RFM 分析介紹：RFM 是什麼？該如何進行 RFM 分析

RFM 是一種常見的顧客分析方法，可以幫助我們用交易紀錄判斷顧客價值，進一步做會員分群、CRM 經營、再行銷與流失喚回。

如果你有經營電商、會員系統、訂閱制服務、餐飲品牌、課程平台，或任何會重複購買的生意，那麼 RFM 幾乎是最值得先學的顧客分析方法之一。

RFM 的概念不難，它不是什麼神秘的 AI 模型，而是用三個很直覺的問題來理解顧客：他最近有沒有買？他常不常買？他花了多少錢？

這三個問題分別對應到 Recency、Frequency、Monetary，也就是 RFM 的三個核心指標。

本文與你分享：RFM 是什麼、RFM 怎麼計算、RFM 顧客分群怎麼做、不同客群該如何經營，以及新手在使用 RFM 時最容易犯的錯誤。

---

RFM 是什麼？

RFM 是一種根據顧客交易紀錄進行分群的方法，常用於 CRM、會員經營、電商行銷與顧客價值分析。

RFM 分別代表三個指標：

• R：Recency，最近一次消費：顧客距離上次購買過了多久。
• F：Frequency，消費頻率：顧客在一段時間內買了幾次。
• M：Monetary，消費金額：顧客在一段時間內總共花了多少錢。

簡單理解，RFM 就是在回答三個問題：

• 誰最近才跟我們買過東西？
• 誰經常回來購買？
• 誰對營收貢獻最高？

如果一位顧客最近才買、經常買、也花很多錢，那他通常就是我們最值得經營的高價值顧客。

相反地，如果一位顧客很久沒買、只買過一次、金額也很低，那他就不一定適合投入大量行銷預算。

延伸參考：Bloomreach：RFM Segmentation

---

RFM 三個指標怎麼看？

1. Recency：最近一次消費

Recency 指的是顧客距離上次消費過了多久，通常會用「天數」來計算。

例如今天是 5 月 23 日，顧客最後一次購買是在 5 月 20 日，那他的 Recency 就是 3 天。

Recency 的重點是判斷顧客現在還熱不熱。通常最近才買過的人，會比一年前買過的人更容易再次互動。

這邊要特別注意，Recency 的數字越小通常越好，因為代表距離上次購買越近。

2. Frequency：消費頻率

Frequency 指的是顧客在指定期間內買了幾次。

例如我們設定觀察期間為最近 12 個月，某位顧客在這 12 個月內下單 8 次，那他的 Frequency 就是 8。

Frequency 可以幫助我們判斷顧客是否有回購習慣。買過很多次的人，通常比只買過一次的人更接近忠誠顧客。

3. Monetary：消費金額

Monetary 指的是顧客在指定期間內總共花了多少錢。

例如某位顧客最近 12 個月總共消費 30,000 元，那他的 Monetary 就是 30,000 元。

Monetary 可以幫助我們判斷顧客對營收的貢獻度。不過這邊也要提醒，如果你能取得毛利資料，最好不要只看營收，而是要進一步看毛利或貢獻毛利。

因為有些顧客雖然買很多，但可能都在大促銷時購買、退貨率高、客服成本高，實際上未必是真正的高價值顧客。

---

RFM 需要哪些資料？

RFM 最棒的地方，是它不需要很複雜的資料。

只要你有基本訂單紀錄，通常就能開始做初版 RFM 分析。

常見需要的欄位如下：

欄位	用途
customer_id	用來辨識是哪一位顧客
order_id	用來計算顧客買了幾次
order_date	用來計算最近一次購買時間
order_amount	用來計算累積消費金額

如果你有更完整的資料，也可以加入更多欄位，例如：

• 商品類別
• 購買通路
• 折扣金額
• 退款金額
• 毛利
• 會員等級
• 廣告來源

不過新手一開始不用想得太複雜，先用訂單資料做出第一版 RFM，就已經能看到很多有價值的洞察。

---

RFM 怎麼計算？

假設我們今天要分析最近 12 個月的顧客消費資料，可以依照以下流程進行。

步驟一：設定分析期間

首先要先決定你要看多久的資料。

常見選擇包含：

• 最近 3 個月
• 最近 6 個月
• 最近 12 個月
• 最近 24 個月

不同產業適合的期間不同。

如果你是咖啡、餐飲、保健品、日用品，購買週期較短，可以看 3 到 12 個月。

如果你是家具、家電、汽車、B2B 軟體，購買週期比較長，就可能需要看 12 到 24 個月，甚至更久。

步驟二：計算每位顧客的 R、F、M

接著根據每位顧客的交易紀錄，計算三個數字。

範例如下：

顧客	最近一次購買	購買次數	累積金額
A 顧客	5 天前	8 次	18,000 元
B 顧客	7 天前	1 次	1,200 元
C 顧客	180 天前	12 次	20,000 元
D 顧客	240 天前	1 次	500 元

單看這張表，我們大概就能感覺到：

• A 顧客很近期、常買、金額也高，很可能是重要顧客。
• B 顧客很近期，但只買一次，可能是新客。
• C 顧客以前很常買、金額也高，但已經 180 天沒買，可能需要喚回。
• D 顧客很久沒買、次數低、金額也低，優先級可能較低。

步驟三：把 R、F、M 轉成分數

為了讓顧客更好比較，我們通常會把 R、F、M 各自轉成 1 到 5 分。

5 分代表表現最好，1 分代表表現最弱。

不過 Recency 要特別注意，因為 Recency 是「距離上次購買的天數」，所以天數越少分數越高。

指標	分數方向	意思
R	越近期分數越高	越最近買越好
F	購買次數越多分數越高	越常買越好
M	消費金額越高分數越高	花越多越好

轉換後可能會變成這樣：

顧客	R 分數	F 分數	M 分數	RFM 分數	初步判斷
A 顧客	5	5	5	555	高價值顧客
B 顧客	5	1	2	512	新顧客
C 顧客	1	5	5	155	沉睡高價值客
D 顧客	1	1	1	111	低活躍低價值客

延伸參考：RFM：Recency, Frequency and Monetary Value Analysis

---

RFM 分數一定要用 1 到 5 分嗎？

不一定。

很多文章會用 1 到 5 分，因為這樣好理解，也容易把顧客分成 125 種組合，也就是 5 × 5 × 5。

但實務上不一定要這麼細。

如果你的顧客量不大，或者你是第一次做 RFM，我反而建議先用簡單一點的方式，例如高、中、低三段即可。

例如：

• R：近期、中期、久未購買
• F：高頻、中頻、低頻
• M：高金額、中金額、低金額

新手做 RFM 的重點，不是把模型做得很複雜，而是能不能真的拿來做行銷決策。

如果分太細，但後續根本沒有對應策略，那就只是做出一張看起來很厲害、但實際上沒人使用的分析表。

---

RFM 可以分出哪些顧客？

RFM 最有價值的地方，就是能把顧客分成不同類型，讓我們用不同方式經營。

以下是常見的 RFM 顧客分群方式。

1. 高價值顧客

這類顧客最近買過、經常購買、消費金額也高。

他們通常是品牌最重要的一群人，不一定需要一直給折扣，反而更適合用會員尊榮感、提前購、限定活動、專屬服務來維持關係。

常見策略：

• VIP 會員制度
• 新品提前購
• 生日禮與專屬活動
• 高單價商品推薦
• 邀請填寫深度回饋

2. 新顧客

這類顧客最近才購買，但購買次數還不多，消費金額也未必高。

新顧客最重要的不是立刻榨出更多訂單，而是讓他完成第二次購買。

很多品牌真正的成長關鍵，不是一直買新流量，而是提高新客變成回購客的比例。

常見策略：

• 歡迎信或歡迎簡訊
• 第一次購買後的產品教學
• 第二次購買優惠
• 使用心得收集
• 推薦相關商品

3. 忠誠顧客

這類顧客購買頻率高，但消費金額不一定最高。

他們可能每次買得不多，但很穩定回來消費，對品牌已經有一定信任。

常見策略：

• 點數制度
• 回購提醒
• 訂閱制方案
• 組合包推薦
• 會員升級任務

4. 沉睡高價值客

這類顧客以前買很多、也可能買很頻繁，但已經一段時間沒有回來。

這是一群很值得注意的顧客，因為他們曾經證明自己願意花錢，但現在可能因為需求改變、競品吸引、體驗不佳或單純忘記品牌而離開。

常見策略：

• 喚回活動
• 專屬優惠
• 回訪問卷
• 新品通知
• 客服或顧問主動關心

5. 低活躍低價值客

這類顧客很久沒買、購買次數少、金額也低。

這不代表他們完全沒有價值，但如果行銷預算有限，通常不應該把最多資源放在這群人身上。

常見策略：

• 低成本再行銷
• 自動化 Email
• 大促活動通知
• 重新理解是否仍為目標客群

---

RFM 的實際使用情境

1. 電商會員經營

電商非常適合使用 RFM。

因為電商通常有完整的訂單紀錄，可以很快計算每位會員的最近購買時間、購買次數與累積金額。

例如你可以把顧客分成 VIP、新客、沉睡客、忠誠客，再針對不同客群發送不同的 Email、LINE 訊息、簡訊或廣告受眾。

2. 餐飲與零售

餐飲與零售也很適合 RFM，尤其是有會員系統、集點卡或 POS 交易紀錄的品牌。

例如咖啡店可以找出最近 30 天沒回來的高頻顧客，推送新品或回店優惠。

但餐飲業要注意，購買週期通常比較短，所以 Recency 的時間門檻不能設太長。

3. 課程與知識產品

線上課程、實體課程、顧問服務也能使用 RFM。

例如你可以找出曾經購買高單價課程，但近期沒有再購買的人，推薦進階課程、顧問服務或新產品。

不過課程產品通常購買頻率比電商低，因此 Frequency 不能直接拿來跟日用品品牌比較。

4. 訂閱制服務

訂閱制服務也可以參考 RFM，但不能只靠 RFM。

因為訂閱制更重要的指標通常還包含留存率、取消訂閱率、活躍使用率、登入頻率、功能採用率與 MRR。

RFM 可以當成輔助，但不應該取代訂閱制本來就該看的營運指標。

5. 非營利組織與捐款經營

RFM 也常用在捐款者經營。

例如最近有捐款、捐款頻率高、累積捐款金額高的人，就是很值得維繫的重要支持者。

非營利組織可以根據 RFM 分群，設計不同的感謝訊息、活動邀請與定期捐款方案。

---

RFM 新手實作流程

如果你是第一次做 RFM，我建議不要一開始就追求完整自動化。

你可以先用 Excel、Google Sheets、Looker Studio、Power BI，或任何你熟悉的工具，做出第一版分析。

步驟一：匯出訂單資料

先從你的電商後台、POS 系統、CRM 系統或金流系統匯出訂單資料。

至少要包含：

• 顧客 ID
• 訂單日期
• 訂單編號
• 訂單金額

步驟二：清理資料

RFM 很怕髒資料，所以在計算前一定要先清理。

建議排除：

• 測試訂單
• 取消訂單
• 全額退款訂單
• 內部人員訂單
• 重複會員資料

如果你的訂單資料沒有清乾淨，後面算出來的分群就會失真。

步驟三：依顧客彙總

接著把訂單資料依照顧客 ID 彙總。

每位顧客要算出：

• 最後一次購買日期
• 購買次數
• 累積消費金額

步驟四：計算 RFM 分數

再把 R、F、M 各自轉換成分數。

最常見做法是把顧客分成 5 等份，例如前 20% 給 5 分、接下來 20% 給 4 分，以此類推。

不過如果你的顧客數不多，也可以先用手動門檻。

例如：

• 30 天內購買：R = 5
• 31 到 90 天內購買：R = 4
• 91 到 180 天內購買：R = 3
• 181 到 365 天內購買：R = 2
• 超過 365 天未購買：R = 1

實際門檻要依產業調整，不要直接照抄別人的標準。

步驟五：建立客群

有了 RFM 分數後，就可以開始建立客群。

一開始不用做太多，建議先建立 5 到 8 個最常用的客群即可。

例如：

• VIP 高價值客
• 新客
• 忠誠客
• 潛力客
• 沉睡高價值客
• 流失客
• 低價值低活躍客

步驟六：設計對應策略

RFM 不是做完分群就結束。

真正重要的是：你要對不同客群做不同事情。

例如 VIP 客不一定要給折扣，新客應該推第二次購買，沉睡高價值客要喚回，低價值客則可以用低成本自動化方式維持接觸。

步驟七：追蹤成效

最後一定要追蹤結果。

建議觀察：

• 回購率
• 開信率
• 點擊率
• 轉換率
• 平均訂單金額
• 毛利
• 退貨率

RFM 的價值不是分數本身，而是它能不能幫你做出更好的行銷決策。

---

RFM 分群後，可以怎麼做行銷？

以下是一個比較簡單的對照表。

客群	特徵	建議策略
VIP 高價值客	最近買、常買、花很多	會員尊榮感、提前購、專屬活動
新客	最近買，但次數少	歡迎流程、第二次購買誘因、產品教學
忠誠客	購買頻率高	點數、訂閱、組合包、會員升級
潛力客	近期有購買，但金額或次數還不高	推薦相關商品、提高客單價
沉睡高價值客	以前買很多，但很久沒買	喚回活動、專屬優惠、流失原因調查
流失客	長時間未購買	低成本再行銷、最後召回、清理名單

這邊最常見的錯誤，是對所有人發同一則訊息。

如果高價值客、新客、沉睡客、低活躍客收到完全一樣的優惠，那 RFM 分群就沒有發揮真正的價值。

---

RFM 跟 CRM、CDP、CLV 有什麼不同？

RFM 跟 CRM 的差異

CRM 是 Customer Relationship Management，也就是顧客關係管理。

CRM 是一整套經營顧客的方法與系統，RFM 則是 CRM 裡常用的一種分析方法。

你可以把 CRM 想成整個會員經營系統，而 RFM 是裡面用來判斷顧客價值的工具之一。

RFM 跟 CDP 的差異

CDP 是 Customer Data Platform，也就是顧客資料平台。

CDP 會整合不同來源的顧客資料，例如網站行為、App 行為、Email 互動、廣告資料、客服紀錄與交易資料。

RFM 則比較聚焦在交易資料。

如果你有 CDP，可以把 RFM 當成 CDP 裡的一種分群邏輯；如果你沒有 CDP，也可以先用 Excel 或 CRM 後台做簡單版 RFM。

RFM 跟 CLV 的差異

CLV 是 Customer Lifetime Value，也就是顧客終身價值。

RFM 主要看過去交易行為，CLV 則更重視顧客未來可能帶來多少價值。

RFM 比較簡單、容易上手；CLV 通常需要更多資料與模型，例如留存率、毛利、未來購買機率、折現率與取得成本。

因此新手可以先學 RFM，再進一步研究 CLV。

---

RFM 的優點

1. 容易理解

RFM 的邏輯非常直覺。

就算沒有資料科學背景，也能理解為什麼最近買、常買、花很多的人值得關注。

2. 資料需求低

RFM 不需要一開始就導入大型系統。

只要有訂單資料，就可以先做出基本分析。

3. 很適合做行銷分眾

RFM 可以快速把顧客切成不同群體，幫助我們設計不同訊息、優惠與自動化流程。

4. 能幫助分配資源

行銷預算通常有限，不可能每個顧客都花一樣多成本經營。

RFM 可以幫助你判斷哪些顧客值得優先經營，哪些顧客適合低成本自動化維護。

---

RFM 的限制

RFM 雖然實用，但它不是萬能模型。

使用 RFM 時，要清楚知道它的限制。

1. RFM 只看過去，不保證未來

RFM 是根據過去交易紀錄計算出來的。

顧客過去買很多，不代表未來一定會繼續買。

顧客過去買很少，也不代表永遠沒有潛力。

2. RFM 不知道顧客為什麼購買

RFM 可以告訴你誰買、多久沒買、買多少，但不能直接告訴你原因。

例如顧客很久沒買，可能是因為：

• 產品用完週期還沒到
• 被競品吸引
• 上次體驗不好
• 價格太高
• 單純忘記品牌

所以 RFM 最好搭配問卷、客服紀錄、商品資料、網站行為一起看。

3. RFM 不一定代表利潤

Monetary 看的是消費金額，但高消費金額不一定等於高利潤。

如果顧客都是在折扣期間購買，或經常退貨，那他對品牌的實際貢獻可能沒有想像中高。

4. 不同產業不能用同一套標準

咖啡店 30 天沒買，可能已經是警訊。

但家具品牌 180 天沒買，可能完全正常。

所以 RFM 的門檻一定要根據你的產業、產品週期與顧客行為調整。

---

RFM 新手常見錯誤

錯誤一：把 RFM 分數當成絕對真理

RFM 是輔助判斷，不是顧客真相。

它可以幫你更快看懂顧客結構，但不能取代商業判斷。

錯誤二：分群做太細，卻沒有策略

很多人第一次做 RFM，會很想把 125 種組合全部列出來。

但如果你沒有辦法針對每一群設計不同策略，那分太細反而沒意義。

新手更適合先分成 5 到 8 群，把行銷動作做出來，再慢慢優化。

錯誤三：對 VIP 顧客一直打折

高價值顧客不一定需要更多折扣。

有時候他們更需要的是專屬感、便利性、提前體驗、會員身份與更好的服務。

如果一直對高價值客打折，可能只是白白犧牲毛利。

錯誤四：忽略新客第二次購買

很多品牌很重視拉新客，卻忽略新客是否有回購。

RFM 可以幫助你找出最近才購買、但還沒有第二次購買的新客，進一步設計歡迎流程與回購機制。

錯誤五：資料沒有清乾淨

如果你的資料中包含測試訂單、取消訂單、退款訂單、重複會員，RFM 結果就會不準。

做 RFM 前，資料清理比複雜模型更重要。

---

哪些情況不適合只靠 RFM？

RFM 很適合有重複購買的商業模式，但不是每種情境都適合只用 RFM。

如果你的產品是一次性購買，例如婚禮服務、房屋仲介、部分 B2B 專案型服務，Frequency 的意義就會比較弱。

如果你的產品是訂閱制服務，RFM 也不夠完整，因為你還需要看使用率、留存率、取消率與合約續約狀況。

如果你想預測長期顧客價值，RFM 也只能當作起點，後續應該搭配 CLV、流失預測、商品偏好、通路來源與毛利分析。

---

RFM 可以用哪些工具做？

新手可以先不用買昂貴系統。

以下工具都可以做 RFM：

• Excel
• Google Sheets
• Looker Studio
• Power BI
• Tableau
• Python
• R 語言
• CRM 系統
• CDP 顧客資料平台
• 電商會員系統

如果你只是想理解 RFM，Excel 或 Google Sheets 就足夠。

如果你要定期更新、串接會員資料、做自動化分眾行銷，就可以考慮 CRM、CDP 或行銷自動化工具。

延伸參考：R 語言 rfm 套件文件

---

RFM 分析範例：一間電商品牌可以怎麼用？

假設你經營一間保健食品電商，手上有 20,000 名會員資料。

你可以先做以下分群：

• 最近 30 天內有買、購買次數與金額都高：VIP 高價值客
• 最近 30 天內有買、但只買過一次：新客
• 過去買很多，但 180 天沒買：沉睡高價值客
• 經常買，但金額不高：忠誠小額客
• 超過一年沒買、次數少、金額低：低優先流失客

接著你可以對不同客群設計不同活動。

例如：

• VIP 高價值客：新品優先體驗、會員專屬禮、年度感謝活動。
• 新客：購後 7 天產品使用教學、購後 21 天第二次購買優惠。
• 沉睡高價值客：專屬喚回優惠、調查不再購買原因。
• 忠誠小額客：組合包、訂閱制、滿額升級。
• 低優先流失客：大促期間自動化通知，不投入太多人工成本。

這樣一來，你就不是對所有顧客發同一個優惠，而是根據顧客狀態做更精準的經營。

---

RFM 學習重點整理

如果你是第一次接觸 RFM，可以先記住以下幾件事：

• RFM 是用交易資料分析顧客價值的方法。
• R 代表最近一次消費，F 代表消費頻率，M 代表消費金額。
• RFM 很適合用在 CRM、會員經營、電商分眾與流失喚回。
• 新手不一定要做很複雜，先分成 5 到 8 個可執行客群即可。
• RFM 分群後，一定要設計對應策略，否則只是做報表。
• RFM 最好搭配毛利、商品偏好、退貨率、通路來源與顧客回饋一起看。

---

小結

RFM 是新手理解顧客分群、會員經營與 CRM 的好起點。

它用最簡單的三個指標，幫助我們判斷誰是高價值客、誰是新客、誰可能快流失、誰值得優先經營。

不過 RFM 不是萬能答案，它只能告訴我們顧客過去怎麼買，不能完整解釋顧客為什麼買、未來一定會不會買。

真正好的做法，是把 RFM 當成顧客經營的第一步，再搭配毛利、商品偏好、通路來源、退貨率、客服紀錄與 A/B Test，逐步建立更完整的顧客經營系統。

如果你是剛開始做會員經營、電商行銷或 CRM，我會非常建議你先從 RFM 開始，因為它簡單、實用，而且很快就能幫你看懂顧客結構。

---

RFM 常見問題

RFM 適合新手學嗎？

非常適合。

RFM 是資料分析與 CRM 的入門工具，不需要很強的統計或程式能力，就能理解基本概念。

RFM 一定要寫程式嗎？

不一定。

Excel、Google Sheets、CRM 後台、電商會員系統都可以做 RFM。

如果資料量很大，或你想自動化更新，再考慮使用 Python、R、資料庫或 BI 工具。

RFM 多久更新一次？

要看你的產業。

高頻消費產業可以每週或每月更新一次；低頻消費產業可以每月或每季更新一次。

重點不是更新越頻繁越好，而是更新頻率要符合你的購買週期與行銷節奏。

RFM 可以預測顧客流失嗎？

可以作為流失判斷的基礎，但不能完全等同於流失預測模型。

例如高 F、高 M 但低 R 的顧客，通常就是需要關注的沉睡或流失風險客。

如果你要更精準預測流失，還需要加入更多資料，例如登入行為、客服紀錄、商品使用狀況、信件互動、滿意度與歷史流失資料。

RFM 跟 AI 有關嗎？

RFM 本身不一定是 AI。

它是一種簡單、直覺、基於規則的顧客分析方法。

不過 RFM 可以跟 AI 或機器學習結合，例如把 RFM 指標放進流失預測模型、推薦系統或顧客終身價值模型裡。

---

---

延伸閱讀與參考資料

• Bloomreach：RFM Segmentation
• RFM：Recency, Frequency and Monetary Value Analysis
• Investopedia：Understanding RFM
• CRAN：rfm package documentation