Oltre l'analisi RFM: usare l'AI predittiva per anticipare churn e customer lifetime value

L'analisi RFM è spesso il primo strumento con cui un e-commerce mette ordine nei dati dei clienti, ma guarda soltanto al passato e finisce per mettere nello stesso segmento persone che stanno andando in direzioni opposte. Un modello predittivo parte dallo stesso storico per stimare che cosa farà ogni cliente, e restituisce punteggi che cambiano il modo in cui si investe su Ads e marketing automation. In questo articolo trovi i quattro limiti strutturali dell'RFM, i tre punteggi della segmentazione predittiva (propensione d'acquisto, rischio di churn e customer lifetime value previsto), che cosa permette di fare HubSpot e le quattro condizioni da verificare prima di attivare un modello sul tuo CRM.

Nel segmento "clienti migliori" di un e-commerce da qualche decina di migliaia di contatti ci sono Anna e Luca, e se li filtriamo secondo l'analisi RFM, che segmenta i clienti in base al loro comportamento d'acquisto, sono la stessa identica persona: comprano spesso, hanno comprato da poco, spendono bene.

Poi ti fermi un attimo ad osservare meglio i dati e la loro storia nel CRM, guardi gli ultimi due mesi e scopri che non si somigliano per niente. Anna ordina sempre più di rado, non apre più le email e sul sito si vede appena, mentre Luca torna di continuo, confronta i prodotti e riempie il carrello. Il filtro continuerà a trattarli allo stesso modo finché Anna non sarà uscita dalla finestra di recency, cioè magari quando sarà troppo tardi e se ne sarà già andata.

Quello che ho appena descritto è un limite strutturale dell'analisi RFM, e non dipende da te, da me o da come lo abbiamo configurato: ti dice benissimo che cosa un cliente ha fatto, mentre su che cosa farà o potrebbe fare non ha niente da dire.

Che cos'è l'analisi RFM?

L'analisi RFM è un metodo di segmentazione che classifica i clienti in base a tre variabili del loro comportamento d'acquisto, cioè quanto di recente hanno comprato (recency), con quale frequenza (frequency) e per quale importo (monetary), e che per la sua semplicità è spesso il primo strumento con cui un'azienda mette ordine nei dati dei propri clienti.

Perché l'analisi RFM non basta più?

Oggi la segmentazione RFM all'interno dei CRM lavora su soglie fisse e su dati storici, quindi fotografa il comportamento passato e registra i cambiamenti con una latenza, a volte con settimane di ritardo. Nello stesso segmento finiscono clienti che nei mesi successivi si comporteranno in modo opposto, e intanto ricevono lo stesso messaggio e lo stesso budget.

Questo deriva da quattro limiti strutturali del metodo, che emergono appena si prova a usarlo per decidere dove investire.

• Le soglie sono fisse. Per esempio, "ultimo acquisto negli ultimi 90 giorni" vale allo stesso modo per chi compra ogni settimana e per chi compra due volte l'anno, anche se per il primo novanta giorni di silenzio sono un'emergenza e per il secondo la normalità.
• Il segmento arriva tardi. Spesso il dato che permette di creare il segmento dinamico si aggiorna quando il comportamento è già cambiato da un pezzo, quindi quando intervieni stai reagendo in ritardo rispetto al dato, invece di anticipare.
• Non è in grado di distinguere una pausa da un addio. Un cliente silenzioso può essere semplicemente fuori dal suo ciclo di acquisto oppure essere passato alla concorrenza, e il filtro tratta i due casi di comportamento come uno solo.
• Appiattisce il valore. Due clienti nello stesso segmento possono avere un peso specifico e potrebbero avere un valore molto diverso nei prossimi mesi, ma ricevono la stessa attenzione e lo stesso investimento.

Che cosa calcola un modello predittivo che l'RFM non calcola?

L'analisi RFM fotografa quello che il cliente ha già fatto, cioè quanto di recente ha comprato, con quale frequenza e per quale importo, e lo usa per collocarlo in un segmento, mentre un modello predittivo parte dallo stesso storico per stimare quello che farà. Per questo restituisce tre punteggi per ogni singolo cliente, ricalcolati sullo storico: la propensione d'acquisto, cioè quanto è probabile che compri a breve; il rischio di churn, cioè quanto è probabile che smetta; il pCLV, cioè quanto ci aspettiamo che quel cliente valga nei prossimi mesi, che è cosa diversa da quanto ha speso finora.

La differenza non è il numero in sé ma la domanda che gli facciamo. Invece di chiederci in quale gruppo sta un cliente, gli chiediamo che cosa farà, e la risposta cambia completamente le priorità.

Rimettiamo in primo piano Anna e Luca con i punteggi davanti. Anna ha un rischio di abbandono alto e un pCLV ancora interessante, quindi è lei la persona da andare a cercare adesso, finché il recupero costa meno di una nuova acquisizione. Luca ha una propensione d'acquisto alta e comprerebbe comunque, perciò prima di regalargli uno sconto conviene chiedersi se gli serva davvero, e lo si scopre solo confrontando chi lo riceve con chi non lo riceve.

Serve davvero un aggiornamento in tempo reale?

Il tempo reale serve molto meno spesso di quanto si dica, perché nella maggior parte dei casi un aggiornamento giornaliero dei punteggi è sufficiente: le decisioni che i punteggi alimentano, come una campagna di retention, una sequenza di recupero o la ripartizione del budget tra le audience, hanno un orizzonte di giorni o settimane e non cambiano da un'ora all'altra. L'aggiornamento in tempo reale diventa necessario soltanto quando la decisione perde valore in pochi secondi, per esempio quando bisogna scegliere quale offerta mostrare a un cliente mentre sta ancora navigando sul sito.

Confondere le due esigenze potrebbe costare molto, perché un'infrastruttura in streaming richiede un investimento che la maggior parte dei progetti non riesce a recuperare, mentre lo stesso budget speso sulla qualità dei dati migliora subito l'affidabilità dei punteggi. Un punteggio ricalcolato ogni notte su dati puliti vale molto più di uno aggiornato ogni secondo su un CRM pieno di duplicati.

Come si trasformano i punteggi in azioni su Ads e marketing automation?

I punteggi diventano utili solo quando escono dal modello ed entrano negli strumenti dove si decide come spendere il budget e che cosa mandare. Per chi, come noi, distribuisce investimento Paid ogni giorno su settori e canali diversi, è il passaggio che cambia di più il lavoro quotidiano.

• Advertising. Gli score diventano audience per Meta e Google Ads, quindi chi ha rischio di churn alto e pCLV alto finisce in una campagna di retention mentre chi sta per riacquistare entra in una di conversione. Il budget smette di inseguire l'acquisizione a pioggia e va dove il valore atteso è più alto.
• Marketing automation. I workflow partono dal cambio di punteggio invece che da una lista aggiornata a mano, perciò quando il rischio di Anna supera la soglia la sequenza di recupero parte da sola, con un messaggio pensato per la sua situazione.
• Coerenza tra canali. Lo stesso punteggio guida email, annunci e conversazioni commerciali, così il cliente non si ritrova tre messaggi che si contraddicono nello stesso giorno.

Che cosa permette di fare HubSpot. Il lead scoring predittivo di HubSpot (predictive lead scoring) calcola per ogni contatto che non è ancora cliente la probabilità di diventarlo entro novanta giorni, con la proprietà Likelihood to close, e lo colloca in una fascia di priorità con la proprietà Contact priority. Per i clienti già acquisiti, invece, il rischio di churn e il valore atteso si costruiscono come proprietà personalizzate, calcolate con regole di punteggio sui dati del CRM oppure importate da un modello esterno. In entrambi i casi il punteggio diventa un campo del contatto, e da lì alimenta liste attive, workflow di marketing automation e segmenti di pubblico sincronizzati con le piattaforme pubblicitarie, che è esattamente il passaggio dal modello all'azione descritto sopra. È il lavoro che svolgiamo come partner HubSpot, cioè configurare i punteggi, collegarli ai dati che servono e trasformarli in campagne e automazioni.

Che cosa serve prima di attivare un modello predittivo?

Prima di attivare un modello predittivo sul tuo CRM servono quattro condizioni che riguardano più i dati e l'organizzazione che la tecnologia, e sono proprio quelle che mancano quando un progetto si incaglia, di solito dopo che lo strumento è già stato acquistato.

• Dati unificati e puliti. Se acquisti, navigazione e dati di contatto vivono in sistemi che non si parlano, il modello impara da un quadro incompleto e restituisce previsioni che sembrano precise senza esserlo.
• Una definizione di churn condivisa. In un e-commerce possono essere novanta giorni senza ordini, in un altro settore sei mesi, e la soglia va decisa prima insieme a chi vende, perché è una scelta di business e non un parametro tecnico.
• Volumi adeguati. Serve abbastanza storia perché il modello distingua un segnale ricorrente da un caso isolato, altrimenti sta semplicemente ripetendo il rumore, e conta anche quanti dati si riescono a raccogliere davvero, perché un consenso gestito male riduce la base su cui il modello impara.
• Un metodo di misurazione. È il punto più importante e il più trascurato, perché è lì che si decide come valutare se l'intervento ha funzionato: senza confrontare chi lo ha ricevuto con chi non l'ha ricevuto non sapremo mai se i clienti recuperati sarebbero rimasti comunque.

Dove finisce il modello e dove comincia l'architettura?

I punteggi predittivi valgono quanto i dati che li alimentano, e in un e-commerce quei dati arrivano da sistemi diversi che devono poter parlarsi in modo affidabile e sicuro: piattaforma, gestionale, strumenti di marketing, customer service. È il motivo per cui su questi temi lavoriamo con un partner come Redify, che si occupa del piano sottostante, cioè dell'architettura componibile che sta alla base: disegno del data layer, integrazione tra i sistemi e scelte di scalabilità che devono reggere quando il traffico triplica in una settimana, come quella del Black Friday.

"Nella mia esperienza professionale non ho mai utilizzato il modello RFM. L'idea di combinare dati statistici e recenza degli acquisti non mi ha mai entusiasmato. Ho sempre privilegiato il RegFM, perché la regolarità degli acquisti mi permetteva di prevedere meglio i comportamenti. L'omnicanalità fallisce quasi sempre perché viene trattata come un problema di esperienza utente, quando molto spesso si tratta di un problema di architettura dei dati."
Giuliano Torelli, Redify

Vale esattamente allo stesso modo per la segmentazione predittiva, perché un modello che legge un cliente spezzato in tre sistemi non sta prevedendo niente, sta solo provando a indovinare.

In Webeing, attraverso il CRM, possiamo agire su modelli, segmenti, orchestrazione su Ads e marketing automation e sulla misurazione di quello che succede dopo. L'ordine però non è negoziabile, perché prima si decide dove vive il dato e quale sistema prevale quando due fonti si contraddicono, e solo dopo si costruisce sopra il predittivo.

Da dove si comincia

L'analisi RFM non è totalmente da buttare, perché resta un ottimo punto di partenza ed è spesso il primo strumento che mette ordine nei dati di un'azienda. Il punto è che guarda indietro, mentre oggi la differenza la fa chi riesce a lavorare sul futuro dei propri clienti.

Non si tratta quindi di cambiare strumento ma di cambiare tipo di segmento, passando da segmenti che descrivono a segmenti che prevedono: capire chi sta per andarsene, chi sta per comprare e quanto vale ciascuno, e agire di conseguenza su ogni canale.

Il primo passo è meno tecnologico di quanto sembri, perché consiste nello scegliere una definizione di churn, mettere in fila i dati che già abbiamo e cominciare a chiederci, cliente per cliente, non chi è stato ma chi sarà.

Per chi lavora sul Paid c'è anche un test molto pratico da fare prima di alzare un budget: ci siamo chiesti davvero a chi stiamo parlando? Quando i risultati non arrivano, potremmo aver usato la leva sbagliata sul target sbagliato, ma questo è un tema che merita un approfondimento a parte.

FAQ: domande frequenti

L'analisi RFM è ancora utile?

Sì, perché resta un metodo semplice e leggibile per mettere ordine nei dati dei clienti e per costruire i primi segmenti, ma descrive soltanto il comportamento passato, quindi conviene affiancarla a un modello predittivo quando l'obiettivo è anticipare chi sta per comprare o per andarsene.

Ogni quanto vanno aggiornati i punteggi predittivi?

Nella maggior parte dei progetti basta un aggiornamento giornaliero, perché le decisioni che ne derivano, come una campagna di retention o una sequenza di recupero, hanno un orizzonte di giorni o settimane, mentre il tempo reale serve solo quando la decisione va presa mentre il cliente sta navigando.

Quanti dati servono per costruire un modello predittivo?

Non esiste una soglia valida per tutti, ma serve uno storico abbastanza lungo e un numero di clienti sufficiente perché il modello distingua un comportamento ricorrente da un caso isolato, e prima ancora serve una definizione di churn condivisa, senza la quale il modello non sa che cosa sta prevedendo.

Parliamo dei tuoi dati clienti
In trenta minuti ti diciamo se il tuo CRM è pronto per un modello predittivo e da quale punteggio conviene partire, anche se poi non lavoreremo insieme.