Perché utilizzare l’analisi RFM
L’analisi RFM è uno strumento potente per segmentare il database utenti in modo data-driven.
Questa tecnica consente di avere una fotografia (anche in tempo reale, se i sistemi di gestione dati sono automatizzati) del database in base alla fidelizzazione degli utenti: si potrà così creare un segmento dei clienti più fedeli e profittevoli, uno di chi è a rischio di abbandono, uno di chi ha fatto un acquisto sporadico in passato ma non ha più mostrato interesse.
Su questi segmenti sarà possibile implementare azioni di comunicazione mirate a obiettivi diversi: ciò permette di ottimizzare i budget di marketing, ridurre gli invii di email, essere più efficaci ed efficienti nei messaggi agli utenti.
Come implementare l’analisi RFM
Segmentare in base a Recency (R), Frequency (F) e Monetary (M) significa analizzare:
- Recency: quanto tempo è passato dall’ultimo acquisto?
- Frequency: quante volte il cliente ha fatto acquisti?
- Monetary: quanto ha speso in totale il cliente?
Questi tre parametri consentono di mappare gli utenti e identificare diversi profili di comportamento.
Naturalmente, l’analisi richiede che i dati di ogni singolo acquisto siano presenti nel CRM: nel caso di CRM strutturati, le informazioni possono già essere salvate in maniera aggregata (avendo cioè per ogni utente i dati pronti: data dell’ultimo acquisto, numero totale di acquisti, spesa totale degli acquisti), altrimenti è possibile lavorare direttamente sui dati del gestionale.
Si attribuisce quindi un punteggio a ciascun cliente per ogni parametro, generalmente su una scala da 1 a 5 (dove 5 rappresenta il valore più alto):
- Recency: gli utenti sono classificati in base al tempo trascorso dall’ultimo acquisto, assegnando un punteggio più alto a chi ha acquistato più recente
- Frequency: la scala si basa sul al numero di acquisti, con punteggi più alti ai clienti più assidui
- Monetary: gli utenti che hanno speso di più avranno punteggi più alti
Le soglie di punteggio dipendono ovviamente dalla industry, dal tipo di prodotti venduti, dalla dimensione e dalla distribuzione del database. Per questo motivo, questo passaggio è quello più delicato e che richiede maggiore attenzione e un po’ di ragionamento a priori (e una discreta dose di “test&learn”, provando cioè con ipotesi ragionate, ma verificando con i calcoli se il risultato può essere soddisfacente).
Una volta assegnati 3 valori a ogni utente, è possibile passare alla creazione dei segmenti.
Combinando i punteggi R, F e M si può infatti creare una matrice RFM. Ad esempio:
- Clienti VIP: Alto R, alto F, alto M.
- Clienti dormienti: Basso R, basso F, basso M.
- Clienti potenzialmente fedeli: Alto F, medio M, medio R.
Personalizzazione dei segmenti
La divisione in gruppi va calibrata in base a:
- Dimensioni del database:un database ampio permette di creare segmenti più granulari
- Industry di riferimento: un e-commerce avrà parametri differenti rispetto a un servizio SaaS
- Statistiche del business: ad esempio, la spesa media e la frequenza d’acquisto per un determinato prodotto
- Distribuzione degli utenti nella matrice RFM: è necessario identificare cluster significativi per evitare segmenti troppo piccoli o sovrapposti

Applicazioni non e-commerce dell’RFM
Il modello RFM non si limita agli acquisti: in contesti non e-commerce, il parametro Monetary può essere sostituito da una metrica che indichi il valore di un utente.
Ad esempio, per un sito che produce contenuti editoriali si potrebbe calcolare un parametro “engagement” che valuta quanti articoli vengono letti o quanti video vengono visualizzati da un utente, quanto tempo viene speso su pagine del sito, quanti commenti vengono scritti o quante condivisioni dei contenuti vengono fatte.
Naturalmente, il parametro sostitutivo potrebbe non essere così immediato e richiedere un po’ di lavoro per la definizione, la raccolta dei dati e il calcolo, ma il risultato ripaga pienamente l’impegno.
Esempi di piani di comunicazione basati sull’RFM
Ecco alcuni esempi di come utilizzare i segmenti creati con l’analisi RFM. Si tratta naturalmente di situazioni generiche, che si applicano però a gran parte dei business online (e offline). Ogni caso specifico andrebbe comunque valutato a sé.
Clienti VIP (alto R, F ed M)
Obiettivo: Fidelizzare e rafforzare il legame.
Azione: Offerte esclusive, accesso prioritario a nuovi prodotti, o programmi di membership premium.
Clienti dormienti (basso R, F ed M)
Obiettivo: Riattivare l’interesse.
Azione: Campagne di retargeting, sconti personalizzati. Ma anche mail di saluto in cui si può chiedere perché non ci sia stato un seguito ai primi acquisti: può essere un modo per avere insight interessanti e creare empatia.
Nuovi clienti promettenti (alto R, basso F e M):
Obiettivo: Convertirli in clienti abituali.
Azione: Benvenuto personalizzato, suggerimenti di prodotti, e inviti a eventi.
Clienti a rischio (basso R, alto F e M):
Obiettivo: Ridurre il churn.
Azione: Campagne di re-engagement, sondaggi per comprendere eventuali insoddisfazioni.

L’analisi RFM è uno strumento versatile che permette di gestire un database, anche esteso, in maniera
efficiente e sostenibile. Ovviamente non permette la granularità di una CDP (Customer Data Platform), ma con costi esigui e uno sforzo contenuto è un quick win per ottimizzare le comunicazioni e massimizzare il ritorno delle attività di remarketing.