Matrice RFM per ecommerce: a cosa serve e come si costruisce

In ogni base clienti di un e-commerce convivono persone profondamente diverse tra loro: chi ha comprato una volta sola due anni fa e non è più tornato, chi ordina ogni mese con regolarità, chi spende cifre importanti e chi cerca solo l'occasione. Trattarle tutte allo stesso modo, con la stessa email e la stessa offerta, è uno spreco doppio: si infastidisce chi non è interessato e si trascura chi varrebbe un'attenzione particolare.

La matrice RFM è uno degli strumenti più solidi e collaudati per uscire da questo spreco. È un metodo di segmentazione che divide i clienti in gruppi omogenei sulla base del loro comportamento d'acquisto reale, non delle loro caratteristiche anagrafiche o delle ipotesi del marketing. Non chiede chi è il cliente, guarda cosa il cliente ha fatto, e da quel comportamento ricava previsioni utili su cosa farà.

Questo articolo spiega la matrice RFM dal principio: che cosa misura, da dove viene, come si costruisce passo per passo, quali segmenti produce e cosa farne, e dove invece mostra i suoi limiti. È una guida pensata per essere completa e ordinata, perché capito bene il modello, applicarlo diventa quasi naturale.

Che cos'è la matrice RFM

RFM è l'acronimo di tre parole inglesi, Recency, Frequency e Monetary, ovvero recenza, frequenza e valore monetario. Sono le tre dimensioni lungo le quali il modello misura il comportamento di ogni cliente: da quanto tempo ha comprato l'ultima volta, quante volte ha comprato in un certo periodo, quanto ha speso in totale. A ciascuna dimensione si assegna un punteggio, e dalla combinazione dei tre punteggi nasce una segmentazione precisa della base clienti.

Il modello affonda le radici nel marketing diretto, molto prima dell'e-commerce. Le aziende di vendita per corrispondenza e i cataloghi cartacei avevano un problema concreto e costoso: a chi spedire il prossimo catalogo, sapendo che ogni invio aveva un costo e che spedire a tutti era antieconomico. Osservarono che i clienti che avevano acquistato di recente, più spesso e per importi maggiori erano anche i più propensi a comprare di nuovo. Da questa osservazione empirica, poi formalizzata anche in letteratura accademica negli anni Novanta, nacque la regola che ancora oggi regge il modello: il comportamento passato è il miglior predittore del comportamento futuro.

La forza della matrice RFM sta in questo equilibrio raro: è semplice da capire e da calcolare, richiede solo dati che ogni e-commerce già possiede, lo storico degli ordini, e tuttavia produce una segmentazione sorprendentemente predittiva. Non serve un modello statistico sofisticato né l'intelligenza artificiale per cominciare: bastano tre numeri per cliente e un criterio per ordinarli.

Le tre variabili: Recency, Frequency, Monetary

Le tre dimensioni non hanno tutte lo stesso peso, e capirne il significato singolo è il primo passo per leggere correttamente i risultati. Si esaminano una per una.

Recency, la recenza

La recenza misura quanto tempo è passato dall'ultimo acquisto del cliente. È considerata la variabile più predittiva delle tre, perché un cliente che ha comprato di recente è ancora in relazione con il marchio, lo ricorda, ha il prodotto sotto gli occhi, ed è molto più disponibile a un nuovo acquisto rispetto a chi non si fa vedere da mesi. La logica è intuitiva: più lontano nel tempo è l'ultimo contatto, più alta è la probabilità che il cliente si sia raffreddato o sia passato a un concorrente. Per questo, nella maggior parte delle applicazioni, alla recenza si dà il peso maggiore.

Frequency, la frequenza

La frequenza misura quante volte il cliente ha acquistato in un determinato arco di tempo. È l'indicatore principale della fedeltà e dell'abitudine: un cliente che torna spesso ha integrato il marchio nelle proprie scelte d'acquisto, si fida, ed è statisticamente molto più propenso a continuare. La frequenza distingue l'acquirente occasionale dal cliente abituale, e in molti settori è strettamente legata al valore complessivo che quel cliente genererà nel tempo. Va sempre letta in rapporto al ciclo di acquisto tipico del settore: per un negozio di consumabili una frequenza alta significa decine di ordini, per un brand di beni durevoli anche pochi acquisti ben distribuiti sono un segnale forte.

Monetary, il valore monetario

Il valore monetario misura quanto il cliente ha speso complessivamente, oppure in media per ordine, a seconda di come si imposta l'analisi. È la dimensione che quantifica il contributo economico diretto del cliente al fatturato. Da sola è la meno predittiva delle tre, perché una spesa alta concentrata in un passato lontano dice poco sul presente, ma combinata con recenza e frequenza diventa decisiva per distinguere i clienti di alto valore da quelli che pur acquistando spesso portano margini modesti. È la variabile che impedisce di trattare allo stesso modo chi ordina spesso piccole somme e chi ordina di rado ma per importi rilevanti.

Come si costruisce un'analisi RFM, passo per passo

La procedura per costruire una matrice RFM è standard e ripetibile. Il metodo più diffuso assegna a ciascuna delle tre variabili un punteggio da 1 a 5 basato sui quintili, cioè dividendo i clienti in cinque gruppi di uguale numerosità. Ecco i passaggi nell'ordine in cui si eseguono.

1. Raccogliere lo storico degli ordini. Per ogni cliente servono tre dati: la data dell'ultimo acquisto, il numero totale di acquisti nel periodo scelto e la spesa complessiva. Sono informazioni che qualsiasi piattaforma di e-commerce registra di serie.
2. Calcolare le tre misure. Si traduce la data dell'ultimo ordine in numero di giorni trascorsi (recenza), si conta il numero di ordini (frequenza) e si somma la spesa (valore monetario).
3. Assegnare i punteggi per quintili. Si ordinano i clienti su ciascuna dimensione e li si divide in cinque fasce. Per la recenza il punteggio si inverte, perché meno giorni sono passati meglio è: chi ha comprato più di recente prende 5, chi ha comprato più tempo fa prende 1. Per frequenza e valore vale il contrario: più alto il numero, più alto il punteggio.
4. Comporre il codice RFM. Ogni cliente si ritrova con tre cifre, per esempio 5-4-5 oppure 2-1-3. La combinazione dei tre punteggi è il suo codice RFM e ne descrive in sintesi il profilo di comportamento. Un cliente 5-5-5 è il migliore possibile, un 1-1-1 è di fatto perso.
5. Raggruppare in segmenti. Le combinazioni possibili sono molte, centoventicinque in tutto, troppe per agire su ciascuna. Si raggruppano quindi i codici simili in un numero gestibile di segmenti con un significato chiaro, ai quali si associano azioni di marketing differenziate.

Il metodo dei quintili ha un pregio importante: è relativo, non assoluto. I punteggi si calcolano sempre rispetto alla propria base clienti, quindi il modello si adatta automaticamente a qualsiasi settore e a qualsiasi ordine di grandezza, senza bisogno di fissare soglie arbitrarie. Resta valido che le soglie e il numero di fasce possono essere adattati: chi ha pochi clienti può usare tre fasce invece di cinque, e chi vuole pesare diversamente le variabili può dare alla recenza un'importanza maggiore.

I segmenti RFM e cosa dicono

Raggruppando i codici nasce una mappa di segmenti che la pratica del settore ha reso quasi standard. I nomi possono variare, la sostanza no. Ecco i più ricorrenti, con il profilo che descrivono.

• Campioni: punteggi alti su tutte e tre le dimensioni. Hanno comprato di recente, comprano spesso e spendono molto. Sono i clienti migliori in assoluto, da premiare e fidelizzare.
• Clienti fedeli: frequenza e valore alti, recenza buona. Sono la spina dorsale del fatturato ricorrente, vanno coltivati con costanza e fatti sentire riconosciuti.
• Potenziali fedeli: hanno comprato di recente, con frequenza ancora bassa ma promettente. Sono clienti giovani nella relazione, da accompagnare verso l'abitudine con cura e proposte pertinenti.
• Nuovi clienti: recenza altissima, frequenza minima. Hanno appena fatto il primo acquisto, e il modo in cui vengono accolti nelle settimane successive decide se diventeranno fedeli o spariranno.
• A rischio: in passato compravano spesso e bene, ma non si fanno vedere da un po'. La recenza in calo è un campanello d'allarme: sono clienti di valore che si stanno raffreddando e vanno recuperati prima che sia tardi.
• Da non perdere: frequenza e valore storici altissimi, recenza ormai bassa. Erano tra i migliori e stanno scivolando via. Meritano lo sforzo di recupero più deciso, perché perderli pesa più di perdere chiunque altro.
• Dormienti: punteggi bassi un po' ovunque, ultimo acquisto lontano. Sono in via di abbandono, e su di loro si tenta un'ultima riattivazione mirata prima di considerarli persi.
• Persi: punteggi minimi su tutto. Hanno comprato una volta molto tempo fa e mai più. Su di loro non conviene investire molto, se non in tentativi automatici a costo quasi nullo.

Il valore di questa mappa sta nel fatto che ogni segmento suggerisce da sé l'azione giusta. Non si tratta gli sconosciuti come i campioni, non si spreca budget di recupero sui persi, non si lascia raffreddare chi è a rischio. La matrice RFM trasforma una massa indistinta di clienti in un insieme di gruppi con bisogni e potenziali diversi, ognuno con la sua strategia.

A cosa serve la matrice RFM in un e-commerce

Tradotta in pratica quotidiana, la segmentazione RFM serve a indirizzare meglio quasi tutte le attività che ruotano attorno alla relazione con il cliente. Il principio comune è sempre lo stesso: dare a ciascun gruppo il messaggio e l'attenzione che merita, invece di parlare a tutti nello stesso modo.

Sul fronte della fidelizzazione, permette di riconoscere e premiare i clienti migliori, riservando ai campioni e ai fedeli vantaggi, anteprime e attenzioni che ne consolidano il legame. Sul fronte del recupero, individua con anticipo i clienti a rischio e quelli da non perdere, attivando campagne di riconquista mirate quando c'è ancora margine per intervenire, e non quando il cliente è ormai andato. Sull'accoglienza, isola i nuovi clienti per costruire un percorso di benvenuto che trasformi il primo acquisto in un'abitudine.

C'è poi un beneficio economico diretto: la matrice RFM permette di allocare il budget di marketing dove rende di più. Le risorse di acquisizione e di promozione sono limitate, e spenderle in modo uniforme su tutta la base è inefficiente. Sapere chi vale e chi sta scivolando consente di concentrare la spesa sui segmenti ad alto ritorno e di non sprecarla su chi non risponderà. È anche il presupposto naturale per costruire offerte e prezzi differenziati, un tema che si lega a doppio filo alle strategie di prezzo nell'e-commerce: uno sconto di riattivazione ha senso su un cliente dormiente, molto meno su un campione che avrebbe comprato comunque a prezzo pieno.

Limiti e accortezze del modello

Un buon strumento si usa bene quando se ne conoscono anche i confini. La matrice RFM è potente proprio perché è semplice, ma quella stessa semplicità lascia fuori alcune cose importanti che conviene tenere a mente.

È un modello che guarda al passato. Fotografa il comportamento già avvenuto e da quello estrapola, ma non coglie i cambiamenti in arrivo né le intenzioni: un cliente può avere ottimi punteggi storici ed essere già deciso ad andarsene per ragioni che i numeri non vedono. Non considera il margine, ma solo il fatturato: un cliente che spende molto su prodotti a bassa marginalità può valere meno di uno che spende meno ma su articoli redditizi, e la M da sola non lo distingue. Non tiene conto dell'affinità di prodotto, quindi non dice cosa il cliente ama, solo quanto e quando compra. E tende a sottovalutare i nuovi clienti, che per definizione hanno frequenza e recenza ancora basse pur potendo diventare i campioni di domani: vanno guardati con un occhio diverso, non bocciati dal punteggio.

Va inoltre calibrato sul ciclo di acquisto del settore. La stessa recenza che per un negozio di prodotti di consumo segnala un cliente perso, per un brand di mobili o di beni durevoli è del tutto normale. Applicare soglie uguali a contesti diversi porta a conclusioni sbagliate. Per questo la matrice RFM è un ottimo punto di partenza, non un punto d'arrivo: il modo migliore di usarla è come prima lente di segmentazione, da affiancare poi ad analisi più fini, dal valore del cliente nel tempo all'affinità di prodotto, fino ai modelli predittivi quando la maturità dei dati lo consente.

Domande frequenti

Che cosa significa l'acronimo RFM?

RFM sta per Recency, Frequency, Monetary: recenza, frequenza e valore monetario. Sono le tre dimensioni del comportamento d'acquisto che il modello misura per ogni cliente, ovvero da quanto tempo ha comprato l'ultima volta, quante volte ha comprato e quanto ha speso in totale.

Quale delle tre variabili è più importante?

Nella maggior parte dei casi la recenza è considerata la più predittiva, perché un cliente che ha comprato da poco è ancora in relazione con il marchio ed è il più propenso a comprare di nuovo. La frequenza segnala la fedeltà, il valore monetario quantifica il contributo economico: prese insieme, le tre offrono un quadro molto più affidabile di ciascuna presa da sola.

Servono strumenti complessi per fare un'analisi RFM?

No. Bastano i dati dello storico ordini, che ogni e-commerce già possiede, e un criterio per assegnare i punteggi. Un'analisi RFM di base si può costruire anche con un foglio di calcolo; gli strumenti dedicati e le piattaforme di marketing automation servono semmai ad aggiornarla in automatico e a collegarla direttamente alle campagne.

Ogni quanto va aggiornata la matrice RFM?

Con regolarità, perché i punteggi cambiano nel tempo: un cliente campione che smette di comprare scivola verso i segmenti a rischio, e va intercettato quando il passaggio avviene. La frequenza di aggiornamento dipende dal ciclo di acquisto del settore, ma in molti e-commerce un ricalcolo mensile è un buon compromesso tra reattività e stabilità dei segmenti.

Conoscere i clienti, prima di tutto

La matrice RFM resta, a decenni dalla sua nascita, uno degli strumenti più efficaci per un motivo semplice: mette ordine in qualcosa che altrimenti si gestisce a intuito. Trasforma lo storico degli ordini, un dato che ogni negozio possiede e spesso non sfrutta, in una conoscenza azionabile su chi sono davvero i propri clienti e cosa conviene fare con ciascuno di loro.

È anche un buon esempio di come la complessità di una base clienti, se la si sa leggere con il metodo giusto, diventi un vantaggio invece che un peso. Conoscere i propri clienti non significa accumulare dati, significa dargli una forma che guidi le decisioni. La matrice RFM è spesso il primo passo di questo percorso, ed è un passo che ogni e-commerce, piccolo o grande, può muovere fin da subito.