Attività di personalizzazione per strategie marketing orientate al customer engagement ancora più efficaci: torniamo a parlare di matrice RFM, uno dei modelli di profilazione e segmentazione dell’audience più efficaci in ambito eCommerce.
Già in un precedente articolo abbiamo avuto occasione di approfondire, da un punto di vista teorico, questo modello, comprendendone le potenzialità rispetto ai modelli più tradizionali di profilazione e segmentazione.
A differenza di questi ultimi, infatti, il modello della matrice RFM prende in esame dati storici e comportamentali dell’intera audience, non si basa su dati demografici generali, né su campioni rappresentativi.
Proprio in virtù di questa sua natura, tale modello di profilazione e segmentazione, consente di conoscere più a fondo i propri clienti e permette di individuarne i cluster più interessanti su cui mettere in campo efficaci strategie di ringaggio finalizzate ad incrementarne il Customer Lifetime Value.
- Chi sono i miei migliori clienti?
- Quali clienti sono potenzialmente più “propensi” ad acquistare ad un prezzo più alto?
- Quali clienti possono essere fidelizzati?
- Quali, invece, con grande probabilità non riacquisteranno nel nostro shop?
Queste sono solo alcune delle domande alle quali un’attenta analisi della propria audience condotta tramite matrice RFM ci consente di rispondere.
Ma scopriamo, nel dettaglio, alcuni cluster che è possibile individuare e le strategie che possiamo mettere in campo per ciascuno di questi.
Matrice RFM: profilazione e segmentazione evoluta
Come abbiamo avuto modo già di approfondire, il modello RFM si basa su tre diverse variabili:
- recency (recenza): indica il numero di giorni trascorsi dall’ultimo acquisto del cliente;
- frequency (frequenza): identifica il numero di ordini effettuati in un determinato periodo temporale, solitamente un anno;
- monetary (valore monetario): si riferisce all’importo totale speso da cliente in un determinato lasso temporale, anche in questo caso si prende come riferimento l’anno.
I dati raccolti relativi alle tre variabili sopra, vengono poi categorizzati mediante un sistema di scoring che consente di creare a tutti gli effetti il modello RFM (clicca qui per approfondire).
In questa fase, l’adozione di una Customer Data Platform, come Blendee, permette di sfruttare le potenzialità dell’intelligenza artificiale non solo per raccogliere ed analizzare i dati, ma anche per elaborarli mediante l’adozione di un sistema di scoring.
Il risultato? Una profilazione e segmentazione evoluta della propria audience mediante il modello RFM.
Ecco allora alcuni cluster individuabili:
- clienti che spendono molto, hanno acquistato da poco e che acquistano con frequenza (alta recency, alta monetary, alta frequency);
- clienti che acquistano di frequente, hanno acquistato di recente ma non spendono molto (alta frequenza, alta recency, bassa monetary);
- clienti che non possiamo perdere perché hanno acquistato tanto in passato (alta frequenza, alta monetary, bassa recency);
- clienti promettenti che hanno acquistato di recente, hanno speso molto, ma ancora non hanno ancora acquistato spesso (alta recency, alta monetary, bassa frequency)
Oltre ai cluster più promettenti, come quelli riportati sopra, ne possiamo individuare altri che invece richiedono attività finalizzate ad un ringaggio finale:
- clienti che non acquistano da tanto, che magari hanno effettuato un solo acquisto e speso poco;
- clienti che hanno acquistato spesso in passato, magari in occasione di promozioni, non hanno speso molto e non acquistano da tempo;
- clienti persi ovvero coloro che hanno i valori più bassi in termini di frequenza, recenza ed importo speso.
Matrice RFM e personalizzazione: per ogni segmento, la giusta strategia!
Una volta individuati i diversi segmenti e cluster di utenti, mettere in campo la strategia più efficace e prevedere diversi livelli di personalizzazione della customer experience sarà ancora più facile ed immediato:
- i clienti che spendono molto, hanno acquistato da poco e che acquistano con frequenza possono rappresentare i migliori ambassador per un brand e potrebbero essere ingaggiati per il lancio di nuovi prodotti;
- i clienti più fedeli che acquistano spesso, anche non spendendo molto, possono essere stimolati ad acquistare prodotti di maggior valore magari con product recommendation personalizzate;
- i clienti che non acquistano da tempo, ma hanno acquistato tanto in passato, potrebbero essere ringaggiati con survey per ottenere feedback e promozioni ad hoc;
- i clienti maggiormente sensibili alle offerte potrebbero essere ringaggiati con proposte di prodotti, anche a prezzi più sostenuti, ma comunque in linea con i loro acquisti recenti;
- ai clienti invece che hanno i valori più bassi in termini di frequency, monetary e recency potremmo inviare offerte periodiche.
Nell’era della personalizzazione della customer experience, conoscere a fondo la propria audience è il primo passo per mettere in campo strategie marketing di successo. La matrice RFM rappresenta, senza ombra di dubbio, uno dei modello più efficaci in questo frangente in quanto permette di individuare, in modo empirico, i cluster di utenti sui quali è più interessante lavorare e permette di mettere a fuoco la strategia più efficace per ingaggiarli.
