RFM 分析實戰：五分位分群接上差異化行銷行動

核心重點：RFM 是一套用 Recency（最近一次消費）、Frequency（消費頻率）、Monetary（消費金額）三個數字，把顧客分級的資料分析模型。它的價值跟分數本身關係不大，真正的作用是讓你戒掉「平均客單價」「平均轉換率」這種把所有人揉成一團的指標做決策。這篇會帶你從五分位計算邏輯、十一種分群的解讀、到不同商業模型的適用差異，把 RFM 從一個聽起來很學術名詞，變成你下週就能動手跑的分析流程。

月底檢討會上，報表顯示「平均客單價 1,200 元、回購率 28%」，數字漂亮，行銷團隊鬆了一口氣。但這個「平均」背後，到底藏了幾種完全不同的客人？把每月固定回購的客人與一年只來一次的過客混在一起算平均，數學雖然沒錯，對決策卻可能沒有參考價值。

這正是 RFM 分析要解決的問題。它是資料庫與直效行銷中沿用多年的方法：用三個常見的交易欄位，替每一位顧客算出一組分數，再依分數分到不同區間。團隊常缺的不是資料，而是一套把資料翻譯成「該對誰、做什麼」的框架；RFM 可以作為入門工具。

RFM 是什麼？用三個數字替每位顧客畫一張健康檢查報告

RFM 三個字母，各自對應一個你早就熟悉、只是沒把它正式化的人性觀察。實務上常把它比喻成顧客的「健康檢查報告」，三個指標各自獨立，合在一起才看得出全貌。

Recency：距離上次消費過了多久

第一個字母 R 衡量的是「新鮮度」。一位顧客上次跟你互動是三天前、還是三年前，這個時間距離直接反映他現在對你品牌的記憶強度與再喚醒的難易。心理學講得很清楚，記憶會衰退，注意力會轉移。三個月前還很熱絡的客戶，今天收到你的簡訊，可能要想半秒才想起你是誰；三年沒互動的，多半直接封鎖或檢舉為垃圾訊息。R 值小（最近才買）的顧客，是你此刻最容易再促成下一筆交易的人。

Frequency：在一段時間內消費了幾次

第二個字母 F 衡量的是「慣性」。一個一年買一次的人和一個月買一次的人，本質上是兩種完全不同的關係。頻率高的顧客，已經把你的產品嵌進了他的日常例行裡，這種關係的轉換成本很高，他要換掉你，得連帶改變自己的習慣。頻率低的人，可能只是被某檔促銷釣上來一次，品牌對他來說還沒有真正的份量。F 值高，代表的是一種已經成形的依賴。

Monetary：總共花了多少錢

第三個字母 M 衡量的是「價值貢獻」。把同一段時間內每位顧客的累計消費金額拿出來比，你幾乎一定會看到一個極端不平均的分布。這就是大家常講的 80/20 法則的具體證據：少數顧客貢獻了不成比例的營收。M 值真正的用途是讓你看清資源該往哪裡集中。留住一個高 M 值客戶的報酬，往往遠高於開發十個低 M 值的新客。

三個指標的組合，才是 RFM 真正的力量。單看 R，你只知道誰剛來過；單看 F，你只知道誰常來；單看 M，你只知道誰花得多。但當你把三者疊在一起，就能回答那個關鍵問題：這個顧客現在處於什麼樣的關係狀態，又該用什麼方式對待他。這也是為什麼 RFM 跟傳統的 STP 區隔邏輯可以互補，STP 處理的是「該打哪一群市場」，RFM 處理的是「手上已經有的這群人，誰該留、誰該養、誰該放手」。對這兩層的關係有興趣，可以延伸讀STP 市場區隔的完整拆解。

RFM 模型在直效與資料庫行銷中沿用已久，計算工具從人工紀錄、試算表走到資料倉儲與預測模型，三個維度仍用來描述顧客最近是否購買、購買頻率與累計金額。它是實用的描述框架，不等於在所有商業模型都能直接預測未來。

為什麼「平均客」會害死你的行銷決策

做顧客分析時，不要只看「平均」。顧客行為的分布可能偏斜，平均數容易被少數極端值拉高或壓低，未必能代表多數人的狀況。

假設某電商的多數訂單落在中低金額區間，少數大額訂單卻把平均客單價拉高。若直接按平均值設計高價套裝 EDM，就可能同時錯過主流客群與原本就會購買的大戶。這個例子提醒你：活動設計前要看分布，不只看平均。

問題的根源，是把異質性極高的客戶群當成一個均質的整體來思考。RFM 的價值就在這裡：它強迫你放棄「一個平均客」的幻覺，改用三個維度做顧客分群，把性質相近的顧客放在同一群，然後對每一群設計不同的對待方式。換句話說，RFM 做的事就是把模糊的「我們的客戶」，翻譯成具體的「這十種客戶，各自要什麼」。

這個觀念也解釋了為什麼 RFM 和顧客終身價值（LTV）的關係這麼緊密。RFM 是橫切面，告訴你「現在」的狀態；LTV 是縱剖面，告訴你「整段關係」的累計價值。兩者搭配，你才能判斷「該不該花錢留住這個人」。想把 LTV 這一塊補起來，可以先看LTV 顧客終身價值的基礎介紹。

觀察方式	你會得到的結論	隱藏的風險
只看平均數	「我們的客戶大概就是這個樣子」	把長尾兩端混為一談，活動設計打不到任何人
RFM 分群	「這群該留、那群該養、另一群該喚醒」	群切太細會樣本不足，需控制分群數量
單一指標排名	「誰花最多錢就最值得投資」	忽略 R 與 F，可能把資源砸在已經沉睡的高單價客

換個方式想，平均數真正危險的地方，在於它製造一種「我們已經掌握全局」的安心感。當報表上只有一個數字，團隊的討論會自然收斂到「如何拉高這個數字」，而不會去問「這個數字背後其實藏著幾種截然不同的客戶」。RFM 把一個平均數拆成多個分群之後，討論的層次立刻拉開：冠軍客的占比有沒有在成長？流失風險的那群是哪個月開始變多的？這種從「單一數字」走向「分布與遷移」的視角轉換，才是 RFM 帶來最根本的改變。

RFM 分數怎麼算？五分位法的完整邏輯

理解了原理，接下來是實作。RFM 的難點在切分點與資料品質。五分位法（quintile）是常見做法：把顧客依指標排序，再切成五組。它不是所有資料下都最穩健；樣本小、重複值多或交易週期差異大時，可能需要三分位、自訂門檻或其他分群方式。

步驟一：決定分析視窗與資料來源

先框定一段時間範圍，通常是過去 12 個月或 24 個月，視你的產品回購週期而定。冷氣這種一買用十年的耐久財，看 24 個月可能還太短；鮮奶這種每週回購的快消品，看 6 個月可能就夠。資料來源是你的訂單系統或 CRM，需要的欄位只有三個：顧客 ID、訂單日期、訂單金額。沒有這三個欄位，就先回去把基礎交易資料的收集弄乾淨，再談分析。

步驟二：為每位顧客算出三個原始指標

對每位顧客，計算：R = 分析截止日減去他最後一次消費日（單位是天數，越小越好）；F = 視窗內的訂單總次數；M = 視窗內的累計消費金額。這一步用 Excel 樞紐表、SQL 聚合、或 Python 的 pandas 都能做完，沒有技術門檻，只有資料乾不乾淨的問題。重複的訂單紀錄、退款的處理、測試帳號的雜訊，都會在這一步現形，建議在這裡多花點時間清理。

步驟三：把原始指標換算成 1 到 5 分

把所有顧客的 R 值排序，最近消費者給高分，F 和 M 則通常是數值越大分數越高。分位數能讓各組人數接近，但重複值可能造成不等組，固定門檻也不是一概無效；若會員制度或商業規則本來就有明確級距，應比較哪種切法更能驅動行動。

步驟四：組合成分數字串並命名分群

三位數的 RFM 分數（例如 555、435、511）本身不容易溝通，可以對應成群組名稱。不同工具對分數方向、區間與標籤的定義不完全相同；555、511、155 只能視為特定慣例下的例子，使用前要先確認文件。Bloomreach 的顧客互動平台文件提供一套公開可查的分群方式。

步驟五：驗證分群的業務意義

算完分數、貼完標籤，還沒結束。最後一步是把每個分群的人數、貢獻的營收占比、平均客單價列出來檢視。如果某個「冠軍客」群組只有 3 個人，那這個分群在實務上沒有操作價值，你可能需要把五分位降成三分位，或合併相鄰的群。這一步的本質是：分群是為了行動服務的，一個無法驅動任何具體行動的分群，分得再精準也是白忙一場。

如果你偏好用程式碼來跑整套流程，R 生態系裡有一個專門的 rfm 套件，把從資料整理、分數計算到視覺化全部包好，CRAN 上的套件文件裡對五分位的計算邏輯有清楚的定義。會寫一點 R 的人，幾十行就能把整份報表跑出來；不會 R 也沒關係，同樣的邏輯用試算表或任何 BI 工具都能重現。

這裡還有一個容易被略過的實務細節：分析視窗的選擇會直接影響分數的穩定性。如果你的生意有明顯的季節性，例如母親節或年終購物節這類大檔期，只看包含大檔的那半年，會讓很多客戶的 F 和 M 被異常拉高，分群跟著失真。比較穩妥的做法是涵蓋一整個完整的年度循環，讓季節性彼此抵消，或者明確標註大檔期的貢獻並做單獨觀察。資料分析的世界裡，你看見的永遠是視窗框出來的世界，視窗本身就是一個需要被審視的選擇。

從分數到分群：十一種顧客類型該怎麼解讀

三位數的分數組合，在數學上有 125 種可能，實務上沒有人會去記 125 種。業界把它收斂成大約 9 到 11 種「行動導向」的顧客類型，每一種對應一種明確的對待策略。以下整理成這張表，重點在於看懂「這群人現在處於什麼狀態、該用什麼力道對待他們」。

顧客類型	RFM 特徵	關係狀態	建議對待方式
冠軍客 Champions	R 高、F 高、M 高	最活躍、最忠誠、貢獻最大	不推銷，給尊榮與口碑誘因，請他們推薦
忠誠客 Loyal	R 中高、F 高、M 中高	穩定回購的主力	維持體驗，交叉銷售與升級方案
潛力客 Potential Loyalist	R 高、F 中低、M 中低	剛建立關係，有養成空間	鼓勵第二、第三次回購，養成習慣
新客 New Customers	R 高、F 低、M 低	首次消費，關係最薄弱	歡迎流程與新手引導，降低首次摩擦
待養成 Promising	R 中、F 低、M 低	來過幾次但還沒扎根	限時誘因促成下一筆，建立頻率
需要關注 Need Attention	R 中、F 中、M 中	穩定中開始降溫	主動關心、專屬內容，避免滑落
即將沉睡 About to Sleep	R 中低、F 中低、M 中低	活躍度明顯下滑	再行銷訊息，喚醒優先於推銷
流失風險 At Risk	R 低、F 與 M 中高	曾經是大戶，正在遠離	一對一挽回，找出離開原因
沉睡大戶 Can't Lose Them	R 很低、F 與 M 很高	高價值的舊愛，幾乎不再互動	高規格挽回，個人或專人聯繫
休眠客 Hibernating	R 低、F 與 M 偏低	來過就忘，關係已斷	低成本測試，無反應就停止投入
流失客 Lost	R 很低、F 與 M 很低	徹底離開	僅做品牌層再曝光，不再個別經營

讀這張表的方式，是把注意力放在「關係狀態」那一欄，別盯著分數看。RFM 真正在描述的是一段關係的生命週期位置：一個客戶從新客，走到潛力客，晉升忠誠客，然後可能因為種種原因開始降溫，變成需要關注、即將沉睡，最終流失。這條曲線，跟我們在行銷漏斗裡看到的顧客旅程其實是同一件事，只是漏斗講的是「還沒買的人怎麼被推進來」，RFM 講的是「已經買進來的人怎麼被留住、怎麼被拉回來」。

這也是為什麼 RFM 跟 BCG 矩陣在思維結構上很相似，兩者都是用兩三個維度，把一群對象切到不同的象限，再對每個象限下不同的策略判斷。差別在 BCG 切的是產品組合，RFM 切的是顧客組合。對矩陣式分析邏輯有興趣，可以對照著讀BCG 矩陣的產品定位策略。

不過要提醒一個優先級的判斷：你不可能、也不該同時對十一個分群都啟動專屬行動方案，那會把團隊的精力徹底稀釋。建議把資源集中在前三個最能影響營收的群，通常會是冠軍客的留存、即將沉睡的喚醒、以及流失風險的挽回。這三群的報酬率最高，也最能驗證你的 RFM 分析有沒有真的落地。等其他幾群的經營模式跑順了，再逐步把戰線擴大。

RFM 不是萬用丹：四種商業模型的適用性差異

網路上大多數 RFM 教學，預設的場景都是「電商」。但 RFM 不是只活在電商裡，只是它在不同商業模型下的表現差很多，有些甚至需要調整維度的定義。這一塊是實務上最多人踩坑的地方，也是一般入門文章最常略過不談的。以下把四種常見的商業模型拆開來比較。

電商零售：RFM 的原生戰場

電商是 RFM 最直接適用的場景，因為每一次交易都有明確的時間戳記和金額，F 值的計算直觀。唯一的調整是分析視窗要配合產品的回購週期：消耗品看短一點（3 到 6 個月），耐久財看長一點（18 到 24 個月）。電商做 RFM 最大的價值，是把「折扣碼狂發」這種無差別攻擊，換成只對「即將沉睡」和「需要關注」這兩群發，把毛利守住。

訂閱制服務：把 F 重新定義為續約行為

SaaS、線上課程平台、會員制服務，交易頻率被訂閱週期固定住了，每個月就是固定扣款，傳統的 F（消費次數）幾乎沒有區分度。在這種模型裡，F 應該重新定義為「使用頻率」或「登入頻率」。一個每月扣款但從不登入的訂閱者，跟一個每天登入的重度使用者，在流失風險上是兩個世界。M 則可以用「訂閱方案等級」加上「加購金額」來取代單純的累計金額。重新定義之後，RFM 在訂閱模型裡一樣能發揮強大的分群效果。

B2B 與長週期採購：R 的單位要放大

B2B 工業耗材、企業軟體、設備採購這類生意，回購週期可能是季、甚至年。用「天」當 R 的單位沒有意義，改成「週」或「月」更實際。同時，B2B 的一筆訂單金額差異極大，M 值很容易被少數幾張大單主導，這時候建議把 M 拆成「訂單數」與「平均訂單金額」兩個子指標來看，才不會被極端值帶偏。B2B 的採購決策鏈又長又複雜，RFM 能幫你看見「哪些帳號正在降溫」，但真正的挽回還是得回到關係經營。

實體零售與餐飲：資料收集是最大門檻

實體店面最大的挑戰其實在分析之前：你根本沒有顧客層級的交易資料。沒有會員系統、沒有綁定顧客 ID 的結帳流程，就沒有 R、F、M 可言。連鎖餐飲或零售要導入 RFM，第一步永遠是先把會員制度跟電子發票載具串起來，讓每一筆消費都能歸戶。資料收集這關過了，後面的分析邏輯跟電商幾乎一樣。對這塊的會員制度設計有興趣，可以參考私域流量的經營觀念。RFM 分析的前提，就是你得先把顧客留在自己的資料庫裡。

還有一種越來越常見的混合型態值得特別留意：線上線下整合的零售品牌，會員可能同時在實體門市和網路商店消費。這時候 R、F、M 的計算必須把兩個通路的交易合併起來算，否則同一個人在門市買了三次、網路買了三次，會被當成兩個各自低頻的不同客戶，分群完全失準。通路歸戶是這類品牌做 RFM 前要先解決的工程問題，跨通路的顧客身分怎麼合併、退貨怎麼沖銷、贈品交易算不算頻率，這些細節會決定你的分群到底反映真實還是反映雜訊。

商業模型	R 的定義	F 的定義	M 的定義	主要挑戰
電商零售	距上次訂單天數	視窗內訂單數	累計消費金額	折扣無差別化，需分群投放
訂閱制服務	距上次登入天數	使用或登入頻率	方案等級加加購	F 若用扣款次數無區分度
B2B 長週期	距上次採購週數	採購次數	累計金額拆均價	極端大單扭曲 M 值
實體零售餐飲	距上次來店天數	來店次數	累計消費金額	顧客層級資料難以收集

三個常見的 RFM 地雷

RFM 的計算邏輯簡單，但也容易被誤用。以下三個問題在實作中很常見。

地雷一：用絕對門檻當切分點

固定絕對門檻若沒有對應商業規則，就很難跨產業、時間與通路比較。五分位能依資料分布做相對排序，但遇到大量同分或小樣本時，不一定能精確切出各 20%，仍要檢查實際分組。

地雷二：分群切得太細，樣本不足

第二個錯誤來自「越精細越好」的焦慮。有人會把五分位擴充成十分位，或加上更多維度，把客戶切成幾十個群。若每群樣本過少，指標就容易劇烈跳動。分群數量應控制在每一群都有明確行動方案、且樣本足以評估的範圍內。

地雷三：算完分數就沒有下一步

第三個錯誤是報表做完就停在分析端。若沒有接上具體活動、差異化溝通與留存評估，RFM 就無法證明價值。分析的目的，是支持可追蹤的行動。

分完群然後呢？把 RFM 接上行動方案

RFM 真正發揮價值的地方，是把分群結果接上你的行銷執行管道。說得更具體一點：每一個 RFM 分群，都應該對應到一套差異化的溝通策略：不同的訊息、不同的誘因、不同的頻率、不同的管道。這一段可以拆成三個最常見的應用場景。

差異化 EDM 與再行銷

不同分群應先提出不同溝通假設，再用實驗確認。冠軍客不一定不需要折扣，沉睡客也不一定會被折扣拉回；管道與優惠要看增量、毛利與回應。HubSpot 2023 年的報告可用來觀察內容個人化與分眾溝通的投資方向，但不代表任何 RFM 規則都有效。把經驗證的規則接上EDM 電子報行銷系統，才能進行分群自動投放；成本與報酬則可搭配ROI 與 ROAS確認。

預測 LTV 與資源配置

RFM 是描述過去與目前行為的特徵，可作為 LTV 模型的輸入，但不能單獨等同未來價值。R、F、M 都高的客戶是否持續貢獻，仍要用後續 cohort 驗證。把 RFM 跟 LTV 放在一起看，能補足 ROAS 只觀察當下交易的限制。

追蹤分群遷移與健康度

RFM 該被當成一個定期重跑、追蹤變化的儀表板，而非一次性專案。每個月或每季重新計算一次，然後看一件最重要的事：客戶在不同分群之間的遷移。有多少冠軍客降級成了忠誠客？有多少需要關注滑落成了即將沉睡？這條「降級漏斗」的流速，就是你顧客健康度最誠實的指標。把這個指標的數據來源跟你的網站分析串起來，例如透過GA 報表的轉換與事件數據輔助判讀，就能形成一個閉環的觀察系統。

每個分群都應該有各自的成功指標，用同一套指標衡量所有群，是另一種「平均」的陷阱。冠軍客該看的是口碑帶來的新客數量與留存率；流失風險該看的是挽回成功的比例；新客該看的是三十天內的二次回購率。把每個群的指標分開追蹤，你才知道對哪一群的投入真的有效、哪一群的策略需要調整。這套分群層級的績效管理，是 RFM 從一次性報表走向常態化營運機制的關鍵。

當 AI 走進 RFM：自動化分群與預測模型的下一步

RFM 是一套六十年前的方法，它的核心邏輯至今沒有失效，但 AI 確實正在改變我們操作 RFM 的方式。會把 RFM 和 AI 放在一起談，是有原因的：RFM 跟現代 AI 與數據工具的結合，確實是當下最值得投入的方向之一。

第一個變化是自動化分群與再計算。接上客戶資料平台（CDP）或資料倉儲後，可以依需求設定每日或更頻繁的 RFM 更新與流程觸發；這不是 CDP 預設就會自動完成的功能，仍需要資料串接、規則與權限設定。

第二個變化是從描述性分群走向預測性分群。機器學習模型可以在 RFM 之外加入瀏覽行為、客服互動與產品偏好，預測特定期間的流失或回購機率。RFM 是常見的基礎特徵之一，但是否重要要由模型驗證；資料定義與品質沒整理好，再複雜的模型也無法補救。

第三個變化是生成式 AI 協助溝通內容的個人化。大型語言模型可以依分群屬性產出 EDM、再行銷素材或客服腳本草稿，但策略、個資使用、品牌語氣與內容審核仍是人的責任。第一線脈絡若沒有進入資料，模型也不會自行知道。

講到這裡，要點出一個常見的誤解。有人聽到 AI 可以做自動化分群與預測，就以為從此能把整個顧客經營外包給系統，團隊只要看報表就好。這個想法低估了一件事：任何模型預測的都是機率，機率無法告訴你「為什麼」。當系統標記某位高價值客戶下個月有七成機率流失，真正能挽回他的，往往是業務或客服手上那條只有第一線才知道的脈絡，例如他上一次客訴的處理結果、他的採購預算被砍、或者對手正在挖角。模型負責把該被注意的人拉進你的視線裡，但接下來那一步的判斷與行動，永遠是人該做的事。

對 AI 在行銷分析裡的應用有興趣，可以進一步研究檢索增強生成（RAG）如何讓模型基於受控資料回答問題，以及 AI Agent 如何串接分群、觸發與投放。導入成本、資料治理與維運負擔差異很大，仍要依團隊能力評估。

現在就動手：六步把 RFM 變成你的下個月行動

讀完這麼多，如果你只記得一件事，希望是這句：RFM 的價值發生在分群之後的差異化行動，分析只是起點。接下來這六個步驟，是下個月就能開始動手的具體路徑。

1. 盤點資料：確認你的訂單系統能匯出顧客 ID、訂單日期、訂單金額這三個欄位，沒有就先補齊資料收集。
2. 框定視窗：依你的產品回購週期，選定過去 6 到 24 個月做為分析範圍。
3. 計算分數：用五分位法，為每位顧客算出 R、F、M 各 1 到 5 的分數，組成三位數字串。
4. 命名分群：參考業界成熟的命名慣例，把分數對應到 9 到 11 種顧客類型，控制群數在你每一群都想得出對應行動的範圍。
5. 設計行動：針對冠軍客、即將沉睡、流失風險這三個優先級最高的群，各設計一套差異化的溝通方案與誘因。
6. 建立追蹤：每個月重跑一次，記錄分群遷移的方向與速度，把「降級漏斗」做為你的顧客健康度核心指標。

RFM 不會讓你一夜暴富，它是一套需要耐心累積的經營紀律。但當你開始用「分群」取代「平均」來看你的客戶，你會發現過去很多想不通的行銷為什麼沒效，答案其實都藏在資料的分布裡。那個一直被平均數掩蓋的真相，會慢慢浮現。而看見真相，永遠是做出好決策的第一步。

如果你看完這篇，想把 RFM 跟整體的顧客經營策略串起來，把「分析」變成「可執行的下一步」，可以接著替每個 RFM 分群補上一張具體的人物輪廓，讓分群從數字變成你能對話的對象；我們（Whoops SEO）也協助企業把這類資料分析觀念落實到網站與內容策略上。卡在「分析做完了，下一步卻不知怎麼接」的時候，歡迎來找 Whoops 聊聊。真正能讓你的顧客分析起飛的，是你下個月真的動手跑第一次。