ในการทำธุรกิจต่าง ๆ โดยเฉพาะธุรกิจที่ต้องจัดการกับข้อมูลลูกค้า เช่น การขาย การที่เราสามารถนำข้อมูลของลูกค้าที่มีอยู่มาวิเคราะห์ จะช่วยให้เราพัฒนาการทำงานได้มีประสิทธิภาพมากขึ้น ในบทความนี้จะแนะนำให้ผู้อ่านรู้จักการวิเคราะห์ข้อมูลลูกค้าแบบที่มีวิธีการไม่ซับซ้อนที่เรียกกันว่า RFM Analysis

RFM Analysis คืออะไร

RFM เป็นคำย่อที่มาจากคีย์เวิร์ด 3 คำได้แก่ Recency, Frequency และ Monetary สำหรับงานทางด้านการขาย สามารถให้ความหมายได้ดังนี้

• Recency (R) คือ ลูกค้าซื้อสินค้าล่าสุดเมื่อไหน ลูกค้าที่ซื้อครั้งสุดท้ายไปเมื่อไม่นานนี้ ก็จะมีแนวโน้มที่จะยังกลับมาซื้ออยู่
• Frequency (F) คือ ลูกค้าซื้อบ่อยแค่ไหน ยิ่งซื้อบ่อยแปลว่าเป็นลูกค้าขาประจำ
• Monetary (M) คือ ลูกค้าซื้อไปมูลค่าเท่าใด ยิ่งซื้อมากก็ยิ่งเป็นลูกค้าที่มีมูลค่ามากที่ต้องรักษาไว้

การทำ RFM Analysis ก็คือการนำ 3 ปัจจัยนี้ มาวิเคราะห์เพื่อแบ่งกลุ่มลูกค้า (Customer Segmentation) ออกเป็นกลุ่มเพื่อตอบโจทย์ทางธุรกิจของเรา

ทำไมต้องแบ่งกลุ่มลูกค้า

หากเราเป็นเจ้าของร้านโชห่วยที่มีลูกค้าขาประจำเราก็คงจำได้ว่ารายไหนมาซื้อบ่อย ซื้อของเยอะ เราอาจจะลดแลกแจกแถมเพื่อรักษาคนนี้ไว้ หรือศึกษาพฤติกรรมว่าเขามาซื้ออะไรจากร้านเรา แต่หากเราเป็นธุรกิจขนาดใหญ่ เราคงไม่สามารถจำได้หมดว่าคนไหนเป็นลูกค้าประจำ คนไหนเป็นลูกค้าที่ซื้อเยอะ เราจึงต้องใช้ข้อมูลที่เรามีจากการขายนั้น มาแบ่งกลุ่มลูกค้าเป็นกลุ่มต่าง ๆ เพื่อให้เราสามารถดูแลลูกค้าชั้นดีของเราได้อย่างทั่วถึง ซึ่งลูกค้าแต่ละกลุ่มอาจจะต้องการการดูแลด้วยวิธีที่แตกต่างกัน

การทำ RFM Analysis เป็นหนึ่งในวิธีที่นิยมที่สุดในการแบ่งกลุ่มลูกค้า เพราะใช้เพียงแค่ข้อมูลการขายที่จัดเก็บมาทำการวิเคราะห์ โดยการวิเคราะห์เองก็ทำได้ไม่ยาก ใช้เพียง Excel ก็ทำได้แล้ว และยังสามารถตีความผลการวิเคราะห์เพื่อนำมาใช้จริงได้ง่ายอีกด้วย

คำนวณ ค่า RFM ได้อย่างไร

ในการทำ RFM Analysis นั้นจะต้องมีสององค์ประกอบคือ (1) ต้องสามารถระบุตัวลูกค้าได้ โดยที่เราไม่จำเป็นต้องระบุตัวตนลูกค้าว่าเป็นใครชื่ออะไร เพียงแค่สามารถบอกได้ว่าลูกค้าที่มาซื้อของเราในแต่ละครั้งเป็นคน ๆ เดียวกัน ซึ่งสามารถทำได้จากการที่ลูกค้าทำบัตรสะสมแต้ม หรือการให้สร้างบัญชีลูกค้า นั่นเป็นสาเหตุว่าทำไมหลาย ๆ ธุรกิจจึงมีบัตรสะสมแต้ม (Loyalty card) เพราะจะได้สามารถเก็บข้อมูลลูกค้ามาวิเคราะห์ได้

และ (2) มีการบันทึกข้อมูลการซื้อขายในระบบ ในการซื้อขายแต่ละครั้ง จะต้องมีการบันทึกข้อมูลการซื้อขายที่เพียงพอในการคำนวณค่า RFM เช่น วันที่ซื้อขาย และมูลค่าการซื้อขาย

เมื่อข้อมูลพร้อมแล้ว ก็สามารถนำมาวิเคราะห์ ได้ตามตัวอย่าง

1. เตรียมข้อมูลการซื้อขาย

เริ่มจากข้อมูลการซื้อขายแต่ละรายการ (Transaction)

Customer ID	Date	Value
AB-1001	2022-01-01	฿120.0
AB-1001	2022-01-05	฿26.8
AB-1002	2022-03-31	฿300.0

2. คำนวณค่า Recency, Frequency และ Monetary

สำหรับลูกค้าแต่ละคน (ในตัวอย่างนี้จำแนกด้วย Customer ID) อาจจะคำนวณค่า RFM ได้ตามนี้ (สามารถปรับใช้ตามความเหมาะสมหรือตามวัตถุประสงค์ของแต่ละธุรกิจ)

• Recency = จำนวนวันนับจาก Transaction ล่าสุด
• Frequency = จำนวน Transaction ในช่วงเวลา 1 ปีที่ผ่านมา
• Monetary = จำนวนมูลค่ารวมของ Transaction ในช่วงเวลา 1 ปีที่ผ่านมา

Customer ID	Recency (R)	Recency (R)	Monetary (M)
AB-1001	127	2	146.8
AB-1002	41	1	300.0
AB-1003	230	7	512.0

3. คำนวณคะแนน RFM

ปรับค่า RFM เป็นคะแนนที่สามารถตีความได้ง่าย ๆ วิธีที่นิยมคือการหาค่าควินไทล์ (Quintile) ของแต่ละตัว เพื่อตัดเป็นคะแนนเป็น 1 – 5 ตามตำแหน่ง Quintile โดย Quintile ที่ 5 คือคนที่มี RFM ดีที่สุด 20% แรก หรืออาจจะ กำหนดเกณฑ์การให้คะแนนตามความเหมาะสม ของธุรกิจนั้น ๆ ก็ได้ เช่น M อาจทำเป็นลำดับขั้น เช่น 0-100 เป็น 1, 100-500 เป็น 2, 500-2000 เป็น 3, 2000-10000 เป็น 4, มากกว่า 10000 เป็น 5 เป็นต้น

Customer ID	Recency (R)	Frequency (F)	Monetary (M)	RFM Score
AB-1001	3	1	3	(3,1,3)
AB-1002	5	1	3	(5,1,3)
AB-1003	2	5	5	(2,5,5)

จะได้ RFM Score สำหรับลูกค้าแต่ละคน

ตัวอย่างการใช้งานการวิเคราะห์ RFM เพื่อแบ่งกลุ่มลูกค้า

เราสามารถนำคะแนน RFM มาตีความและแบ่งกลุ่มลูกค้าได้ ซึ่งมีหลากหลายวิธี ตัวอย่างเช่น

RFM Score	Segment	Description	Action
(5,5,5)	Champion	ซื้อไปไม่นาน ซื้อบ่อย ซื้อมูลค่าสูง	รักษาไว้
(3,5,5)	Loyal Customer	ซื้อบ่อยและซื้อมูลค่าสูง	รักษาไว้
(5,1,x)	New Customer	ซื้อครั้งแรก	เสนอโปรโมชันลูกค้าใหม่
(3,3,3)	Need Attention	กลาง ๆ	ติดตามดู
(1,5,5)	Can’t Lose Them	เคยซื้อบ่อยและซื้อมูลค่าสูง แต่ไม่ซื้อมานานแล้ว	ตามกลับมาซื้ออีกครั้ง
(1,1,1)	Lost	ซื้อน้อย และไม่ซื้อมานานแล้ว	ไม่สนใจ

ซึ่งต้องอาศัยการตีความของแต่ละธุรกิจในการสร้างกลุ่ม เมื่อแบ่งกลุ่มแล้ว เราอาจจะสามารถทำการตลาดตามความเหมาะสมในแต่ละกลุ่ม โดยอาจจะเป็นการตลาดทางตรง (Direct Marketing) เช่น ติดต่อโดยตรงเพื่อเสนอโปรโมชันไปยังลูกค้าในกลุ่มนั้น หรือโดยการตลาดทางอ้อม (Indirect Marketing) เช่น วิเคราะห์ Demographic ของแต่ละกลุ่ม เพื่อส่งโฆษณาไปยังคนที่ลักษณะตรงกับกลุ่มนั้น (Customer Look-a-like)

RFM โดยใช้ Excel

                ตัวอย่างการคำนวณ RFM โดยใช้ Excel สามารถดาวน์โหลดไฟล์ตัวอย่างได้จากลิงก์นี้

ข้อจำกัด

                RFM Analysis เป็นการวิเคราะห์ที่มีวิธีการที่ไม่ซับซ้อนและสามารถสร้างมูลค่าให้กับการวางแผนการตลาดได้ อย่างไรก็ตามก็ยังมีข้อจำกัดอยู่หลายประการ เช่น

• RFM Analysis ไม่ได้นำข้อมูลทางด้าน Demographic ของลูกค้า เช่น อายุ เพศ มาใช้ในการวิเคราะห์ ซึ่งหากต้องการนำข้อมูลเหล่านี้มาวิเคราะห์ร่วมด้วย อาจจะต้องใช้เทคนิคอย่าง K-means ซึ่งเป็น 1 ใน 4 ประเภทของการแบ่งกลุ่มข้อมูล (Clustering) มาช่วยในการวิเคราะห์เพิ่มเติม
• เป็นการวิเคราะห์ข้อมูลพฤติกรรมในอดีต แต่อาจจะไม่สามารถพยากรณ์พฤติกรรมในอนาคตได้ อาจจะต้องใช้เทคนิควิธีการทาง Predictive Analytics มาช่วยในการวิเคราะห์เพิ่มเติม ตัวอย่างการใช้ Big Data เพื่อส่งเสริมการลงทุน
• ไม่สามารถจำแนกชนิดสินค้าที่ซื้อขาย อาจจะต้องใช้เทคนิควิธีการอื่น เช่น Basket Analysis มาช่วยในการวิเคราะห์เพิ่มเติม มาทำความรู้จัก Association Rule: เครื่องมือเพื่อการวิเคราะห์ตะกร้าตลาด กัน!

แหล่งที่มา

• RFM Analysis for Customer Segmentation | NotifyVisitors
• What is RFM (recency, frequency, monetary) analysis and how does it work? (techtarget.com)

แปลและเรียบเรียงโดย นนทวิทย์ ชีวเรืองโรจน์
ตรวจทานและปรับปรุงโดย ดวงใจ จิตคงชื่น