La transizione matematica del modello RFM
Dalla segmentazione euristica per quintili alla modellizzazione stocastica BTYD
Il Modello RFM (Recency, Frequency, Monetary) costituisce il nucleo storico del data-driven marketing analitico. Ideato negli anni ’70 per ottimizzare i costi della componentistica di direct mailing postale, la sua evoluzione rappresenta il passaggio perfetto da una misurazione empirica e approssimativa a una formulazione statistico-probabilistica ad alto rigore matematico.
La Formalizzazione vettoriale delle variabili
All’interno di un database di clienti C, ogni singolo utente i ∈ C viene mappato in una determinata finestra temporale tramite un vettore tridimensionale continuo o discreto nello spazio degli stati del consumatore:
x_i(t) = [R_i(t), F_i(t), M_i(t)]
Recency (R_i)
Definisce lo scarto temporale espresso in unità di tempo (giorni, mesi) calcolato tra l’ultimo evento d’acquisto osservato e il tempo corrente di computazione dell’analisi:
R_i = t_0 – t_i,last
Frequency (F_i)
Rappresenta la cardinalità dell’insieme delle transazioni d’acquisto distinte registrate all’interno dell’orizzonte temporale totale di osservazione:
F_i = ∑_{k=1}^{N_i} I(t_i,k ∈ Δt)
Dove I rappresenta la funzione indicatrice che assume valore 1 se l’evento ricade nell’intervallo e 0 altrimenti.
Monetary Value (M_i)
Esprime la magnitudo economica totale (o il valore medio ponderato per transazione) spesa dal cliente nel corso dell’intervallo osservato:
M_i = ∑_{k=1}^{N_i} v_i,k
Lo Scoring Quintilico e la Quantizzazione Spaziale
Per rendere operative queste metriche, la transizione classica introduceva una discretizzazione basata sui quintili della popolazione. La funzione di scoring mappa le variabili continue in un set ordinato discreto:
S_i = Score(R_i) × 100 + Score(F_i) × 10 + Score(M_i)
Generando una matrice discreta rigida combinatoria di 125 micro-segmenti (da 111 a 555), dove il valore massimo identifica i consumatori a più alta profittabilità.
Nota Critica sui Limiti del Modello Classico:
Lo scoring quintilico soffre di asimmetria informativa causata dalla forte correlazione lineare tra Frequency ed economicità (Monetary), oltre a non saper catturare analiticamente il tasso di logoramento o abbandono latente (Customer Churn).
L’evoluzione probabilistica: il modello stocastico Pareto/NBD
La moderna transizione econometrica introdotta da Fader e Hardie bypassa lo scoring rigido per mappare il comportamento attraverso modelli BTYD (“Buy ‘Till You Die”). Il comportamento del consumatore viene scomposto in due processi stocastici latenti:
- Processo di Acquisto: Fintanto che il cliente è attivo, le transazioni avvengono secondo un processo di Poisson con tasso di intensità λ. Il numero di acquisti segue una Distribuzione di Poisson:
P(X(t) = x | λ) = ((λt)^x × e^{-λt}) / x!
- Processo di Defezione (Dropout): Il tempo di vita attivo del cliente è governato da una distribuzione esponenziale non osservabile con tasso d’abbandono μ:
f(τ | μ) = μ × e^{-μτ}
Considerando che i parametri variano nella popolazione secondo distribuzioni Gamma e Pareto, l’algoritmo permette di stimare analiticamente la probabilità condizionata che un cliente sia ancora attivo al tempo attuale, nota la sua storia transazionale:
P(Alive | X = x, R_i, T_i) = f(r, α, s, β, x, R_i, T_i)
Sintesi delle Fasi di Evoluzione Matematica
| Fase Storica | Modellizzazione Matematica | Output Operativo |
| Origini (Hughes) | Vettori continui grezzi isolati [R, F, M] |
Nessuno (Dati non strutturati) |
| Classica (Anni ’80) | Quantizzazione spaziale per quintili Score = R×100 + F×10 + M |
Matrice rigida a 125 cluster (es. 555) |
| Moderna (BTYD) | Processi stocastici miscelati (Poisson-Gamma, Pareto) | Probabilità P(Alive) continua e CLV Predittivo |