Chi sono i miei clienti migliori? Chi non compra i miei prodotti da tanto tempo? Queste sono domande frequenti e che attanagliano molti brand presenti sul mercato, indipendentemente dalle dimensioni del loro business. I comportamenti dei clienti infatti variano nel tempo e le aziende possono compiere azioni di diverso tipo per cercare di coinvolgerli e ingaggiarli, ma la prerogativa deve essere una e di non poca importanza: conoscerli.

Ci sono infatti clienti che risultano particolarmente sensibili a sconti e promozioni, o altri che, dal momento che comprano regolarmente presso un determinato brand, vengono coinvolti anche solo dall’invio di una email di presentazione della nuova collezione. Ogni persona si comporta diversamente, ma questo non deve spaventare un’azienda perchè ci sono diversi modi per conoscere i propri clienti. Uno di questi è l’RFM.

Cos’è l’RFM?

L’acronimo RFM sta per Recency Frequency Monetary e rappresenta un algoritmo in grado di raggruppare i clienti di un brand in diversi cluster in base al loro comportamento d’acquisto, permettendo così di poterli conoscere meglio e di indirizzare loro comunicazioni e campagne di marketing mirate. Ma vediamo le tre voci più nel dettaglio:

• Recency rappresenta l’intervallo di tempo intercorso dall’ultimo acquisto. Con questo parametro un brand può stabilire quali sono i clienti che hanno comprato nell’ultimo periodo e quelli invece che non effettuano acquisti da lungo tempo
• Frequency indica la frequenza di acquisto. Ci sono clienti che si dimostrano affezionati a un brand e ne sono compratori assidui e regolari, e quelli invece occasionali
• Monetary indica invece un valore economico legato al cliente. In poche parole è l’indicatore di quanto il cliente spende

Tutti questi dati relativi al singolo contatto sono molto preziosi perchè ci forniscono informazioni relative ai suoi comportamenti di acquisto.

L’output dell’algoritmo riporta i tre valori distinti degli indicatori poiché il peso da associare dipende dall’industry e dalla tipologia di mercato del brand. Un esempio molto semplice è quello relativo alla GDO dove la frequenza di acquisto e lo scontrino medio hanno valori molto diversi rispetto ad un brand del lusso.

Facciamo un esempio semplice: Paolo e Marco sono due clienti del brand Maison e tutti e due hanno effettuato un acquisto due giorni fa. Tuttavia Marco ha comprato un prodotto anche la settimana scorsa, Paolo non acquistava da quattro mesi. Risulta quindi abbastanza evidente che i due clienti non hanno lo stesso valore per il brand, ma soprattutto che devono essere coinvolti in due modalità totalmente diverse. Marco potrebbe essere infatti un cliente abituale, che compra di frequente presso Maison e quindi per lui potrebbe essere molto utile ricevere una comunicazione settimanale che lo informa dei nuovi arrivi e di eventuali sconti. Paolo invece è un cliente occasionale, che si collega a Maison solo in determinate circostanze. Per Paolo potrebbe quindi essere utile una comunicazione a pochi giorni dall’ultimo acquisto con uno sconto da utilizzare sulla spesa successiva. In questo modo, in caso di dubbio, potrebbe essere incentivato a scegliere Maison ancora una volta.

Ma come funziona l’RFM?

Il funzionamento è semplice; per ognuna delle metriche sopra citate viene assegnato un punteggio in una scala crescente da 1 a 5. Una volta assegnati i valori numerici legati all’RFM è possibile identificare dei cluster di divisione del target in modo molto dinamico. È infatti possibile generare incroci tra le voci di Recency Frequency e Monetary individuando per esempio coloro che spendono molto acquistando di frequente o coloro che hanno speso poco ma hanno comprato di recente combinando in vario modo i tre parametri parte dell’algoritmo.

I clienti con punteggi RFM più elevati sono i TOP spender per un brand in quanto rappresentano quelli più attivi, che acquistano con più frequenza, spendendo relativamente tanto. Su di essi varrà quindi la pena investire per costruire una relazione duratura nel tempo.

Alcuni esempi

L’applicabilità dell’RFM in ambito marketing è estremamente ampia e variegata in quanto, permettendo una migliore conoscenza della propria audience, rende possibile lo svolgimento di diverse attività di marketing e comunicazione costruite per rispondere all’esigenza specifica del cliente in un preciso momento.

• Attività di re-engagement

Supponiamo di essere il brand Maison, dedicato alla vendita ecommerce di articoli di abbigliamento e di avere un cluster di clienti che in passato comprava molto di frequente e con un buon livello di spesa, ma che, nell’ultimo periodo, sembra totalmente disinteressato nei confronti del brand. Analizzando il loro comportamento nel tempo potrebbe aver senso organizzare una campagna marketing di re-engagement nei loro confronti, dove vengono per esempio comunicati loro sconti e prezzi speciali, invitandoli così a tornare a scegliere il brand come facevano in passato.

• Prodotti correlati

La stessa tipologia di campagna non avrebbe però senso in caso di un cluster di clienti con un’elevata Recency e Monetary. In questo caso infatti si tratta di persone che hanno acquistato da poco tempo e, studi di mercato dimostrano che questo tipo di cliente è più propenso a comprare nel periodo subito successivo al primo acquisto. In questo caso potrebbe quindi aver senso un altro tipo di comunicazione, che vada a pubblicizzare, per esempio, prodotti correlati a quelli del primo acquisto.

• Sconti e promozioni periodiche

E cosa potrebbe fare un brand nei confronti di un cliente che compra frequentemente e l’ultimo acquisto è molto recente? Essendo un cliente fedele al brand, che non acquista solo per i saldi, potrebbe essere interessato a ricevere comunicazioni frequenti da parte dell’azienda, per rimanere aggiornato sulla nuova collezione, eventi relativi al brand ed eventuali offerte o promozioni speciali solo per i clienti TOP.

Come visto quindi dagli esempi precedenti, ciascun cliente ha un comportamento diverso in quanto risultato di bisogni diversi e per un brand è fondamentale riuscire a comunicare con ciascuno nel modo più personale possibile.

L’RFM aiuta quindi il brand a conoscere meglio i propri clienti per costruire percorsi e messaggi personalizzati.

Per una visione più tecnica e analitica dell’RFM leggi l’approfodimento riguardo l’applicazione del modello RFM a dati reali.

Continua a leggere

Obiettivo

In questo documento vedremo come applicare il modello RFM a dati reali e verificarne insieme l’esito. Acronimo di Recency Frequency e Monetary, è uno dei più semplici ed efficaci modelli di clustering applicabili ai dati transazionali offline e online, per riconoscere pattern comportamentali di acquisto. L’obiettivo è quello di assegnare a ciascun cliente un voto per ciascuna variabile presa in esame.

Applicheremo tale modello a due dataset:

• CDNOW ossia le transazioni di clienti sul sito web ecommerce di compact disc e prodotti musicali CDNOW. Maggiori informazioni qui.
• DonorsChoose.org ossia un’organizzazione no-profit che permette di donare direttamente a progetti di scuole pubbliche. Maggiori informazioni qui.

I dati necesari per l’applicazione del modello sono:

• ID cliente
• Data Transazione
• Totale Scontrino

Datasets Summary Statistics

A. CDNow

Di seguito alcune righe del set di dati a disposizione fornite da CDNow

dove cust indica il customer_id, date la data di transazione e sales il totale scontrino.

Alcune numeriche:

• Numero di scontrini: 6919
• Numero di clienti: 2357
• Numero scontrini / numero clienti: 2.94
• Data minima di transazione: 1997-01-0
• Data massima di transazione: 1998-06-30
• Valore medio di transazione: 35.28 $

Calcoliamo alcuni KPI per cliente in quanto siamo interessati a conoscere le loro abitudini di acquisto:

cd_today = max(cd_orders$date) 

cd_customers_stats <- cd_orders %>% 
  group_by(cust) %>%
  summarize(
    tot_orders = n(),
    first_date = min(date),
    last_date = max(date),
    total_amount = sum(sales),
    avg_amount = mean(sales)
  ) %>% mutate(
    T_since_first = as.numeric( difftime(cd_today, first_date, units = "days" ) ),
    T_since_last  = as.numeric( difftime(cd_today, last_date, units = "days" ) )
  )

dove tot_orders è il numero totale ordini, total_amount totale spesa, avg_amount spesa media, first/last_date prima e ultima data di acquisto, T_since_first/last il numero di giorni dal primo/ultimo acquisto (N.B. l’orizzonte temporale scelto – cd_today – corrisponde alla massima data disponibile tra nel set di dati).

Dalle statistiche di queste variabile possiamo vedere come metà popolazione abbia fatto soltanto un acquisto, la spesa media dei clienti si distribuisce attorno ad una media di circa 32$. Inoltre non ci sono stati nuovi clienti a partire dal 1997-03-25.

B. DonorsChoose.org

Di seguito alcune righe del set di dati a disposizione fornite da DonorsChoose

dove Donor ID indica il donatore, date la data di donazione e Donation Amount il totale donazione.

Di seguito alcune numeriche del dataset:

• Numero di donazioni: 4687884
• Numero di donatori: 2024554
• Numero donazioni / numero donatori: ** 2.32 **
• Data minima di donazione: 2012-10-08
• Data massima di donazione: 2018-05-09
• Valore medio di donazione: 60.67 $

Calcoliamo alcuni KPI per cliente in quanto siamo interessati a conoscere le loro abitudini in merito alle donazioni:

donation_today = max(donations$date)

donation_donors_stats <- donations %>%
                            group_by(`Donor ID`) %>%
                            summarize(
                              tot_donations = n(),
                              first_date = min(date),
                              last_date = max(date),
                              total_amount = sum(`Donation Amount`),
                              avg_amount = mean(`Donation Amount`)
                            ) %>% mutate(
                              T_since_first = as.numeric( difftime(donation_today, first_date, units = "days" ) ),
                              T_since_last  = as.numeric( difftime(donation_today, last_date, units = "days" ) )
                            )

dove tot_donations è il numero totale donazioni, total_amount totale donato, avg_amount donazione media, first/last_date prima e ultima data di donazione, T_since_first/last il numero di giorni dalla prima/ultima donazione (N.B. l’orizzonte temporale scelto – donation_today – corrisponde alla massima data disponibile tra i dati).

Dalle statistiche di queste variabile possiamo vedere come metà popolazione abbia fatto soltanto una donazione, la donazione media dei clienti si distribuisce attorno ad una media di circa 56$. Ci sono nuovi donatori anche alla fine della finestra temporale disponibile.

Analisi di esplorazione dei dati

In questa sezione metteremo a confronto i due dataset per vedere come si comporta l’RFM partendo da dati così estremamente diversi tra loro.

Andamenti Temporali

Clicca l’immagine qui sopra per navigare il grafico in modalità dinamica. 

CDNow

• picco di transazioni nel primo trimestre del 1997 seguito da un andamento stazionario e infine decrescente

DonorsChoose

• trend crescente con evidenti cicli stagionali
• i minimi locali si trovano in prossimità del mese di giugno mentre i massimi in corrispondenza di agosto e dicembre
• il picco a dicembre 2012 è dovuto alle poche ma generose donazioni iniziali

Distribuzione Clienti/Donatori

Per identificare alcuni pattern comportamentali possiamo esplorare le distribuzioni dei clienti/donatori su alcune variabili.
Alcune tra le variabili più importanti sono la Recenza dell’ultimo acquisto, la Frequenza e la Monetary ovvero la spesa totale.

Clicca l’immagine qui sopra per navigare il grafico in modalità dinamica. 

Assegnazione dei valori

A partire dalle distribuzioni dei clienti in Recenza, Frequenza e Monetary dobbiamo assegnare dei voti a ciascun cliente in base al comportamento su ciascuna variabile.

Per il calcolo dei voti procederemo utilizzando i quantili e supponiamo che la scala scelta dei voti sia da 1 a 5.

Di seguito la visualizzazione delle distribuzioni in Recency, Frequency e Monetary con i rispettivi quantili per entrambi i set di dati a disposizione:

Clicca l’immagine qui sopra per navigare il grafico in modalità dinamica. 

Dalla tabella precedente notiamo:

• CDNow, nel caso della frequenza abbiamo primo e secondo quintile uguali
• DonorsChoose, la frequenza ha primo, secondo e terzo quintile uguali

In questo caso non abbiamo a disposizione 4 valori distinti di quintili, ma abbiamo alcuni quintili coincidenti. Per procedere con l’assegnamento dei voti possiamo agire nel seguente modo:

• cambiare la scala dei voti (es. voti nell’intervallo 1-3: dalla tabella precedente sappiamo che ci sono almeno 2 valori distinti di terzili disponibili per tutte le variabili)
• non assegnare alcuni voti (es. nel caso della frequenza di CDNow potremmo scegliere di non assegnare il voto 5)

Nel seguito sceglieremo la seconda alternativa proposta. Per la prima opzione basta ricalcolare i quantili corrispondenti.

Per ciascun cliente, dobbiamo valutare in quale range si trova la sua Recenza, Frequenza e Monetary e assegnare il voto corrispondente. Partendo dal dataframe cd_customers_stats:

Basta confrontare il valore di Recenza, Frequenza e Monetary di ciascun cliente con le soglie trovate grazie ai quantili ed assegnare gli score di conseguenza:

# 
# cd_customers_stats$Recency_score <- with(cd_customers_stats, ifelse(T_since_last <= 152, 5, 
#                                                                     ifelse(T_since_last > 152 & T_since_last <= 442, 4,
#                                                                            ifelse(T_since_last > 442 & T_since_last <= 486, 3,
#                                                                                   ifelse(T_since_last > 486 & T_since_last <= 512, 2, 1)))))

cd_recency_threshold <- unique(cd_qnt_recency)
cd_customers_stats$Recency_score <- cut(cd_customers_stats$T_since_last, breaks = c(-Inf, unique(cd_recency_threshold), Inf), ordered_result = T)
cd_customers_stats$Recency_score <- as.integer(
  factor(
    cd_customers_stats$Recency_score_prova, levels = rev(levels(cd_customers_stats$Recency_score_prova))))
  
cd_frequency_threshold <- unique(cd_qnt_frequency)
cd_customers_stats$Frequency_score <- as.integer(cut(cd_customers_stats$tot_orders, breaks = c(-Inf, unique(cd_frequency_threshold), Inf),ordered_result = T) )

cd_monetary_threshold <- unique(cd_qnt_monetary)
cd_customers_stats$Monetary_score <- as.integer(cut(cd_customers_stats$total_amount, breaks = c(-Inf, unique(cd_monetary_threshold), Inf), ordered_result = T))

Allo stesso modo si calcolano gli score per Frequenza e Monetary.

Evoluzione temporale dei quantili

L’utilizzo dei quantili permette alle soglie scelte per ciascuna variabile di Recenza, Frequenza e Monetary, di adattarsi alla naturale evoluzione dei dati. Questo garantisce di avere delle definizioni dei cluster consistenti con i dati a disposizione.

Di seguito mostriamo il primo e quarto quintile per ciascuna variabile di Recenza, Frequenza e Monetary al variare del tempo.

Clicca l’immagine qui sopra per navigare il grafico in modalità dinamica. 

RFM cube

Calcolare gli score di Recenza, Frequenza e Monetary equivale ad aver mappato le tre variabili in un cubo di dimensioni pari alla scala di voti scelta.
Vediamo i due cubi RFM:

Clicca le immagini qui sopra per navigare i grafici in modalità dinamica. 

Clienti Top e a rischio abbandono

Ora che abbiamo visto insieme i risultati che possono emergere applicando il modello RFM a due dataset distinti e differenti fra loro, proviamo a capire quanto sia efficace il modello. In particolare quanto l’assunzione di selezionare i Top Customers o i clienti a rischio abbandono sia valida.

Selezioniamo ad esempio i Top Customers e assumiamo implicitamente che essi rimarranno tali anche in futuro. Come possiamo testare questa assunzione? Fissiamo un orizzonte temporale passato (calibrazione) per determinare il comportamento dei clienti assegnando loro gli score e un periodo futuro (test) nel quale andare a verificare se i Top Customers sono rimasti tali.

Nel caso CDNow possiamo selezionare i seguenti score per identificare i due pattern comportamentali di acquisto più importanti:

• Top Customers: R = 4-5,F = 3-4, M = 4-5
• Top Churned Customers: R = 1-2, F = 3-4, M = 4-5

I Churned Customers selezionatI sono i clienti che avevano speso nella fascia alta e frequentemente ma non lo fanno da tanto tempo (R = 1-2).

Nel caso DonorsChoose:

• Top Customers: R = 4-5,F = 3, M = 4-5
• Top Churned Customers: R = 1-2, F = 3, M = 4-5

Di seguito le numeriche ottenute:

Possiamo usare RFM come semplice modello di previsione?

In questa sezione vogliamo testare quanto efficace sia il modello RFM, in particolare vogliamo capire quanto l’assunzione di selezionare i top customers o i clienti a rischio abbandono sia valida.
Selezionando ad esempio i top customers, stiamo implicitamente assumendo che essi rimarranno tali anche in futuro.
Possiamo testare questa assunzione fissando un’orizzonte temporale passata che definisce un periodo passato nel quale determinare il comportamento dei clienti assegnando gli score ed un periodo “futuro” nel quale andare a verificare se i top customers sono rimasti tali.

I due dataset analizzati hanno un range temporale diverso e per tanto sceglieremo:

CDNow:

• calibrazione: 1 anno
• test: 6 mesi

 

DonorsChoose:

• calibrazione: 4 anni
• test: 2 anni

Di seguito gli andamenti temporali e il totale di spesa e donazione per mese, con riferimento all’orizzonte temporale scelto nei due casi. NOTA: i clienti e i donatori acquisti successivamente al riferimento temporale stabilito non sono presi in considerazione.

Clicca l’immagine qui sopra per navigare il grafico in modalità dinamica. 

Per misurare l’accuratezza delle assunzioni del RFM:

• abbiamo ricalcolato gli score nel periodo di calibrazione
• considerato soltanto i Top Customers e i Top Churned Customers definiti con le stesse regole espresse precedentemente
• verificato per entrambe i comportamenti nel periodo futuro.

Nelle tabelle seguenti mostriamo i risultati dell’elaborazione.

Continua a leggere

Obiettivo

Le email sono ancora oggi uno dei mezzi di comunicazione più utilizzati dai brand per interagire con i propri clienti, effettivi e potenziali.

In questo approfondimento vedremo insieme come misurare il livello di engagement dei tuoi contatti e aiutarti a rispondere a domande come quali sono i contatti molto attivi sul canale email? Chi ha invece perso l’interesse? Ci sono contatti che si sono registrati da poco e non risultano attivi?

Descrizione dell’Algoritmo

Le email continuano a rappresentare un canale efficiente per comunicazioni di tipo push nei confronti dei contatti per interessarli e coinvolgerli.

Misurare quindi quanto i tuoi contatti risultano attivi sul canale email è fondamentale per i brand, per poter organizzare e nel caso rivedere, le proprie strategie di comunicazione e marketing.

Con questo fine, Contactlab propone l’Email Engagement Index che ti permette di rispondere a domande simili a quelle che ci siamo posti in precedenza, ma non solo.

Puoi infatti determinare quali siano i contatti che ti seguono di più via email, quali abbiano smesso di farlo, quali anche se appena registrati alla tua newsletter, non risultano interessati alle tue comunicazioni, e coloro che invece lo erano ma che, con il tempo, sembrano non esserlo più.

Il risultato dell’elaborazione dell’algoritmo è molto semplice e immediato. Il profilo di ogni contatto è arricchito del KPI che rappresenta il livello di engagement in base alle sue azioni ogni volta che riceve una email dal tuo brand. Ossia:

• Engaged: molta attività recentemente
• Active New: registrati recentemente con attività
• Interested: poca attività recentemente
• Dormant: poca attività non recentemente
• Disengaged: molta attività non recentemente
• Inactive New: registrati recentemente senza attività
• Inactive: nessuna attività
• Off: non contattati recentemente

Come si calcola l’Email Engagement Index?

Contactlab propone due versione dell’Email Engagement Index. Quella dinamica di cui parleremo in un articolo futuro e quella statica oggetto invece del presente approfondimento.

Per il calcolo dell’algoritmo è necessario avere a disposizione i dati delle tue campagne email incluse le azioni compiute dei tuoi contatti a seguito della loro ricezione.

Nel dettaglio occorre prendere in considerazione per ciascun contatto:

• totale email ricevute, aperte e cliccate
• tempo trascorso dalla prima email ricevuta, dall’ultima e dall’ultima apertura o click
• indice di attività che sintetizza il livello di attività email di aperture e click.

Inoltre è importante definire il significato di recentemente ovvero scegliere l’intervallo temporale entro cui una azione, come apertura o click, possa essere considerata recente.

Le soglie temporali sono stabilite in base a come ogni brand comunica via email. Aziende appartenenti a mercati diversi hanno infatti esigenze diverse di comunicare. Se per esempio nella GDO può avere senso promuovere settimanalmente sconti e offerte speciali, in un settore come il Fashion questo tipo di comunicazione può essere stagionale.

Ogni soglia è configurabile a seconda delle necessità puntuali del brand e si riassumono:

• Contattato Recentemente
• Registrato Recentemente
• Attività
• Recenza Attività

La combinazione tra le metriche prese in considerazione e le soglie definite determina il livello di Engagement di ciascun contatto sul canale email.

Proviamo con un esempio

Angela si è registrata alla tua newsletter direttamente sul sito 9 mesi fa. Da allora ha ricevuto 12 email, ne ha aperte 9 e cliccate solamente 3. Inoltre, l’ultima apertura risale a 3 mesi fa mentre l’ultima email inviata, a 7 giorni fa.

Inoltre, in base al tuo settore e alla pianificazione delle tue campagne email, sono state definite le seguenti soglie:

• Contattato Recentemente: negli ultimi 3 mesi
• Registrato Recentemente: negli ultimi 2 mesi
• Attività: 15%
• Recenza Attività: ultimo mese

Angela è stata quindi contattata recentemente (7 giorni fa) ma la sua ultima azione risale a diverso tempo fa (3 mesi). Il suo livello è Disengaged: è stata molto attiva in passato ma ultimamente risulta inattiva sul canale email.

Come possiamo usare queste informazioni?

Grazie all’Email Engagement Index è possibile misurare il successo delle tue campagne email e capire il livello di interesse verso il tuo brand dei contatti raggiunti. In questo modo è possibile pianificare campagne sempre più sofisticate, segmentare la tua audience e differenziare le comunicazioni. Puoi creare journey di engagement, declinare strategie di riattivazione per quei contatti che erano molto attivi in passato e non lo sono più ora, e così via.

Scopri tutto su Data e sugli algoritmi che ti mette a disposizione oltre all’Email Engagement Index. Per maggiori informazioni contatta il nostro Servizio Clienti.

Non perderti inoltre il nostro Webinar per imaparare a consocere in modo più approfondito il mondo del digital enrichment e gli algoritmi disponibili in piattaforma.

Continua a leggere