RFM Analysis คืออะไร? แบ่งกลุ่มลูกค้าเพิ่มยอดขายฉบับมือใหม่
RFM Analysis คือการแบ่งกลุ่มลูกค้าจาก Recency Frequency Monetary เจาะว่าใครควรทุ่มงบ ใครกำลังจะหาย พร้อมเกณฑ์ให้คะแนนและตารางลงมือทำจริง
RFM Analysis คืออะไร วิธีแบ่งกลุ่มลูกค้าให้ยอดขายโตแบบมือใหม่ก็ทำได้
Last updated: 2026-09-06
คุณมีรายชื่อลูกค้าในระบบเป็นพันเป็นหมื่นราย แต่เวลาจะยิงแคมเปญ email หรือ remarketing ทีไร ก็ส่งข้อความเดียวกันไปหาทุกคนหมด ทั้งคนที่เพิ่งซื้อเมื่อวาน คนที่ซื้อครั้งเดียวเมื่อสองปีก่อน และคนที่ซื้อทุกเดือนไม่เคยขาด ผลคืองบโฆษณาละลายไปกับคนที่ไม่มีวันกลับมา ขณะที่ลูกค้าชั้นดีกลับได้ข้อเสนอเดียวกับคนแปลกหน้า
RFM Analysis คือเครื่องมือที่แก้ปัญหานี้ได้ตรงจุดที่สุด มันไม่ต้องใช้ AI หรือ data scientist มันใช้แค่ข้อมูลที่คุณมีอยู่แล้วในระบบขาย บทความนี้จะพาคุณตั้งแต่นิยาม วิธีให้คะแนน ไปจนถึงตารางที่บอกว่าลูกค้าแต่ละกลุ่มควรได้รับการปฏิบัติแบบไหน
Key Takeaways: RFM Analysis แบ่งลูกค้าด้วย 3 มิติ — Recency (ซื้อล่าสุดเมื่อไหร่), Frequency (ซื้อบ่อยแค่ไหน), Monetary (จ่ายรวมเท่าไหร่) แล้วให้คะแนนแต่ละมิติ 1-5 เพื่อจัดกลุ่มลูกค้าเป็น Champions, Loyal, At Risk, Lost ฯลฯ ประโยชน์จริงคือเลิกยิงข้อความเดียวหาทุกคน หันมาทุ่มงบให้กลุ่มที่คุ้ม และตั้งระบบ win-back ให้กลุ่มที่กำลังจะหลุดมือ เกณฑ์คะแนนไม่มีสูตรตายตัว ต้องปรับตามรอบการซื้อของธุรกิจคุณเอง
RFM Analysis คืออะไร และทำไมนักการตลาด B2B ถึงต้องรู้
RFM Analysis คือวิธีแบ่งกลุ่มลูกค้าโดยดูจากพฤติกรรมการซื้อจริง 3 อย่าง แล้วให้คะแนนแต่ละอย่างเพื่อจัดลำดับว่าลูกค้าคนไหน “มีค่า” กับธุรกิจมากน้อยแค่ไหน ตัวย่อ RFM มาจาก:
- Recency — ลูกค้าซื้อครั้งล่าสุดเมื่อไหร่ ยิ่งเพิ่งซื้อยิ่งได้คะแนนสูง เพราะคนที่เพิ่งซื้อมีแนวโน้มตอบสนองข้อเสนอถัดไปมากกว่า
- Frequency — ในช่วงเวลาที่กำหนด (เช่น 12 เดือน) ลูกค้าซื้อกี่ครั้ง ซื้อบ่อย = ความผูกพันสูง
- Monetary — ลูกค้าจ่ายเงินรวมเท่าไหร่ในช่วงเวลานั้น สะท้อนมูลค่าที่แท้จริงต่อธุรกิจ
จุดที่คนมักเข้าใจผิดคือคิดว่า RFM ใช้ได้เฉพาะร้านค้าปลีก B2C แต่ในงาน B2B ที่วงจรการขายยาวและลูกค้าน้อยกว่า RFM ยิ่งมีค่า เพราะแต่ละดีลมูลค่าสูง การรู้ว่าบัญชีไหนกำลังห่างหายไปตั้งแต่เนิ่น ๆ หมายถึงโอกาสรักษารายได้ก้อนใหญ่ไว้ได้ก่อนคู่แข่งจะเข้ามาแทน
เหตุผลที่ RFM ยังอยู่ยงมาหลายสิบปีทั้งที่มีโมเดลใหม่ ๆ เกิดขึ้นตลอด คือมันอธิบายได้ด้วยตรรกะง่าย ๆ ที่ทุกทีมเข้าใจตรงกัน ไม่ใช่กล่องดำที่ต้องเชื่อโมเดล และมันต่อยอดไปสู่การวัด customer lifetime value และการวางแผน cohort ได้อย่างเป็นธรรมชาติ
วิธีให้คะแนน RFM แบบทำเองได้ ไม่ต้องมีทีมข้อมูล
หัวใจของ RFM คือการแปลงตัวเลขดิบให้กลายเป็นคะแนน 1-5 ในแต่ละมิติ วิธีที่นิยมและทำง่ายที่สุดคือแบ่งลูกค้าเป็น 5 กลุ่มเท่า ๆ กัน (quintile) แล้วให้คะแนนตามลำดับ
ขั้นตอนที่คนมือใหม่ทำได้ทันที:
- ดึงข้อมูลจากระบบขาย — ต้องมีอย่างน้อย 3 คอลัมน์ต่อลูกค้า: วันที่ซื้อล่าสุด, จำนวนครั้งที่ซื้อ, ยอดรวม
- เรียง Recency จากเพิ่งซื้อสุด → นานสุด แบ่ง 5 กอง กองแรกได้ R=5
- ทำแบบเดียวกันกับ Frequency และ Monetary (ยิ่งมาก = คะแนนสูง)
- นำสามคะแนนมาต่อกันเป็นรหัส เช่น 5-5-5 หรือ 2-4-3
ตัวอย่างการคำนวณ (สมมติ)
สมมติร้านมีลูกค้าชื่อ A ซื้อครั้งล่าสุดเมื่อ 20 วันก่อน (จัดอยู่กอง Recency ดีสุด → R=5) ในปีนี้ซื้อ 8 ครั้ง (กอง Frequency สูง → F=5) แต่ยอดรวมอยู่กลาง ๆ ของฐานลูกค้า (M=3) รหัส RFM ของ A คือ 5-5-3 แปลว่าเป็นลูกค้าประจำที่ซื้อบ่อยและเพิ่งซื้อ แค่มูลค่าต่อครั้งยังไม่สูง — โอกาสคือ upsell สินค้าราคาสูงขึ้น ไม่ใช่การกระตุ้นให้ซื้อบ่อยขึ้น (เขาบ่อยพออยู่แล้ว)
จุดที่ต้องระวัง: ถ้าธุรกิจคุณมีลูกค้าน้อย การแบ่ง quintile อาจทำให้แต่ละกองมีคนแค่ไม่กี่ราย ในกรณีนั้นให้ใช้ เกณฑ์ตายตัวที่คุณกำหนดเอง แทน เช่น “ซื้อภายใน 30 วัน = R5, 31-90 วัน = R4” ซึ่งอิงรอบการซื้อจริงของสินค้าคุณ ไม่ใช่ค่ากลางทางสถิติ
ตารางแปลรหัส RFM เป็นการลงมือทำ
คะแนนจะไร้ประโยชน์ถ้าไม่แปลเป็น action ตารางด้านล่างใช้เกณฑ์ตัวเลขที่เรากำหนดขึ้นเองเพื่อใช้ตัดสินใจ (operating threshold) — ตัวเลขวันและจำนวนครั้งให้ปรับตามรอบการซื้อของธุรกิจคุณ ไม่ใช่ค่ามาตรฐานอุตสาหกรรม
| กลุ่มลูกค้า (สัญญาณ RFM) | เกณฑ์ที่ใช้ตัดสิน (ปรับได้) | สิ่งที่ควรทำ |
|---|---|---|
| Champions (R5 F5 M5) | ซื้อล่าสุด ≤ 30 วัน + ซื้อ ≥ 6 ครั้ง/ปี + ยอดสูงสุด 20% | ให้สิทธิพิเศษ, ขอรีวิว/referral, อย่าลดราคาให้เปล่า |
| Loyal (F4-5, R3-4) | ซื้อบ่อยแต่ห่างมา 31-90 วัน | ส่ง reorder reminder, cross-sell สินค้าที่เกี่ยวข้อง |
| At Risk (เคย F/M สูง, R2) | เคยซื้อบ่อย แต่หายไป 90-180 วัน | แคมเปญ win-back เจาะจง, สอบถามเหตุผลที่หาย |
| Can’t Lose (M5 แต่ R1) | จ่ายเยอะสุด แต่ไม่ซื้อ > 180 วัน | ให้ทีมขายโทรตรง ไม่ใช่แค่ email อัตโนมัติ |
| Lost (R1 F1 M1) | ไม่ซื้อ > 365 วัน + ซื้อครั้งเดียว | อย่าทุ่มงบ, ใส่ list ราคาถูกสุด หรือปล่อยไป |
จุดที่ตารางนี้เปลี่ยนวิธีทำงานคือ Can’t Lose กับ At Risk สองกลุ่มนี้คือที่ที่งบ retention ให้ผลตอบแทนสูงสุด เพราะเป็นคนที่รู้จักแบรนด์แล้ว เคยจ่ายจริง แค่กำลังจะหลุดมือ การดึงกลับถูกกว่าการหาลูกค้าใหม่มาก ถ้าคุณตั้งระบบแจ้งเตือนอัตโนมัติให้ทีมขายเมื่อบัญชีมูลค่าสูงเข้าเกณฑ์ At Risk จะเป็นการต่อยอด attribution และการวัดผลข้ามช่องทาง ที่คุ้มค่าที่สุด
ผิดพลาดที่พบบ่อยตอนแปลรหัส
ข้อผิดที่เจอบ่อยสุดคือทุ่มงบไปที่ Champions มากเกินไป กลุ่มนี้ซื้ออยู่แล้วโดยไม่ต้องกระตุ้น การเทส่วนลดให้พวกเขาคือการจ่ายเงินเพื่อยอดที่จะเกิดอยู่แล้ว งบก้อนเดียวกันถ้าย้ายไปกลุ่ม At Risk จะได้ยอดที่ “ไม่เกิดถ้าไม่ทำ” กลับมาแทน
อีกข้อคือมองแค่ Monetary สูงแล้วคิดว่าดี ทั้งที่ลูกค้า M5 ที่ R1 (จ่ายเยอะแต่หายไปนาน) คือสัญญาณอันตราย ไม่ใช่ความสำเร็จ
RFM เชื่อมกับ Ads และ Martech ยังไงให้เกิดผลจริง
RFM ไม่ได้จบที่ email อย่างเดียว มันคือแหล่งกำเนิดของ audience ที่แม่นที่สุดที่คุณจะสร้างได้ เพราะมันอิงพฤติกรรมการซื้อจริง ไม่ใช่ interest ที่แพลตฟอร์มเดา
การนำไปใช้ที่ให้ผลเร็ว:
- อัปโหลดกลุ่ม Champions เข้า Meta/Google เป็น seed แล้วสร้าง Lookalike/Similar audience — คุณจะได้คนหน้าตาเหมือนลูกค้าดีสุด ไม่ใช่คนเหมือนคนที่ซื้อครั้งเดียวแล้วหาย
- กันกลุ่ม Champions ออกจาก acquisition campaign — ไม่มีเหตุผลจ่ายค่าคลิกเพื่อโฆษณาหาคนที่เป็นลูกค้าประจำอยู่แล้ว
- ยิง remarketing เฉพาะ At Risk และ Can’t Lose ด้วยข้อความ win-back ที่ต่างจากโฆษณาหาลูกค้าใหม่
การจะทำแบบนี้ได้ต้องมี tracking ที่เชื่อมยอดขายจริงกลับเข้าระบบโฆษณา ซึ่งเป็นเรื่องเดียวกับการวาง GA4 + Conversion API ให้ครบวงจร ถ้าข้อมูลการซื้อกับข้อมูลโฆษณาแยกกันอยู่คนละที่ RFM ก็ได้แค่ทำรายงานสวย ๆ แต่กดปุ่มใช้งานจริงไม่ได้
Google เองก็อธิบายเรื่องการนำ audience จากข้อมูลลูกค้าไปใช้ใน เอกสารเรื่อง GA4 audiences ซึ่งเป็นจุดเริ่มที่ดีถ้าคุณจะเอา segment RFM ไปทำ activation
ส่วนการนำเสนอผลให้ทีมหรือลูกค้าเห็นภาพ การวาง Looker Studio dashboard ที่โชว์สัดส่วนแต่ละ segment แบบ real-time ช่วยให้ทั้งทีมพูดภาษาเดียวกันเรื่องคุณภาพฐานลูกค้า ไม่ใช่แค่ยอดขายรวมที่ซ่อนความจริงว่าฐานลูกค้ากำลังแข็งแรงขึ้นหรือกำลังกร่อน
FAQ
RFM Analysis ต่างจาก customer lifetime value ยังไง?
RFM มองพฤติกรรมในอดีตเพื่อจัดกลุ่ม ณ ปัจจุบัน ส่วน CLV พยายามคาดการณ์มูลค่ารวมในอนาคตของลูกค้า ทั้งคู่เสริมกัน — RFM ตอบว่า “ตอนนี้ควรทำอะไรกับใคร” ส่วน CLV ตอบว่า “ลูกค้ารายนี้คุ้มให้ลงทุนหาแค่ไหน”
ต้องมีลูกค้ากี่รายถึงทำ RFM ได้?
ทำได้ตั้งแต่หลักร้อย แต่ถ้าน้อยกว่านั้นการแบ่ง 5 กองจะไม่มีความหมาย ให้ใช้เกณฑ์ตายตัวที่กำหนดเองแทน เช่น กำหนดว่ากี่วัน/กี่ครั้งคือแต่ละคะแนน แล้วค่อยขยับเป็น quintile เมื่อฐานลูกค้าโตขึ้น
RFM ใช้กับ B2B ที่ซื้อไม่บ่อยได้ไหม?
ได้ แต่ต้องยืดกรอบเวลาให้ตรงกับรอบการซื้อจริง ถ้าลูกค้าปกติซื้อปีละครั้ง การใช้ Recency 30 วันไม่มีความหมาย ให้ปรับเป็นหน่วยไตรมาสหรือปีแทน
ใช้ Excel ทำ RFM ได้เลยไหม หรือต้องมีเครื่องมือพิเศษ?
Excel/Google Sheets ทำได้ครบด้วยฟังก์ชัน PERCENTILE และ IF สำหรับฐานลูกค้าระดับหลักพัน เมื่อข้อมูลใหญ่ขึ้นหรืออยากได้แบบอัปเดตอัตโนมัติค่อยย้ายไป SQL หรือ BI tool
ควรทำ RFM ใหม่บ่อยแค่ไหน?
ขึ้นกับรอบการซื้อ ถ้าเป็นสินค้าซื้อซ้ำบ่อยควรรีเฟรชทุกเดือน ถ้าเป็นดีล B2B ที่รอบยาว ทุกไตรมาสก็เพียงพอ สำคัญคือทำสม่ำเสมอเพื่อจับการเลื่อนกลุ่มของลูกค้าให้ทัน
สรุป
RFM Analysis คือวิธีที่ประหยัดที่สุดในการเลิกปฏิบัติกับลูกค้าทุกคนเหมือนกันหมด สามสิ่งที่ควรเอากลับไปทำ: หนึ่ง — เริ่มจากข้อมูลที่มีอยู่แล้ว 3 คอลัมน์ ไม่ต้องรอระบบสมบูรณ์แบบ สอง — ทุ่มงบ retention ไปที่ At Risk และ Can’t Lose ไม่ใช่ Champions ที่ซื้ออยู่แล้ว สาม — เชื่อม segment เข้ากับระบบโฆษณาให้กดใช้งานได้จริง ไม่ใช่แค่รายงานสวย
อยากต่อยอดเรื่องการวัดผลและ tracking ที่ทำให้ RFM ใช้งานได้จริง อ่าน MarTech Analytics & Tracking Guide หรือดูรวมคู่มือทั้งหมดได้ที่ Guides
