A febbraio 45 nuovi clienti sono tornati ad acquistare. A gennaio erano 40. Il report dice che la fidelizzazione sta migliorando, e tutti sono soddisfatti. Ma se ti dicessimo che, in realtà, i clienti di febbraio stanno tornando meno di quelli di gennaio?
È uno degli equivoci più comuni nella lettura dei dati di un e-commerce. Quando le campagne portano più clienti, cresce quasi sempre anche il numero di quelli che tornano. Ma questo non dice nulla sulla capacità del negozio di farli tornare. Per saperlo, bisogna confrontare gruppi di clienti che hanno avuto lo stesso tempo a disposizione per riacquistare, e guardare le percentuali, non i totali.
Non è un dettaglio da analisti. Il riacquisto è spesso ciò che rende un e-commerce redditizio: il primo ordine, con il costo pubblicitario per acquisire il cliente, lascia poco margine o addirittura una perdita. Sono gli ordini successivi, che arrivano senza pagare di nuovo per l’acquisizione, a far quadrare i conti. Se la quota di clienti che tornano scende senza che nessuno se ne accorga, l’azienda può crescere nel fatturato e peggiorare nella redditività.
L’analisi che proponiamo risponde a una domanda precisa: tra le persone diventate clienti in un certo mese, quante hanno fatto almeno un altro acquisto entro 90 giorni dal primo? I novanta giorni sono una finestra dimostrativa: per prodotti consumabili potrebbe bastarne meno, per prodotti durevoli ne servirebbe di più. Va adattata al proprio catalogo.
Prima di contare il secondo acquisto, ricostruisci il primo
Per fare questa analisi servono lo storico degli ordini e un modo affidabile per riconoscere lo stesso cliente nel tempo. Sembra banale, ma non lo è.
Due ordini fatti con email diverse potrebbero appartenere alla stessa persona. Al contrario, raggruppare tutti gli acquisti di una stessa azienda cliente potrebbe mescolare persone e relazioni diverse. La regola di identificazione va decisa prima di iniziare a contare, e applicata sempre allo stesso modo.
Poi bisogna stabilire quali ordini considerare validi. Nel nostro esempio escludiamo gli ordini di prova, quelli annullati e quelli interamente rimborsati; gli ordini con rimborso parziale restano validi. Per ogni cliente ricaviamo la data del primo ordine valido e quella dell’eventuale ordine successivo.
Un’attenzione in più riguarda l’inizio dello storico. Se i dati partono da gennaio, non possiamo essere certi che chi compra a gennaio sia davvero un nuovo cliente: potrebbe aver già acquistato a dicembre. Serve uno storico sufficientemente lungo, oppure una data di prima acquisizione verificata.
Qualche esempio di come si applica la finestra dei 90 giorni:
- un cliente con primo ordine il 10 gennaio e secondo il 5 aprile è tornato entro 90 giorni;
- un cliente con primo ordine il 15 gennaio e secondo il 24 aprile ha superato la finestra;
- un cliente che fa tre acquisti successivi entro i 90 giorni conta una sola volta tra i clienti tornati.
Confronta gruppi che hanno completato l’osservazione
Ora raggruppiamo i clienti in base al mese del primo acquisto. In analisi questi gruppi si chiamano coorti: persone che condividono un criterio di ingresso e vengono osservate rispetto a un comportamento successivo. Qui lavoriamo sugli ordini e sui clienti registrati dal negozio, non sul report delle coorti di Google Analytics, che misura utenti e sessioni con logiche diverse. [1]
Vediamo i dati, interamente simulati, di due mesi in cui tutti i clienti hanno già completato i 90 giorni di osservazione:
| Primo acquisto | Nuovi clienti | Tornati entro 90 giorni | Quota di riacquisto |
|---|---|---|---|
| Gennaio | 200 | 40 | 20% |
| Febbraio | 300 | 45 | 15% |
A febbraio sono tornate cinque persone in più. Ma la quota è scesa dal 20% al 15%: cinque punti percentuali in meno. Detto in altro modo, su 100 nuovi clienti di gennaio ne sono tornati 20, su 100 di febbraio solo 15.
Una regola fondamentale: questi confronti vanno fatti solo tra gruppi che hanno avuto lo stesso tempo per riacquistare. I clienti acquisiti il mese scorso non hanno ancora avuto 90 giorni per tornare, e la loro quota sarà inevitabilmente più bassa. Un gruppo va considerato confrontabile solo quando tutti i suoi clienti hanno completato la finestra; prima, va indicato come incompleto.
Anche selezionare solo i clienti “già maturi” di un mese non ancora concluso cambierebbe la composizione del gruppo e falserebbe il confronto. Per confrontare due mesi, conviene aspettare che entrambi siano completi.
Quanto vale quella differenza?
Cinque punti percentuali possono sembrare pochi. Proviamo a tradurli in euro.
Se i clienti di febbraio fossero tornati con la stessa quota di quelli di gennaio, il 20%, sarebbero stati 60 invece di 45: 15 clienti in più. Se ogni riacquisto lascia, per ipotesi, 28 euro di margine, sono 420 euro in meno solo nel primo riacquisto, per un solo mese di acquisizioni. E i clienti che tornano una volta sono spesso quelli che tornano anche la seconda e la terza.
Ripetuto per dodici mesi, con volumi di acquisizione in crescita, lo stesso calo può valere diverse migliaia di euro di margine all’anno. Margine che nei report non compare come perdita, perché il numero assoluto di clienti che tornano continua a salire.
Dove cercare la causa: il canale di acquisizione
Il 20% contro il 15% segnala un cambiamento, ma non ne identifica la causa. Potrebbe dipendere dai prodotti acquistati, dalle promozioni, dall’esperienza di consegna, dalla stagionalità. Una delle prime verifiche da fare, però, è il canale da cui sono arrivati i clienti.
Scomponiamo gli stessi dati simulati per canale di acquisizione:
| Canale | Gennaio: nuovi / tornati | Quota | Febbraio: nuovi / tornati | Quota |
|---|---|---|---|---|
| Campagna social con sconto | 50 / 7 | 14% | 150 / 12 | 8% |
| Ricerca a pagamento | 100 / 21 | 21% | 100 / 21 | 21% |
| Organico e newsletter | 50 / 12 | 24% | 50 / 12 | 24% |
| Totale | 200 / 40 | 20% | 300 / 45 | 15% |
La lettura cambia completamente. A febbraio i canali storici si sono comportati esattamente come a gennaio. La differenza sta tutta nella campagna social con sconto, che ha triplicato i nuovi clienti portandone però molti meno propensi a tornare. E il calo complessivo della quota è in gran parte l’effetto di una diversa composizione dei clienti acquisiti.
Questo non dimostra da solo che quella campagna sia stata un errore: forse quei clienti avevano un primo ordine molto redditizio, forse torneranno più avanti, forse sono stati raggiunti con un prodotto che si ricompra raramente. Ma indica esattamente dove approfondire, invece di cercare genericamente di “migliorare la fidelizzazione”.
Altre scomposizioni utili, con la stessa logica:
- per prodotto del primo acquisto: chi compra consumabili torna più spesso di chi compra prodotti durevoli, e i due gruppi non vanno confrontati come se fossero uguali;
- per presenza di sconto nel primo ordine: i clienti acquisiti con forti promozioni spesso tornano meno, o tornano solo con altre promozioni;
- per esperienza di consegna: i clienti che hanno ricevuto l’ordine in ritardo tornano quanto gli altri?
- per area geografica o tipo di cliente, quando rilevante.
Chi non torna non è necessariamente perso
Un’ultima cautela. Chi non ha riacquistato entro 90 giorni non è automaticamente un cliente perso. In un e-commerce senza abbonamenti o rinnovi obbligatori, una pausa lunga non basta a stabilire se una persona abbia abbandonato definitivamente il negozio. [2] Potrebbe semplicemente non aver ancora avuto bisogno di riacquistare.
Per questo conviene osservare anche finestre più lunghe, 180 o 365 giorni, soprattutto per i prodotti che si acquistano raramente, e leggere la quota a 90 giorni come un indicatore precoce, non come un giudizio definitivo.
Come fare questa analisi sui tuoi dati
Non servono strumenti complessi per iniziare. I passaggi essenziali sono:
- esportare lo storico completo degli ordini dalla piattaforma e-commerce, con data, cliente, stato e importo;
- definire le regole di identificazione del cliente e di validità degli ordini;
- ricavare per ogni cliente la data del primo ordine valido e del secondo;
- raggruppare i clienti per mese del primo acquisto;
- calcolare la quota di chi è tornato entro la finestra scelta;
- escludere i mesi incompleti dal confronto;
- aggiungere le scomposizioni per canale, prodotto e presenza di sconti.
Un foglio di calcolo è sufficiente per le prime analisi. Per seguire l’andamento nel tempo, conviene costruire un cruscotto che si aggiorni automaticamente, collegato ai dati del negozio e a quelli delle campagne.
Dal dato alla decisione
Il vantaggio di questo calcolo è distinguere due cose che nei report vengono spesso confuse: la crescita della base clienti e la sua capacità di tornare. E permette di prendere decisioni più precise: su quali canali investire, quali promozioni usare per acquisire nuovi clienti, quale gruppo di clienti coinvolgere con un’iniziativa di riacquisto, e come verificare se quell’iniziativa funziona davvero.
Molti e-commerce valutano le proprie campagne solo sul primo acquisto: quanti clienti portano, a quale costo, con quale fatturato immediato. Ma due campagne con lo stesso costo per cliente possono portare clienti di valore completamente diverso. E solo guardando che cosa succede dopo il primo ordine si capisce quale delle due fa davvero crescere l’azienda.
Se il tuo e-commerce acquisisce sempre più clienti ma non sai quanti di loro tornano, se le campagne vengono valutate solo sul primo ordine o se vuoi capire quali canali portano i clienti più preziosi, possiamo aiutarti a costruire questa analisi sui tuoi dati: definire le regole, calcolare il riacquisto per coorte e per canale, collegarlo al margine e trasformarlo in un cruscotto da usare per decidere dove investire. Spesso è il modo più rapido per scoprire che una parte del budget pubblicitario sta comprando clienti che non torneranno.
In sintesi
Il numero di clienti che tornano cresce quasi sempre quando cresce l’acquisizione. La quota di clienti che tornano, invece, dice se il negozio sta diventando più capace di trattenerli. Confrontare coorti complete, scomporle per canale e prodotto e collegarle al margine permette di vedere ciò che i totali nascondono, e di intervenire prima che il problema diventi evidente nel conto economico.
HUD può affiancarti nell’organizzazione dei dati e nella lettura dei percorsi di riacquisto del tuo e-commerce.
Per approfondire
