentili o decili che ha meno margini di errori), per ogni metrica: quelli più alti rappresenteranno il comportamento da preferire e a cui dedicare più attenzioni.

Per la segmentazione sarà opportuno prevedere delle soglie (per esempio nella frequenza: 1 ordine, da 2 a 3 ordini, da 4 a 5, oltre i 5, ecc…,) per normalizzare i dati, ma non tutti condividono questo metodo. Per l’individuazione delle soglie si consiglia di partire dai clienti che hanno effettuato almeno 2 acquisti, scremando quindi quegli utenti “one spot” che andrebbero a dilatare la frequenza media di acquisto.

L’insieme dei tre parametri sommati determina il ranking del cliente, ciò ci aiuterà nella pianificazione di attività di marketing personalizzate per quel segmento, con campagne di fidelizzazione per i clienti migliori e di re-engagement per quelli con scoring più basso, con l’obiettivo di far crescere ancora i volumi e migliorare le proprie KPI aziendali.

Esistono delle varianti della matrice, ad esempio la RFD, dove la lettera D considera la Duration, ovvero il tempo trascorso sul sito web, oppure la RFE o RFU, dove E e I indicano il grado di coinvolgimento o di interazioni (Engagement o Interaction).

Resta quindi possibile creare modelli personalizzati di matrice dove vengono aggiunte varianti, adattandoli alla propria azienda e o alle proprie necessità, da usare con l’email o sms marketing, con il telefono, attraverso il proprio e-commerce.