Analisi esperta · rivista il 6 ott 2026
Segmentazione RFM: dare priorità ai clienti senza confondere un buon punteggio con un buon target.
Cosa occorre distinguere
Tre condizioni prima di ogni calcolo.
Un punteggio relativo, non un valore
RFM classifica i clienti gli uni rispetto agli altri, per quantili di una base e di un periodo. Un punteggio di 5 non si confronta da una base all’altra e non misura alcun margine.
Il passato, non la risposta all’azione
RFM descrive comportamenti passati. Non dice chi cambierà comportamento grazie a un incentivo: i clienti migliori acquistano spesso senza.
L’importo come margine
Un importo misurato in fatturato favorisce i clienti che acquistano in promozione o restituiscono molto. Il margine dopo sconti e resi dà la vera gerarchia.
Metodo
Costruire una segmentazione RFM utilizzabile in quattro passaggi
- 01Fissare la finestra e l’unità
Scegliere il periodo di osservazione, l’identificativo cliente e la data di riferimento; una finestra troppo breve schiaccia la frequenza, una troppo lunga mescola clienti persi e clienti attivi.
- 02Assegnare i punteggi per quantili
Dividere recency, frequenza e importo in quintili sulla stessa base, documentando il trattamento dei pari merito e dei clienti con un solo acquisto.
- 03Raggruppare in segmenti decisionali
Fondere le 125 combinazioni in pochi segmenti, ciascuno collegato a un’azione possibile; un segmento senza azione è una statistica, non una decisione.
- 04Testare l’azione contro un controllo
Riservare un gruppo di controllo casuale in ogni segmento target, poi misurare il margine incrementale al netto del costo dell’azione.
La matrice RFM, dal segmento all’azione verificabile
Quattro segmenti tipo, la loro lettura e l’azione da testare. Ogni azione resta un’ipotesi finché un gruppo di controllo non ne ha misurato l’effetto.
| Segmento | Recency (R) | Frequenza (F) | Importo (M) | Lettura | Azione da testare |
|---|---|---|---|---|---|
| Campioni | 5 | 4–5 | 4–5 | Acquistano già senza incentivo | Vantaggio non monetario, gruppo di controllo obbligatorio |
| Fedeli in calo | 2–3 | 4–5 | 3–5 | Valore passato elevato, attività in rallentamento | Riattivazione mirata, costo limitato |
| Nuovi clienti | 5 | 1 | 1–3 | Valore futuro ancora sconosciuto | Percorso verso il secondo acquisto |
| Clienti persi | 1 | 1–2 | 1–2 | Bassa probabilità di ritorno | Nessuna spesa, solo osservazione |
Le soglie sono i quintili della base studiata: un punteggio di 5 non si confronta da una base all’altra.
Il miglior punteggio RFM non è il miglior target
Esempio illustrativo: un buono da 10 € viene offerto a 2.000 campioni e a 1.200 clienti fedeli in calo, con un margine di 60 € per acquisto aggiuntivo e un gruppo di controllo in ogni segmento.
Campioni: costo = 2.000 × 40 % × 10 € = 8.000 €; margine incrementale = 2.000 × 3 % × 60 € = 3.600 €. Fedeli in calo: costo = 1.200 × 15 % × 10 € = 1.800 €; margine incrementale = 1.200 × 8 % × 60 € = 5.760 €.
Il segmento con il punteggio migliore perde 4.400 €: la maggior parte dei suoi clienti avrebbe acquistato senza il buono. Il segmento in calo guadagna 3.960 €, perché lì l’offerta cambia davvero il comportamento.
Condizioni di accettazione
Le condizioni per agire.
- 01
Calcolare l’importo sul margine dopo sconti e resi, mai sul solo fatturato.
- 02
Documentare la finestra, la data di riferimento e le soglie dei quantili di ogni punteggio.
- 03
Riservare un gruppo di controllo casuale in ogni segmento che riceve un incentivo.
- 04
Mantenere un segmento solo se il suo margine incrementale supera il costo dell’azione.
Limiti
Ciò che questa analisi non dimostra.
- RFM ignora il margine futuro, il ciclo di vita del prodotto e gli acquisti effettuati fuori dalla base osservata.
- I quantili dipendono dalla base: un cambiamento di perimetro sposta tutti i punteggi.
- I clienti con un solo acquisto si concentrano nei punteggi di frequenza bassi, qualunque sia il loro valore potenziale.
- Un segmento RFM non prevede la risposta a un’offerta; solo un esperimento la misura.
Riferimenti
Opere citate.
- Fader, Hardie & Lee (2005), RFM and CLV: Using Iso-Value Curves for Customer Base Analysis (si apre in una nuova scheda)
- Ascarza (2018), Retention Futility: Targeting High-Risk Customers Might Be Ineffective (si apre in una nuova scheda)
- Bult & Wansbeek (1995), Optimal Selection for Direct Mail (si apre in una nuova scheda)