RFM 是一種用「最近一次消費時間」「消費頻率」「消費金額」三個指標，作為會員分群與價值判斷的交易分析框架。
如果你手上已經有能識別到個別顧客的交易紀錄，不需要額外的複雜系統，就能用 RFM 快速看出哪些會員的交易活躍度與貢獻較高、哪些可能正在流失。這篇文章會完整說明 RFM 的三個指標怎麼算、怎麼用來分群，也會誠實告訴你 RFM 做不到什麼——因為真正重要的，不是算出一份分群報表，而是分群之後，品牌到底該採取什麼行動。
一、RFM 是什麼？
RFM 是 Recency（最近一次消費）、Frequency（消費頻率）、Monetary（消費金額）三個英文字的縮寫，是一套只靠「交易資料」，從交易活躍度與消費貢獻的角度描述顧客差異的分析方法。只要你手上有能識別到個別顧客的購買紀錄，不需要額外的問卷調查或複雜的機器學習模型，就能用這三個指標，把會員依照交易行為排出相對高低的順序。
RFM 長期被應用在電商、零售、餐飲、旅宿等具有可識別顧客交易紀錄與重複消費情境的業態——只要有能識別到個別顧客的交易紀錄，就能做基本的 RFM 分析。
RFM 的 3 個核心指標分別在衡量什麼
三個指標分別衡量不同的交易面向，合在一起才能描繪出一位顧客的交易輪廓：
- Recency（最近一次消費）：這位顧客上一次跟你買東西，距今多久？時間間隔越短，代表這位顧客目前跟品牌的互動越活躍；間隔越長，則代表流失風險可能升高。
- Frequency（消費頻率）：在一段固定期間內，這位顧客總共買了幾次？較高的 Frequency 通常代表較高的重複購買活躍度，可能反映較高的品牌黏著度，但不能單靠 Frequency 判定顧客忠誠度——忠誠度還牽涉情感連結、品牌偏好等因素，不是單一指標能完整衡量。
- Monetary（消費金額）：這位顧客在這段期間累積花了多少錢？金額越高，代表這位顧客對品牌的營收貢獻越大。
這三個指標分別衡量不同的交易面向，但在實際顧客資料中，三者彼此可能存在關聯（例如消費頻率較高的顧客，累積消費金額通常也較高），並不是完全互不相關的三個變數。
為什麼 RFM 適合用來做會員分群
RFM 之所以常被拿來做會員分群，原因是它只看顧客實際做過的交易行為，不需要額外蒐集人口統計資料，只要有能識別到個別顧客的交易紀錄，就能客觀排出顧客交易活躍度與貢獻的相對高低，這讓分群結果比較容易跟行銷動作直接掛勾。
需要特別說明的是，RFM 從最近一次消費、購買頻率、消費金額三個交易面向，描述顧客的交易活躍程度與貢獻，可以作為會員分群、會員價值判斷的重要框架之一，但不是完整的顧客價值（Customer Value）模型——顧客對品牌的價值，還包含口碑推薦、品牌忠誠度、服務互動等 RFM 無法直接反映的面向。
二、RFM 怎麼計算？
RFM 的計算方式是針對每位顧客，分別算出 Recency（距離上次消費天數等原始數值）、Frequency（特定期間內的消費次數）、Monetary（特定期間內的消費總額）三個原始數值，再依照這三個原始數值的分布，把顧客切分成等級或區間（常見做法是轉換成 1 到 5 分的 Score），最後組合出每位顧客的 RFM 分數，用來判斷顧客屬於哪個相對區間。
1. Recency（R）怎麼算？
Recency 原始值怎麼計算？
Recency 的原始數值，計算方式是「今天的日期」減去「這位顧客最近一次購買的日期」，算出天數。這個天數本身，數字越小代表顧客越「新鮮」，跟品牌的互動越活躍；天數越大，則代表這位顧客可能正在逐漸遠離，流失風險升高。
Recency 原始天數和 R Score 有什麼差別？
如果進一步把這個天數轉換成 R Score（例如常見的 1 到 5 分），分數與原始天數的方向是相反的：Raw Recency Days 越小，代表越近期、越活躍；R Score 越高，則通常代表越近期（也就是距離最近一次消費的天數越短）。這是閱讀 RFM 相關資料時容易混淆的地方——原始天數與 R Score 的高低方向不一樣，需要特別留意資料來源用的是哪一種表示方式。
2. Frequency（F）──怎麼算、代表什麼
計算方式是在你設定的觀察期間內（例如過去一年），這位顧客總共完成了幾筆訂單。次數越多，通常代表顧客對品牌的重複購買活躍度越高，是判斷「回頭客」的重要依據之一。
3. Monetary（M）──怎麼算、代表什麼
計算方式是把這位顧客在觀察期間內所有訂單的金額加總。金額越高，代表這位顧客對營收的貢獻越大，是判斷「高貢獻客」最直接的指標。
RFM 的門檻沒有統一標準，要依自己的品牌狀況設定
很多介紹 RFM 的文章，會直接給一套「1到5分」的固定評分公式，讓人誤以為這是全世界通用的標準答案。但實際上，RFM 的分級門檻應該依照每個品牌自己的交易週期、商品單價、購買頻率與會員規模來設定，沒有一套放諸四海皆準的分數。
舉例來說，一個平均每月回購一次的日用品品牌，跟一個平均半年才回購一次的家具品牌，對「Recency多久算流失風險」的定義一定完全不同。品牌在設定 RFM 的分級區間時，應該先看自己會員的實際消費分佈，再據此切出對自己有意義的區間，而不是直接套用別人的門檻。
三、RFM 分群怎麼做？從三指標到客群輪廓
為了簡化理解，可以先把 R、F、M 各自分成高／低兩個區間，三個維度最多形成 8 種組合；實際品牌可依自身資料與分析需求採用更細的分級。重點不是分出幾群，而是每個客群背後，代表品牌該採取不同的經營動作。
RFM 可以怎麼分群？4 種示意情境
以下是示意情境，用來說明分群的邏輯，實際分群名稱與門檻應依你的品牌數據設定，不是固定產業標準：
| 客群示意名稱 | 交易行為示意 | 可能代表的意義 |
|---|---|---|
| 高價值活躍客（示意） | 最近有消費、消費頻率高、累積金額高 | 最近常買、花得也多，是示意情境中較受依賴的核心客群 |
| 潛力新客（示意） | 最近有消費、消費頻率低、金額不一定 | 最近剛有消費，但次數還少，是否會變成常客仍待觀察 |
| 流失風險客（示意） | 距今較久沒消費、過去頻率與金額曾經較高 | 過去貢獻度高，但已一段時間沒消費，是示意情境中喚醒策略的優先對象 |
| 低貢獻活躍客（示意） | 最近有消費、消費頻率高、金額偏低 | 常來但每次消費金額小，適合思考客單價提升策略而非單純喚醒 |
（以上為示意情境，用來說明分群的邏輯，不代表固定產業標準。所有品牌不一定使用相同的4種客群、相同的命名，或相同的分數門檻，實際設計應依自己的會員與交易資料決定。）
不同客群，品牌該優先思考的經營方向
分群本身只是起點，每個客群對應的問題不一樣：
- 面對高價值活躍客，重點是「怎麼讓他們持續感受到被重視」，而不是用力推銷
- 面對潛力新客，重點是「怎麼讓第一次消費變成習慣」
- 面對流失風險客，重點是「用什麼理由讓他們願意回來」
- 面對低貢獻活躍客，重點可能不是留客，而是怎麼提升每次消費的金額
四、RFM 的限制：為什麼只看 R、F、M 還不夠
RFM 主要根據歷史交易行為描述顧客狀態，本身不是預測模型，不能單靠 RFM 保證或直接預測顧客未來行為。換句話說，RFM 告訴你「這位顧客過去做了什麼」，但它本身不是用來回答「為什麼」或「未來會不會」的工具。
RFM 主要描述歷史交易，本身不是預測模型
RFM 的三個指標全部來自歷史交易紀錄，反映的是顧客「過去做了什麼」。一位顧客過去的 RFM 表現良好，不代表他未來一定會持續消費——季節性商品、一次性大額採購，或單純因為促銷才消費一次的顧客，都可能讓 RFM 的分數「看起來」很健康，但實際上未必代表長期價值。
需要補充的是，RFM 指標也可以作為後續預測模型的輸入特徵之一，例如用於 CLV 或流失預測相關研究。但這類應用的本質是「把 RFM 的結果拿去餵給另一個預測模型」，RFM 本身仍然不等於預測模型。
RFM 看不到的行為：瀏覽、加入購物車、站內搜尋、通路偏好
RFM 只看「有沒有完成交易」，但一位顧客在交易之前，其實留下了很多沒被 RFM 捕捉到的行為線索，例如：
- 瀏覽過哪些商品，但沒有購買
- 把商品加入購物車，卻中途放棄結帳
- 在網站上搜尋了什麼關鍵字
- 比較偏好用哪個渠道（官網、LINE、門市）互動
這些發生在交易之前的行為資料，可以提供比最終成交結果更早出現的興趣與意圖訊號。只看 RFM，容易漏掉這些「還沒變成訂單，但已經是重要訊號」的顧客行為。
因此，更完整的會員經營判斷基礎，是把 RFM ＋ 其他第一方顧客／行為資料一起判斷，而不是只靠交易紀錄做出所有決策。
五、做完 RFM 分析後，品牌下一步該怎麼做？
做完 RFM 分析、分出客群之後，真正的工作才開始——下一步是把「分析結果」轉換成「具體可以執行的行銷行動」，並且持續追蹤成效、依結果調整。這個過程可以用一個簡單的框架理解：資料（Data）→ 診斷（Diagnosis）→ 決策（Decision）→ 行動（Action）→ 成效量測（Measurement）
從「知道」到「做到」：把分群結果接上行動
很多品牌做完 RFM 分析後，只停留在「我知道誰是流失風險客」這一步，卻沒有建立起「知道之後，系統自動怎麼溝通」的機制。這也是為什麼即使分析做得再完整，如果沒有串接到實際的行銷自動化流程，分群結果很容易只是一份放在報表裡、沒有被使用的資料。
要讓 RFM 真正發揮價值，品牌需要的是：
- 顧客與交易資料能被整合在同一個地方，而不是分散在不同系統
- 分群結果可以直接作為行銷動作的觸發條件
- 不同客群可以被導向不同的溝通內容與頻率
- 能追蹤這些行動是否真的帶來改變，並持續調整
M Insight 如何承接 RFM 分群後的執行工作
M Insight 作為 CDP（顧客資料平台） 可以整合品牌既有的會員、交易與站內行為資料，並依系統既定的 RFM 標準自動完成會員分群，讓品牌無需自行計算每位會員的 R、F、M 分數，也不必手動建立 RFM 客群。
完成分群後，品牌可以直接在 M Insight 的「自訂活動」中選擇不同的 RFM 客群作為活動受眾，再依各客群目前的狀態規劃對應的活動與溝通內容。例如，針對不同 RFM 客群設計不同的會員經營方式，避免對所有會員採取相同的溝通策略，讓分群結果真正進入後續會員經營，而不只是停留在報表裡。
RFM 分析的價值不只在於「把會員分出來」，而是讓分群結果能進一步被用在實際的會員經營行動中。
常見問題（FAQ）
Q1：RFM 分析適合哪些產業？
RFM 較適合擁有可識別顧客交易紀錄，且存在重複消費情境的品牌或業態，例如電商、零售、餐飲、旅宿、訂閱型服務等。若交易無法對應到個別顧客（例如完全匿名的現場交易），就難以計算個別顧客的 Recency、Frequency、Monetary，RFM 分析的適用性也會隨之降低。
Q2：RFM 跟顧客終身價值（CLV）有什麼不同？
RFM 主要描述顧客近期的交易狀態；CLV（Customer Lifetime Value，顧客終身價值）則衡量顧客在與品牌關係期間所產生或預期產生的整體價值。依計算方式不同，CLV 可以分為 Historical CLV（根據已發生的歷史交易計算）與 Predictive CLV（結合歷史數據與統計或機器學習方法，預測顧客未來可能帶來的價值）兩種。想進一步了解完整的計算方式，可參考「顧客終身價值（CLV）怎麼計算」。
Q3：RFM 的分數一定要用 1 到 5 分嗎？
不一定。1到5分只是其中一種常見的評分方式，實際的分級方式與門檻，應該依照品牌自己的交易週期與會員基礎設定，沒有固定的產業標準。