Analisi RFM + engagement come criteri di segmentazione

La stretta sui cookie e la crescente difficoltà di raccogliere e usare i dati di terza parte dovrebbero ormai aver convinto chiunque della centralità del database, inteso non come una mera lista di contatti con qualche informazione aggiuntiva, ma come un asset prezioso di cui curare l’organizzazione e la qualità dei dati.

Non a caso le piattaforme di email marketing ormai si raccontano sempre più come CRM (strumenti di Customer Relation Management), come fa da tempo Mailchimp, o addirittura annunciano, come Klavyio, la propria evoluzione in CDP (Customer Data Platform), il silver bullet del momento: un repository in cui vengono raccolti i dati da fonti multiple, per conoscere sempre più a fondo le persone – clienti o prospect che siano – confezionando azioni e messaggi il più possibile tempestivi e personalizzati.

Se hai i dati, usali

“Abbiamo implementato incredibile piattaforma che ingoia dati e fa questo e quello” “Ah, figo, raccontami” “La usiamo per mandare una mail ai carrelli abbandonati” “Ah, ok”

Gianluca Diegoli

Passando dalle dichiarazioni di intenti alla pratica, quello che spesso osservo è che si continua a scrivere tutto a tutti, anche su liste enormi, o si fanno investimenti colossali su tecnologie che poi vengono usate più o meno come l’onesto ESP che le aveva precedute.

Il mio approccio invece è generalmente quello di sfruttare al massimo la tecnologia e le informazioni che già abbiamo, e in questo senso ho trovato molto utile un modello di segmentazione che combina l’approccio RFM (Recency, Frequency, Monetary Value) e i dati di engagement per differenziare i segmenti del nostro database indirizzando opportunamente le nostre attività.

I dati presi in considerazione, sia per quanto riguarda frequenza e valore delle transazioni sia per quanto riguarda l’engagement, potrebbero essere semplicemente quelli relativi all’ecommerce e alle interazioni con le campagne email; ma, in prospettiva, la logica non cambia – anzi cresce il valore informativo – se riusciamo, in un’ottica realmente CDP, a integrare dati da tutta la rete di vendita e dai vari touchpoint (sito, punti vendita fisici, eventi).

L’importante è iniziare coi dati che abbiamo e – come esortavo sopra – usarli, questi benedetti dati, per creare una classificazione che suddivida la nostra audience in 11 segmenti, a loro volta organizzati in 4 cluster.

Dall’analisi RFM+engagement: 11 segmenti organizzati in 4 cluster

segmenti RFM+engagement

I blocchi con l’icona del carrello sono segmenti di persone che hanno acquistato, più o meno di recente, più o meno spesso, con scontrini sopra o sotto la media.

Attenzione: “recente”, “frequente”, “scontrino alto/basso” sono parametri che vanno definiti progetto per progetto, e questa logica naturalmente si applica a quelle situazioni in cui è ragionevole pensare che l’acquisto possa ripetersi nel tempo, non agli acquisti once in a lifetime.

Per esempio, se il nostro “cliente fedele” riacquista spesso, diciamo una volta al mese, e lo scontrino medio dello store è di € 45, potremmo distribuire i clienti nei vari segmenti secondo questi criteri:

  • frequenti: nell’ultimo anno hanno acquistato almeno 10 volte
  • recenti: hanno fatto un acquisto negli ultimi 60 giorni
  • scontrino alto: scontrino medio > 45.

I blocchi con l’icona della manina che clicca sono segmenti di persone che non hanno ancora acquistato, ma che hanno in qualche modo interagito con uno o più touchpoint. Se prendiamo in considerazione i soli dati dell’email marketing, attenzione a non considerare engagement la semplice apertura, che potrebbe essere falsata dal sistema MPP (Mail Privacy Protection) di Apple: se l’ESP ci permette di capire chi usa MPP, usiamo l’apertura solo per il segmento non-Apple, altrimenti chiediamo a tutti come prova di engagement un più robusto e sicuro clic.

Il nostro cluster preferito

Sono i segmenti migliori, quelli che vogliamo far crescere numericamente nel tempo e a cui dedicheremo gran parte di pensieri, risorse, invii.

Idealmente, 3/4 del nostro tempo lo vogliamo spendere per loro, perché sono la parte attiva e vitale del nostro database: dentro a questo cluster ci sono sia clienti, che classificheremo in base a criteri RFM, che non (ancora) clienti che speriamo di convertire presto.

analisi RFM - segmento Recenti
  • VIP customers: comprano spesso, spendono tanto, e sono clienti attivi. Vogliamo che restino tali senza stancarsi di noi, e per questo li gratificheremo con coccole e privilegi, non necessariamente monetari. Ne vorremmo tantissimi come loro; se, come scrive Gianluca, “i clienti migliori non si allevano, sono già così quando li acquisiamo”, cercheremo di far sì che ci portino loro stessi persone come loro: chiediamo loro recensioni e social proof e, se possibile, passiamo i loro dati all’adv per fare campagne su similar audiences.
  • SUPERFAN: comprano spesso, sono clienti attivi, tendono a spendere meno dei VIP. Per incentivarli ad aumentare lo scontrino medio possiamo provare sconti-quantità, bundle, prodotti consigliati. Anche per loro vale il principio friend get friends: aiutiamoli a portarci altra gente come loro.
  • Potenziali VIP: non hanno ancora una lunga storia di acquisti ripetuti, ma spendono tanto e hanno comprato di recente. Cerchiamo di farli scalare al livello VIP con incentivi al riordino e promessa di vantaggi esclusivi.
  • Potenziali SUPERFAN: hanno comprato di recente, senza spendere tanto, non possiamo ancora considerarli clienti abituali; proviamo ad aumentare frequenza o scontrino medio con consigli personalizzati.
  • Interessati ma non ancora clienti: con questo segmento l’obiettivo è uno: convertirli in clienti. Per farlo, serie di benvenuto ben studiate, sconti a tempo, leva sul principio di scarsità, e ogni possibile spunto per mantenerli in contatto e avvicinarli alla conversione.

Per un email marketing sostenibile

R5 lezioni che parlano di attenzione, scelta dei contenuti, privacy e personalizzazione: per riceverle gratis, una al giorno, direttamente nella tua casella di posta, lascia il tuo indirizzo email.

Da riportare in negozio

Sono clienti che in passato hanno acquistato spesso, ma non risultano più attivi da un po’.  Vogliamo provare a riportarli in negozio, specialmente quelli con scontrino medio alto, per i quali vale la pena spingere sulle promozioni.

Nel farlo, teniamo sotto controllo engagement e reazioni, per non rischiare di deteriorare la nostra reputazione di mittente:

  • se per il winback usiamo automazioni che cercano di riportare in negozio il cliente inattivo da un po’, non facciamo “invecchiare” troppo il contatto;
  • se lavoriamo con campagne batch, agiamo gradualmente, partendo dai clienti relativamente più “freschi” e procedendo a ritroso nel tempo fino a quando i tassi di apertura non crollano e/o i tassi di disiscrizione non si impennano.

Il winback impegnerà circa il 20% delle nostre risorse/tempo.

Analisi RFM - segmento non recenti e frequenti

Da maneggiare con cautela

Sono ex clienti occasionali, più o meno altospendenti, e contatti che in passato mostravano molto interesse ma da un po’ sono inattivi.

Questo cluster va trattato con cautela, perché spedire a questi segmenti può generare feedback negativi che vanno a erodere la nostra reputazione di mittente, cosa che noi non vogliamo assolutamente: la nostra deliverability vale più di un nuovo scontrino.

Gli ex clienti occasionali potranno essere ricontattati nelle occasioni speciali (saldi, Black Friday) per tentare di riattivarli, ma sempre con prudenza e tramite invii distinti da quelli degli altri segmenti.

Possiamo pianificare delle campagne di riattivazione progressive: partiamo da una frazione di ciascun segmento, ad esempio il 25% dei clienti occasionali inattivi con scontrino alto, e se otteniamo risultati passiamo al resto del segmento; poi procediamo con i segmenti sottostanti, fino a quando non ci troviamo di fronte a KPI critiche (open rate < 10%, unsubscribe rate > 3%, segnalazioni di abuso > 0,1%): a quel punto, meglio interrompere i test e archiviare.

Questo cluster e i tentativi di recupero e re-engagement, in ogni caso, non ci occuperanno per più del 5% del nostro tempo.

analisi RFM - segmento non recenti e occasionali

Meglio perderli che tenerli

Per quanto sia bello veder crescere il database, la condizione per mantenerlo in salute è che cresca nella giusta direzione: a questo serve una regolare attività di list-cleaning per archiviare senza rimpianti chi tempo fa è passato dalle nostre parti, ma poi non ha né acquistato né continuato a interagire.

Con questi contatti, i possibili risultati in termini di recupero contatti non valgono i rischi reputazionali e di deliverability: si tratta di persone che evidentemente al momento non vogliono avere a che fare con noi, se in futuro le cose dovessero cambiare… li riaccoglieremo volentieri.

analisi RFM - inattivi

Due parole sulla fedeltà

Torno a citare un Diegoli d’annata:

La cosa però più buffa e tenera è l’uso continuo della parola fedeltà (addirittura fidelizzazione) nei programmi, nell’adv e nelle tessere stesse. Come se i marketer dimenticassero, presi dall’amore, la prima regola del marketing stesso: non parlare di te o men che meno di ciò che te ne viene in tasca, parla dei suoi vantaggi. A nessuno interessa di avere una tessera fedeltà (quella è semmai una conseguenza) o essere fidelizzato, anzi: l’effetto può essere proprio il contrario. La monogamia nel marketing è morta tanto tempo fa.

Gianluca Diegoli, La fedeltà e il marketing

Quando lavoriamo a campagne, messaggi, automazioni, cerchiamo di rifuggire dagli atteggiamenti autoreferenziali che spesso scivolano nel vittimismo passivo-aggressivo: che siano i nostri clienti a scrivere dichiarazioni d’amore per noi, non noi ad approcciarli di volta in volta come se fossero amanti infedeli o figli adolescenti distratti. Offriamo vantaggi, consigli, esperienze, cercando di guardarci dall’esterno per capire cosa può veramente apparire importante e mettiamo in conto che non possiamo accontentare tutti, ci sarà chi ci abbandona e la cosa migliore che possiamo fare è reinvestire le risorse liberate in chi invece mostra di apprezzarci.

Usiamo bene i dati e le piattaforme che abbiamo: quando li avremo spremuti fino all’ultima goccia di potenziale, arriverà anche il momento in cui ha senso comprare una macchina più potente, ma solo se sappiamo dove vogliamo portarla.

Entra nella community di
Digital Update!

Riceverai gratuitamente:

No grazie!