정의
RFM 분석은 고객을 Recency(최근 구매 시점), Frequency(구매 빈도), Monetary(구매 금액) 세 가지 축으로 점수화하여 세그먼트로 나누는 데이터 분석 기법입니다. DTC 브랜드와 이커머스에서 "누구에게, 얼마나 자주, 어떤 메시지를 보낼 것인가"를 결정할 때 가장 먼저 꺼내는 프레임워크이기도 합니다.
단순 매출 순위가 아니라 행동 기반 분류라는 점이 핵심입니다. 예를 들어 총 구매액이 동일한 두 고객이라도, 한 명은 지난주에 3번 결제한 고객이고 다른 한 명은 11개월 전에 한 번 결제한 고객이라면 완전히 다른 캠페인을 받아야 합니다. RFM은 이 차이를 숫자로 드러냅니다.
비유로 이해하기
RFM은 단골 단속반과 비슷합니다.
- Recency = "마지막으로 언제 오셨어요?" → 최근에 온 손님일수록 다시 올 확률이 높습니다.
- Frequency = "얼마나 자주 오세요?" → 자주 오는 손님은 이미 습관이 형성된 사람입니다.
- Monetary = "한 번 올 때 얼마나 쓰세요?" → 많이 쓰는 손님은 브랜드 가치를 높게 인식합니다.
카페 사장이 "지난주에 왔고, 일주일에 세 번 오고, 항상 8,000원짜리 시그니처를 마시는 손님"을 VIP로 기억하는 것과 같습니다. RFM은 이 기억을 수천 명, 수만 명 단위로 자동화합니다.
계산 공식
각 축을 5점 척도(1~5점)로 나누는 방식이 가장 일반적입니다.
R_Score = 최근 구매일 기준 역순 5분위 점수
(최근일수록 5점, 오래될수록 1점)
F_Score = 구매 횟수 기준 5분위 점수
(많을수록 5점)
M_Score = 누적 구매액 기준 5분위 점수
(클수록 5점)
RFM_Score = R_Score + F_Score + M_Score (최소 3점 ~ 최대 15점)
구체적 예시 (DTC 스킨케어 브랜드, 고객 12,000명 기준)
| 고객 | 최근 구매일 | 구매 횟수 | 누적 구매액 | R | F | M | 총점 | 세그먼트 |
|---|---|---|---|---|---|---|---|---|
| A | 4일 전 | 14회 | 1,240,000원 | 5 | 5 | 5 | 15 | Champions |
| B | 38일 전 | 6회 | 410,000원 | 4 | 4 | 3 | 11 | Loyal |
| C | 96일 전 | 2회 | 88,000원 | 2 | 2 | 2 | 6 | At Risk |
| D | 310일 전 | 1회 | 32,000원 | 1 | 1 | 1 | 3 | Hibernating |
실제 운영에서는 R·F·M 각각의 분포가 다르기 때문에 **축별 가중치**를 조정합니다. 예를 들어 리텐션이 낮은 카테고리에서는 R에 1.5배 가중치를 주는 식입니다.
세그먼트 비교표
| 세그먼트 | R | F | M | 규모(예시) | 매출 기여도 | 우선 액션 |
|---|---|---|---|---|---|---|
| Champions | 5 | 5 | 5 | 620명 | 34% | 신제품 얼리액세스, 리퍼럴 프로그램 |
| Loyal | 4 | 4 | 3~4 | 1,850명 | 27% | 번들 업셀, 멤버십 초대 |
| Potential Loyalist | 4~5 | 2~3 | 2~3 | 2,400명 | 16% | 2회차 구매 유도 쿠폰 |
| At Risk | 2 | 3~4 | 3~4 | 1,300명 | 11% | 윈백 메일, 한정 리오더 혜택 |
| Hibernating | 1 | 1~2 | 1~2 | 4,100명 | 6% | 저예산 리타겟팅 또는 제외 |
| Lost | 1 | 1 | 1 | 1,730명 | 2% | 억제(suppression) 검토 |
DTC/이커머스 적용 시나리오
1. 첫 구매 후 30일 리텐션 캠페인
R=5, F=1, M=1인 신규 고객에게는 "두 번째 구매"가 전부입니다. 이 그룹에 15% 할인보다 무료배송 + 사용법 콘텐츠를 보내는 것이 DTC에서 더 잘 먹힙니다. 실제로 한 뷰티 브랜드는 이 세그먼트에 3주 차 카카오 알림톡을 도입해 재구매율을 18% → 29%로 끌어올렸습니다.
2. Champions 이탈 방지
총점 13~15점 고객은 전체의 5~8%에 불과하지만 매출의 30% 이상을 만듭니다. 이들에게는 할인 대신 선착순 한정판, 1:1 컨시어지, 신제품 테스터를 제공하세요. 할인은 오히려 브랜드 가치를 훼손합니다.
3. At Risk 윈백
R=2, F=4, M=4 고객은 "한때 좋은 고객"입니다. 이들에게는 "고객님이 좋아하시던 OO이 재입고되었습니다" 같은 개인화 리마인드가 효과적입니다. 90일 이상 미구매 시에는 CRM에서 별도 워크플로우로 분리합니다.
4. 광고 오디언스 동기화
RFM 세그먼트를 Meta CAPI, Google Customer Match, 카카오모먼트에 업로드하면 Lookalike 소스로 활용할 수 있습니다. Champions 기반 유사타겟이 전체 고객 기반 유사타겟보다 ROAS가 평균 1.7배 높다는 사례가 많습니다.
흔한 오해와 실수
1. RFM은 예측이 아니라 분류입니다. 미래 구매 확률을 직접 계산하지 않습니다. 예측이 필요하면 CLV 모델이나 BG/NBD를 함께 써야 합니다.
2. 점수 컷오프를 고정하면 안 됩니다. 5분위는 데이터 분포에 따라 매월 달라져야 합니다. 작년 기준 컷오프를 그대로 쓰면 세그먼트가 왜곡됩니다.
3. Monetary만 보면 놓치는 게 있습니다. 반품률이 높은 고객은 M이 높아도 실제 수익 기여는 낮습니다. 순매출(net revenue) 기준으로 계산하세요.
4. 세그먼트를 너무 잘게 쪼개면 운영이 안 됩니다. 125개(5×5×5) 조합을 다 관리하려 하지 말고, 8~12개 실무 세그먼트로 묶으세요.
5. 한 번 만든 RFM은 썩습니다. 최소 월 1회, 이상적으로는 주 1회 재계산하고, 캠페인 성과를 다시 세그먼트에 피드백해야 합니다.
관련 용어
- CLV (Customer Lifetime Value) — RFM의 상위 개념. 미래 가치까지 추정합니다.
- Cohort Analysis — 가입 시점별 그룹의 리텐션을 추적합니다.
- RFM+ — RFM에 AOV, 반품률, 카테고리 선호도를 추가한 확장 모델.
- NTB (New to Brand) — 신규 고객 비중 지표. RFM의 R=5, F=1 그룹과 연결됩니다.
- Churn Prediction — 이탈 확률 모델. RFM의 At Risk 세그먼트를 정교화합니다.
- Lookalike Audience — RFM 고가치 세그먼트를 광고 플랫폼에 동기화해 확장하는 방식.