มีลูกค้าเป็นร้อยเป็นพันร้าน แต่ทีมขายมีเวลาเท่าเดิม คำถามคือ วันนี้ควรเริ่มติดต่อลูกค้าร้านไหนก่อน?
RFM Analysis คือวิธีแบ่งกลุ่มลูกค้าจาก 3 พฤติกรรมการซื้อ คือ ซื้อล่าสุดเมื่อไหร่ (Recency), ซื้อบ่อยแค่ไหน (Frequency) และมียอดซื้อเท่าไหร่ (Monetary) เพื่อช่วยให้ทีมเห็นว่าลูกค้ารายใดควรรักษา รายใดมีโอกาสโต และรายใดเริ่มซื้อห่าง
บางร้านซื้อทุกเดือน บางร้านเพิ่งทดลองซื้อ และบางร้านเคยมียอดสูงแต่เริ่มเงียบ หากทีมไล่ติดตามจากรายชื่อทั้งหมด เวลาเท่ากันอาจถูกใช้กับลูกค้าที่มีโอกาสไม่เท่ากัน
RFM Analysis คืออะไร?
RFM ย่อมาจาก Recency Frequency Monetary คือพฤติกรรมการซื้อจริง 3 ด้าน ได้แก่ ซื้อล่าสุดเมื่อไหร่ ซื้อบ่อยแค่ไหน และซื้อเป็นเงินเท่าไหร่ เมื่อนำมาดูร่วมกันจะช่วยแยกสถานะของลูกค้าได้ชัดกว่าการดูยอดซื้อเพียงตัวเดียว
R (Recency): ลูกค้าซื้อล่าสุดเมื่อไหร่?
ลองเทียบลูกค้าที่เพิ่งสั่งสินค้าเมื่อสัปดาห์ที่แล้ว กับลูกค้าที่เคยซื้อดีแต่หายไป 5 เดือน แม้ยอดซื้อในอดีตจะใกล้เคียงกัน แต่สถานะของลูกค้าสองรายนี้ไม่เหมือนกันแล้ว
Recency จึงช่วยให้เราเห็นว่า ลูกค้ารายนี้เพิ่งมีปฏิสัมพันธ์ทางการซื้อกับธุรกิจเมื่อไหร่ และใครเริ่มห่างจากรอบเดิม
F (Frequency): ลูกค้าซื้อบ่อยแค่ไหน?
ร้านที่สั่งสินค้าทุกสัปดาห์ย่อมมีพฤติกรรมต่างจากร้านที่ซื้อปีละหนึ่งหรือสองครั้ง
Frequency ช่วยให้เราเห็นความต่อเนื่องของการซื้อ และแยกได้ว่าลูกค้ารายไหนซื้อกับเราสม่ำเสมอ รายไหนซื้อเป็นครั้งคราว
M (Monetary): ลูกค้ามียอดซื้อเท่าไหร่?
Monetary ใช้ดูมูลค่าการซื้อของลูกค้าในช่วงเวลาที่เรากำหนด
ลูกค้าสองรายที่มียอดซื้อเท่ากันอาจมีสถานะต่างกันมาก หากรายหนึ่งเพิ่งซื้อเมื่อวาน แต่อีกรายไม่ได้ซื้อมา 4 เดือน
วิธีคำนวณและให้คะแนน RFM
ก่อนคำนวณให้กำหนด วันที่อ้างอิง และ ช่วงเวลาวิเคราะห์ ให้ชัด ตัวอย่างต่อไปนี้ใช้วันที่อ้างอิง 1 กรกฎาคม 2569 และนับออเดอร์สำเร็จย้อนหลัง 12 เดือน ตั้งแต่ 1 กรกฎาคม 2568 ถึง 30 มิถุนายน 2569
Recency
จำนวนวันตั้งแต่วันที่ลูกค้าซื้อสำเร็จครั้งล่าสุดถึงวันที่อ้างอิง ยิ่งน้อยยิ่งได้คะแนนสูง
Frequency
จำนวนออเดอร์สำเร็จที่ไม่ซ้ำกันภายในช่วงวิเคราะห์ ไม่นับออเดอร์ยกเลิก
Monetary
ยอดซื้อสุทธิรวมของลูกค้าในช่วงเดียวกัน หลังหักส่วนลด การยกเลิก และการคืนสินค้าตามหลักบัญชีที่ธุรกิจเลือกใช้ ไม่ใช่ยอดเฉลี่ยต่อออเดอร์
ตัวอย่างเกณฑ์คะแนน 1 ถึง 5
ตารางนี้เป็นเพียงเกณฑ์ตัวอย่างของธุรกิจที่มีรอบซื้อค่อนข้างสั้น ตัวเลขจริงควรตั้งจากการกระจายข้อมูลและรอบสั่งซื้อของธุรกิจ
บนมือถือ เลื่อนตารางไปซ้ายขวาเพื่อดูข้อมูลทั้งหมด
| คะแนน | R: วันตั้งแต่ซื้อล่าสุด | F: จำนวนออเดอร์/ปี | M: ยอดซื้อสุทธิ/ปี |
|---|---|---|---|
| 5 | 0-14 วัน | 16 ครั้งขึ้นไป | 500,000 บาทขึ้นไป |
| 4 | 15-30 วัน | 10-15 ครั้ง | 250,000-499,999 บาท |
| 3 | 31-60 วัน | 6-9 ครั้ง | 100,000-249,999 บาท |
| 2 | 61-90 วัน | 3-5 ครั้ง | 30,000-99,999 บาท |
| 1 | มากกว่า 90 วัน | 1-2 ครั้ง | ต่ำกว่า 30,000 บาท |
RFM Score และ RFM Model คืออะไร
RFM Score คือคะแนนสามตัวที่ได้จากการให้คะแนน R, F และ M แยกกันทีละด้าน แล้วเขียนเรียงกัน เช่น 5-5-5 หรือ 555 หมายถึงลูกค้าที่ซื้อล่าสุดใกล้วันที่อ้างอิง ซื้อบ่อย และยอดซื้อสูง อยู่ในระดับบนสุดทั้งสามด้าน ส่วน 1-1-1 หรือ 111 คือลูกค้าที่ไม่ได้ซื้อนาน ซื้อน้อยครั้ง และยอดต่ำ อยู่ในระดับล่างสุดทั้งสามด้าน
RFM Model คือกติกาทั้งชุดที่ใช้แปลงประวัติการซื้อเป็นคะแนนและกลุ่มลูกค้า ได้แก่ ช่วงเวลาที่ดู เกณฑ์ตัดคะแนนแต่ละระดับ และลำดับกติกาจัดกลุ่ม ธุรกิจสองแห่งที่ใช้ RFM เหมือนกันจึงอาจได้ Model ต่างกันได้
หากมีลูกค้าจำนวนมาก สามารถใช้ Quantile แบ่งลูกค้าออกเป็น 5 กลุ่มที่มีจำนวนใกล้เคียงกันตามการกระจายข้อมูล แทนการใช้เกณฑ์ตายตัวได้
แต่ Quantile ไม่ควรแทนรอบสั่งซื้อโดยอัตโนมัติ ควรตรวจว่าเกณฑ์ที่ได้สอดคล้องกับรอบซื้อจริง และไม่ใช้คะแนนเดียวกันกับสินค้าทุกประเภท
ทำไมธุรกิจค้าส่งควรใช้ RFM?
ลองดูตัวอย่างง่าย ๆ ร้าน A ซื้อเฉลี่ยเดือนละ 20,000 บาท และสั่งสินค้าทุกเดือนต่อเนื่อง ส่วน ร้าน B เคยมียอดซื้อ 25,000 บาท แต่ไม่ได้สั่งสินค้าอีกเลยในช่วง 5 เดือนที่ผ่านมา
หากดูจากประเภทร้านหรือพื้นที่ สองร้านอาจคล้ายกัน แต่พฤติกรรมการซื้อบอกว่าร้าน A ควรได้รับการรักษาความสัมพันธ์ ส่วนร้าน B มีคำถามเร่งด่วนกว่า คือ
“ทำไมช่วงหลังถึงหยุดซื้อ?”
นี่คือเหตุผลที่ยอดขายสะสมอย่างเดียวไม่พอ เพราะตัวเลขบอกว่าเคยซื้อเท่าไร แต่ Recency ช่วยบอกว่าสถานะกำลังเปลี่ยนหรือไม่
เลยรอบปกติ 16 วัน จึงอาจเริ่มผิดปกติ
ยังอยู่ในรอบซื้อปกติ จึงอาจยังไม่ต้องติดตาม
Recency เท่ากันจึงไม่จำเป็นต้องหมายถึงความเสี่ยงเท่ากัน RFM ไม่ได้บอกสาเหตุ แต่ช่วยให้ทีมพบสัญญาณและเลือกว่าจะเปิดประวัติของลูกค้ารายใดก่อน
ตัวอย่าง 5 กลุ่มลูกค้าที่ธุรกิจค้าส่งนำ RFM ไปใช้ได้
ชื่อ Segment ไม่ใช่มาตรฐานตายตัวของ RFM บทความนี้ใช้ 5 ชื่อต่อไปนี้เป็น กรอบตัวอย่างสำหรับงานขาย โดยธุรกิจสามารถเปลี่ยนชื่อและเกณฑ์ให้ตรงกับรอบซื้อของตนเองได้
บนมือถือ เลื่อนตารางไปซ้ายขวาเพื่อดูเกณฑ์และงานถัดไป
| Segment | เกณฑ์ตัวอย่าง | ความหมาย | งานถัดไป |
|---|---|---|---|
| Champions | R 4-5, F 4-5, M 4-5 | เพิ่งซื้อ ซื้อสม่ำเสมอ และมูลค่าสูง | รักษาความสัมพันธ์และเสนอสินค้าหมวดอื่น |
| Loyal Customers | R 3-5, F 3-5 และไม่เข้าเกณฑ์ Champions | ซื้อสม่ำเสมอและยังมีโอกาสโต | เพิ่มหมวดสินค้าและยอดต่อออเดอร์ |
| Potential Loyalists | R 3-5, F 1-2 | เพิ่งซื้อหรือยังซื้อไม่บ่อย | พาไปสู่ออเดอร์ครั้งถัดไป |
| At Risk | R 1-2 และ F หรือ M ตั้งแต่ 3 ขึ้นไป | เคยซื้อดีแต่ช่วงหลังเริ่มห่าง | เปิดประวัติและสอบถามสาเหตุ |
| Lost / Inactive | R 1-2, F 1-2, M 1-2 | ไม่ได้ซื้อนานและโอกาสปัจจุบันต่ำ | ทดลองดึงกลับแบบใช้เวลาทีมน้อย |
ชื่อกลุ่มที่เจอบ่อยในเครื่องมืออื่น อยู่กลุ่มไหนในบทความนี้
บทความและเครื่องมือ RFM หลายแห่งแบ่งละเอียดกว่า 5 กลุ่ม ชื่อเหล่านี้ยังใช้กับกรอบ 5 กลุ่มด้านบนได้ โดยรวมเข้ากับกลุ่มที่ใกล้ที่สุดตามตารางนี้
บนมือถือ เลื่อนตารางไปซ้ายขวาเพื่อดูข้อมูลทั้งหมด
| ชื่อที่พบบ่อย | ลักษณะโดยทั่วไป | กลุ่มในบทความนี้ |
|---|---|---|
| Champions | เพิ่งซื้อ ซื้อบ่อย และยอดสูงที่สุด | Champions |
| Loyal | ซื้อสม่ำเสมอ ยอดดีแต่ยังไม่สูงสุด | Loyal Customers |
| New Customers | เพิ่งซื้อครั้งแรกหรือไม่กี่ครั้ง | Potential Loyalists |
| Promising | เพิ่งซื้อ แต่ยังซื้อไม่บ่อยและยอดยังน้อย | Potential Loyalists |
| Need Attention | คะแนนกลาง ๆ ทุกด้าน และเริ่มซื้อช้ากว่าเดิม | Loyal Customers (ดูรอบสั่งซื้อก่อน) |
| About to Sleep | เริ่มห่าง ซื้อไม่บ่อย และยอดไม่สูง | Potential Loyalists หรือ Lost / Inactive แล้วแต่คะแนน R |
| Can't Lose Them | เคยซื้อบ่อยและยอดสูงมาก แต่ไม่ได้ซื้อนาน | At Risk (รายที่ควรติดต่อก่อน) |
| Hibernating | ไม่ได้ซื้อนาน ซื้อน้อย และยอดต่ำ | Lost / Inactive |
กลุ่มที่ 01
Champions: ลูกค้าที่ดีอยู่แล้ว และควรรักษาไว้
ตัวอย่างเกณฑ์: R 4-5, F 4-5 และ M 4-5
Champions คือกลุ่มที่เพิ่งซื้อไม่นาน ซื้อสม่ำเสมอ และมียอดซื้อสูง
กลุ่มนี้ไม่จำเป็นต้องได้ส่วนลดแรงที่สุด ทีมควรดูว่ายังมีหมวดใดที่ไม่เคยซื้อ เสนอสินค้าที่เกี่ยวข้อง และเตือนก่อนถึงรอบสั่งครั้งถัดไป เพื่อรักษาความสัมพันธ์และเพิ่มสัดส่วนการซื้ออย่างเหมาะสม
แต้มและระดับสมาชิกจากระบบสะสมแต้มเป็นอีกเหตุผลให้ร้านกลุ่มนี้สั่งกับเราต่อ โดยไม่ต้องลดราคาส่ง
เป้าหมาย: รักษาลูกค้าที่มีคุณค่าให้อยู่กับธุรกิจนานขึ้น พร้อมหาโอกาสเพิ่มยอดอย่างเหมาะสม
กลุ่มที่ 02
Loyal Customers: ซื้อสม่ำเสมอ และยังมีโอกาสโต
ตัวอย่างเกณฑ์: R 3-5 และ F 3-5 โดยไม่เข้าเกณฑ์ Champions
Loyal Customers มีการซื้อกับธุรกิจต่อเนื่อง แต่อาจยังมียอดซื้อหรือความถี่ไม่สูงเท่า Champions
แทนที่จะส่งรายการสินค้าทั้งหมด ทีมควรดูว่าลูกค้าซื้ออะไรอยู่แล้วและมีอะไรที่น่าจะซื้อเพิ่ม เช่น ร้านที่ซื้อเครื่องดื่มเป็นประจำแต่อาจยังไม่เคยสั่งขนมขบเคี้ยว
ถ้าอยากให้ร้านลองหมวดใหม่ การให้แต้มพิเศษกับสินค้าที่เลือกในระบบสะสมแต้มเป็นทางที่ไม่ต้องลดราคา
เป้าหมาย: เพิ่มจำนวนสินค้าที่ลูกค้าซื้อ เพิ่มยอดต่อออเดอร์ และค่อย ๆ พัฒนาลูกค้ากลุ่มนี้ให้มีมูลค่ามากขึ้น
กลุ่มที่ 03
Potential Loyalists: ลูกค้าที่เพิ่งซื้อหรือยังซื้อไม่บ่อย และมีโอกาสซื้อซ้ำ
ตัวอย่างเกณฑ์: R 3-5 และ F 1-2
“ทำอย่างไรให้ออเดอร์แรกไม่กลายเป็นออเดอร์สุดท้าย?”
ลูกค้ากลุ่มนี้เพิ่งเปิดบัญชีหรือทดลองซื้อ จึงยังมี Frequency และยอดซื้อไม่สูง อย่าเพิ่งสรุปว่าเป็นลูกค้า “มูลค่าต่ำ”
ทีมขายอาจติดตามผลหลังการซื้อ แนะนำสินค้าที่เกี่ยวข้อง และประเมินว่าน่าจะถึงรอบเติมสินค้าเมื่อใด
เป้าหมาย: พาลูกค้าจาก คนที่เพิ่งซื้อครั้งแรก ไปเป็นลูกค้าที่กลับมาสั่งซ้ำ
กลุ่มที่ 04
At Risk: เคยซื้อดี แต่ช่วงหลังเริ่มห่าง
ตัวอย่างเกณฑ์: R 1-2 และมี F หรือ M ตั้งแต่ 3 ขึ้นไป
สำหรับธุรกิจที่มีลูกค้าซื้อซ้ำ กลุ่มนี้ควรถูกจับตาก่อน สมมุติลูกค้าเคยสั่งเดือนละ 50,000 บาทต่อเนื่อง แต่สองเดือนล่าสุดไม่มีออเดอร์ การเห็นสัญญาณตั้งแต่ต้นย่อมดีกว่าพบอีกครั้งเมื่อลูกค้าหายไปแล้วครึ่งปี
สาเหตุอาจมาจากราคาหรือข้อเสนอจากคู่แข่ง สินค้าขายช้าลง หรือเงื่อนไขการค้า จึงไม่ควรเริ่มด้วยโปรโมชันอย่างเดียว แต่ควรเปิดประวัติแล้วถามว่า
“ช่วงนี้มีอะไรเปลี่ยนไป และมีอะไรที่เราช่วยได้บ้าง?”
กลุ่มที่ 05
Lost / Inactive: ลดการใช้เวลาของทีมกับลูกค้าที่โอกาสต่ำ
ตัวอย่างเกณฑ์: R 1-2, F 1-2 และ M 1-2
ลูกค้ากลุ่มนี้ไม่ได้ซื้อมานานและมี Frequency กับยอดซื้อค่อนข้างต่ำ ธุรกิจอาจทดลองดึงกลับด้วยสินค้าใหม่หรือข้อเสนอที่เหมาะสม แต่หากไม่ตอบสนองต่อเนื่อง ก็ไม่จำเป็นต้องใช้เวลาทีมเท่ากับ Champions, Loyal หรือ At Risk หากลูกค้าที่หายไปเคยซื้อบ่อยหรือมียอดสูง ควรจัดเป็น At Risk เพื่อตรวจสอบก่อน
เป้าหมายของการแบ่งกลุ่มจึงไม่ใช่เพียง “ทำการตลาดให้ตรงขึ้น” แต่ยังช่วยให้ทีมรู้ว่า เวลาในการขายควรถูกใช้กับใครก่อน
ตัวอย่างคำนวณ RFM เพื่อจัดลำดับงานติดตามของทีมขาย
เมื่อนำเกณฑ์คะแนนด้านบนมาใช้กับข้อมูลสมมุติ จะเห็นเส้นทางจากข้อมูลลูกค้าไปสู่การตัดสินใจของทีมขายได้ชัดขึ้น
บนมือถือ เลื่อนตารางไปซ้ายขวาเพื่อดู Segment และงานถัดไป
| ลูกค้าตัวอย่าง | ข้อมูลที่คำนวณได้ | คะแนน RFM | Segment และงานถัดไป |
|---|---|---|---|
| ร้านรุ่งเรือง | 5 วัน 18 ออเดอร์ 620,000 บาท | 5-5-5 | Champion: รักษาความสัมพันธ์และเสนอสินค้าหมวดอื่น |
| ร้านมั่นคง | 45 วัน 12 ออเดอร์ 240,000 บาท | 3-4-3 | Loyal: ตรวจรอบซื้อและหมวดสินค้าที่เพิ่มได้ |
| ร้านเริ่มดี | 6 วัน 2 ออเดอร์ 18,000 บาท | 5-1-1 | Potential Loyalist: ติดตามเพื่อสร้างออเดอร์ครั้งที่ 3 |
| ร้านเจริญ | 95 วัน 14 ออเดอร์ 420,000 บาท | 1-4-4 | At Risk: เปิดประวัติและสอบถามสาเหตุก่อนเสนอโปรโมชัน |
| ร้านพักนาน | 181 วัน 2 ออเดอร์ 15,000 บาท | 1-1-1 | Lost / Inactive: ทดลองแคมเปญดึงกลับก่อนใช้เวลาขายรายบุคคล |
ตัวเลขในตารางนี้คำนวณซ้ำได้จากเทมเพลตที่ดาวน์โหลดได้ในหัวข้อถัดไป เปิดไฟล์แล้วจะได้คะแนนและ Segment ตรงกับตาราง
หากมีลูกค้าหลายพันร้าน ควรจัดลำดับความสำคัญภายใน Segment อีกชั้น เช่น เรียง At Risk จากยอดซื้อเดิม จำนวนวันที่เลยรอบซื้อ หรือกำไรขั้นต้น เพื่อให้ทีมเริ่มจากรายที่ทั้งเร่งด่วนและมีคุณค่าก่อน
วิธีทำ RFM ใน Excel หรือ Google Sheets
ถ้ายังไม่มีระบบที่คำนวณให้ เริ่มจาก Spreadsheet ได้เลย ใช้สองชีต คือชีต Orders ที่มีข้อมูลหนึ่งแถวต่อหนึ่งออเดอร์ และชีต RFM ที่สรุปหนึ่งแถวต่อลูกค้าหนึ่งราย สูตรด้านล่างใช้ได้กับ Excel 2019 ขึ้นไป Excel 365 และ Google Sheets
เทมเพลตมีสูตรครบทุกคอลัมน์ พร้อมข้อมูลสมมุติ 5 ร้านจากตารางด้านบน เปิดแล้วจะได้คะแนนและ Segment ตรงกับตัวอย่าง ใช้กับ Google Sheets ได้โดยเลือก File แล้ว Import
ดาวน์โหลดเทมเพลต RFM (Excel)ถ้าออเดอร์อยู่ในระบบแล้ว ไม่ต้องทำชีตนี้เอง
สนใจใช้งาน1. เตรียมข้อมูลในชีต Orders
ใช้ 5 คอลัมน์ตามลำดับ คือ A Customer ID, B Order ID, C วันที่ออเดอร์, D ยอดสุทธิ และ E สถานะ ถ้าข้อมูลที่ดึงมาเป็นรายการสินค้าหลายแถวต่อออเดอร์ ให้รวมเป็นหนึ่งแถวต่อออเดอร์ก่อน ไม่อย่างนั้น Frequency จะนับซ้ำ
ในเทมเพลตมีช่องชื่อ RefDate (วันที่อ้างอิง) StartDate (วันเริ่มช่วงวิเคราะห์) และ DoneStatus (สถานะที่นับ) แก้ค่าที่เดียวแล้วสูตรทุกแถวเปลี่ยนตาม
2. คำนวณ R, F และ M รายลูกค้า
ใส่รหัสลูกค้าที่ไม่ซ้ำกันในคอลัมน์ A ของชีต RFM (Excel 365 และ Google Sheets ใช้ =UNIQUE(Orders!A2:A5000) ได้) แล้ววางสูตรในแถวที่ 2 และลากลงมา
คอลัมน์ D Frequency: นับออเดอร์สำเร็จในช่วงวิเคราะห์
=COUNTIFS(Orders!$A$2:$A$5000,A2,Orders!$E$2:$E$5000,DoneStatus,Orders!$C$2:$C$5000,">="&StartDate,Orders!$C$2:$C$5000,"<"&RefDate)คอลัมน์ E Monetary: รวมยอดสุทธิในช่วงเดียวกัน
=SUMIFS(Orders!$D$2:$D$5000,Orders!$A$2:$A$5000,A2,Orders!$E$2:$E$5000,DoneStatus,Orders!$C$2:$C$5000,">="&StartDate,Orders!$C$2:$C$5000,"<"&RefDate)คอลัมน์ B วันที่ซื้อสำเร็จล่าสุด
=IF(D2=0,"",MAXIFS(Orders!$C$2:$C$5000,Orders!$A$2:$A$5000,A2,Orders!$E$2:$E$5000,DoneStatus,Orders!$C$2:$C$5000,">="&StartDate,Orders!$C$2:$C$5000,"<"&RefDate))คอลัมน์ C Recency: จำนวนวันจากซื้อล่าสุดถึงวันที่อ้างอิง
=IF(D2=0,"",RefDate-B2)ทุกสูตรนับเฉพาะออเดอร์ที่มีสถานะตรงกับ DoneStatus และอยู่ในช่วงวิเคราะห์ ออเดอร์ที่ยกเลิกหรืออยู่นอกช่วงจึงไม่ถูกนับ ลูกค้าที่ไม่มีออเดอร์ในช่วงนี้จะได้ Frequency เป็น 0
3. ให้คะแนน 1 ถึง 5
สูตรนี้ใช้เกณฑ์เดียวกับตารางตัวอย่างด้านบน ในเทมเพลตตัวเลขเกณฑ์อยู่ในชีตแยก จึงปรับให้ตรงรอบสั่งซื้อของธุรกิจได้โดยไม่ต้องแก้สูตร
คอลัมน์ F คะแนน R (ยิ่งซื้อล่าสุดใกล้ ยิ่งได้คะแนนสูง)
=IF(D2=0,1,IF(C2<=14,5,IF(C2<=30,4,IF(C2<=60,3,IF(C2<=90,2,1)))))คอลัมน์ G คะแนน F
=IF(D2>=16,5,IF(D2>=10,4,IF(D2>=6,3,IF(D2>=3,2,1))))คอลัมน์ H คะแนน M
=IF(E2>=500000,5,IF(E2>=250000,4,IF(E2>=100000,3,IF(E2>=30000,2,1))))ถ้าอยากแบ่งตามการกระจายข้อมูลแทนเกณฑ์ตายตัว ใช้ Quantile ได้ แต่ช่วงที่ใช้จัดอันดับต้องมีเฉพาะลูกค้าที่มีออเดอร์ในช่วงวิเคราะห์ (F มากกว่า 0) ไม่อย่างนั้นลูกค้าที่ยอดเป็นศูนย์จะดึงเกณฑ์ลง สูตรด้านล่างใช้ FILTER คัดให้ และใช้แถว 2 ถึง 5000 เท่ากับชีต Orders ลูกค้าที่ไม่มีออเดอร์ได้ 1 ทุกด้าน FILTER ใช้ได้ใน Excel 365 และ Google Sheets ถ้าใช้ Excel 2019 ที่ไม่มี FILTER ให้เรียงลูกค้าที่ F เป็น 0 ไว้ท้ายตาราง แล้วเปลี่ยนช่วงในสูตรให้จบก่อนแถวเหล่านั้น
ถ้าแยกลูกค้าเป็นหลายกลุ่ม เช่น ลูกค้าปลีกกับร้านส่ง ให้แยกชีตหรือแยกช่วงต่อกลุ่ม เพื่อให้แต่ละรายถูกจัดอันดับกับลูกค้าในกลุ่มเดียวกันเท่านั้น
คะแนน F แบบ Quantile
=IF(D2=0,1,MAX(1,ROUNDUP(PERCENTRANK.INC(FILTER($D$2:$D$5000,$D$2:$D$5000>0),D2)*5,0)))คะแนน M แบบ Quantile
=IF(D2=0,1,MAX(1,ROUNDUP(PERCENTRANK.INC(FILTER($E$2:$E$5000,$D$2:$D$5000>0),E2)*5,0)))คะแนน R แบบ Quantile (กลับด้าน เพราะจำนวนวันยิ่งน้อยยิ่งดี)
=IF(D2=0,1,MAX(1,ROUNDUP((1-PERCENTRANK.INC(FILTER($C$2:$C$5000,$D$2:$D$5000>0),C2))*5,0)))4. จัด Segment
คอลัมน์ I Segment ตามลำดับกติกาเดียวกับตาราง 5 กลุ่มด้านบน
=IF(F2<=2,IF(OR(G2>=3,H2>=3),"At Risk","Lost / Inactive"),IF(G2<=2,"Potential Loyalists",IF(AND(F2>=4,G2>=4,H2>=4),"Champions","Loyal Customers")))สูตรตรวจ R ต่ำก่อนเพื่อแยก At Risk ออกจาก Lost / Inactive แล้วจึงดูลูกค้าที่ยังซื้อไม่บ่อย ลูกค้าหนึ่งรายจึงอยู่ได้เพียงกลุ่มเดียว
คำนวณ RFM ได้แล้ว แล้วทีมขายจะใช้ต่ออย่างไร?
การมี RFM Score ไม่ได้ทำให้ลูกค้ากลับมาซื้อเอง ปัญหาที่เกิดขึ้นจริงคือ ทีมต้องรู้ว่า ใครควรถูกติดตามก่อน เพราะอะไร และก่อนติดต่อลูกค้าควรเห็นข้อมูลอะไร
วิธีที่ใช้ได้จริงคือนำการซื้อล่าสุด ความถี่ ยอดซื้อ และรอบสั่งซื้อมาไว้กับรายชื่อลูกค้าที่ฝ่ายขายต้องติดตาม เพื่อให้ทีมเริ่มวันจากคำถามว่า “วันนี้ควรคุยกับใคร และเพราะอะไร?” แทนการเปิดรายชื่อลูกค้าทีละราย
1. ดู RFM พร้อมรอบการซื้อ
ทีมดูการซื้อล่าสุด ความถี่ ยอดซื้อ และเทียบกับรอบสั่งปกติของแต่ละร้าน จึงไม่ต้องตีความลูกค้าที่ซื้อทุก 15 วันด้วยเกณฑ์เดียวกับร้านที่ซื้อทุก 60 วัน
ใน ForwardMiles คะแนน R ไม่ได้นับจากจำนวนวันอย่างเดียว แต่เทียบจำนวนวันที่ร้านไม่ได้สั่งกับรอบสั่งปกติของร้านนั้นเอง ส่วน F และ M ดูจากออเดอร์ 90 วันล่าสุด แล้วแบ่งคะแนน 1 ถึง 5 แบบ Quantile ภายในกลุ่มลูกค้าเดียวกัน กลุ่มตั้งได้จากกลุ่มราคาหรือกลุ่มลูกค้า เช่น แยกลูกค้าปลีกออกจากร้านส่ง หรือจะกำหนดเกณฑ์ตัดคะแนนเองรายกลุ่มก็ได้ ระบบคิดคะแนนใหม่ทุกคืน และไม่เอาคะแนนของต่างกลุ่มมาเทียบกัน
2. เปิดประวัติก่อนคุยกับลูกค้า
คำว่า At Risk บอกว่าควรสนใจใคร แต่ยังไม่บอกสาเหตุ ทีมจึงควรเปิดประวัติการซื้อและการติดต่อ เพื่อดูว่าลูกค้าหายไปทั้งหมด ยอดค่อย ๆ ลด หรือหยุดซื้อเพียงบางรายการ
3. ให้ทีมเทเลเซลส์เห็นว่าควรติดตามใคร
แทนที่จะเริ่มวันจากรายชื่อลูกค้าทั้งหมด ทีมสามารถเลือกกลุ่มที่ถึงรอบซื้อหรือเริ่มซื้อห่าง เปิดดูประวัติ บันทึกผลการติดต่อ และเตรียมการติดตามครั้งถัดไป ถ้าทีมขายออกเยี่ยมร้านด้วย รายชื่อเดียวกันนี้ใช้เลือกร้านที่ต้องแวะได้ อ่านต่อเรื่องระบบเซลส์ภาคสนาม (SFA)
รายชื่อแบบนี้ควรเรียงร้านที่เลยรอบสั่งไว้บนสุด และบอกเหตุผลที่ต้องติดตามกับการติดต่อครั้งล่าสุดไว้ในแถวเดียวกัน ทีมจะได้ไม่โทรซ้ำร้านที่เพิ่งคุยไป
ความต่างระหว่าง RFM กับ CRM อยู่ตรงนี้ RFM บอกว่าควรดูใครก่อน ส่วน CRM เป็นที่เก็บประวัติลูกค้า การติดต่อ และนัดครั้งถัดไป สองอย่างนี้ใช้ร่วมกันในระบบ CRM สำหรับค้าส่งของ ForwardMiles ตามภาพนี้
4. ดูสินค้าและเตรียมการดูแลให้ตรงกลุ่ม
ทีมดูต่อได้ว่าสินค้าใดหายไปจากออเดอร์ แล้วนำข้อมูล Segment ไปประกอบการวางข้อความ คูปอง โปรโมชัน หรือวิธีติดตามที่เหมาะสม
เป้าหมายจึงไม่ใช่การส่งข้อเสนอ “ให้เยอะขึ้น” แต่คือการ เลือกคน เลือกจังหวะ และเลือกเหตุผลในการติดต่อให้ดีขึ้น
ผลลัพธ์คือ ทีมไม่ต้องไล่เปิดลูกค้าทีละรายเพื่อหาว่าใครควรถูกติดตามก่อน
เริ่มทำ RFM ต้องมีข้อมูลอะไรบ้าง?
เริ่มจากข้อมูลระดับออเดอร์ 5 รายการ โดยข้อมูลอาจมาจาก ERP, POS, CRM, Order Management System, บิลขายจากระบบรถเร่ (Van Sales) หรือ Spreadsheet
- Customer IDระบุว่ารายการซื้อเป็นของลูกค้ารายใด
- Order IDป้องกันการนับออเดอร์เดียวกันซ้ำ
- วันที่ออเดอร์สำเร็จใช้คำนวณ Recency และช่วงวิเคราะห์
- ยอดซื้อสุทธิใช้คำนวณ Monetary ตามหลักเดียวกัน
- สถานะออเดอร์แยกรายการสำเร็จ ยกเลิก และคืนสินค้า
ธุรกิจควรกำหนดให้ชัดด้วยว่ายอดสุทธิรวมหรือไม่รวม VAT ใช้อัตราแลกเปลี่ยนวันใด และจัดการ Credit Note อย่างไร เพื่อให้ค่า Monetary เปรียบเทียบกันได้
จากนั้นเลือกวันที่อ้างอิงและช่วงวิเคราะห์ให้สัมพันธ์กับรอบสั่งซื้อ สินค้าที่เติมทุกสัปดาห์ไม่ควรใช้เกณฑ์ Recency เดียวกับสินค้าที่ซื้อปีละไม่กี่ครั้ง หากหลายหมวดมีรอบซื้อต่างกันมาก ควรคำนวณแยกตามกลุ่มสินค้าหรือกลุ่มลูกค้า
RFM บอกว่าใครควรดูต่อ แต่ค้าส่งยังต้องดูกำไรและโอกาสโตของร้าน
RFM เป็นจุดเริ่มต้นที่ดี แต่ไม่ได้ตอบทุกเรื่อง ในธุรกิจค้าส่ง ลูกค้าที่มียอดซื้อสูงไม่ได้แปลว่ามีคุณค่ามากที่สุดเสมอไป
เช่น ร้านที่ซื้อปีละ 1 ล้านบาทแต่กำไรต่อบิลต่ำ อาจทำเงินให้คุณน้อยกว่าร้านที่ซื้อ 700,000 บาทแต่กำไรดีกว่า จึงควรดูข้อมูลอื่นประกอบด้วย เช่น กำไรขั้นต้น จำนวนหมวดสินค้าที่ร้านซื้อ การจ่ายเงินตรงเวลาหรือไม่ และร้านยังซื้อเพิ่มได้อีกแค่ไหน
ร้านใหญ่ที่ซื้อกับเราเดือนละ 50,000 บาท แต่ยังซื้อจากเจ้าอื่นอีกหลายแสนบาท อาจมีโอกาสโตมากกว่าร้านที่ซื้อทุกอย่างกับเราอยู่แล้ว
ข้อจำกัดของ RFM ที่ควรรู้ก่อนนำไปใช้
ลูกค้าใหม่มักมี Frequency ต่ำตามธรรมชาติ จึงไม่ควรถูกตีความว่าเป็นลูกค้ามูลค่าต่ำทันที ขณะเดียวกัน ธุรกิจแต่ละประเภทมีรอบสั่งซื้อต่างกัน เกณฑ์ Recency จึงควรปรับให้สัมพันธ์กับพฤติกรรมจริง
อีกเรื่องที่สำคัญคือ RFM วิเคราะห์จาก พฤติกรรมที่ผ่านมา คะแนนที่ดีหรือการถูกจัดเป็น At Risk ไม่ได้ทำนายอนาคตอย่างแน่นอน และไม่ได้รับประกันว่าการติดตามจะทำให้ลูกค้ากลับมาซื้อ จึงควรใช้ข้อมูลร่วมกับบริบทที่ทีมขายรู้เกี่ยวกับลูกค้า และวัดผลหลังจากนำไปใช้จริง
นอกจากนี้ Segment ไม่ได้อยู่กับลูกค้าตลอดไป Loyal Customer วันนี้อาจกลายเป็น At Risk ในอีกไม่กี่เดือน และ Potential Loyalist ก็สามารถพัฒนาเป็น Champion ได้ RFM จึงควรถูกอัปเดตตามข้อมูลการซื้อ ไม่ใช่ทำครั้งเดียวแล้วใช้ผลเดิมตลอดปี
จาก “มีข้อมูลลูกค้า” สู่ “รู้ว่าควรดูแลใครต่อ”
ธุรกิจค้าส่งไม่ได้มีโจทย์แค่หาลูกค้าใหม่ ลูกค้าเดิมก็เปลี่ยนสถานะอยู่ตลอดเวลา บางรายยังซื้อสม่ำเสมอ บางรายมีโอกาสซื้อเพิ่ม และบางรายกำลังซื้อห่างกว่ารอบปกติ
RFM ช่วยเปลี่ยนข้อมูลออเดอร์ที่มีอยู่แล้วให้ตอบได้ว่า ใครควรรักษา ใครควรพัฒนา และใครควรถูกติดตามก่อน
แต่คุณค่าของ RFM ไม่ได้อยู่ที่ตัวเลขคะแนนหรือหน้ารายงานเพียงอย่างเดียว สิ่งสำคัญคือทีมขายสามารถนำสัญญาณเหล่านั้นไปใช้กับงานประจำวันได้หรือไม่
เมื่อทีมเห็นทั้ง RFM, รอบสั่งซื้อ, ประวัติการซื้อ และเหตุผลที่ควรติดตามในบริบทเดียวกัน ข้อมูลลูกค้าจึงเปลี่ยนจากรายงานเป็น งานติดตามของทีมขาย ได้จริง
