modo differenziato i clienti ricadenti nelle differenti classi. Tecnica RFM Questo approccio considera, oltre al valore di fatturato (contemplato

Transcript

1 Metodi quantitativi per il targeting Per le piccole e medie imprese il Data Base di Marketing (DBM) è di importanza cruciale nella segmentazione della clientela e individuazione del target di interesse di una campagna o di un azione di vendita. Nel processo di segmentazione della clientela il DBM si connota come strumento di importanza strategica per due ragioni: a) per la quantità e qualità dei dati che rende disponibile; b) per la possibilità che esso dà di associare ciascun cliente ad uno specifico segmento, da contattare con i mezzi di comunicazione più adeguati di Amedeo De Luca Università Cattolica del «Sacro Cuore» di Milano Con riguardo ai metodi di segmentazione della clientela preliminare alla fase di selezione dei record di interesse di una campagna di marketing diretto (MD) si fa ricorso tradizionalmente all analisi ABC e alla segmentazione di tipo RFM. Modernamente, oltre a queste due metodiche, si utilizzano tecniche esplicative, quali il metodo delle «regressione lineare», della «discriminant analysis», della «segmentazione comportamentale», oltre che le procedure delle «reti neurali». Di seguito si riportano i lineamenti dei principali approcci invalsi nelle Pmi per la segmentazione della clientela e per il targeting. Analisi ABC Con questo approccio, di tipo empirico, vengono individuati i clienti archiviati nel DBM che concorrono maggiormente al fatturato dell impresa, onde indirizzare ad essi comunicazioni e proposte mirate. L approccio si basa sulla «legge di Pareto», applicata sotto forma di analisi ABC della clientela. Si redige una graduatoria dei clienti rispetto all ammontare del fatturato che essi conferiscono all impresa e si ripartisce tale graduatoria in tre classi: ) clienti di tipo «A»: costituiscono circa il 5% del portafoglio clienti e danno l 0% del fatturato totale; ) clienti di tipo «B»: rappresentano il 5% della clientela e conferiscono il 5% del volume totale di affari; ) clienti di tipo «C»: costituiscono il restante 0% della clientela e contribuiscono al fatturato nella misura del 5%. Sulla base della classificazione dei singoli clienti, riferita alla loro rilevanza economica, l impresa, nel suo processo di comunicazione tratterà e contatterà in modo differenziato i clienti ricadenti nelle differenti classi. Tecnica RFM Questo approccio considera, oltre al valore di fatturato (contemplato nella precedente procedura), ovvero, all ammontare degli acquisti effettuati dai singoli clienti (Monetary: M), altre due variabili: la recentezza dell acquisto, cioè, la data dell ultimo acquisto (Recency: R) che nell intervallo temporale considerato può cadere nell ultimo mese o negli ultimi,, mesi, ecc. e la frequenza di acquisto (Frequency: F). Il metodo di segmentazione RFM ipotizza che i clienti migliori (più profittevoli) sono quelli che: a) hanno effettuato un acquisto più di recente; b) hanno acquistato con maggiore frequenza in una dato intervallo temporale; c) hanno effettuato acquisti di elevato importo. La segmentazione RFM è utilizzata estesamente nel MD per qualificare, valutare la lista dei clienti dell impresa e segmentare il mercato delle vendite, ottimizzando i profitti. La tecnica RFM si traduce, quindi, nel calcolo di un valore di punteggio (score), sintesi dei seguenti tre elementi: l acquisto recente nell ambito dell intervallo temporale considerato; frequenza degli acquisti effettuati dal cliente nel periodo; valore monetario degli acquisti. L applicazione della formula RFM richiede un sistema di pesi di ponderazione delle precedenti tre variabili, differenziati a seconda della natura del bene/servizio considerato. Nella Tavola si riporta un sistema di pesi usato normalmente. Applicando il sistema di pesi prescelto si ottengono i punteggi corrispondenti ai diversi clienti. Nella Tavola si riporta un appli PMI n. 5/00 7

2 TAVOLA SISTEMA DI PONDERAZIONE DELLE VARIABILI RFM RECENCY, FREQUENCY, MONETARY Criteri di ponderazione: Recentezza dell acquisto: Frequenza di acquisto: Valore monetario degli acquisti: 0 punti per un acquisto effettuato entro gli ultimi mesi 0 punti per un acquisto effettuato entro gli ultimi mesi 5 punti per un acquisto effettuato entro gli ultimi mesi punti per un acquisto effettuato entro gli ultimi mesi punto per un acquisto effettuato entro gli ultimi mesi numero di acquisti effettuati entro gli ultimi mesi ponderati moltiplicando per il numero di tali acquisti, fino ad un valore massimo di 0 0% del valore totale degli acquisti effettuati negli ultimi mesi, fino ad un valore massimo di 0 Ponderazione delle variabili RFM: Recency: 5 Frequency: Monetary: cazione della tecnica RFM basata sui criteri di ponderazione descritti nella Tavola. Nell applicazione di cui alla Tavola il risultato finale della procedura è riportato nell ultima colonna (totale cumulato dei punteggi ponderati attribuiti a ciascun cliente in funzione degli acquisti effettuati). Il cliente n.. raggiunge un punteggio pari a. Il cliente n..7 totalizza un valore di punteggio pari a 0 e si rivela per l impresa il più interessante tra i tre clienti considerati (nella storia degli ultimi mesi). Il cliente n.. totalizza, invece, solo punti. All impresa conviene, pertanto, indirizzare iniziative di marketing ai clienti n.. e n..7. Ottenuti i punteggi in parola è possibile individuare i clienti più profittevoli, ovvero, il target dei soggetti ai quali indirizzare un iniziativa di marketing. Analisi RFMT Alla tecnica RFM si è aggiunta nel tempo la tecnica RFMT (Recency, Frequency, Monetary, Type) che, oltre alle variabili considerate dalla RFM, comprende la quarta variabile T (type: categoria o tipo di bene/servizio acquistato). Questa quarta variabile completa la formula RFM, in quanto dà utili indicazioni sui potenziali acquisti di altri prodotti che il cliente potrebbe effettuare, favorendo l attività di crossselling su prodotti tra loro complementari. TAVOLA APPLICAZIONE DELLA TECNICA RFM PER IL CALCOLO DEGLI SCORES (VALORI MONETARI DEGLI ACQUISTI) N. Acquisto cliente n. () Recency (in mesi) () assegnato () ponderato 5 () = () 5 Frequency () assegnato (7) ponderato () = (7) Monetary (.000) () assegnato (0) ponderato () = (0) Totale punteggi ponderati () = () + () + () Punteggi cumulati PMI n. 5/00

3 Il calcolo del punteggio RFMT, basato sulle passate transazioni, costituisce un buon indicatore degli acquisti futuri e fornisce una stima della probabilità che il cliente aderisca ad una nuova campagna. Dopo avere attribuito ai clienti un punteggio, questi vengono suddivisi in classi, in genere «decili», corrispondenti ai valori di probabilità di risposta. La classificazione ottenuta consente di costruire la gains chart («tabella dei miglioramenti») (Tavola ); essa assicura un migliore tasso di risposta di una campagna rispetto a quello ottenuto con scelta casuale dei nominativi (target). I clienti della prima classe della «tabella dei miglioramenti» sono quelli maggiormente reattivi, al contrario, i clienti ricadenti nella decima classe sono i meno dinamici come acquirenti. La regressione lineare Secondo alcuni autori, nel MD la regressione si rivela una tecnica statistica molto affidabile. Con il modello di regressione si tenta di «spiegare» una variabile di risposta (osservata su un campione di clienti) in funzione di variabili indipendenti o esplicative (di natura: sociodemografica, psicografica, comportamentale, ecc.), disponibili nel DBM. Lo sviluppo di un modello di regressione si articola nei seguenti passi: Step : identificazione della variabile dipendente, cioè, della variabile di cui si intende effettuare la previsione (normalmente si tratta della probabile adesione di un cliente ad una campagna di vendita) e delle variabili indipendenti (ad esempio, sesso, età, reddito del cliente); Step : stima del modello di regressione tramite software standard (ad esempio, SPSS, SAS, STATISTICA) o un software di base, quale Excel; Step : verifica della significatività statistica dei coefficienti di regressione (la bontà del modello è verificata con il coefficiente di determinazione R ; se tale coefficiente supera il valore 0, il modello stimato è in grado di predire la variabile dipendente con una certa precisione); Step : utilizzazione del modello stimato per prevedere la risposta di ciascun cliente. Il valore teorico della variabile di risposta corrispondente a ciascun cliente è interpretato come un punteggio (score), da memorizzare nel file clienti. I punteggi così calcolati sui singoli clienti consentono di raggruppare questi ultimi in classi; Step 5: pianificazione della strategia di targeting: si ripartisce il budget privilegiando i clienti che presentano punteggio più elevato (costruzione di una gains chart esemplificata in Tavola ). Il programma di calcolo dei coefficienti di regressione è riportato nell applicativo che accompagna questo articolo. Scoring system Lo scoring system come i precedenti approcci consente di identificare i segmenti di clientela maggiormente propensi ad accettare offerte di nuovi prodotti. Esso si basa su un sistema di «response scoring». Lo scoring system è un sistema TAVOLA SUDDIVISIONE IN DECILI DEI VALORI DI SCORE E CONNESSE AZIONI DI COMUNICAZIONE (GAINS CHART) Classe Decile (valori percentuali) di importanza dei clienti (score) Azione di comunicazione da attuare > contatti telefonici,... contatti telefonici,... contatto postale,... PMI n. 5/00

4 predittivo, articolato in diversi moduli (organizzativi, gestionali, di analisi e di calcolo) interconnessi, mirati a supportare le decisioni commerciali dell impresa. Il focus della procedura è costituito da un modello statistico che lega i caratteri anagrafici di un cliente, o i suoi passati comportamenti verso iniziative commerciali (o altre variabili esplicative), ad una variabileobiettivo, ad esempio, il numero di unità acquistate inerenti ad una proposta commerciale. Lo scoring system si compone di una serie di procedure volte ad assegnare a ciascun cliente memorizzato nel DBM un punteggio di importanza (score). Tale punteggio esprime la probabilità che un soggetto, appartenente ad un certo segmento, risponda affermativamente ad una campagna o azione promozionale. Lo scoring system utilizza tecniche di analisi statistica, più precisamente: ) tecniche di sintesi di dati, quali l analisi fattoriale (se le variabili coinvolte sono di natura quantitativa) e l analisi delle corrispondenze multiple (se le variabili interessate sono di natura qualitativa); ) tecniche di discriminant analysis, per individuare le variabili che influenzano il comportamento d acquisto del cliente; ) tecniche di raggruppamento (cluster analysis), per individuare segmenti omogenei di clientela. Uno scoring system si sviluppa nei seguenti moduli: ) definizione delle variabili esplicative (variabili anagrafiche e socioeconomiche) della variabile comportamentale (acquisto/non acquisto); ) estrazione dal file target di un campione di nominativi (sampling) rappresentativo della clientela archiviata nel DBM su cui stimare un prototipo di modello di scoring; ) specificazione e stima del modello (scoring) che mette in relazione la variabile dicotomica comportamentale (acquista/non acquista) con le variabili esplicative selezionate; ) valutazione dei risultati campionari e loro estensione al file target; 5) implementazione dello scoring system: in questa fase lo score viene implementato nel file clienti; ) individuazione del target omogeneo (targeting) a cui rivolgere l azione di marketing (promozione). L ottimizzazione dei risultati di una campagna Di seguito si illustra un sistema di scoring applicato alla clientela di un istituto finanziario, con riferimento alla promozione di un prodotto. È da osservare che le tecniche di scoring possono essere applicate sia ai clienti acquisiti (per incrementarne la fidelizzazione) sia ai clienti potenziali. I potenziali clienti vengono segmentati in funzione del loro probabile tasso di adesione e del livello di rischio di rifiuto economicamente sopportabile dall impresa. Di seguito si riportano gli step nei quali si articola lo scoring system; Step : individuazione dei predittori della variabile obiettivo; Step : costruzione del modello di scoring: le variabili esplicative e la variabile obiettivo vengono sottoposte, ad esempio, ad un analisi di regressione (si veda l applicativo che accompagna l articolo) o alla discriminant analysis; Step : determinazione dello scoring: utilizzando la funzione sopra descritta, a ciascun cliente viene attribuito un punteggio (score) normalizzato su centili. Si redige una graduatoria dei clienti sulla base di tale punteggio, indicante la propensione all acquisto. Lo score cresce all aumentare di detta propensione. Step : estensione dello scoring al file clienti. Dopo aver assegnato un punteggio ai clienti, questi vengono raggruppati in classi (Tavola ). Nell applicazione in parola sono state considerate nove classi di score. Per la prima classe la numerosità della popolazione è di.000 clienti, con un tasso di risposta presunto (,%) si stimano.05 risposte affermative, le quali danno un margine di euro; per la seconda classe di soggetti, il cui numero ammonta a.000 unità, si ha un tasso di risposta pari a 0,7% e un numero di adesioni pari a., che danno un margine di.00 euro. Per la terza classe di punteggio il margine risulta ancora di segno positivo; per le restanti classi il margine risulta negativo. A. De Luca (00). 0 PMI n. 5/00

5 TAVOLA TASSO DI ADESIONE E RICAVO PRESUNTO IN DIVERSE CLASSI DI SCORE IN UN AZIONE DI MARKETING Classi di score Dimensione dello strato (in migliaia) () Tasso di adesione stimato (%) () Numero di adesioni presunte () = () (00) () Margine stimato () = () 00 (() 0,75) Ricavo (5) = () 00 0<x<00 0<x<0 0<x<0 0<x<0 0<x<0 0 < x < 0 0 < x < 0 0 < x < 0 0 < x < ,0 0,70 0,7 0, 0,70 0,00 0,00 0,007 0, Totale.000 0, Dalla Tavola 5, riportante i valori cumulati corrispondenti a quelli della tavola, si rileva che per raggiungere il punto di pareggio l azione commerciale deve essere rivolta ai clienti (target) appartenenti alle prime quattro classi di score, vale a dire a soggetti, sui quali si avranno presumibilmente.00 adesioni. Con la metodologia trattata è possibile scegliere tramite un processo di simulazione la variabile da ottimizzare (margine netto, come nell applicazione di cui alla Tavola 5; ricavi; dimensione del target ecc.) e conoscere anticipatamente i risultati di score delle relative distribuzioni cumulate (si veda l applicativo riportato in: Pmi Guida Impresa Online nella sezione Tools Area tematica Marketing e vendite). Nell azione di mailing verranno prescelti solo i clienti con un punteggio superiore ad un dato valore di score. Il modello di scoring, utilizzato come modello di simulazione, consente di conoscere a priori i risultati di varie alternative di obiettivi economici e/o di mercato, congiuntamente considerati (ad esempio, raggiungimento del ricavo massimo per un valore di margine nullo, ecc.). Questa possibilità fa connotare lo scoring system come uno strumento decisionale di supporto al lancio di una campagna promozionale. TAVOLA 5 TASSO DI ADESIONE E RICAVO PREVISTO IN DIVERSE CLASSI DI SCORE IN UN AZIONE DI MARKETING: VALORI CUMULATI Classi di score Dimensione dello strato (in migliaia) () Tasso di adesione stimato (%) () Numero di adesioni presunte () Margine stimato (5) = () 00 (() 0,75) Ricavo () = () 00 0<x<00 0<x<0 0<x<0 0<x<0 0<x<0 0 < x < 0 0 < x < 0 0 < x < 0 0 < x < ,,,0 0,75 0, 0,0 0, 0, 0, PMI n. 5/00

6 La discriminant analysis e la segmentazione Dato un collettivo di n clienti, sui quali sono state rilevate variabili quantitative e/o qualitative, disaggregabile in k gruppi, la discriminant analysis consente di giungere alla migliore suddivisione del collettivo nei k gruppi. Nel caso dello scoring di acquisto il numero di gruppi è normalmente pari a due, ad esempio, acquirente/non acquirente. Con questa tecnica, allo scopo di massimizzare i risultati delle azioni commerciali, si individuano le variabili discriminanti che separano nel modo migliore il gruppo dei «rispondenti» da quello dei «nonrispondenti», in passate azioni di marketing. Il problema viene spesso approcciato anche con tecniche di segmentazione binaria, che danno successive dicotomie della clientela, ognuna delle quali è generata dalla variabile maggiormente discriminante ai vari livelli di segmentazione (tecnica Chaid, tecnica AID Automatica Interaction Detection e CHAID Chi Square Interaction Detection). L arresto del processo di segmentazione avviene sulla base del numero di segmenti desiderato o della loro dimensione minima richiesta, oppure tramite il ricorso a tests di significatività statistica. I limiti di questo approccio sono ravvisabili nella ridotta efficacia della metodologia quando essa è applicata su gruppi di clienti poco attivi commercialmente. Per questa ragione gli operativi di marketing si sono rivolti alla discriminant analysi, mutuata dai modelli di misurazione dei rischi legati alla concessione del credito (la dicotomia tra «rispondenti» e «non rispondenti» ad un azione di marketing equivale a quella tra «buoni e cattivi creditori» (goodbad credit risk). Conclusioni Da quanto qui esposto si rileva che i metodi di calcolo degli scores per il targeting sono numerosi e di complessità metodologica crescente. La scelta del metodo di scoring, in una specifica campagna promozionale da attivare, sarà dettata dalla natura dei dati disponibili nel DBM e dalle competenze statistiche dell analista di mercato. L APPLICATIVO Metodi quantitativi per il targeting è scaricabile dal portale: Pmi Guida Impresa online nella sezione Tools Area tematica Marketing e vendite Istruzioni dell applicativo Si digitano in una colonna di Excel i valori delle unità acquistate da ciascun cliente si digitano nella colonna successiva le corrispondenti età (in anni) dei clienti si digitano nella colonna seguente il valore dello sconto (in %) fruito da ciascun cliente si eseguono, in sequenza, le istruzioni seguenti: strumenti analisi dati regressione. A questo punto appare l output (su un foglio Excel) PMI n. 5/00