แบรนด์สกินแคร์ขนาดกลางแห่งหนึ่งมีสมาชิก 8,000 คน ทีมการตลาดส่งโปรโมชันเดียวกันให้ทุกคนทุกเดือน ยอดขายทรงตัว ไม่ขึ้น ไม่ลง แต่ค่าส่ง SMS กับ LINE Broadcast พุ่งขึ้นทุกปี
ปัญหาไม่ใช่ว่าแบรนด์ไม่มีข้อมูล — ข้อมูลมีครบ ทั้งวันที่ซื้อ จำนวนครั้ง ยอดใช้จ่าย ปัญหาคือไม่มีวิธีใช้ข้อมูลนั้นอย่างเป็นระบบ
RFM analysis คือคำตอบที่ตรงที่สุดสำหรับสถานการณ์นี้ บทความนี้อธิบาย RFM คืออะไร วิธีคำนวณ RFM Score แบบ step-by-step พร้อมตัวอย่างลูกค้า 5 คน และวิธีนำแต่ละ Segment ไปใช้กับ Campaign จริงสำหรับแบรนด์ไทย
สารบัญ
RFM Analysis คืออะไร
ทำไม RFM ถึงได้ผลดีกว่า Demographic Segmentation
วิธีทำ RFM Analysis แบบ Step-by-Step
5 RFM Segment หลัก และ Action ที่ควรทำ
RFM ในทางปฏิบัติ — ตัวอย่างแบรนด์ Retail ไทย
เครื่องมือที่ใช้ทำ RFM Analysis
ข้อจำกัดของ RFM ที่ต้องรู้
RFM เทียบกับ Segmentation แบบอื่น
FAQ
RFM Analysis คืออะไร
RFM analysis คือวิธีแบ่งกลุ่มลูกค้าโดยใช้ข้อมูลพฤติกรรมซื้อ 3 มิติ ซึ่งมาจากชื่อย่อ:
R — Recency: ลูกค้าซื้อล่าสุดเมื่อนานแค่ไหน ยิ่งซื้อล่าสุด ยิ่งมี Recency สูง
F — Frequency: ลูกค้าซื้อบ่อยแค่ไหนในช่วงเวลาที่กำหนด
M — Monetary: ลูกค้าใช้จ่ายรวมเท่าไหร่ในช่วงเวลาเดียวกัน
แนวคิดนี้มีรากมาจากงานวิจัยด้าน Direct Marketing ในช่วงทศวรรษ 1990 และกลายเป็นมาตรฐานของวงการ ก่อนที่ Digital CRM จะทำให้ใช้งานได้กับทุกธุรกิจที่มีฐานข้อมูล Transaction
สิ่งที่ทำให้ RFM ทรงพลังคือความเรียบง่าย: ข้อมูล 3 ตัวเลข จากฐานข้อมูล Transaction ที่แบรนด์ส่วนใหญ่มีอยู่แล้ว แต่ให้ภาพลูกค้าที่ชัดกว่าข้อมูล Demographic ทุกชุดที่เคยใช้มา
ทำไม RFM ถึงได้ผลดีกว่า Demographic Segmentation
ลองเปรียบเทียบสองแนวทางด้วยสถานการณ์เดียวกัน
แบรนด์หนึ่งแบ่งลูกค้าตาม Demographic — เพศ, อายุ, ที่อยู่ ได้ผลว่า "ผู้หญิง อายุ 25–35 ปี กทม." คือกลุ่มหลัก จึงส่ง Campaign เดียวกันให้คนในกลุ่มนี้ทั้งหมด ปัญหาคือในกลุ่มนั้นมีทั้งลูกค้าที่ซื้อทุกเดือนมา 2 ปี, ลูกค้าที่เคยซื้อครั้งเดียวเมื่อ 8 เดือนก่อน และลูกค้าที่ซื้อสัปดาห์ที่แล้วเป็นครั้งแรก — สามคนนี้ได้ข้อความเดียวกัน
RFM แก้ปัญหานี้โดยตรง เพราะ พฤติกรรมซื้อสะท้อนความสัมพันธ์กับแบรนด์ได้ตรงกว่าข้อมูลส่วนตัว ลูกค้าที่ซื้อทุกเดือนมา 2 ปีต้องการ Reward ที่รักษาเขาไว้ ไม่ใช่ Discount เดียวกับคนที่เพิ่งซื้อครั้งแรก
นอกจากนี้ RFM ใช้ได้กับข้อมูลที่แบรนด์มีอยู่แล้ว ไม่ต้องทำ Survey ไม่ต้องซื้อ 3rd party data แค่มีประวัติ Transaction ก็เริ่มได้เลย
หากต้องการเข้าใจ Segmentation แบบอื่นที่ใช้คู่กับ RFM ได้ อ่านได้ที่บทความ segmentation คืออะไร และวิธีแบ่งกลุ่มลูกค้า
วิธีทำ RFM Analysis แบบ Step-by-Step
ข้อมูลที่ต้องใช้
ก่อนเริ่ม ต้องมีข้อมูล Transaction ที่ครบ 3 อย่างนี้สำหรับลูกค้าแต่ละคน:
วันที่ซื้อล่าสุด — สำหรับคำนวณ Recency
จำนวนครั้งที่ซื้อในช่วงเวลาที่กำหนด เช่น 6 เดือน หรือ 12 เดือน — สำหรับ Frequency
ยอดใช้จ่ายรวมในช่วงเวลาเดียวกัน — สำหรับ Monetary
ระยะเวลาที่ใช้วิเคราะห์ขึ้นอยู่กับ Buying Cycle ของธุรกิจ แบรนด์ F&B อาจดูแค่ 3 เดือน เพราะลูกค้าซื้อบ่อย แบรนด์เฟอร์นิเจอร์อาจต้องดู 24 เดือน
ขั้นตอนที่ 1: สร้างตาราง RFM ดิบ
ดึงข้อมูล Transaction แล้วสรุปเป็น 1 แถวต่อลูกค้า 1 คน ตัวอย่างนี้ใช้ช่วง 6 เดือนที่ผ่านมา:
ชื่อ | ซื้อล่าสุด | จำนวนครั้ง | ยอดรวม (บาท) |
|---|---|---|---|
คุณแพรว | 7 วันที่แล้ว | 8 ครั้ง | 12,800 |
คุณโอ | 14 วันที่แล้ว | 4 ครั้ง | 4,200 |
คุณมินต์ | 2 เดือนที่แล้ว | 2 ครั้ง | 1,500 |
คุณบอย | 4 เดือนที่แล้ว | 1 ครั้ง | 800 |
คุณนุ่น | 5 เดือนที่แล้ว | 6 ครั้ง | 9,000 |
ขั้นตอนที่ 2: ให้คะแนน R, F, M แบบ Quintile (1–5)
วิธีมาตรฐานคือจัดลูกค้าเป็น 5 กลุ่มเท่าๆ กัน (Quintile) ในแต่ละมิติ กลุ่มที่ดีที่สุดได้คะแนน 5 กลุ่มที่แย่ที่สุดได้ 1 สำหรับ Recency: ซื้อล่าสุด = 5, ซื้อนานที่สุด = 1 สำหรับ Frequency และ Monetary: มากที่สุด = 5, น้อยที่สุด = 1
จากตัวอย่าง 5 คน ให้คะแนนได้ดังนี้:
ชื่อ | R | F | M | RFM Score | ตีความเบื้องต้น |
|---|---|---|---|---|---|
คุณแพรว | 5 | 5 | 5 | 555 | Champion |
คุณโอ | 4 | 3 | 3 | 433 | Potential Loyalist |
คุณมินต์ | 3 | 2 | 2 | 322 | Needs Attention |
คุณบอย | 2 | 1 | 1 | 211 | Hibernating |
คุณนุ่น | 1 | 4 | 4 | 144 | At Risk |
สังเกตว่าคุณนุ่นได้ F=4 และ M=4 แต่ R=1 — เคยเป็นลูกค้าที่ดีมาก แต่หายไปนาน นี่คือ "At Risk" ที่ต้องได้รับ win-back campaign โดยเฉพาะ ถ้าปล่อยผ่านไปอีก 1–2 เดือนจะกลายเป็น Lost ซึ่งกู้คืนได้ยากกว่ามาก
ขั้นตอนที่ 3: กำหนด Segment Rule
ไม่มีกฎตายตัวว่า Score เท่าไหร่คือ Segment ใด แต่กรอบที่ใช้งานได้จริงมี 5 Segment หลัก ซึ่งอธิบายในส่วนถัดไป
5 RFM Segment หลัก และ Action ที่ควรทำ
จาก RFM Score สามารถจัด Segment ได้หลายแบบ กรอบที่ใช้งานได้จริงสำหรับแบรนด์ B2C ไทยทั่วไปมี 5 กลุ่มหลัก:
Segment | RFM Score | ลักษณะ | Action ที่แนะนำ |
|---|---|---|---|
Champions | R≥4, F≥4, M≥4 | ซื้อล่าสุด บ่อย ใช้จ่ายเยอะ — นี่คือลูกค้าที่ดีที่สุดของแบรนด์ | Early access สินค้าใหม่, VIP reward พิเศษ, เชิญเป็น Brand Ambassador, โปรแกรม cross-selling และ upselling |
Loyal | R≥3, F≥3, M≥3 | ซื้อสม่ำเสมอ แต่ยังไม่ถึงระดับ Champion | Loyalty tier upgrade incentive, Referral program, Point multiplier ในสินค้า category ที่ยังไม่เคยซื้อ |
At Risk | R≤2, F≥3, M≥3 | เคยเป็นลูกค้าชั้นดี แต่ไม่ได้ซื้อมานาน — เสี่ยงจะหายถาวรถ้าไม่รีบ | Win-back campaign, ข้อเสนอส่วนตัว, Survey สั้นถามว่าเกิดอะไรขึ้น ต้องรีบจัดการก่อนลูกค้าเสี่ยง churn จะถาวร |
Hibernating | R≤2, F≤2, M≤2 | ซื้อน้อย ไม่ค่อย active และไม่ได้กลับมานาน | Last-chance offer ("คุณยังมีแต้มอยู่ — หมดอายุเดือนหน้า"), ถ้าไม่ตอบสนองให้ลดความถี่การส่ง Campaign เพื่อลดค่าใช้จ่าย |
Lost | R=1, F=1, M=1 | ซื้อครั้งเดียวหรือหายไปนานมากแล้ว — กู้คืนได้ยาก | ทดลอง reactivation campaign หนึ่งครั้งด้วย offer ที่แข็งแรงที่สุด ถ้าไม่ตอบสนองให้ Deprioritize — ไม่ต้องส่ง Campaign ทุกรอบ ประหยัดงบได้มาก |
สิ่งที่มักเห็นในการใช้งานจริง: แบรนด์ที่ไม่ได้ทำ RFM มักใช้งบ Campaign กับกลุ่ม Lost มากเกินไป เพราะส่งให้ทุกคนเท่ากัน พอแยก Segment แล้วค่อยเห็นว่าควรโยกงบนั้นไปโฟกัสกับ Champions และ At Risk แทน — ตรงที่คุ้มค่ากว่า
RFM ในทางปฏิบัติ — ตัวอย่างแบรนด์ Retail ไทย
สมมุติว่าแบรนด์สกินแคร์จากตอนต้นบทความตัดสินใจทำ RFM analysis กับฐานสมาชิก 8,000 คน ผลที่ออกมา:
Champions (8%) — 640 คน ซื้อล่าสุดภายใน 30 วัน เฉลี่ย 7 ครั้งในรอบ 6 เดือน
Loyal (22%) — 1,760 คน ซื้อสม่ำเสมอ 3–5 ครั้ง แต่ยอดต่อครั้งต่ำกว่า Champions
At Risk (15%) — 1,200 คน เคยซื้อบ่อย แต่ไม่ได้กลับมา 2–4 เดือน
Hibernating (25%) — 2,000 คน ซื้อน้อย ไม่ active
Lost (30%) — 2,400 คน ซื้อครั้งเดียวหรือหายไปนานมากแล้ว
แบรนด์วาง Campaign ตามนี้:
Champions → เชิญเข้า VIP Line Group รับ Early Access Serum ตัวใหม่ 3 วันก่อนวางขาย + Point 2x สำหรับทุกการซื้อในเดือนนั้น
At Risk → ข้อความส่วนตัว "เราคิดถึงคุณ" + คูปองลด 20% หมดอายุ 14 วัน พร้อมแสดงยอดแต้มที่มีอยู่เพื่อ remind ว่ามีอะไรรอแลก
Lost → Reactivation campaign 1 ครั้ง offer "กลับมาซื้อรับฟรีมินิไซส์" — ถ้าไม่ตอบสนองภายใน 30 วัน ให้ลดความถี่เหลือ 1 ครั้งต่อไตรมาส
ผลลัพธ์ที่มักเห็นหลังทำ RFM segmentation: งบ Campaign ลดลง 15–25% เพราะหยุดส่งให้กลุ่ม Lost ทุกรอบ ในขณะที่ retention rate กลุ่ม Champions และ At Risk ขยับขึ้น เพราะได้รับ offer ที่ตรงกับสถานะจริง
เครื่องมือที่ใช้ทำ RFM Analysis
มีตั้งแต่ทำเองใน Spreadsheet ไปถึง CRM ที่คำนวณอัตโนมัติ เลือกตามขนาดข้อมูลและ resource ที่มี:
วิธี | เหมาะกับ | ข้อดี | ข้อจำกัด |
|---|---|---|---|
Excel / Google Sheets | ฐานข้อมูล <5,000 คน หรือทดลองครั้งแรก | ไม่มีค่าใช้จ่าย, เข้าใจกระบวนการง่าย | ต้องทำซ้ำเองทุกรอบ, ไม่ Real-time, Error-prone เมื่อข้อมูลโต |
CRM Platform ที่มี RFM Built-in | ธุรกิจที่ต้องการ Segment อัตโนมัติและส่ง Campaign ต่อเนื่อง | คำนวณ Real-time, เชื่อมต่อกับ Campaign โดยตรง, ไม่ต้องทำมือ | ต้องมีระบบ CRM ที่รองรับ Feature นี้ |
Custom Analytics / Data Warehouse | องค์กรขนาดใหญ่ที่มีทีม Data | Flexible สุด, รวม Data Source หลายที่ได้ | ต้องใช้ทีม Engineer/Analyst, ต้นทุนสูง |
สิ่งที่มักเกิดขึ้นในทางปฏิบัติ: ทำ RFM ใน Spreadsheet ครั้งแรกมีประโยชน์มากในแง่ทำความเข้าใจ แต่เมื่อฐานสมาชิกโตเกิน 10,000 คน การ maintain ด้วยมือกลายเป็นภาระที่ทำให้ไม่ได้อัปเดต Segment เป็นเดือนๆ — ซึ่งทำให้ข้อมูลไม่น่าเชื่อถือ จุดนั้นควรย้ายไปใช้ระบบที่คำนวณให้อัตโนมัติ
แบรนด์ที่มองหา ระบบสมาชิก ที่รองรับ RFM Segmentation อัตโนมัติพร้อม Campaign automation มีตัวเลือกหลายแพลตฟอร์มในตลาดขณะนี้ ควรเลือกที่ตรงกับ Stack และขนาดของธุรกิจ
ข้อจำกัดของ RFM ที่ต้องรู้
RFM เป็นเครื่องมือที่ดี แต่มีจุดอ่อนที่ควรเข้าใจก่อนนำไปใช้:
ลูกค้าใหม่ไม่มีประวัติ: คนที่เพิ่งสมัครสมาชิกจะได้ Score ต่ำในทุกมิติเสมอ ไม่ใช่เพราะ Engagement ต่ำ แต่เพราะยังไม่มีข้อมูล ต้องแยก Segment "New Members" ออกมาต่างหาก
ไม่แยกตาม Product Category: ลูกค้าที่ซื้อสินค้าราคาถูกบ่อยกับลูกค้าที่ซื้อสินค้าพรีเมี่ยมน้อยครั้งอาจได้ RFM Score ใกล้เคียงกัน แต่ต้องการวิธีสื่อสารที่ต่างกัน
ต้องการข้อมูล Minimum: RFM ไม่มีความหมายถ้า Transaction data น้อยเกินไป แนะนำให้มีฐานที่มี Transaction อย่างน้อย 500–1,000 รายการขึ้นไปเพื่อให้ Quintile มีความหมาย
ดู Backward เท่านั้น: RFM บอกสิ่งที่เกิดขึ้นแล้ว ไม่ได้บอกว่าลูกค้าจะทำอะไรต่อไป — นี่คือจุดที่ predictive analytics เข้ามาเสริม โดยใช้ RFM เป็น Input ให้ Model ทำนาย
ต้อง Recalculate สม่ำเสมอ: RFM ที่คำนวณครั้งเดียวแล้วไม่อัปเดตทำให้ Segment ล้าสมัย ลูกค้าที่ "At Risk" วันนี้อาจกลายเป็น "Lost" ในอีก 2 เดือน ถ้าระบบยังแสดงว่าเขาอยู่ใน At Risk
RFM เทียบกับ Segmentation แบบอื่น
RFM ไม่ใช่วิธีเดียวในการแบ่งกลุ่มลูกค้า แต่ละวิธีมีจุดแข็งต่างกัน และใช้ร่วมกันได้:
วิธี | ใช้ข้อมูล | จุดแข็ง | เมื่อใช้ร่วมกับ RFM |
|---|---|---|---|
RFM | Transaction (ซื้อเมื่อไหร่, บ่อยแค่ไหน, เท่าไหร่) | ง่าย, ใช้ข้อมูลที่มีอยู่แล้ว, ตรงกับพฤติกรรมจริง | — |
Demographic | อายุ, เพศ, ที่อยู่, รายได้ | ดีสำหรับ Acquisition targeting (หาลูกค้าใหม่) | ใช้ Demographic เพื่อหาคนใหม่, RFM เพื่อ retain คนที่มีอยู่ |
Behavioral | Click, Browse, Cart abandonment | เห็น Intent ใน Session ปัจจุบัน | Behavioral เสริม RFM ในแง่ Channel และ Content preference |
Cohort Analysis | กลุ่มที่เริ่มใช้ในช่วงเวลาเดียวกัน | เห็นพฤติกรรมตาม Lifecycle เปรียบเทียบต่าง Gen ได้ | ใช้ cohort analysis เพื่อเข้าใจ Pattern ตามเวลา, RFM เพื่อ act on ลูกค้าแต่ละคน |
Predictive (AI) | Historical data + ML models | บอก "จะเกิดอะไร" ไม่ใช่แค่ "เกิดอะไรแล้ว" | RFM คือ Input ที่ดีสำหรับ Predictive model — ทั้งสองทำงานร่วมกันได้ |
สำหรับแบรนด์ที่เพิ่งเริ่มทำ Segmentation: ให้ RFM เป็นจุดเริ่มต้น มันให้ภาพที่ชัดที่สุดโดยใช้ resource น้อยที่สุด แล้วค่อย layer เครื่องมืออื่นเพิ่มเมื่อพร้อม
ต้องการเข้าใจ RFM ในฐานะส่วนหนึ่งของระบบ CRM ที่ครบวงจร อ่านได้ที่ โปรแกรม CRM คืออะไร และตัวอย่างการใช้งาน
FAQ — คำถามที่พบบ่อยเกี่ยวกับ RFM Analysis
RFM ต้องใช้ข้อมูลนานแค่ไหน?
ขึ้นอยู่กับ Buying Cycle ของธุรกิจ ร้านกาแฟหรือ F&B อาจดูแค่ 3–6 เดือนเพราะลูกค้าซื้อบ่อย แบรนด์เฟอร์นิเจอร์หรือสินค้าคงทนอาจต้องดู 12–24 เดือน หลักคือต้องครอบคลุม Buying Cycle ปกติอย่างน้อย 2–3 รอบจึงจะเห็นภาพชัด
RFM Score ต้องใช้ Scale 1–5 เสมอไหม?
ไม่จำเป็น บางแบรนด์ใช้ 1–3 หรือ 1–10 ขึ้นอยู่กับขนาดฐานข้อมูลและความละเอียดที่ต้องการ Scale 1–5 เป็นที่นิยมเพราะสมดุลระหว่างความละเอียดและความเรียบง่าย ถ้าฐานข้อมูลใหญ่มากอาจใช้ Decile (1–10) เพื่อความแม่นยำมากขึ้น
RFM กับ CLV ต่างกันอย่างไร?
RFM เป็น Snapshot ของพฤติกรรมในช่วงเวลาที่กำหนด ส่วน Customer Lifetime Value (CLV) คือการประมาณมูลค่ารวมที่ลูกค้าจะสร้างตลอดความสัมพันธ์ทั้งหมด RFM ใช้ตัดสินใจว่าใครควรได้ offer อะไร ส่วน CLV ใช้ตัดสินว่าควรลงทุนเท่าไหร่กับลูกค้าแต่ละราย
แบรนด์ที่ยังไม่มีระบบ CRM ทำ RFM ได้ไหม?
ได้ ถ้ามีข้อมูล Transaction ที่ Export ออกมาได้ เช่น จาก POS, Shopify, หรือ Order sheet ใน Excel ก็เริ่มทำ RFM ด้วย Spreadsheet ได้เลย แต่ถ้าต้องการอัปเดต Segment อัตโนมัติและส่ง Campaign ต่อเนื่องโดยไม่ทำมือทุกรอบ ระบบ CRM ที่รองรับ RFM จะจำเป็น
RFM เหมาะกับธุรกิจแบบไหนที่สุด?
เหมาะที่สุดกับธุรกิจที่มี Repeat Purchase เช่น Retail, F&B, E-commerce, Beauty, Health & Wellness ธุรกิจที่ลูกค้าซื้อครั้งเดียวหรือซื้อนานมากๆ เช่น Real Estate หรือ B2B Enterprise Sales อาจได้ประโยชน์น้อยกว่าเพราะ Frequency ต่ำโดยธรรมชาติ
RFM คือ Segmentation ที่ได้ผลที่สุดสำหรับแบรนด์ที่ต้องการใช้ข้อมูลซื้อจริงในการสร้าง Campaign — ไม่ใช่สมมุติฐานเรื่อง Demographic แค่มี R, F, M ของลูกค้าแต่ละคน ก็ personalize Campaign ได้ทันที
ถ้าต้องการระบบที่คำนวณ RFM อัตโนมัติ อัปเดต Segment Real-time และส่ง Campaign ได้โดยตรงโดยไม่ต้องทำมือทุกรอบ Rocket Loyalty CRM รองรับตั้งแต่ RFM Segmentation ไปถึง AI-driven offers ที่ทำงานให้อัตโนมัติ
