Home / Blog / CRM e modelli RFM per nuove strategie Loyalty Omnicanale

CRM e modelli RFM per nuove strategie Loyalty Omnicanale

post

I programmi di loyalty diventano strategici per le aziende mature dal punto di vista digitale che sfruttano il CRM evoluto per estrarre importanti dati cliente che abilitano campagne di retention o re-engagement ad alto valore aggiunto. Vi spieghiamo come si fa.

Publicato il 11 febbraio 2022

crm Omnicanalità

I programmi di loyalty rientrano da sempre nelle campagne marketing delle aziende: sono generalmente pensati per stimolare gli acquisti ricorrenti con obiettivi a breve o al massimo medio termine e difficilmente vengono considerati “strategici” per la crescita aziendale.
Le cose stanno però cambiando.

Nel nuovo contesto digitale mantenere fedele la customer base è diventato fondamentale (la retention genera più fatturato e costa meno dell'acquisizione di nuovi clienti), questo spiega perché i programmi di loyalty non devono più essere considerati semplicemente delle campagne ma delle vere e proprie strategie finalizzate alla crescita aziendale.
Inoltre, la recente evoluzione delle tecnologie digitali mette a disposizione strumenti innovativi che permettono di creare e sfruttare nuove opportunità per instaurare una relazione valoriale e di fiducia con il proprio pubblico.

In particolare i nuovi CRM o Customer Data Platform giocano un ruolo chiave per la costruzione di un “motore” tecnologico su cui poggiare programmi di fidelizzazione efficaci e capaci di fare leva sulle abitudini di acquisto sempre più complesse dei consumatori.

Questi strumenti permettono infatti di profilare e segmentare il pubblico in modo chirurgico e e granulare, superando la tradizionale etichettatura online e offline, poiché sono in grado di raccogliere e integrare i dati relativi al comportamento del singolo contatto su qualunque touchpoint, fisico o digitale, senza soluzione di continuità. Vengono così acquisite informazioni quantitative e qualitative in ottica omnicanale, anche integrando dati provenienti da sistemi terzi e co-op database o trasformando il prodotto stesso in un touchpoint grazie alle tecnologie IoT.

Una volta affermato il presidio su tutti i touchpoint azienda-cliente, il passo successivo è la costruzione della single customer view relativa ad ogni singolo cliente così da poter:

identificare/segmentare i cluster di clienti;
disegnare le campagne in base ai cluster;
creare un’esperienza cliente frictionless;
definire la propria lookalike audience per dare vita a campagne di acquisizione mirate e quindi più efficaci.

L’applicazione di un modello di analisi predittiva permetterà poi di identificare differenti cluster che raggruppano i clienti con una buona precisione rispetto alle loro abitudini di acquisto.

In questo caso prenderemo in esame l’utilizzo del modello RFM, una tecnica di segmentazione molto utilizzata nel marketing che si basa sui seguenti principi:

i clienti che hanno acquistato recentemente sono più ricettivi alle promozioni successive rispetto ai clienti il cui ultimo acquisto è lontano nel tempo;
i clienti abituali sono più ricettivi rispetto a quelli saltuari;
coloro che spendono molto sono più ricettivi rispetto a chi spende poco.

Il modello RFM associa ad ogni singolo contatto del database un punteggio definito dalla combinazione di tre diverse variabili:

Recency: tempo trascorso dall’ultimo acquisto;
Frequency: numero di volte in cui l’utente ha effettuato un acquisto in un dato periodo di tempo (ad esempio 6 mesi);
Monetary: spesa totale del cliente nel periodo di riferimento.

La somma dei singoli punteggi determina il livello di fidelizzazione del cliente.

L’azienda potrà quindi definire una priorità di gestione dei clienti migliori (quelli con scoring RFM più alto) o valutare sotto quale soglia non è conveniente inserire il contatto nelle campagne di loyalty.

Tuttavia, se il modello RFM viene associato ad un CRM evoluto o ad un Customer Data Platform, sono possibili analisi più articolate che tengono conto anche di altri fattori che caratterizzano l’azienda come i mercati di riferimento, il modello di business, i canali di distribuzione, oppure il livello di interazione sul sito o e-commerce, il carrello abbandonato, un prodotto configurato o addirittura un prodotto provato e non acquistato nel punto vendita.

Ad esempio, per un’azienda che produce beni durevoli, anche molto costosi come un’auto, il modello RFM può funzionare al contrario, ovvero il cliente che ha effettuato un acquisto meno recente è migliore di quello che ha comprato da poco perchè necessita di assistenza tecnica più frequentemente o perchè probabilmente è più propenso a cambiare l’auto.

Oppure per le aziende che offrono prodotti o servizi stagionali diventa importante attivare campagne di re-engagement verso il pubblico che ha effettuato spese significative nella stagione precedente.

Quindi utilizzare il modello RFM in associazione ad un CRM evoluto è oggi per i brand un’imperdibile opportunità per dare vita a campagne di loyalty o re-engagement anche contemporanee altamente targetizzate sulla base delle abitudini di acquisto o delle interazioni omnicanale con il brand oppure per linee di prodotto, business unit o canale di vendita. Il tutto velocemente e a basso costo, senza la necessità di riprogrammare ogni volta modelli statistici di previsione.

Naturalmente esistono modelli predittivi anche molto più complessi e capaci di costruire strutture decisamente più sofisticate sulla base di centinaia o migliaia di variabili, ma i vantaggi di utilizzare il metodo RFM per questo tipo di analisi sono diversi, come si evidenzia dalla tabella che segue:

Modello RFM VS Predictive Models