Analisi RFM

Definizione di analisi RFM

L’analisi RFM è una tecnica di segmentazione della clientela che assegna un punteggio a ciascun cliente lungo tre dimensioni basate sulle transazioni: quanto recentemente (Recency) hanno effettuato l’ultimo acquisto, con quale frequenza (Frequency) acquistano e quanto valore monetario (Monetary) hanno generato. Il metodo risale a decenni fa nel retail per corrispondenza diretta e cataloghi, molto prima che esistesse l’ecommerce, perché tutti e tre gli input possono essere derivati dalla cronologia di base degli ordini — niente sondaggi, niente dati di terze parti, niente modellazione complessa. Nell’ecommerce moderno, l’RFM rimane uno dei framework di segmentazione più utilizzati proprio per questa semplicità: qualsiasi negozio con un database di ordini ha già tutto il necessario per calcolarlo. Il risultato è un numero ridotto di segmenti di clientela — tipicamente da cinque a dieci — ciascuno dei quali rappresenta un profilo comportamentale distinto su cui un team di marketing o retention può intervenire in modo diverso.

Come funziona il punteggio RFM

L’approccio standard classifica tutti i clienti l’uno rispetto all’altro su ciascuna delle tre dimensioni e li suddivide in fasce, più comunemente quintili (cinque gruppi di uguale dimensione), assegnando a ciascuno un punteggio da 1 (peggiore) a 5 (migliore). Un cliente che ha acquistato ieri ottiene 5 in recency; uno che non acquista da oltre un anno potrebbe ottenere 1. Un cliente che ordina mensilmente ottiene un punteggio alto in frequency; uno che ha ordinato una sola volta ottiene un punteggio basso. Il valore monetario si basa solitamente sul valore totale o medio degli ordini in una finestra temporale definita, spesso gli ultimi 12 mesi. Questi tre punteggi si combinano in un unico codice RFM — un cliente con punteggio 5 in recency, 4 in frequency e 5 in monetary potrebbe essere etichettato come “545”. Da qui, le aziende mappano le combinazioni di punteggi in segmenti denominati: un cliente 5-5-5 viene tipicamente chiamato “Campione”, un cliente che in passato aveva punteggi alti ma ora mostra una recency bassa è “A Rischio”, e un cliente con un singolo acquisto di scarso valore molto tempo fa è “Perso”. Considera un esempio semplificato: un negozio con 10.000 clienti potrebbe scoprire che la sua fascia RFM più alta (Campioni, circa l'8% dei clienti) genera una quota sproporzionata del fatturato totale, mentre le due fasce inferiori (A Rischio e Persi, insieme forse un terzo della base clienti) contribuiscono molto poco in un dato mese — dimostrando perché trattare tutti i clienti allo stesso modo spreca budget di marketing su segmenti con scarsa probabilità di risposta.

Ready to Monitor Your AI Visibility?

Track how AI chatbots mention your brand across ChatGPT, Perplexity, and other platforms.

Inizia ora Contatto

Perché l’analisi RFM è importante per i brand ecommerce

Trattare ogni cliente allo stesso modo nella spesa di marketing e retention è inefficiente: un’email di re-engagement che funziona su qualcuno che ha acquistato tre settimane fa difficilmente funzionerà allo stesso modo su qualcuno che non ha ordinato da oltre un anno, e uno sconto fedeltà rivolto a un acquirente alle prime armi potrebbe essere sprecato per un cliente che aveva già intenzione di riordinare comunque. La segmentazione RFM consente a un’azienda di allocare il budget di retention dove ha le migliori possibilità di modificare il comportamento — riservando gli sconti di recupero ai clienti che mostrano i primi segni di abbandono piuttosto che a clienti già persi, e riservando i premi fedeltà ai clienti che sono realmente a rischio di abbandono piuttosto che a clienti che sarebbero rimasti comunque. Offre inoltre ai team finanziari e di marketing un vocabolario condiviso e semplice: “il nostro segmento A Rischio è cresciuto del 15% questo trimestre” è immediatamente utilizzabile in un modo che i semplici conteggi delle transazioni non sono.

Tabella dei segmenti RFM

Stay Updated on AI Visibility Trends

Get the latest insights on AI mentions, brand monitoring, and optimization strategies.

Email address

Subscribe

Analisi RFM e commercio basato sull’IA

Con l’automazione crescente del marketing di retention nei brand ecommerce, i segmenti RFM sono diventati un input comune per campagne trigger basate su regole e guidate dall’IA — un cliente che passa da “Fedele” a “A Rischio” può attivare automaticamente uno specifico flusso email senza che un operatore debba esaminare manualmente ogni singolo account. Il tool eshop_get_segments di AmICited integra questa analisi direttamente nella sua suite di reporting eshop, utilizzando l’RFM come asse di segmentazione predefinito, così che un commerciante possa vedere la composizione e l’evoluzione dei segmenti senza dover mantenere un modello separato in fogli di calcolo. Poiché le transizioni di segmento contano tanto quanto la dimensione statica del segmento — un cliente che passa da Campione a A Rischio è un segnale diverso rispetto a uno che è A Rischio da mesi — abbinare il punteggio RFM al monitoraggio delle transizioni di segmento offre un quadro più chiaro di dove lo sforzo di retention avrà il maggiore impatto rispetto a una singola istantanea delle sole dimensioni dei segmenti.

Buone pratiche per l’analisi RFM

• Ricalcola i punteggi con cadenza regolare (solitamente mensile) in modo che i segmenti riflettano il comportamento corrente, non la cronologia degli acquisti passata
• Utilizza quintili o un altro metodo di punteggio coerente anziché soglie arbitrarie, così i segmenti rimangono confrontabili nel tempo
• Imposta la finestra temporale di monetary e frequency in base al ciclo di acquisto naturale della tua attività — una finestra di 90 giorni ha senso per beni di consumo, meno per beni durevoli
• Abbina i punteggi RFM al monitoraggio delle transizioni di segmento, poiché la direzione di movimento di un cliente è spesso più utilizzabile della sola etichetta attuale
• Evita un’eccessiva segmentazione; da cinque a otto segmenti denominati sono solitamente sufficienti per guidare azioni distinte senza sopraffare un team di marketing
• Verifica che i segmenti RFM migliori siano effettivamente correlati al fatturato e al margine di contribuzione per la tua specifica attività prima di assumere che le etichette standard si applichino senza modifiche

Errori comuni nell’analisi RFM

Un errore frequente è applicare soglie RFM generiche copiate da un blog o da un’altra attività senza adattarle al proprio ciclo di acquisto — un brand di box in abbonamento e un rivenditore di mobili hanno intervalli di riacquisto naturali estremamente diversi, e una scala di recency costruita per uno classificherà erroneamente i clienti dell’altro. La soluzione è ricavare i confini dei quintili dai propri dati di transazione anziché importare soglie fisse di giorni. Un altro problema comune è calcolare l’RFM una volta sola e non aggiornarlo mai, trasformando silenziosamente uno strumento di segmentazione dinamica in un elenco statico e sempre più impreciso — un cliente classificato come “Campione” sei mesi fa potrebbe già essere perso. Pianificare un ricalcolo automatico risolve questo problema. Un terzo errore è trattare il valore monetario come spesa totale cumulativa senza normalizzarlo in base all’anzianità del cliente, il che penalizza ingiustamente un cliente di due anni rispetto a un nuovo cliente che spende a un tasso mensile molto più alto; utilizzare un valore medio dell’ordine o una finestra recente fissa invece del totale storico offre spesso un quadro più equo. Infine, alcune aziende creano segmenti RFM ma non li collegano mai a un trigger di campagna effettivo, lasciando l’analisi come un rapporto che nessuno utilizza — il valore dell’RFM deriva dal collegare l’appartenenza ai segmenti (e le transizioni tra segmenti) direttamente all’automazione di marketing, non dall’esercizio di punteggio in sé.