RFM 分析怎麼做：用最近購買、頻率、金額三軸把會員分群並落地行動
RFM 分析是用最近購買（Recency）、購買頻率（Frequency）、累計金額（Monetary）三個維度，把會員依實際購買行為分群的方法。本文拆解三軸定義、五分位的計分做法、八大常見分群（高價值、即將流失、新客等）與各群的行動建議，並說明分群完之後怎麼串到個人化溝通、標籤落地與自動更新，讓 RFM 從一次性報表變成每天運轉的常駐機制。
RFM 分析是什麼：用三個行為維度把會員分群的方法
RFM 分析是一套用「最近一次購買距今多久（Recency）」「一段期間內買了幾次（Frequency）」「累計花了多少錢（Monetary）」三個維度，把會員依實際購買行為分群的方法。它不問顧客是誰、住哪、幾歲，只看顧客做了什麼，因此被視為最早、也最耐用的行為式分群工具之一。
我們在跟品牌行銷團隊開會時，最常遇到的卡點不是「沒有資料」，而是「資料攤在後台，卻不知道要先看誰」。一份會員名單動輒數十萬筆，每個人最近買了沒、買得多不多、貢獻高不高，全部混在一起，行銷預算有限、檔期一波接一波，資源到底放在哪一群人身上，常常變成憑感覺決定。RFM 分析存在的理由，就是把這份混在一起的名單用三把尺量出層次，讓「先溝通誰、用什麼方式溝通」變成可以計算、可以複製的決策。
這篇文章的重點是方法本身：三軸怎麼定義、怎麼把連續數字轉成可比較的分數、怎麼切出常見的會員分群、每一群該採取什麼行動，以及分群做完之後怎麼持續運轉。我們不討論該用哪一套系統，也不比較工具優劣，先把分析這件事講清楚。
RFM 的三個維度：最近購買、頻率、金額各自衡量什麼
RFM 的三個字母對應三個獨立的行為訊號，分別回答「這位顧客還在不在」「他有多投入」「他值多少」。三者衡量的東西不重疊，合在一起才能描繪一個顧客的樣貌。
先把三軸的定義講乾淨：
- Recency（最近購買）：顧客最近一次下單距離今天的天數。天數愈小代表愈近期活躍，通常是三軸裡預測力最強的一軸，因為剛買過的人最有可能再買。
- Frequency（購買頻率）：在你設定的觀察期內，顧客累計下了幾筆訂單。次數愈高代表習慣愈穩定，對品牌的依賴度愈高。
- Monetary（累計金額）：在同一段觀察期內，顧客累計貢獻的營收。金額愈高代表單一顧客的經濟價值愈大。
為什麼要三軸一起看？因為任何單一指標都會誤導。只看金額，會把三年前砸大錢、之後再沒回來的顧客誤判成高價值客；只看頻率，會把常買低單價小東西的人排在偶爾大手筆採購的顧客前面；只看最近購買，又分不出剛買一次的新客和買過二十次的常客。三軸交叉，才能同時回答「他還活著嗎、他黏不黏、他值不值得」這三個問題。
值得提醒的是，三軸的合理區間會因產業而不同。快消、美妝這類高回購品類，三個月沒買可能就算偏遠；而家電、家具這類長決策週期的品類，一年買一次都屬正常。所以 RFM 本質上是一套相對方法：先量出你自己顧客群的分布，再據此切線，門檻沒有放諸四海皆準的固定值。
RFM 怎麼計分：把行為轉成 1 到 5 的可比較分數
RFM 計分的核心動作，是把三軸的原始數字各自轉成 1 到 5 的分數，讓不同量綱的指標可以放在一起比較。天數、次數、金額單位不同、範圍也不同，無法直接相加，計分這一步就是把它們標準化成同一把尺。
最常用的計分法是五分位（quintile）：把全體會員依某一軸排序後平均切成五等份，每一份給一個分數。三軸方向有差異：
- Recency 計分（方向相反，要特別注意）：天數愈小愈好，最近期的那 20% 給 5 分、最久沒回來的那 20% 給 1 分。新手最常犯的錯就是把天數大的給高分，記住最近購買是「愈近愈高分」。
- Frequency 計分：次數愈多愈好，買最多次的 20% 給 5 分、最少的給 1 分。
- Monetary 計分：金額愈高愈好，累計貢獻最高的 20% 給 5 分、最低的給 1 分。
三軸各給一個分數後，每位顧客會得到一組三位數代碼，例如「5-5-5」是最近買過、買很多次、花很多錢的頂級顧客，「1-1-1」是很久沒買、買很少、花很少的邊緣顧客。理論上有 5×5×5 共 125 種組合，但實務上不會真的去管理 125 個群，而是把意義相近的代碼合併成少數幾個「有名字、有對策」的群（下一節詳述）。
除了五分位，還有兩種常見的切法值得知道：
- 自訂門檻法：不用統計分位，而是依商業常識直接畫線，例如「30 天內買過給 5 分、180 天以上給 1 分」。優點是門檻有業務意義、好溝通，缺點是若顧客分布偏斜，可能某些分數段塞滿人、某些段空無一人。
- 加權合分法：不把三軸當平行看待，而是依預測重要性給權重後加總成單一分數。多數零售情境下 Recency 的權重會給得比較高，因為它對「下一次會不會買」的預測力最強。
不論哪種切法，有一個原則不變：分數是相對的，是把「你自己的顧客」彼此比較後排出的層次，不是跨品牌可比的絕對標準。同樣是「Frequency 5 分」，在高回購品牌可能代表一年買十次，在耐久品牌可能代表三年買三次，意義由你的資料分布決定。
RFM 八大常見分群：每一群是誰、優先順序怎麼排
把三位數代碼合併之後，多數品牌會收斂成八到十個有對策意義的群。以下用最常被使用的版本，說明每一群的行為特徵與識別邏輯，先認出人，下一節再談怎麼對待他們。
| 分群名稱 | 行為特徵（R／F／M 概略） |
|---|---|
| 高價值顧客（Champions） | 最近買過、買很多次、花很多錢（R 高、F 高、M 高） |
| 忠誠顧客（Loyal） | 買得頻繁、貢獻穩定，最近購買中上（F 高、M 中高） |
| 潛力顧客（Potential Loyalist） | 近期買過、次數還不多，有養成空間（R 高、F 中） |
| 新顧客（New Customers） | 剛完成首購、頻率與金額都還低（R 高、F 低、M 低） |
| 需關注顧客（Need Attention） | 三軸都中等，沒有明顯訊號，容易被忽略 |
| 即將流失（At Risk） | 過去買得多或買得貴，但最近明顯變冷（R 低、F／M 曾經高） |
| 沉睡顧客（Hibernating） | 很久沒買、過去頻率金額也不高（R 低、F 低、M 低） |
| 流失顧客（Lost） | 最久沒回來的一群，過去貢獻有限 |
分群之後第一個要回答的是「先處理誰」。這裡有一個常被忽略的事實：顧客貢獻高度集中在少數人身上。根據忠誠度平台 Smile.io 公布的平台彙整數據（Smile.io，2023，樣本涵蓋逾 11 億名購物者與 25 萬個電商品牌），一家電商約 41% 的營收來自僅僅 8% 的顧客。同樣的不對稱也出現在回購顧客身上：Shopify 的企業留存研究指出，回購顧客只占顧客群約 21%，卻貢獻了約 44% 的營收。這兩組數字說明，高價值與忠誠兩群雖然人數少，卻撐起營收主幹，理應拿到最高的溝通優先級。
第二個要看的是「哪一群最該救」。即將流失通常最值得投入挽回資源，因為過去的高頻率或高金額代表品牌曾經贏得他們，挽回的報酬往往高於從零說服一位陌生人。Adobe Commerce 在其回購機率衰退（repeat probability decay）框架中指出，品牌應追蹤每位顧客「再次購買機率隨時間下滑」的曲線，並選定一個時間點把顧客判定為已流失，從而把資源從「留存」切換到「再啟動」（見 Adobe Commerce 官方文件）。RFM 的 Recency 軸，正是判斷這條曲線走到哪裡的最直接訊號。
為什麼多數團隊算得出 RFM、卻用不起來：斷在資料與更新
RFM 的公式不難，難的是讓它在日常營運裡持續運轉。我們看過不少品牌的 RFM 分群停在「曾經算過一次」的狀態：分析師用 Excel 或 SQL 拉了一份名單，做成分群表發給行銷團隊，三個月後資料過期、沒人重算，整套分群淪為一次性報告。問題通常不出在分析方法，而出在背後的資料底座與流程銜接，可以拆成三個斷點。
第一個斷點是資料破碎。RFM 要算得準，前提是每一位顧客的訂單能完整歸戶到同一個人身上。但現實中，同一位顧客在官網、門市、第三方電商平台、客服訂單留下的紀錄，常分散在不同系統、用不同識別碼，彼此對不起來。一位線上線下都買的高價值顧客，被系統算成兩個低頻顧客，三軸從源頭就失真。這不是少數品牌的特例：根據 Salesforce「State of Marketing」第十版報告，僅約 26% 的行銷人對自家資料整合程度感到完全滿意，資料散落各處正是個人化執行最常見的障礙之一。
第二個斷點是更新跟不上行為變化。RFM 描述的是會員當下狀態，而這個狀態每天都在變：今天剛下單的人，Recency 應該立刻刷新；連續幾個月沒回來的人，應該自動滑進即將流失。如果每季才手動重算一次，兩次重算之間所有溝通都依過期狀態發出，你可能正在對昨天才剛買過的人，發送「我們好想你」的喚回信。
第三個斷點是分群與行動之間沒有橋。就算分群即時又準確，如果結果只是躺在報表裡的一張表，沒有自動接到簡訊、電子郵件、LINE、廣告受眾這些溝通管道，分群依然不會產生任何業績。個人化的價值非常依賴執行：根據 McKinsey「Next in Personalization 2021」報告，71% 的消費者期待品牌提供個人化互動，76% 會在得不到時感到沮喪，而能把個人化規模化的組織可帶動雙位數營收成長與更好的留存。分群只是把人認出來，真正創造價值的是後面「依分群採取不同行動、而且持續做」的執行力。
分群完之後：個人化溝通、標籤落地，與讓 RFM 自動更新
RFM 分群的價值，要在「分群結果自動轉成個人化溝通、而且能持續更新」的時候才真正兑現。前面三個斷點（資料破碎、更新落後、缺少行動橋），對應的正是顧客數據平台（CDP，又稱第一方數據平台，把分散在各通路的會員行為資料歸戶整合到單一顧客檔案的系統）要解決的事。把方法論映射到實務能力，需要三層依序到位：
- 歸戶能力，讓三軸算得準：把同一位顧客在官網、門市、各平台的訂單，用統一的會員身分串成單一檔案，RFM 才有正確的分母。這是顧客數據平台最基礎、也最關鍵的一層，沒有乾淨的歸戶，後面再精巧的計分都是錯的。
- 自動更新能力，讓分群跟得上行為：顧客每完成一次購買、或一段時間沒有動作，系統就自動重算他的 R／F／M 分數並重新指派分群。昨天剛下單的人今天就從新客滑向潛力，連續沉默的人自動滑進即將流失，行銷團隊看到的永遠是當下狀態這張即時快照。
- 標籤落地與觸發能力，讓分群接到溝通：把每個 RFM 分群變成可操作的會員標籤，再把標籤接上行銷自動化的觸發條件。「即將流失」標籤一被貼上就自動排入挽回旅程，「新顧客」標籤一被貼上就自動進入首購引導序列，分群與溝通之間從此有了一條自動運轉的橋。
當這三層串起來，RFM 就從「分析師偶爾算一次的報表」變成「每天替你盯著每位會員狀態、並自動安排對應溝通的常駐機制」。這也是為什麼同樣一套 RFM 公式，有些品牌用得出複利、有些品牌只用過一次，差別往往跟懂不懂方法關係不大，真正的關鍵在背後有沒有一個能歸戶、能自動更新、能把標籤接到觸發的第一方數據底座。想更系統地理解這套底座怎麼選，可以參考我們整理的顧客數據平台與相關系統的選型比較，台灣市場的各家顧客數據平台比較，以及把會員標籤接到分眾溝通的實務做法。
台灣品牌把 RFM 落地的具體做法
RFM 要在台灣零售的真實營運裡發揮作用，關鍵是把方法論轉成可以排進工作節奏的具體動作。以下是我們建議優先處理的幾件事，每件都標明做法、預期效果與建議節奏。
- 先量分布、再切門檻，不要照抄別人的天數。做法是先把全體會員依 R、F、M 各自排序，看自己顧客實際長什麼樣，再用五分位或業務常識畫線。預期效果是門檻貼合自己的品類週期，避免把長決策品類的正常顧客誤判成流失。建議首次導入做一次，之後每半年校準一次。
- 把挽回資源優先放在「即將流失」這一群。做法是鎖定過去 F 或 M 曾經偏高、但 Recency 近期明顯變冷的會員，設計專屬的喚回內容與誘因。預期效果是用相對低的成本守住曾經願意付錢的顧客。建議每月檢視一次這群的進出人數變化。
- 讓 RFM 隨訂單事件自動更新，擺脫每季手動重算。做法是把計分與分群規則設定成隨訂單事件自動觸發，讓會員狀態每天刷新。預期效果是溝通永遠依當下狀態發出，避免對剛買過的人發喚回信這類尷尬。建議在資料歸戶完成後立即導入。
- 把每個分群做成會員標籤，接上既有的溝通管道。做法是替八大分群各建一個標籤，接到電子郵件、簡訊、LINE 與廣告受眾的觸發條件。預期效果是分群結果不再只是報表，而能直接驅動個人化溝通。建議先從高價值與即將流失兩群試做，跑順了再擴展。
- 不要孤立看 RFM，把它跟其他維度疊加。做法是在 RFM 之上再疊加品類偏好、首購來源、會員分級等資訊。預期效果是補上 RFM 看不到的「他喜歡什麼」這一塊。建議在 RFM 自動化穩定運轉三個月後再開始疊加。
關於分群與標籤如何串接到不同管道的設定細節，可延伸閱讀會員標籤與分眾溝通實務；若要理解 CRM 在會員經營裡的定位與選型，零售品牌如何選擇 CRM 系統會是有用的對照。
把混在一起的名單，量出可以行動的層次
回到開頭那份攤在後台、不知道要先看誰的會員名單。RFM 分析做的事，其實只是把它用三把尺量過一遍：他還在嗎、他黏不黏、他值多少。量完之後，原本一團模糊的數十萬筆資料就排出了層次，你會知道哪 8% 的顧客撐起大半營收、哪一群曾經願意付錢現在正在離開、哪一群剛進門值得好好引導。
方法本身不難，難的是讓它每天運轉、而且真的接到行動。一份只算過一次的 RFM 報表，價值會隨資料過期而歸零；一套會自動歸戶、自動更新、自動把分群接到溝通的 RFM 機制，才會替品牌持續累積複利。台灣品牌真正要補的，往往是讓這套樸素的三軸方法站在一個夠乾淨、夠即時的第一方數據底座上。把名單量出層次，是行銷從憑感覺走向可計算的第一步，而這一步，任何品牌今天就能開始。
常見問題
Q1：RFM 分析是什麼？
RFM 分析是用「最近一次購買距今多久（Recency）」「一段期間內購買幾次（Frequency）」「累計消費金額（Monetary）」三個行為維度，把會員依實際購買行為分群的方法。它不看顧客的年齡、性別等屬性，只看顧客做了什麼，目的是讓「先溝通誰、怎麼溝通」變成可計算的決策。
Q2：RFM 的三個指標各代表什麼？怎麼計分？
Recency 是最近一次購買距今的天數（愈小愈好），Frequency 是觀察期內的下單次數（愈多愈好），Monetary 是觀察期內的累計金額（愈高愈好）。最常用的計分法是五分位：把全體會員依各軸排序後平均切五等份，分別給 1 到 5 分。要注意 Recency 方向相反，天數最小的一群給最高分。
Q3：RFM 怎麼分群？常見分成哪幾類？
把三軸各 1 到 5 分的代碼合併後，多數品牌會收斂成八到十個有對策意義的群，常見的有：高價值顧客、忠誠顧客、潛力顧客、新顧客、需關注顧客、即將流失、沉睡顧客、流失顧客。理論上會有 125 種分數組合，但實務上會把意義相近的合併成少數幾個有名字、有行動方案的群。
Q4：RFM 分群之後，每一群該採取什麼行動？
高價值與忠誠顧客應拿到最高溝通優先級與專屬待遇，因為少數顧客往往撐起大半營收；即將流失顧客最值得投入挽回資源，因為他們曾經願意付錢，挽回報酬通常高於開發陌生客；新顧客需要首購後的引導序列；沉睡與流失顧客則用較低成本的喚醒或暫緩投入。原則是依每群的價值與機率，分配對應的資源與訊息。
Q5：RFM 分析的限制是什麼？
RFM 只看交易行為，看不到顧客的偏好、動機與屬性，因此對購買頻率極低或決策週期極長的品類（如家電、家具）較不靈敏。它也是相對分數，門檻需依自己的顧客分布與品類週期校準，不能照抄別人的天數。實務上建議把 RFM 與品類偏好、會員分級等維度疊加使用，補上它看不到的面向。
Q6：RFM 分群可以自動更新嗎？需要什麼條件？
可以。讓 RFM 自動更新需要三個條件依序到位：第一，把同一位顧客在各通路的訂單歸戶到單一檔案，三軸才算得準；第二，設定計分與分群規則隨訂單事件自動觸發，讓會員狀態每天刷新；第三，把每個分群做成會員標籤並接上電子郵件、簡訊、LINE、廣告受眾的觸發條件。具備這三層能力後，RFM 就能從一次性報表變成每天運轉的常駐機制，這通常仰賴一個能整合第一方數據的顧客數據平台。