Che cos'è l'analisi della segmentazione dei clienti (customer segmentation)?
I dati raccolti da Google Analytics rappresentano una buona base di partenza, ma esistono tanti altri strumenti per poter ottenere più informazioni utili ai fini dell'analisi interna (customer base) e per gli utenti anonimi (guest).
Di seguito alcune tra le più importanti KPI che vengono considerate dagli algoritmi di classificazione e nelle Business Intelligence per comprendere la pertinenza dei segmenti, l'ampiezza e il valore di ogni segmento.
In questo modo è possibile creare insiemi che hanno peculiarità diverse a seconda delle metriche definite. Naturalmente esistono algoritmi e definizioni dei cluster già pronti, che vengono utilizzate anche in ambito BI, una su tutte l'algoritmo RFM.
Cos'è l'analisi RFM? – Leggi quest'articolo per saperne di più
Di seguito ho raggruppato le principali KPI di raggruppamento relativi ai comportamenti che vengono generalmente mappati per creare i cluster di clientela.
Metriche di acquisto maggiormente utilizzate
Comportamento di acquisto definisce nettamente tutto ciò che riguarda le preferenze dirette di un cliente, ovvero sono l'espressione certa di ciò che vuole un determinato cliente o un cluster di clientela.
- Valore del carrello medio
- La data del primo acquisto
- Frequenza di acquisto medio (Numero medio di ordini in un range temporale)
- LTV – Fatturato generato da un singolo cliente per il tempo che questo è un cliente per attivo
- Quali prodotti hanno acquistato
- Tempo trascorso dall'ultimo ordine
Metriche di navigazione maggiormente utilizzate
Tutto ciò che riguarda le preferenze prima dell'acquisto, ovvero indirette, sono mappate in queste KPI inducendo la creazione di cluster con comportamenti similari a quelli definiti nelle preferenze dirette.
- Tempo trascorso dall'ultimo contenuto visto
- Prodotti maggiormente visualizzati - tempo di permanenza medio più alto
- Numero di volte in cui visitano lo store in un range temporale
- Tempo medio di navigazione in una pagina prodotto o categoria
- Media del bounce rate
- Numero di pagine medio per sessione
Metriche demografiche più comuni
Le metriche e dimensioni demografiche sono utilizzati per comprendere la composizione dei segmenti, inerenti alle preferenze dirette ed indirette.
- I posti da cui si collegano (Città, Regioni, Nazioni, ecc.)
- Gli interessi diretti
- Le categorie di affinità d'interesse
- I range d'età
In che modo l'analisi RFM aiuta a segmentare e convertire meglio i clienti?
Creando una segmentazione basata su preferenze dirette sarà possibile individuare dei comportamenti certi dei nostri clienti, identificando:
- tutto ciò che piace e non piace alla nostra customer base
- quante volte in un anno acquistano lo stesso prodotto
- in che modo è composto il loro carrello
Queste informazioni permettono di fare un passo in avanti importante, ovvero anticipare le mosse dei nostri clienti oppure sollecitare quelle ancora non espresse ma che lo saranno di lì a poco.
Inoltre, utilizzando la machine learning è possibile fare previsioni riguardo alla probabilità del prossimo acquisto, quali sono i clienti che probabilmente piacciono prodotti che ancora devono acquistare o addirittura ricreare una nuova segmentazione utilizzando algoritmi più interessanti come quello del K-Means.
L'algoritmo permette di raggruppare in 11 cluster la customer base, evitando sovrapposizioni (mutuamente esclusivi) ed analizzando l'espressione delle preferenze in termini di Recency (giorni dall'ultimo acquisto), Frequency (quante volte hanno acquistato) and Monetary (valore dell'ordine).
Come viene utilizzata l'analisi RFM?
Quest algoritmo è utilizzato sia per acquisire nuovi clienti che mantenere quelli che già lo sono.
È possibile rispondere a domande di analisi interna ed esterna:
- Analisi Interna: risponde a tutte le domande che riguardano le attività di retention e di nurturing;
- Analisi Esterna: riguarda esclusivamente le strategie e tattiche di acquisizione di nuovi clienti.
ANALISI INTERNA
Quali sono i cluster di clientela che guidano il mio fatturato?
Sono rappresentati da quei gruppi che ripetutamente acquistano (frequenza), che compongono un carrello medio più alto (rispetto agli altri) e con quantità più alte.
In questi cluster vengono applicate strategie di retention per continuare a mantenere un contatto continuativo e attivo.
Cosa acquistano i clienti più affezionati?
La risposta è da ricercare nei gruppi di clientela che sostanzialmente hanno una frequenza di acquisto media in poi ed ordinare in modo decrescente per numero di acquisti, i prodotti che hanno preferito.
Quali sono i clienti che stanno per andare via? Quanto valgono in termini di fatturato?
Sono rappresentati dai gruppi che generalmente vengono definiti "Sleeping away" o "Can't Lose Them": non hanno più espresso preferenze dirette (acquisto) rispetto a quelli che invece sono da considerare attivi.
PRO TIPS: facendo un "drill-down" su una dimensione di navigazione (preferenze indirette) è possibile comprendere se un cliente non sta acquistando per un motivo specifico, che potrebbe essere: nuovo design e difficoltà nell'acquistare, nuovo merchandising non in linea con le sue preferenze, ecc.
ANALISI ESTERNA
Come è possibile acquisire clienti che con una probabilità maggiore possano essere interessati ai miei prodotti?
Ordinando la quantità acquistata per ogni singolo SKU in modo decrescente, e utilizzando una dimensione che funga da layer dati – analisi RFM – è possibile comprendere quale tipologia di cluster preferisce quali prodotti.
Utilizzando i cluster migliori si creano pubblici lookalike per poter acquisire nuovi clienti sfruttando l'intelligenza artificiale e gli algoritmi di Big G e Facebook. Questi algoritmi permettono di creare un pubblico similare a quello inviato tramite un file CSV, dove siano presenti informazioni come nome, cognome, LTV (Lifetime Value) ed email.
In questo modo stiamo indicando alla piattaforma di marketing di fornirci un pubblico quanto più pertinente a quello che abbiamo importato.
Come acquisire clienti che acquistano più di frequente?
Spesso è necessario acquisire clienti che abbiano una frequenza di acquisto maggiore rispetto alla norma, pur non guidando il fatturato, sono importanti per altri motivi di trazione del fatturato.
La segmentazione effettuata tramite RFM è possibile rappresentarla in modi diversi, permettendo un'analisi più dettagliata.
Contando il numero di clienti presenti in ogni singola tripla (rappresenta gli score relativi alla Recency, Frequency e Monetary), possiamo definire comportamenti di acquisto molto più dettagliati e raggruppare per quelli che sono maggiormente in linea con la nostra necessità.
PRO TIPS – Utilizzando le combinazioni semplici (calcolo combinatorio) possiamo "somministrare" efficientemente un contenuto o prodotti ad ogni gruppo di clienti che abbiano un comportamento similare per valutarne l'efficacia
