🛒 Segmentatore di Clienti — Analisi RFM dal Vivo

RFM sta per Recency (quanto recentemente un cliente ha acquistato), Frequency (quanto spesso acquista) e Monetary value (quanto spende). I team di marketing la usano perché trasforma la cronologia grezza delle transazioni in un'impronta compatta a tre numeri per ogni cliente che correla fortemente con la probabilità di acquisto futuro e il valore nel tempo, senza bisogno di un modello di machine learning addestrato. È una delle tecniche di segmentazione dei clienti più antiche e diffuse nel marketing diretto e nell'e-commerce, apprezzata perché è semplice da calcolare, facile da spiegare agli stakeholder e direttamente azionabile — ogni segmento corrisponde a un'azione concreta di fidelizzazione o riconquista.

Per ogni cliente simulato il modello mantiene una vera cronologia di acquisto fatta di transazioni con marca temporale. Recency è il numero di giorni simulati dall'acquisto più recente di quel cliente. Frequency è il conteggio degli acquisti che ricadono all'interno della finestra temporale selezionata (da 30 a 365 giorni). Monetary è l'importo totale speso all'interno di quella stessa finestra. Questi tre numeri grezzi vengono ricalcolati a ogni tick direttamente dal flusso dal vivo degli eventi di acquisto — non sono prescriptati, cambiano realmente man mano che arrivano nuovi acquisti e man mano che i vecchi acquisti escono dalla finestra per anzianità.

A fixed-threshold system might say "more than 5 purchases equals a frequency score of 5" regardless of how the rest of the customer base behaves. Quantile scoring instead sorts the entire live customer population by each metric and cuts it into five equal-sized groups (quintiles) at whatever boundary values the current data actually produces. A customer with 3 purchases could score a 5 in a slow quarter and a 2 in a fast one. This simulation performs that sort and boundary computation from scratch on every update, so the cut points genuinely shift with the population's real distribution instead of being hard-coded constants.

Ogni cliente riceve un punteggio R, F e M da 1 (quintile peggiore) a 5 (quintile migliore), e una tabella di regole combina i tre in un'etichetta di segmento. I Champions hanno punteggi massimi su tutti e tre gli assi — acquirenti recenti, frequenti e ad alta spesa. I Clienti Fedeli ottengono un buon punteggio su frequenza e monetario con una recency decente. I clienti At Risk (a rischio) compravano frequentemente ma la loro recency è peggiorata notevolmente. I clienti Hibernating (in letargo) e Lost (persi) ottengono punteggi bassi su tutta la linea. I New Customers (nuovi clienti) hanno una recency eccellente ma ancora poca cronologia di acquisto. La tabella di regole esatta viene applicata di nuovo ai punteggi dal vivo di ogni cliente a ogni tick.

A ogni tick cambiano due cose: le cronologie individuali dei clienti acquisiscono nuovi eventi di acquisto (oppure il loro acquisto più recente diventa più vecchio), e i confini dei quantili a livello di popolazione si spostano perché vengono ricalcolati dai valori attuali di tutti. Un cliente può cambiare segmento sia perché il proprio comportamento è cambiato (ha appena comprato qualcosa, quindi la Recency è migliorata), sia perché il comportamento di tutti gli altri ha spostato i punti di taglio intorno a lui, anche se quel cliente non ha fatto nulla. Entrambi gli effetti sono conseguenze genuine del punteggio a quantili dal vivo e relativo alla popolazione.

L'RFM guarda solo alla cronologia transazionale, quindi non può vedere segnali di intenzione come il comportamento di navigazione, i ticket di supporto o le risposte ai sondaggi, e tratta un grande acquisto una tantum allo stesso modo di una spesa ricorrente costante se i totali coincidono. Presuppone inoltre che i pattern di acquisto passati predicano quelli futuri, il che non funziona per prodotti fortemente stagionali o ad acquisto singolo. Poiché i punteggi sono relativi alla popolazione, il segmento di un cliente può spostarsi puramente perché il resto della base clienti è cambiato, non perché quel cliente abbia fatto qualcosa di diverso — una particolarità che questa simulazione rende deliberatamente visibile.