Segmentazione e fidelizzazione della clientela nell'e-commerce: un framework di supporto decisionale basato su RFM e analisi di coorte

Abstract

La presente tesi sviluppa un framework interpretabile di customer analytics per la segmentazione della clientela e l’analisi della retention in un contesto e-commerce. L’obiettivo è trasformare dati transazionali grezzi a livello di riga in insight a livello di cliente, utili per supportare la prioritizzazione delle attività di marketing, la gestione della retention e il processo decisionale strategico. Lo studio utilizza un dataset transazionale anonimizzato e localizzato composto da 541.909 record. Dopo la fase di preprocessing, il dataset analitico finale contiene 392.692 record, 4.338 clienti e 18.532 fatture completate.

La metodologia combina analisi descrittiva delle vendite, analisi RFM (Recency, Frequency, Monetary) e analisi di coorte. L’analisi RFM è utilizzata per classificare i clienti in cinque segmenti operativi: Champions, Loyal Customers, Potential Loyalists, At Risk e Lost Customers. L’analisi di coorte aggiunge una prospettiva temporale, misurando la retention dei clienti dopo il mese del primo acquisto.

I risultati mostrano vendite lorde completate e pulite pari a 1.066.465.067.280 IRR e un valore medio dell’ordine pari a 57.547.219 IRR. L’analisi evidenzia una forte concentrazione geografica, con Teheran come principale area per numero di clienti, fatture e vendite. La segmentazione RFM mostra che i Lost Customers rappresentano il 40,18% della clientela, mentre i Champions rappresentano il 22,06%. Tuttavia, i Champions generano il 65,17% del fatturato totale dei clienti, confermando un’elevata concentrazione del valore in un segmento attivo più ristretto. L’analisi di coorte mostra tassi medi di retention pari al 20,62% nel mese 2, al 22,11% nel mese 3 e al 25,08% nel mese 6.

Nel complesso, la tesi dimostra che la combinazione di segmentazione RFM e analisi di coorte può fornire un framework pratico di supporto alle decisioni per la gestione della relazione con i clienti in ambito e-commerce.

This thesis develops an interpretable customer analytics framework for customer segmentation and retention analysis in an e-commerce context. The aim is to transform raw transaction-line data into customer-level insights that support marketing prioritization, retention management, and strategic decision-making. The study uses an anonymized and localized transactional dataset with 541,909 records. After preprocessing, the final analytical dataset contains 392,692 records, 4,338 customers, and 18,532 completed invoices.

The methodology combines descriptive sales analysis, Recency, Frequency, and Monetary (RFM) analysis, and cohort retention analysis. RFM is used to classify customers into five actionable segments: Champions, Loyal Customers, Potential Loyalists, At Risk, and Lost Customers. Cohort analysis adds a time-based perspective by measuring customer retention after the first purchase month.

The results show total cleaned gross completed sales of 1,066,465,067,280 IRR and an average order value of 57,547,219 IRR. The analysis highlights strong geographical concentration, with Tehran accounting for the largest share of customers, invoices, and sales. RFM segmentation shows that Lost Customers represent 40.18% of the customer base, while Champions represent 22.06%. However, Champions generate 65.17% of total customer revenue, confirming that customer value is highly concentrated in a smaller active segment. Cohort analysis shows average retention rates of 20.62% in Month 2, 22.11% in Month 3, and 25.08% in Month 6.

Overall, the thesis demonstrates that combining RFM segmentation with cohort analysis provides a practical decision-support framework for e-commerce customer relationship management. The findings support differentiated strategies for protecting high-value customers, developing recent buyers, reactivating at-risk customers, and managing inactive customers through cost-efficient communication.