Per anni abbiamo chiesto ai clienti chi fossero. Oggi la domanda giusta è un'altra: cosa comprano davvero. La ricerca di mercato si sta spostando dal dichiarato al rivelato, dalla demografia al comportamento d'acquisto — e il vantaggio pratico è enorme, perché quel dato non va raccolto con un questionario: è già seduto dentro i tuoi sistemi, negli scontrini, nella loyalty, nei record online. Aspetta solo di essere letto. Ecco un percorso in cinque passi per cominciare, con i punti dove i progetti italiani di questi mesi si stanno inceppando.
1. Preparare il dato (e non sottovalutarlo)
Il primo lavoro non è analitico, è infrastrutturale. Bisogna riunire in un'unica base scontrini, dati di loyalty, record online ed eventuali dati di post-vendita, e assicurarsi che lo stesso cliente venga riconosciuto in modo coerente su tutti i punti di contatto. Senza una base unificata e pulita, qualunque algoritmo successivo produce cluster che sembrano statisticamente validi e sono commercialmente fuorvianti. È la fase meno appariscente e quella che, di norma, si mangia metà del tempo dell'intero progetto. Saltarla è la causa numero uno dei fallimenti.
2. L'analisi RFM: Recency, Frequency, Monetary
Costruita la base, il primo esercizio è incrociare per ogni cliente tre variabili: da quanto tempo non compra (recency), quanto spesso compra (frequency), quanto spende quando compra (monetary). Il punto delicato è la finestra temporale, perché un RFM su sei mesi e uno su ventiquattro descrivono due reti diverse. Dodici mesi sono un buon compromesso nel retail classico, ma nei settori a ciclo lungo — mobili, elettronica, automotive — va allargata parecchio, altrimenti il cliente occasionale di pregio viene scambiato per ex-cliente e lo perdi nei numeri. La finestra è una decisione di business, non un dettaglio tecnico.
3. L'analisi di basket
Il secondo strumento è leggere quali prodotti ricorrono insieme nello stesso scontrino: fa emergere le combinazioni d'uso reali della clientela, al di là della logica di categoria merceologica. L'insidia è distinguere le associazioni vere dalle coincidenze d'assortimento: due prodotti ad altissima rotazione appariranno quasi sempre insieme, ma solo perché ciascuno è in moltissimi scontrini, non perché vengano comprati in coppia. Per questo si usano metriche che pesano l'associazione rispetto alla probabilità di base, e si scartano le coppie non robuste prima di interpretarle.
I dati ci sono già, sono dentro i sistemi aziendali. La materia prima è seduta lì: il lavoro non è raccoglierla, è leggerla senza prendere abbagli.
4. Il primo clustering
Con le variabili RFM e le associazioni di basket a disposizione, si applica un primo algoritmo di clustering che raggruppa i clienti per similarità di comportamento. Partire con quattro cluster è una scelta ragionevole per la maggior parte delle reti: abbastanza per cogliere differenze vere, non così tanti da diventare ingestibili.
5. Dalla statistica al significato
È il passo in cui la maggior parte dei progetti fallisce, perché è il meno misurabile e il più esigente. I cluster escono dall'algoritmo come insiemi numerici, descritti dai loro parametri medi. Trasformarli in profili operativi significa dargli un nome, una storia, un comportamento tipico che il direttore commerciale riconosce come plausibile — qualcosa come "uomo 40-55 anni con famiglia, fa sport, compra nel weekend, spesa media 150 euro". Significa confrontarli con le persone reali che ogni giorno passano davanti ai negozi, verificare che i cluster siano stabili nel tempo, distintivi e azionabili con leve che la rete possiede davvero.
Perché la regola d'oro è questa: i cluster devono suggerire azioni, non fotografare alla perfezione una categoria. Un segmento elegante ma su cui non puoi agire è un esercizio accademico; un segmento un po' grezzo ma che ti dice cosa fare lunedì mattina vale dieci volte tanto.
È quanto occupa un primo ciclo fatto seriamente, che produce la prima fotografia dei cluster comportamentali della rete. È la base. Farla diventare pratica continua, con refresh periodici, richiede infrastruttura e una governance che protegga il perimetro privacy del dato — ma anche il solo primo ciclo cambia in modo netto la percezione che il vertice ha della propria clientela. Spesso nei modi che meno si aspettava.
La segmentazione comportamentale è il primo strato della market intelligence: ti dice chi sono i tuoi clienti per come si comportano. Il passo successivo è capire cosa vivono quando entrano in negozio, e lì il dato di cassa non arriva — arriva l'osservazione sul campo. Le due cose insieme, comportamento d'acquisto e qualità dell'esperienza, sono ciò che il Metodo Mebius tiene in un unico ciclo. Per chi vende anche in modo indiretto, lo stesso approccio diventa market intelligence B2B sulla distribuzione.
