นิยาม
RFM Analysis คือวิธีการแบ่งกลุ่มลูกค้า (Customer Segmentation) โดยดูจากพฤติกรรมการซื้อจริง 3 มิติ ได้แก่ Recency (ซื้อล่าสุดเมื่อไร), Frequency (ซื้อบ่อยแค่ไหน) และ Monetary (ใช้เงินไปเท่าไหร่) วิธีนี้เป็นเครื่องมือพื้นฐานที่ทีม CRM และ Growth ของร้าน DTC ไทยใช้กันแทบทุกเจ้า เพราะคำนวณง่าย ไม่ต้องพึ่งเครื่องมือแพง และทำนายโอกาสซื้อซ้ำได้แม่นในระดับหนึ่ง
ข้อดีของ RFM คือมันตอบคำถามที่สำคัญที่สุดของธุรกิจ DTC นั่นคือ "ใครคือลูกค้าที่ควรทุ่มงบโฆษณา และใครที่กำลังจะจากเราไป" โดยไม่ต้องรอผลจากแบบสอบถามหรือข้อมูลเชิงคุณภาพอื่นใด
อุปมาอุปไมย
ลองนึกถึงร้านกาแฟหน้าโรงเรียนที่คุณไปทุกเช้า เจ้าของร้านจะรู้ instinctively ว่าใครคือ "ขาประจำตัวจริง" (ซื้อบ่อย ใช้เงินเยอะ เพิ่งมาวานนี้) ใครคือ "ขาจรที่เคยแวะครั้งเดียวเมื่อสามเดือนก่อน" และใครคือ "ลูกค้าใหม่ที่เพิ่งลองครั้งแรกเมื่อวาน"
RFM ก็คือการเอาสัญชาตญาณแบบนั้นมาทำเป็นตัวเลข ทำให้ร้านออนไลน์ที่มีลูกค้า 50,000 คนสามารถ "จำ" ลูกค้าแต่ละคนได้เหมือนเจ้าของร้านกาแฟที่จำลูกค้า 50 คนนั่นเอง
สูตร
RFM ให้คะแนนลูกค้าแต่ละคนใน 3 มิติ โดยปกติใช้สเกล 1–5 (5 = ดีที่สุด) แล้วนำมาเรียงต่อกันเป็นรหัส เช่น "555" หรือ "111"
R Score = แบ่งตามจำนวนวันตั้งแต่ซื้อครั้งล่าสุด (น้อย = คะแนนสูง) F Score = แบ่งตามจำนวนออเดอร์สะสม (มาก = คะแนนสูง) M Score = แบ่งตามยอดใช้จ่ายสะสม (มาก = คะแนนสูง) RFM Segment = R + F + M (เช่น 5-4-5)
ตัวอย่างการแบ่ง Quintile (5 กลุ่มเท่า ๆ กัน):
| มิติ | คะแนน 5 | คะแนน 1 |
|---|---|---|
| Recency | ซื้อภายใน 7 วัน | ซื้อเกิน 180 วัน |
| Frequency | 10+ ออเดอร์ | 1 ออเดอร์ |
| Monetary | มากกว่า 15,000 บาท | น้อยกว่า 500 บาท |
หมายเหตุ: เกณฑ์ตัวเลขต้องปรับตามรอบธุรกิจจริง เช่น ร้านอาหารควรใช้ Recency 7/30/60 วัน แต่ร้านเฟอร์นิเจอร์อาจใช้ 90/180/365 วัน
ตารางเปรียบเทียบกลุ่มลูกค้า
| กลุ่ม | RFM โดยทั่วไป | ลักษณะ | กลยุทธ์ที่แนะนำ |
|---|---|---|---|
| **Champions** | 555, 554, 544 | ซื้อล่าสุด บ่อย และจ่ายหนัก | Reward, Early Access, Referral |
| **Loyal Customers** | 543, 444, 445 | ซื้อสม่ำเสมอ แต่ยอดไม่สูงมาก | Upsell, Membership Tier |
| **Potential Loyalist** | 534, 443, 434 | เพิ่งซื้อ 2–3 ครั้ง ยังสร้างความสัมพันธ์ได้ | Onboarding Series, Bundle |
| **New Customers** | 512, 511 | เพิ่งซื้อครั้งแรก | Welcome Flow, First Repeat Coupon |
| **Promising** | 422, 421 | ซื้อไม่นาน แต่ยอดน้อย | Cross-sell สินค้าราคาเข้าได้ |
| **Need Attention** | 333, 332 | เริ่มห่างหาย | Win-back แบบ soft |
| **At Risk** | 233, 232 | เคยดี แต่หายไปนาน | Win-back พร้อมส่วนลดจริงจัง |
| **Cannot Lose Them** | 155, 144 | เคยจ่ายหนักมาก แต่หายไปนาน | Personal Outreach |
| **Hibernating** | 211, 122 | ซื้อนานมากแล้ว ยอดน้อย | ตัดออกจากงบ หรือ Re-engage แบบต้นทุนต่ำ |
| **Lost** | 111, 112 | ไม่มีสัญญาณชีวิต | Suppress จาก Paid Ads |
ฉากการใช้งานจริง
1. วางแผนงบโฆษณาแบบ Segment-based
แทนที่จะยิง Meta Ads แบบ broad ทั้งฐาน ลูกค้า Champions ควรถูกมองข้ามจาก prospecting และย้ายไปอยู่ในกลุ่ม Retention/CRM แทน ส่วนกลุ่ม At Risk ควรได้รับการยิงโฆษณาแบบ Custom Audience พร้อมข้อความ "เราคิดถึงคุณ"
2. ทำ Win-back Campaign แบบมีลำดับ
ตัวอย่าง: ร้าน skincare DTC มีลูกค้า 12,000 คนในกลุ่ม At Risk (R=2, F=3, M=4) เฉลี่ยยอดต่อคน 2,400 บาท หาก Win-back rate อยู่ที่ 8% จะสร้างรายได้กลับมา 12,000 × 0.08 × 2,400 = 2,304,000 บาท จากการลงทุนค่าส่วนลดเพียง 15%
3. จัดลำดับ Customer Service
ลูกค้า RFM 555 ที่ทักแชทควรได้ตอบภายใน 5 นาที ในขณะที่ลูกค้า 111 ที่ทักเรื่องเดียวกันสามารถใช้ SLA 24 ชั่วโมงได้
4. ปรับ Product Recommendation
กลุ่ม Potential Loyalist ที่มี F=3, M=2 มักตอบสนองต่อสินค้าราคากลาง ส่วน Champions ที่ M=5 มักตอบสนองต่อ Limited Edition หรือสินค้าราคาสูง
5. วัดผล Retention รายเดือน
ติดตามสัดส่วน Champions + Loyal ในฐานลูกค้าทั้งหมด หากตัวเลขนี้ลดลง 3 เดือนติดต่อกัน แปลว่าธุรกิจกำลังสูญเสียลูกค้าคุณภาพ แม้ยอดขายรวมจะยังทรงตัว
ข้อเข้าใจผิดที่พบบ่อย
1. คิดว่า RFM ใช้ได้กับทุกธุรกิจเหมือนกัน
ร้าน subscription กับร้านซื้อครั้งเดียวแล้วจบ ใช้เกณฑ์ไม่เหมือนกันเลย ธุรกิจ subscription ควรให้น้ำหนัก Frequency มากกว่า ส่วนธุรกิจ high-ticket อย่างเฟอร์นิเจอร์ควรเน้น Monetary และ Recency มากกว่า
2. ใช้เกณฑ์ Quintile ตายตัวทั้งที่ฐานลูกค้าเบ้
ถ้าลูกค้า 80% ซื้อครั้งเดียว การแบ่ง quintile จะทำให้กลุ่ม F=5 มีแค่ 20% ที่ซื้อ 2 ครั้งขึ้นไป ซึ่งไม่สื่อความหมาย ควรใช้เกณฑ์ธุรกิจ (เช่น 1 / 2–3 / 4–6 / 7–10 / 10+) แทน
3. ให้คะแนน M จากยอดรวมตลอดชีพอย่างเดียว
ลูกค้าที่ซื้อครั้งเดียว 20,000 บาท เมื่อ 2 ปีก่อน อาจได้ M=5 แต่จริง ๆ เขาไม่ใช่ลูกค้าคุณภาพอีกต่อไปแล้ว ควรใช้ Average Order Value (AOV) ควบคู่ หรือใช้ Monetary แบบ rolling 12 เดือน
4. ลืมเชื่อม RFM กับ Margin
ลูกค้าที่ M สูงแต่ซื้อสินค้าลดราคาตลอด อาจมีกำไรจริงต่ำกว่าลูกค้า M กลางที่ซื้อเต็มราคา ควรมีมิติเสริมอย่าง CM (Contribution Margin) ในธุรกิจที่ margin ผันผวน
5. ตั้ง RFM แล้วไม่รีเฟรช
พฤติกรรมลูกค้าเปลี่ยนทุกเดือน ควรคำนวณ RFM ใหม่ทุก 30 วัน หรืออย่างน้อยทุกไตรมาส ไม่เช่นนั้นจะยิงแคมเปญผิดกลุ่ม
6. ใช้ RFM แทนการทดสอบ
RFM บอก "ใคร" แต่ไม่ได้บอก "ทำไม" ต้องจับคู่กับ A/B Test และ Customer Interview เพื่อเข้าใจเหตุผลที่ลูกค้าหายไปจริง ๆ
คำศัพท์ที่เกี่ยวข้อง
- Customer Lifetime Value (CLV) – มูลค่าลูกค้าตลอดชีพ มักใช้คู่กับ RFM เพื่อจัดลำดับความสำคัญ
- Cohort Analysis – การแบ่งกลุ่มตามช่วงเวลาที่ลูกค้าเริ่มต้น ใช้เสริม RFM เพื่อดู retention ตามรุ่น
- Churn Rate – อัตราการสูญเสียลูกค้า กลุ่ม At Risk และ Hibernating คือสัญญาณเตือนล่วงหน้า
- Customer Segmentation – RFM เป็นหนึ่งในวิธี segmentation ที่นิยมที่สุด
- Predictive CLV – โมเดล ML ที่ต่อยอดจาก RFM เพื่อทำนายยอดในอนาคต
- NPS (Net Promoter Score) – วัดความพึงพอใจ ใช้คู่กับ RFM เพื่อดูทั้งพฤติกรรมและความรู้สึก
- AOV (Average Order Value) – ยอดเฉลี่ยต่อออเดอร์ ใช้ตรวจคุณภาพของกลุ่ม Monetary
- Retention Rate – อัตราการกลับมาซื้อซ้ำ ตัวชี้วัดผลลัพธ์ของแคมเปญ RFM โดยตรง
RFM ไม่ใช่เครื่องมือวิเศษ แต่เป็น ภาษากลาง ที่ทำให้ทีม Marketing, CRM และ Data คุยกันรู้เรื่องว่าลูกค้ากลุ่มไหนควรได้อะไร เมื่อไร และด้วยงบเท่าไร ในตลาด DTC ไทยที่ต้นทุนโฆษณาสูงขึ้นทุกปี การใช้ RFM ให้เป็นคือการเปลี่ยนงบที่เผาไปกับคนที่ไม่สนใจ ให้กลายเป็นกำไรจากคนที่พร้อมจะซื้ออยู่แล้ว