การวิเคราะห์ RFM สำหรับร้านค้าออนไลน์ไทย: คู่มือสี่ควอร์ไทล์ฉบับสมบูรณ์

ทำไม RFM จึงสำคัญสำหรับร้านค้าออนไลน์ไทย

หากรายชื่อลูกค้าของคุณกำลังเติบโตแต่ทีมงานยังไม่สามารถบอกได้ว่าควรติดตามใครก่อน RFM คือจุดเริ่มต้นที่มีโครงสร้างชัดเจน วิธีนี้จัดกลุ่มลูกค้าตามระยะเวลานับจากการซื้อครั้งล่าสุด จำนวนครั้งที่ซื้อ และยอดใช้จ่าย เพื่อให้คุณตรวจสอบประวัติที่แตกต่างกันก่อนตัดสินใจว่าควรดำเนินการอย่างไรกับแต่ละกลุ่ม

RFM อธิบายพฤติกรรมการซื้อที่ผ่านมาในสามด้านจากขอบเขตประวัติคำสั่งซื้อที่กำหนดไว้: ลูกค้าซื้อล่าสุดเมื่อไหร่ พวกเขาสั่งซื้อที่ผ่านเกณฑ์กี่ครั้ง และใช้จ่ายไปเท่าไหร่ ในระบบสี่ควอร์ไทล์ที่ใช้ในคู่มือนี้ รหัส '111' หมายความว่าลูกค้าอยู่ในกลุ่มที่มีพฤติกรรมการซื้อแข็งแกร่งที่สุดในทั้งสามมิติ ส่วนรหัส '444' หมายถึงกลุ่มที่ซื้อห่างที่สุด ความถี่ต่ำกว่า และใช้จ่ายน้อยกว่า สิ่งเหล่านี้คือคำอธิบายพฤติกรรมการซื้อที่บันทึกไว้ ไม่ใช่การตัดสินคุณค่าของบุคคลหรือการพยากรณ์ว่าพวกเขาจะทำอะไรในอนาคต

คู่มือนี้อธิบายข้อมูลที่ต้องใช้ การจัดอันดับแต่ละมิติ รหัสรวม ข้อจำกัด และการตัดสินใจในสัปดาห์แรก ตารางลูกค้าสมมติแปดรายกำหนดจำนวนคำสั่งซื้อและยอดใช้จ่ายเป็นข้อมูลตั้งต้น ผู้อ่านตรวจสอบจำนวนวันที่ผ่านไป การจัดควอร์ไทล์ และผลรวมจากตารางได้ แต่บทความไม่ได้แสดงรายการคำสั่งซื้อสมมติทั้ง 36 รายการ

วันที่ในตัวอย่างใช้ปี ค.ศ. 2026 ซึ่งตรงกับ พ.ศ. 2569 วันที่รูปแบบ YYYY-MM-DD เรียงเป็นปี-เดือน-วัน ส่วน 08/09/2026 หมายถึง 8 กันยายน 2026 ทุกตารางใช้วันตัดข้อมูลเดียวกัน

นิยามหลัก: Recency, Frequency และ Monetary Value

ก่อนจะให้คะแนนสิ่งใดก็ตาม ควรให้ความชัดเจนกับสิ่งที่แต่ละมิติวัดจริงๆ — และสิ่งที่มันไม่ได้วัด

Recency (R) คือจำนวนวันระหว่างคำสั่งซื้อที่ผ่านเกณฑ์ล่าสุดของลูกค้ากับวันที่วิเคราะห์ที่กำหนดไว้ค่าที่น้อยกว่าหมายถึงการซื้อที่ใกล้เคียงกว่า ในคู่มือนี้ R=1 คือกลุ่มที่ซื้อล่าสุดที่สุด และ R=4 คือกลุ่มที่ซื้อห่างที่สุด การซื้อล่าสุดไม่ได้แสดงถึงความพึงพอใจ การมีส่วนร่วมกับแบรนด์ หรือความพร้อมที่จะซื้ออีกครั้งในตัวมันเอง

Frequency (F) คือจำนวนคำสั่งซื้อที่ผ่านเกณฑ์ซึ่งแตกต่างกันที่ลูกค้าทำในช่วงสังเกตการณ์ที่ระบุไว้ จำนวนที่มากกว่าหมายถึงมีการซื้อที่บันทึกไว้มากกว่า ไม่ใช่ว่ามีนิสัยเฉพาะอย่างหรือมีแรงจูงใจพิเศษ สินค้าหลายรายการในคำสั่งซื้อเดียวจะต้องไม่นับเป็นการซื้อหลายครั้งในการคำนวณเชิงสอนนี้

Monetary Value (M) คือยอดใช้จ่ายรวมในช่วงเวลาเดียวกัน โดยใช้นิยามที่ชัดเจนว่ารวมอะไรบ้าง ตัวอย่างด้านล่างใช้มูลค่าสินค้าหลังหักส่วนลด ไม่รวมค่าจัดส่งและภาษี ยอดใช้จ่ายไม่ใช่กำไร มูลค่าตลอดอายุลูกค้าที่คาดการณ์ หรือหลักฐานความชอบของลูกค้า การคำนวณกำไรต้องการข้อมูลต้นทุนที่ตัวอย่างนี้ไม่มี

มีข้อกำหนดสำคัญสองอย่างที่ต้องชัดเจนตั้งแต่ตอนนี้ ประการแรก แต่ละมิติถูกให้คะแนนอย่างอิสระ — R ไม่มีผลต่อคะแนน F หรือคะแนน M ประการที่สอง รหัสรวมเป็นสตริงข้อความของตัวเลขสามหลัก ไม่ใช่ผลรวม รหัส '114' หมายความว่า R=1, F=1, M=4 ไม่ได้หมายความว่าลูกค้าได้คะแนน 6 จาก 12 การนำรหัสรวมมาบวกกันทางคณิตศาสตร์จะทำลายข้อมูลวินิจฉัยในแต่ละมิติ

อ้างอิง: HubSpot: RFM Analysis — แนวทางการแบ่งกลุ่มลูกค้าด้วยข้อมูล · Microsoft Dynamics 365 Commerce: การตั้งค่าการวิเคราะห์ RFM

การเตรียมข้อมูล: ควรรวบรวมอะไรและทำความสะอาดอย่างไร

สำหรับตารางระดับคำสั่งซื้อที่เตรียมแล้ว ให้รวบรวม: รหัสลูกค้าที่คงที่ รหัสคำสั่งซื้อที่คงที่ วันที่สั่งซื้อ และมูลค่าเงินที่ใช้ในการวิเคราะห์ รหัสคำสั่งซื้อต้องไม่ซ้ำกันในแหล่งข้อมูลที่รวมไว้ทั้งหมด หากเลขที่คำสั่งซื้ออาจซ้ำกันได้ให้เก็บรหัสแหล่งที่มาไว้ด้วย ข้อมูลส่งออกดิบยังต้องมีสถานะ การคืนเงิน และข้อมูลการปรับปรุงที่นโยบายการรวมของคุณกำหนด เก็บรหัสลูกค้าและรหัสคำสั่งซื้อไว้เป็นข้อความ

ตัดสินใจว่าคำสั่งซื้อใดผ่านเกณฑ์ และบันทึกว่าการยกเลิก การคืนเงินเต็มจำนวน และการคืนเงินบางส่วนส่งผลต่อ Frequency และ Monetary Value อย่างไร หมายเลขโทรศัพท์ร่วม ชื่อที่คล้ายกัน หรือรายละเอียดการติดต่อที่ตรงกันเป็นเพียงเบาะแสที่ควรตรวจสอบ ไม่ใช่หลักฐานเพียงพอว่าสองรายการเป็นลูกค้าคนเดียวกัน เก็บรายการที่ไม่แน่ใจแยกไว้จนกว่าจะยืนยันตัวตนได้ กำหนดวันที่วิเคราะห์หนึ่งวันและช่วงสังเกตการณ์ที่ระบุไว้ หากข้อมูลส่งออกมีรายการสินค้าย่อย ให้นับแต่ละคำสั่งซื้อที่ผ่านเกณฑ์เพียงครั้งเดียวและหลีกเลี่ยงการบวกยอดรวมคำสั่งซื้อที่ซ้ำในหลายแถว

เมื่อข้อมูลสะอาดแล้ว ให้รวมข้อมูลตามลูกค้า: คำนวณจำนวนวันนับจากคำสั่งซื้อล่าสุดสำหรับ Recency นับรหัสคำสั่งซื้อที่แตกต่างกันสำหรับ Frequency และรวมมูลค่าคำสั่งซื้อสำหรับ Monetary ตอนนี้คุณมีหนึ่งแถวต่อลูกค้าพร้อมข้อมูลตัวเลขสามรายการที่พร้อมสำหรับการให้คะแนน

อ้างอิง: HubSpot: RFM Analysis — แนวทางการแบ่งกลุ่มลูกค้าด้วยข้อมูล · Shopify: RFM Analysis — คู่มือนิยามและการแบ่งกลุ่ม

ระบบให้คะแนนสี่ควอร์ไทล์: 1 คือดีที่สุด, 4 คือต่ำสุด

CasperBrain ใช้สี่ควอร์ไทล์: 1 คือดีที่สุด และ 4 คือต่ำสุดในแต่ละมิติการซื้อ การจัดอันดับสี่กลุ่มจะแบ่งประชากรที่เลือกออกเป็นกลุ่มที่มีขนาดใกล้เคียงกันมากที่สุดเท่าที่วิธีการที่เลือกจะอนุญาต ลูกค้า 8 รายให้ 2 รายต่อกลุ่ม ขนาดประชากรอื่นๆ และกฎการจัดการค่าซ้ำสามารถสร้างกลุ่มที่ไม่เท่ากันได้ ดังนั้นคะแนนจึงไม่ได้แสดงถึงลูกค้า 25% เสมอไป

สำหรับ Recency ให้เรียงลำดับค่าจำนวนวันนับจากการซื้อจากน้อยไปมาก กลุ่มที่ซื้อล่าสุดจะได้รับ R=1 สำหรับ Frequency และ Monetary Value ให้เรียงลำดับจากมากไปน้อย กลุ่มที่มีจำนวนคำสั่งซื้อสูงสุดจะได้ F=1 และกลุ่มที่ใช้จ่ายสูงสุดจะได้ M=1 ต้องตรวจสอบทิศทางเหล่านี้ก่อนที่จะตีความป้ายกำกับใดๆ

กลุ่มต่างๆ ในตัวอย่างนี้เป็นสัมพัทธ์กับประชากรลูกค้าที่เลือก ร้านค้าที่ขายสินค้าอุปโภคบริโภคที่เติมบ่อยอาจมีการกระจายที่แตกต่างจากร้านค้าที่ขายสินค้าราคาแพงที่ซื้อนาน ๆ ครั้ง รหัสเดียวกันจึงอาจสอดคล้องกับค่าตัวเลขที่แตกต่างกัน บันทึกประชากร วันที่วิเคราะห์ และช่วงเวลา แทนที่จะถือว่าอันดับเป็นมาตรฐานอุตสาหกรรม

หมายเหตุสำคัญเกี่ยวกับการใช้งาน: แต่ละมิติถูกจัดอันดับและแบ่งอย่างอิสระ การเรียงลำดับตาม Recency เพื่อกำหนดคะแนน R และการเรียงลำดับตาม Frequency เพื่อกำหนดคะแนน F คือการผ่านข้อมูลสองรอบแยกกัน อันดับของลูกค้าในมิติหนึ่งไม่มีผลต่ออันดับในมิติอื่น

ด้วยลูกค้า 8 รายและไม่มีค่าซ้ำ แต่ละควอร์ไทล์จะมีลูกค้า 2 รายพอดี การคำนวณที่แสดงให้เห็นนี้เป็นตัวอย่างเชิงการศึกษา ไม่ใช่คำอธิบายตรรกะรายงานปัจจุบันที่ไม่มีเอกสาร การยกเว้นคำสั่งซื้อ หรือพฤติกรรมการจัดการค่าซ้ำที่เฉพาะเจาะจง

ตัวอย่างการแบ่งควอร์ไทล์สำหรับ Recency (เรียงจากน้อยไปมาก — ซื้อล่าสุดได้ R=1): ลูกค้า A (2 วัน) และ B (5 วัน) → R=1 | C (10 วัน) และ D (20 วัน) → R=2 | E (35 วัน) และ F (50 วัน) → R=3 | G (80 วัน) และ H (120 วัน) → R=4 สำหรับ Frequency (เรียงจากมากไปน้อย — ซื้อบ่อยสุดได้ F=1): A (8 ครั้ง) และ B (7 ครั้ง) → F=1 | C (6 ครั้ง) และ D (5 ครั้ง) → F=2 | E (4 ครั้ง) และ F (3 ครั้ง) → F=3 | G (2 ครั้ง) และ H (1 ครั้ง) → F=4 สำหรับ Monetary (เรียงจากมากไปน้อย — ใช้จ่ายมากสุดได้ M=1): H (9,000 บาท) และ A (8,000 บาท) → M=1 | C (7,000 บาท) และ D (6,000 บาท) → M=2 | E (5,000 บาท) และ F (4,000 บาท) → M=3 | G (3,000 บาท) และ B (500 บาท) → M=4 โปรดสังเกตว่า H ได้ M=1 เนื่องจากยอดใช้จ่ายสูงสุด แม้จะเป็นลูกค้าที่ซื้อนานที่สุด ทำให้รหัสรวมเป็น '441' — นี่คือเหตุผลที่ต้องอ่านแต่ละมิติแยกกัน

ข้อจำกัดที่ควรรู้จัก: เมื่อลูกค้าสองรายมียอดใช้จ่ายเท่ากันพอดี (ค่าซ้ำ) วิธีการที่แตกต่างกันจะแก้ค่าซ้ำต่างกัน เช่น จัดทั้งคู่ไว้ในกลุ่มเดียวกันหรือแบ่งตามลำดับในตาราง ผลที่ได้จะขึ้นอยู่กับการตั้งค่าเครื่องมือ ไม่ใช่คุณสมบัติโดยธรรมชาติของลูกค้า กับกลุ่มตัวอย่างขนาดเล็กมาก (เช่น 8 ราย) การเพิ่มหรือลบลูกค้าเพียงรายเดียวอาจเปลี่ยนเส้นแบ่งควอร์ไทล์ทั้งหมดได้ ควรตีความผลลัพธ์อย่างระมัดระวังเมื่อประชากรมีขนาดเล็ก

สุดท้าย ประชากรอาจเปลี่ยนแปลงไปตามเวลา ลูกค้าใหม่ที่เข้ามาจะเปลี่ยนเส้นแบ่งควอร์ไทล์ ทำให้คะแนนของลูกค้าเดิมเปลี่ยนแปลงได้โดยที่พฤติกรรมของพวกเขาไม่ได้เปลี่ยน ให้บันทึกวันที่วิเคราะห์ไว้เสมอ และอย่าเปรียบเทียบคะแนนจากช่วงเวลาต่างกันโดยตรงโดยไม่ตรวจสอบว่าประชากรฐานเปลี่ยนไปหรือไม่

อ้างอิง: HubSpot: RFM Analysis — แนวทางการแบ่งกลุ่มลูกค้าด้วยข้อมูล · Microsoft Dynamics 365 Commerce: การตั้งค่าการวิเคราะห์ RFM

ตัวอย่างเชิงปฏิบัติ: ลูกค้าสมมติแปดรายข้อมูล ณ วันที่ 8 กันยายน 2569

ข้อมูลสรุปลูกค้าสมมตินี้ได้รวบรวมจากคำสั่งซื้อที่ผ่านเกณฑ์ตั้งแต่วันที่ 1 มกราคม ถึง 8 กันยายน 2569 โดยใช้วันที่ตามปฏิทินกรุงเทพฯ ความล่าสุด (Recency) วัดเทียบกับวันที่ 8 กันยายน 2569 ความถี่ (Frequency) นับจำนวนคำสั่งซื้อที่ผ่านเกณฑ์ที่แตกต่างกัน ส่วนมูลค่า (Monetary) รวมยอดสินค้าหลังหักส่วนลด ไม่รวมค่าจัดส่งและภาษี ชุดข้อมูลนี้ถือว่าไม่มีการยกเลิกหรือคืนสินค้าเพื่อวัตถุประสงค์ทางการสอน บทสรุปประกอบด้วย 36 คำสั่งซื้อและ ฿42,500 จากลูกค้าแปดราย ผู้อ่านสามารถตรวจสอบการคำนวณจำนวนวัน ยอดรวม และการกำหนดควอร์ไทล์ได้จากตาราง โดย 36 แถวธุรกรรมพื้นฐานไม่ได้แสดงไว้ในที่นี้

การกำหนดคะแนน Recency: เรียงลูกค้าตามจำนวนวันนับจากการซื้อล่าสุดจากน้อยไปมาก (น้อยที่สุด = ซื้อล่าสุดที่สุด = ดีที่สุด) ลูกค้า A (2 วัน) และ B (5 วัน) อยู่ใน Q1 → R=1 ลูกค้า C (10 วัน) และ D (20 วัน) อยู่ใน Q2 → R=2 ลูกค้า E (35 วัน) และ F (50 วัน) อยู่ใน Q3 → R=3 ลูกค้า G (80 วัน) และ H (120 วัน) อยู่ใน Q4 → R=4

การกำหนดคะแนน Frequency: เรียงลูกค้าตามจำนวนคำสั่งซื้อจากมากไปน้อย (มากที่สุด = ซื้อบ่อยที่สุด = ดีที่สุด) ลูกค้า A (8 คำสั่งซื้อ) และ B (7 คำสั่งซื้อ) → F=1 ลูกค้า C (6) และ D (5) → F=2 ลูกค้า E (4) และ F (3) → F=3 ลูกค้า G (2) และ H (1) → F=4

การกำหนดคะแนน Monetary: เรียงลูกค้าตามยอดใช้จ่ายรวมจากมากไปน้อย (มากที่สุด = ดีที่สุด) ลูกค้า H (9,000 ฿) และ A (8,000 ฿) → M=1 ลูกค้า C (7,000 ฿) และ D (6,000 ฿) → M=2 ลูกค้า E (5,000 ฿) และ F (4,000 ฿) → M=3 ลูกค้า G (3,000 ฿) และ B (500 ฿) → M=4

คอลัมน์สุดท้ายเชื่อมตัวเลขทั้งสามเข้าด้วยกัน ลูกค้า H ได้รับ M=1 แม้จะเป็นผู้ซื้อที่ห่างนานที่สุดและซื้อน้อยครั้งที่สุดในกลุ่มตัวอย่างนี้ การคงค่าแยกกันไว้ทำให้เห็นความแตกต่างนั้นได้ชัดเจน ทั้งนี้ไม่ได้สรุปว่า H จะกลับมาซื้อ ว่าการซื้อนั้นทำกำไร หรือว่า H ควรได้รับข้อเสนอใดเป็นการเฉพาะ

การอ่านรหัสรวม: คู่มือถอดรหัสโดยใช้ลูกค้า B ('114')

อ่านรหัสสามตัวอักษรตามลำดับ R, F, M แต่ละตำแหน่งมีความหมายในตัวเอง รหัสนี้เป็นป้ายกำกับข้อความ เช่น '114' ไม่ใช่ตัวเลข 114 และไม่ใช่ผลรวมของคะแนนทั้งสาม ควรเก็บค่าดิบต้นฉบับไว้ควบคู่กับรหัสเพื่อให้เพื่อนร่วมงานสามารถอธิบายได้ว่ารหัสนั้นเกิดขึ้นอย่างไร

ลูกค้า B ในตัวอย่างสมมตินี้มีรหัส '114' ถอดรหัสได้ดังนี้: R=1 หมายความว่า B อยู่ใน 25% ของลูกค้าที่ซื้อล่าสุดที่สุด — เพียง 5 วันก่อนวันที่วิเคราะห์ F=1 หมายความว่า B อยู่ใน 25% ของลูกค้าที่ซื้อบ่อยที่สุด — 7 คำสั่งซื้อในช่วงเวลาที่กำหนด M=4 หมายความว่า B อยู่ใน 25% ของลูกค้าที่ใช้จ่ายน้อยที่สุด — เพียง 500 บาทรวมทุกคำสั่งซื้อ

ลูกค้า B สั่งซื้อเจ็ดครั้งรวมเป็นเงิน ฿500 เฉลี่ยประมาณ ฿71.43 ต่อคำสั่งซื้อในตัวอย่างนี้ รหัส '114' บันทึกอันดับการซื้อสัมพัทธ์ของ B เท่านั้น ไม่ได้อธิบายความชอบด้านสินค้า การใช้คูปอง อาชีพ หรือเหตุผลในการซื้อ ควรตรวจสอบรายละเอียดคำสั่งซื้อและข้อเสนอแนะของลูกค้าก่อนเสนอตะกร้าใหญ่ขึ้นหรือข้อเสนอที่แตกต่างออกไป

แผนภาพด้านล่างแสดงคะแนนทั้งสามของลูกค้า B ในเชิงภาพ เพื่อให้เห็นว่าแต่ละมิติอยู่ในระดับสี่ชั้นอย่างเป็นอิสระต่อกัน

เหตุผลที่คู่มือนี้เก็บคะแนนทั้งสามแยกกัน

ความเป็นอิสระของการให้คะแนนทั้งสามรอบไม่ใช่รายละเอียดทางเทคนิค — มันคือการตัดสินใจออกแบบหลักที่ทำให้รหัสรวมมีความหมาย แต่ละมิติถูกเรียงลำดับและแบ่งกลุ่มแยกกัน ดังนั้นอันดับของลูกค้าในด้าน Recency ไม่บ่งบอกว่าพวกเขาจะได้อันดับไหนในด้าน Frequency หรือ Monetary

ลูกค้า H ซื้อครั้งสุดท้ายเมื่อ 120 วันที่แล้ว มีคำสั่งซื้อที่ผ่านเกณฑ์เพียงหนึ่งรายการ และใช้จ่าย ฿9,000 รหัส '441' เก็บข้อเท็จจริงทั้งสามไว้เป็นอันดับสัมพัทธ์ การนำ 4+4+1 มารวมกันได้ 9 และการหาค่าเฉลี่ยได้ 3.0 แต่ค่าเดียวนั้นซ่อนมิติที่แตกต่างกัน ช่วงห่างที่นานอาจเป็นเรื่องปกติสำหรับการซื้อครั้งคราว ควรตรวจสอบสินค้า ประวัติก่อนหน้า ปัญหาที่ยังไม่ได้รับการแก้ไข และความชอบในการติดต่อก่อนตัดสินใจว่าการติดตามผลจะเป็นประโยชน์หรือไม่

ในทางปฏิบัติ เมื่อจัดเรียงรายชื่อลูกค้า ควรเก็บคอลัมน์คะแนนแยกสามคอลัมน์ไว้เสมอ และเรียงหรือกรองแต่ละคอลัมน์อย่างเป็นอิสระเมื่อสร้างรายชื่อกลุ่ม อย่าสร้างคอลัมน์ 'คะแนน RFM รวม' คอลัมน์ที่สี่แล้วใช้เป็นเกณฑ์หลักในการเรียงลำดับ หากต้องการการจัดอันดับเพื่อการจัดลำดับความสำคัญ ให้ระบุอย่างชัดเจนว่ากำลังให้ความสำคัญกับมิติใดและเพราะเหตุใด

อ้างอิง: Shopify: RFM Analysis — คู่มือนิยามและการแบ่งกลุ่ม

ค่าซ้ำ กลุ่มตัวอย่างเล็ก และข้อจำกัดเมื่อประชากรเปลี่ยนแปลง

ด้วยลูกค้าเพียงแปดราย ตัวอย่างเชิงปฏิบัติข้างต้นสะอาดในเชิงการสอน: ไม่มีค่าซ้ำเกิดขึ้นและทุกควอร์ไทล์มีลูกค้าสองรายพอดี ข้อมูลร้านค้าจริงมีความยุ่งเหยิงกว่าในสามด้านสำคัญ

ค่าซ้ำต้องการกฎที่ชัดเจนและทำซ้ำได้ ลูกค้าสองรายที่มีค่าดิบเท่ากันอาจอยู่ใกล้ขอบเขตกลุ่ม บางวิธีเก็บค่าซ้ำไว้ด้วยกันและยอมรับกลุ่มที่ไม่เท่ากัน บางวิธีแบ่งอันดับโดยใช้ลำดับรองที่มีเอกสารระบุไว้ อย่าสันนิษฐานวิธีการจัดการค่าซ้ำของผู้ให้บริการหรือใช้การจัดกลุ่มแบบสุ่มในกระบวนการที่ต้องทำซ้ำได้ หากลูกค้าส่วนใหญ่มีคำสั่งซื้อเพียงรายการเดียว ควรตรวจสอบว่า Frequency แยกแยะลูกค้าได้จริงๆ ก่อนพึ่งพาการจัดอันดับ

กลุ่มเล็กทำให้การเคลื่อนไหวของแต่ละรายเห็นได้ชัดขึ้น การแบ่งลูกค้า 15 รายให้เท่าๆ กันได้กลุ่มขนาด 4, 4, 4 และ 3 เมื่อมีลูกค้าน้อยกว่าสี่ราย การมีสี่กลุ่มที่มีสมาชิกเป็นไปไม่ได้ ควรตรวจสอบประวัติการซื้อดิบและอธิบายข้อจำกัดเหล่านี้ แหล่งอ้างอิงที่ใช้ในที่นี้ไม่ได้กำหนดจำนวนลูกค้าขั้นต่ำสากลที่ 40 หรือ 50 รายสำหรับการใช้ RFM

ควรแยกการเปลี่ยนแปลงสองประเภทออกจากกัน จำนวนวัน Recency เพิ่มขึ้นเมื่อวันที่วิเคราะห์เลื่อนไปหากไม่มีการซื้อใหม่เกิดขึ้น คะแนนสัมพัทธ์ยังอาจเปลี่ยนแปลงได้เมื่อประชากรเปรียบเทียบหรือช่วงเวลาการสังเกตเปลี่ยนแปลง แม้ว่าข้อมูลนำเข้าบางส่วนจะยังคงเดิม ควรเปรียบเทียบค่าดิบ วันอ้างอิง ช่วงเวลา และประชากรก่อนอธิบายการเคลื่อนไหวของคะแนน อันดับที่เปลี่ยนไปไม่ได้แสดงว่าตลาดแข่งขันดุเดือดขึ้น

โปรโมชันหรือการซื้อตามฤดูกาลอาจเปลี่ยนองค์ประกอบของคำสั่งซื้อในช่วงเวลาที่เลือก การนำเข้าข้อมูลที่ไม่สมบูรณ์ยังอาจเปลี่ยนสิ่งที่การวิเคราะห์มองเห็น ควรตรวจสอบการครอบคลุมของแหล่งข้อมูลและอธิบายว่าช่วงเวลาใดขาดหายไป สำหรับร้านที่มีการซื้อครั้งคราว ประวัติสั้นอาจละเว้นคำสั่งซื้อก่อนหน้าที่เกี่ยวข้องกับการตัดสินใจ สิ่งเหล่านี้เป็นเหตุผลให้ตรวจสอบข้อมูล ไม่ใช่หลักฐานว่าช่วงเวลาคงที่หนึ่งใดเหมาะกับทุกร้านค้า

อ้างอิง: Shopify: RFM Analysis — คู่มือนิยามและการแบ่งกลุ่ม · HubSpot: RFM Analysis — แนวทางการแบ่งกลุ่มลูกค้าด้วยข้อมูล

ภาพลักษณ์กลุ่มลูกค้าและกรอบการตัดสินใจติดตามผลที่ใช้ได้จริง

ตารางด้านล่างนำเสนอคำถามสำหรับรูปแบบรหัสบางอย่าง โดยป้ายกำกับที่ใช้เป็นเพียงคำอธิบายเพื่อการเรียนรู้ในภาษาธรรมดา ไม่ใช่ชื่อกลุ่มลูกค้าที่ได้รับการยืนยันจากผลิตภัณฑ์หรือโมเดลพยากรณ์ใดๆ รหัสเพียงอย่างเดียวไม่ได้กำหนดความเหมาะสมในการติดต่อ มูลค่าของลูกค้า หรือข้อเสนอที่เหมาะสม ควรเคารพคำขอให้โทรกลับและการปฏิเสธที่ตกลงไว้ก่อนการเข้าถึงลูกค้าโดยไม่จำเป็น

ตัวเลข '4' ในมิติ Monetary และ '4' ในมิติ Recency บรรยายการสังเกตที่แตกต่างกัน รหัส '114' ของลูกค้า B หมายถึงการซื้อที่เกิดขึ้นล่าสุดและบ่อยครั้ง แต่มีการใช้จ่ายรวมที่ต่ำกว่า ส่วนรหัส '441' ของลูกค้า H หมายถึงช่วงเวลาที่ห่างนานขึ้นและจำนวนครั้งการซื้อที่น้อยกว่า แต่มีการใช้จ่ายรวมสูง ควรอ่านรหัสทั้งหมดและประวัติข้อมูลดิบ ไม่ควรตอบสนองด้วยวิธีเดิมๆ เพียงเพราะตัวเลขเดียวกันปรากฏขึ้น

ช่วงเวลาการซื้อที่ยาวนานขึ้นอาจเป็นเหตุผลให้ทบทวนประวัติของลูกค้า โดยเฉพาะเมื่อการซื้อก่อนหน้านี้เกิดขึ้นบ่อยครั้ง ควรตรวจสอบรอบการซื้อปกติ คำสั่งซื้อที่หายไป ปัญหาที่ยังไม่ได้รับการแก้ไข และความต้องการในการติดต่อก่อนเลือกวิธีการเข้าถึง คะแนนเพียงอย่างเดียวไม่ได้ยืนยันว่าลูกค้าหายไปแล้ว ว่าการติดต่อตอนนี้มีต้นทุนต่ำกว่า หรือว่าช่องทางที่เลือกจะได้ผล CasperBrain สนับสนุนการวิเคราะห์และการวางแผน ส่วน CasperCall เป็นผลิตภัณฑ์ดำเนินการแยกต่างหากที่เชื่อมต่อกัน

อ้างอิง: HubSpot: RFM Analysis — แนวทางการแบ่งกลุ่มลูกค้าด้วยข้อมูล · Shopify: RFM Analysis — คู่มือนิยามและการแบ่งกลุ่ม

รายการตรวจสอบหนึ่งสัปดาห์สำหรับเจ้าของร้าน

หลังจากทำการวิเคราะห์ RFM เป็นครั้งแรก มักเกิดความอยากออกแบบกระบวนการสำหรับแต่ละกลุ่มอย่างละเอียดทันที แต่วิธีที่เชื่อถือได้กว่าคือการดำเนินการตามโครงสร้างในสัปดาห์แรก ซึ่งช่วยตรวจสอบข้อมูล ทดสอบการสื่อสารหนึ่งหรือสองครั้ง และสร้างนิสัยการอ่านคะแนนก่อนทำการรีเฟรช

วันที่ 1 — ตรวจสอบข้อมูล: ยืนยันแหล่งที่มา ช่วงเวลาการวิเคราะห์ และนโยบายคำสั่งซื้อที่มีสิทธิ์ ตรวจสอบหนึ่งแถวที่เตรียมไว้ต่อคำสั่งซื้อและตัวตนลูกค้าที่ยืนยันแล้ว แยกรายการที่ไม่แน่ใจออก กระทบยอดคำสั่งซื้อที่แตกต่าง ลูกค้า และการใช้จ่ายที่รวมอยู่กับตัวอย่างแหล่งที่มาขนาดเล็กก่อนใช้อันดับใดๆ

วันที่ 2 — ตรวจสอบคะแนนบางส่วน: เลือกลูกค้าหลายรายที่มีประวัติที่บันทึกไว้แตกต่างกัน และทำซ้ำค่าดิบของพวกเขา เมื่อผลลัพธ์ไม่คาดคิด ให้ตรวจสอบตัวตนลูกค้า คำสั่งซื้อที่รวม วันที่ ตัวกรอง ค่าดิบ และการคำนวณคะแนน อันดับที่น่าแปลกใจอาจเป็นผลลัพธ์ที่ถูกต้องตามกฎหมายของกลุ่มประชากรที่เลือก

วันที่ 3 — เปรียบเทียบโปรไฟล์ที่แตกต่างกันแยกกัน: เริ่มด้วย '111', '114' และ '441' รหัสแรกอยู่ในควอร์ไทล์การซื้อที่แข็งแกร่งที่สุดในทั้งสามมิติ รหัสที่สองซื้อล่าสุดและบ่อยครั้งแต่มีการใช้จ่ายรวมต่ำกว่า รหัสที่สามซื้อน้อยครั้งกว่า มีช่วงห่างนานกว่า แต่มีการใช้จ่ายรวมสูง ทบทวนประวัติและความต้องการในการติดต่อของลูกค้าแต่ละรายก่อนเลือกการดำเนินการถัดไป

วันที่ 4 — ร่างขั้นตอนถัดไปที่เป็นประโยชน์: เลือกกลุ่มเล็กๆ หนึ่งกลุ่มที่มีเหตุผลชัดเจนในการติดต่อ เขียนข้อความสั้นๆ ที่ระบุตัวร้าน ถามว่าสะดวกที่จะดำเนินการต่อหรือไม่ และเปิดพื้นที่สำหรับคำตอบจริงของลูกค้า การซื้อล่าสุดอาจต้องตรวจสอบประสบการณ์ ส่วนคำขอโทรกลับที่ตกลงไว้ควรเป็นไปตามพันธสัญญาของลูกค้า ไม่ควรอนุมานสต็อกที่เหลือหรือปัญหาจากวันที่เพียงอย่างเดียว

วันที่ 5 — กำหนดการวัดผลก่อน: ระบุผู้ที่รวมอยู่ คำจำกัดความการซื้อที่ถูกต้อง ตัวส่วน และช่วงเวลาติดตามผลก่อนเริ่ม บันทึกสิ่งที่เกิดขึ้นหลังจากช่วงเวลาดังกล่าว อัตราการซื้อที่สังเกตได้สูงกว่าไม่ได้พิสูจน์ในตัวเองว่าการติดต่อเป็นสาเหตุของการเปลี่ยนแปลง จำเป็นต้องมีการออกแบบกลุ่มควบคุมที่เปรียบเทียบได้เพื่อศึกษาผลกระทบส่วนเพิ่ม และตัวอย่างขนาดเล็กอาจยังสรุปไม่ได้

วันที่ 6 — บันทึกขอบเขตและค่าเกณฑ์: เก็บวันที่วิเคราะห์ ช่วงเวลาการสังเกต กลุ่มประชากรที่รวม และค่าขอบเขตจริงของแต่ละมิติพร้อมกับผลลัพธ์ ในการทบทวนครั้งถัดไป ให้เปรียบเทียบสิ่งเหล่านี้ควบคู่กับค่าลูกค้าดิบ เพื่อไม่ให้สับสนระหว่างการเปลี่ยนแปลงของกลุ่มประชากรกับการเปลี่ยนแปลงของบุคคล

วันที่ 7 — ตกลงว่าเมื่อใดต้องรีเฟรชคะแนน: ตรวจสอบว่าคำสั่งซื้อใหม่และการแก้ไขสะท้อนอยู่ในคะแนนก่อนใช้สำหรับการตัดสินใจเชิงปฏิบัติการ บันทึกวันที่วิเคราะห์และเลือกจังหวะการทบทวนที่เหมาะสมกับความถี่ที่ทีมดำเนินการ รอบการซื้อรายเดือนไม่ได้ทำให้คะแนนที่มีอายุหนึ่งเดือนเหมาะสำหรับรายการลูกค้าของวันนี้โดยตัวเอง

อ้างอิง: Shopify: RFM Analysis — คู่มือนิยามและการแบ่งกลุ่ม · HubSpot: RFM Analysis — แนวทางการแบ่งกลุ่มลูกค้าด้วยข้อมูล

แนวทางการให้คะแนนของผู้จำหน่ายที่ไม่ควรนำเข้ามาใช้

การใช้งาน RFM ที่แตกต่างกันใช้ทิศทางคะแนน จำนวนการแบ่ง และวิธีการรวมกลุ่มที่แตกต่างกัน ควรยืนยันกฎเหล่านั้นก่อนนำการตีความจากระบบอื่นเข้ามาใน CasperBrain

คู่มือ RFM ของ Shopify อธิบายแนวทาง 1–5 โดยคะแนนที่สูงกว่าแทนสัญญาณการซื้อที่แข็งแกร่งกว่า สิ่งนี้ต้องไม่แทนที่แนวทางสี่ควอร์ไทล์ของ CasperBrain ซึ่ง 1 คือดีที่สุดและ 4 คือต่ำที่สุด ตัวอย่างในคู่มือนี้มีป้ายกำกับโดยเจตนาเพื่อให้ผู้อ่านแยกแยะวิธีการออกจากกันได้

เอกสาร Microsoft Dynamics อธิบายการแบ่งที่กำหนดค่าได้และการรวมกลุ่มที่เป็นตัวเลือก สิ่งนี้แสดงให้เห็นว่ารหัสข้อความแยกและคะแนนรวมเป็นทางเลือกการออกแบบ ไม่ใช่คำจำกัดความที่ใช้แทนกันได้ รักษาความหมาย R, F และ M แยกกันของ CasperBrain และอย่านำเสนอการกำหนดค่าของผู้จำหน่ายภายนอกว่าเป็นฟีเจอร์ของ CasperBrain

สำหรับคู่มือนี้ '114' และ '222' ทั้งคู่รวมได้ 6 แต่บรรยายประวัติที่แตกต่างกัน คะแนนรวมอาจใช้กับวิธีที่ระบุแยกต่างหาก แต่ไม่สามารถแทนที่การตีความสามตำแหน่งที่สอนไว้ในนี้ได้ อธิบายกฎการจัดลำดับความสำคัญและทดสอบกับการตัดสินใจที่ควรจะสนับสนุน

อ้างอิง: Shopify: RFM Analysis — คู่มือนิยามและการแบ่งกลุ่ม · Microsoft Dynamics 365 Commerce: การตั้งค่าการวิเคราะห์ RFM

อภิธานศัพท์และคำถามที่พบบ่อย

วันที่วิเคราะห์ (Analysis date): จุดอ้างอิงคงที่ที่ใช้คำนวณค่า Recency ทั้งหมด ต้องสอดคล้องกันสำหรับลูกค้าทุกรายในการวิเคราะห์หนึ่งครั้ง

รหัสประกอบ (Composite code): สตริงข้อความสามตัวอักษรที่แทน R, F และ M ตามลำดับ (เช่น '114') อ่านเป็นค่าอิสระสามค่า ไม่ใช่ตัวเลข

ควอร์ไทล์ (Quartile): หนึ่งในสี่กลุ่มที่ก่อตัวจากการกระจายที่จัดอันดับแล้ว ตัวอย่างแปดลูกค้ามีกลุ่มเท่ากันสองคน ขนาดกลุ่มประชากรหรือนโยบายค่าซ้ำอื่นๆ อาจสร้างกลุ่มที่ไม่เท่ากัน ป้ายกำกับไม่ได้แทนลูกค้าพอดี 25% เสมอไป

Recency ในตัวอย่างนี้: จำนวนวันจากคำสั่งซื้อที่มีสิทธิ์ล่าสุดถึง 8 กันยายน 2026 โดยใช้วันตามปฏิทินกรุงเทพฯ R=1 คือกลุ่มล่าสุดที่สุด

Frequency ในตัวอย่างนี้: คำสั่งซื้อที่มีสิทธิ์แตกต่างกันตั้งแต่ 1 มกราคมถึง 8 กันยายน 2026 F=1 คือกลุ่มที่มีจำนวนสูงสุด คำจำกัดความนี้ไม่ได้ยืนยันพฤติกรรมการนับที่ไม่ได้รับการบันทึกทั่วทั้งผลิตภัณฑ์

มูลค่าทางการเงิน (Monetary value) ในตัวอย่างนี้: การใช้จ่ายสินค้าหลังหักส่วนลด ไม่รวมค่าจัดส่งและภาษี ในช่วงเวลาที่ระบุ ไม่มีการคืนเงินหรือยกเลิกในชุดข้อมูลสมมติ M=1 คือกลุ่มที่ใช้จ่ายสูงสุด

ถาม: ฉันสามารถเปรียบเทียบคะแนน RFM ระหว่างร้านค้าสองแห่งที่แตกต่างกันได้หรือไม่? ตอบ: ไม่ได้โดยตรง เนื่องจากขอบเขตควอร์ไทล์ถูกกำหนดสัมพันธ์กับการกระจายลูกค้าของแต่ละร้าน คะแนน R=1 ที่ร้าน A และ R=1 ที่ร้าน B จึงบรรยายพฤติกรรมสัมบูรณ์ที่แตกต่างกัน คะแนนเป็นค่าสัมพัทธ์ภายใน ไม่ใช่สากล

ถาม: ควรรวมคำสั่งซื้อทดสอบหรือไม่? ตอบ: ระบุและยกเว้นรายการที่ไม่ได้แทนการซื้อของลูกค้าที่ต้องการวิเคราะห์ บันทึกนโยบายการรวมและรักษาให้สอดคล้องกัน ป้ายกำกับเช่น 'พนักงาน' หรือ 'การจัดส่ง' ไม่ได้อธิบายในตัวเองว่าการซื้อที่อยู่เบื้องหลังนั้นเป็นของจริงหรือไม่

ถาม: ร้านค้าของฉันมีลูกค้า 15 คน RFM มีประโยชน์หรือไม่? ตอบ: เริ่มต้นด้วยค่าดิบและคำถามที่ต้องการตอบ สี่กลุ่มที่เท่ากันที่สุดจะมี 4, 4, 4 และ 3 คน ดังนั้นการเคลื่อนไหวของบุคคลจึงมองเห็นได้ หากมีลูกค้าน้อยกว่าสี่คน สี่กลุ่มที่มีประชากรเป็นไปไม่ได้ ไม่มีค่าต่ำสุดสากลที่กำหนดไว้ในนี้ ควรอธิบายข้อจำกัดของตัวอย่าง

ถาม: '111' หมายความว่าลูกค้าจะซื้ออีกแน่นอนหรือไม่? ตอบ: ไม่ใช่ มันบรรยายประวัติการซื้อสัมพัทธ์ภายในขอบเขตที่เลือก ไม่ได้ยืนยันความพึงพอใจ ความสามารถในการทำกำไร หรือการซื้อในอนาคต ใช้เพื่อระบุประวัติที่ควรทบทวนก่อนเลือกการดำเนินการ

แหล่งข้อมูลและวิธีจัดทำ

ตัวอย่างในบทความเป็นข้อมูลสมมติ ไม่มีข้อมูลลูกค้าจริง บทความจัดทำโดยทีม CasperBrain โดยใช้ AI ช่วยร่าง ตรวจข้อเท็จจริงและภาษาก่อนเผยแพร่

• HubSpot: RFM Analysis — แนวทางการแบ่งกลุ่มลูกค้าด้วยข้อมูล
• Shopify: RFM Analysis — คู่มือนิยามและการแบ่งกลุ่ม
• Microsoft Dynamics 365 Commerce: การตั้งค่าการวิเคราะห์ RFM