مدل RFM چیست؟ بخش‌بندی مشتری برای مارکتینگ اتومیشن

مدل RFM چیست؟

مدل RFM روشی برای امتیازدهی و بخش‌بندی مشتریان بر اساس سه عدد ساده از تاریخچه خرید است:

• R — Recency (تازگی): آخرین خرید چقدر نزدیک است؟
• F — Frequency (تکرار): چند بار خرید کرده؟
• M — Monetary (مبلغ): جمع مبلغ خریدها چقدر بوده؟

هر مشتری روی هر محور معمولاً امتیاز ۱ تا ۵ می‌گیرد (۵ = بهترین از نظر آن محور). ترکیب این سه امتیاز، سگمنت‌هایی مثل Champions، Loyal، At Risk، Hibernating و Lost می‌سازد — بدون نیاز به مدل یادگیری ماشین؛ کافی است جدول سفارشات تمیز داشته باشی.

پاسخ کوتاه برای نگهداشت: RFM مشتریان را با Recency / Frequency / Monetary امتیاز می‌دهد تا کمپین نگهداشت و بازگشت هدفمند شود؛ نه یک تخفیف همگانی برای همه.

اگر فقط «لیست همه خریداران» داری و یک پیامک ثابت می‌فرستی، RFM همان جایی است که از اسپم انبوه فاصله می‌گیری و به پیام مرتبط با وضعیت واقعی مشتری می‌رسی.

چرا RFM برای مارکتینگ اتومیشن مهم است؟

در اتوماسیون بازاریابی، قدرت از ایونت + سگمنت زنده + جرنی با قانون خروج می‌آید. RFM دقیقاً ورودی همان سگمنت را می‌سازد: بعد از محاسبه امتیازها، آن‌ها را به‌صورت attribute (ویژگی مخاطب) یا ایونت دوره‌ای ذخیره می‌کنی، افراد را در سگمنت می‌گذاری و جرنی ایمیل/پیامک را تریگر می‌کنی.

بدون RFM معمولاً دو اشتباه رایج می‌افتد:

1. به همه تخفیف ۲۰٪ می‌فرستی — از جمله Champions که بدون تخفیف هم می‌خرند و حاشیه سود را می‌سوزانی.
2. مشتری At Risk را دیر متوجه می‌شوی — وقتی دیگر Lost شده و هزینه بازگشت چند برابر شده است.

RFM این دو را از هم جدا می‌کند: Champions پیام ارزش و ارجاع می‌گیرند؛ At Risk یادآوری کوتاه و پیشنهاد مشخص؛ Lost مسیر بازگشت محدود و قابل‌اندازه‌گیری.

هر حرف RFM دقیقاً چه معنایی دارد؟

بازه زمانی را ثابت نگه دار (مثلاً ۱۲ ماه اخیر). اگر R را روی ۳۰ روز و F/M را روی ۳ سال ببندی، امتیازها با هم قابل‌مقایسه نیستند و سگمنت‌ها بی‌معنا می‌شوند.

چطور امتیاز ۱–۵ می‌سازی؟

ساده‌ترین روش عملی برای تیم‌های غیردیتاساینس:

1. همه مشتریان فعال در بازه را لیست کن.
2. برای R، F و M جداگانه صدک (percentile) یا پنجک (quintile) بساز.
3. ۲۰٪ برتر هر محور = ۵، بعدی = ۴، …، پایین = ۱.

مثال شهودی برای یک فروشگاه پوشاک آنلاین با ۱۰٬۰۰۰ خریدار در ۱۲ ماه:

• R=5: آخرین خرید ≤ ۱۴ روز
• R=1: آخرین خرید > ۱۸۰ روز
• F=5: ≥ ۶ سفارش
• F=1: ۱ سفارش
• M=5: جمع مبلغ در بالاترین ۲۰٪
• M=1: جمع مبلغ در پایین‌ترین ۲۰٪

نیازی به الگوریتم پیچیده نیست. حتی در اکسل یا SQL ساده هم قابل اجراست — و بعداً همان ستون‌ها را به پلتفرم اتوماسیون می‌بری.

سگمنت‌های رایج RFM کدام‌اند؟

نام‌ها در منابع انگلیسی کمی فرق می‌کنند؛ این مجموعه برای تیم مارکتینگ اتومیشن در عمل کافی است:

جدول بالا قانون فیزیکی نیست؛ آستانه‌ها را با توزیع داده خودت تنظیم کن. مهم این است که هر سگمنت یک جمله هدف داشته باشد و به یک جرنی مشخص وصل شود — نه اینکه ده برچسب بسازی و هیچ‌کدام اکشن نداشته باشد.

RFM چه فرقی با سگمنت رفتاری ساده دارد؟

سگمنت رفتاری مثل «سبد رها کرده و نخریده» روی یک ایونت نزدیک سوار است. RFM روی خلاصه تاریخچه خرید سوار است. هر دو لازم‌اند:

• سگمنت ایونتی → واکنش سریع (ساعت/روز)
• سگمنت RFM → اولویت نگهداشت و بازگشت (هفته/ماه)

در عمل، خیلی تیم‌ها اول RFM را ماهانه یا هفتگی محاسبه می‌کنند، attributeها را به‌روز می‌کنند، بعد روی همان سگمنت‌ها جرنی می‌گذارند. کنارش جرنی‌های ایونتی (سبد رهاشده، خوشامدگویی) جدا می‌مانند.

آیا برای RFM به یادگیری ماشین نیاز داری؟

خیر. RFM کلاسیک یک روش قاعده‌محور است: از جدول سفارشات (customer_id, order_date, order_value) سه متریک می‌سازی، رتبه می‌دهی، برچسب می‌زنی. ML وقتی وارد می‌شود که بخواهی احتمال ریزش یا LTV پیش‌بینی کنی — آن مسیر جداست و پیش‌نیاز شروع RFM نیست.

اگر فروشگاه یا SaaS با چند هزار سفارش داری، RFM بدون دیتاساینتیست قابل اجراست. پیچیدگی معمولاً از کثیفی داده می‌آید (سفارش تست، مرجوعی ثبت‌نشده، چند شناسه برای یک نفر)، نه از خود مدل.

چطور RFM را قدم‌به‌قدم پیاده کنی؟

1. بازه و تعریف مشتری را قفل کن. مثلاً ۱۲ ماه؛ فقط سفارش‌های موفق (نه لغو/تست).
2. برای هر customer_id سه ستون بساز: روز از آخرین سفارش، تعداد سفارش، جمع مبلغ.
3. امتیاز ۱–۵ برای R و F و M بده (پنجک یا آستانه کسب‌وکاری ثابت).
4. برچسب سگمنت بساز با قوانین شفاف (مثلاً R>=4 AND F>=4 AND M>=4 → Champions).
5. امتیازها و برچسب را به‌عنوان attribute مخاطب ذخیره کن (یا ایونت rfm_scored با properties).
6. سگمنت زنده در ابزار مارکتینگ اتومیشن بساز روی همان attributeها.
7. برای ۲–۳ سگمنت پول‌ساز جرنی ایمیل/پیامک بنویس با قانون خروج (مثلاً بعد از خرید جدید از At Risk خارج شو).
8. زمان‌بندی به‌روزرسانی را مشخص کن (هفتگی یا ماهانه) تا امتیاز کهنه نشود.

اگر قدم ۵ و ۶ را رد کنی، RFM فقط یک گزارش اکسل می‌ماند — نه ورودی اتوماسیون.

سناریوی کارشده: فروشگاه لوازم خانگی آنلاین

فرض کن فروشگاه «خانه نو» حدود ۸٬۲۰۰ خریدار در ۱۲ ماه دارد. تیم مارکتینگ تا دیروز هر جمعه یک پیامک تخفیف همگانی می‌فرستاد. نرخ لغو اشتراک بالا رفته و Champions هم عادت کرده‌اند فقط با کد تخفیف بخرند.

محاسبه (خلاصه)

بعد از پنجک‌بندی:

اکشن در مارکتینگ اتومیشن

• Champions: جرنی بدون تخفیف عمیق — دسترسی زودهنگام به موجودی جدید + دعوت ارجاع. کانال: ایمیل اصلی، پیامک فقط برای رویداد خاص.
• At Risk: جرنی با ۳ پیام در ۱۴ روز — روز ۰ پیامک کوتاه «دلمان تنگ شده + لینک دسته پرفروش قبلی»، روز ۳ ایمیل با ۲–۳ پیشنهاد مرتبط، روز ۱۰ پیشنهاد محدود اگر هنوز خرید نکرده. خروج فوری روی order_completed.
• Lost: یک تست ماهانه روی نمونه ۱۰٪ با پیشنهاد مشخص؛ اگر باز نشد، فرکانس را کم کن — نه اسپم هفتگی.
• همگانی جمعه: قطع شد برای Champions و At Risk؛ فقط برای سگمنت‌های مناسب حفظ شد.

نتیجه منطقی که باید دنبال کنی (نه وعده جادویی): کمتر پیام بی‌ربط، حاشیه بهتر روی Champions، و نرخ بازگشت قابل‌اندازه‌گیری روی At Risk. متریک‌ها را قبل/بعد همان سگمنت مقایسه کن — نه «کل فروش سایت».

اتصال RFM به Leadara (زبان محصول واقعی)

بعد از اینکه امتیازهای R/F/M و برچسب سگمنت را داری:

1. آن‌ها را روی پروفایل مخاطب به‌صورت attribute نگه دار (یا با ایونت دوره‌ای rfm_updated بفرست).
2. در Leadara سگمنت بساز — مثلاً «At Risk: R≤2 و F≥4».
3. جرنی ایمیل و/یا پیامک را روی ورود به آن سگمنت (یا ایونت به‌روزرسانی) تریگر کن.
4. در جرنی، بعد از خرید یا تبدیل، مسیر خروج بگذار تا پیام تکراری نرود.

Leadara روی همین اجزا کار می‌کند: events، segments، journeys، email/SMS. RFM را به‌عنوان لایه امتیاز بیرون یا کنار سیستم حساب کن؛ وقتی attribute/event آماده شد، همان را به سگمنت و جرنی وصل کن — نیازی به اختراع قابلیت جدید نیست.

اشتباهات رایجی که RFM را خراب می‌کند

• آستانه کپی‌شده از بلاگ خارجی بدون نگاه به توزیع سفارش خودت (در ایران چرخه خرید پوشاک با سوپرمارکت فرق دارد).
• به‌روزرسانی نکردن امتیاز — مشتری هفته پیش خرید کرده هنوز At Risk مانده و پیام بازگشت می‌گیرد.
• تخفیف عمیق برای Champions — به آن‌ها یاد می‌دهی صبر کنند تا کد بیاید.
• یکی کردن Hibernating و At Risk — هزینه و لحن پیام باید فرق کند.
• RFM بدون قانون خروج در جرنی — همان اسپم زمان‌بندی‌شده با برچسب شیک.
• نادیده گرفتن رضایت و فرکانس پیامک — سگمنت درست، ارسال غلط = شکایت و بلک‌لیست.
• شروع با ۱۲ سگمنت — با Champions، At Risk و یک سگمنت New/Potential شروع کن؛ بعداً شاخه باز کن.

RFM در مقابل محتوای فارسی رایج بازار

جستجوی فارسی «مدل RFM چیست» معمولاً به توضیحات مفهومی در منابعی مثل portal.ir یا sepidargroup می‌رسد: تعریف R/F/M، جدول سگمنت، گاهی مثال اکسل. آن لایه لازم است، ولی برای تیم اجرا ناقص می‌ماند.

زاویه عملی این مطلب — و جایی که مارکتینگ اتومیشن وارد می‌شود — این است:

• امتیاز را فقط در گزارش نگذار؛ attribute/event کن.
• سگمنت زنده بساز و به جرنی ایمیل/پیامک وصل کن.
• برای هر سگمنت قانون خروج و متریک تعریف کن.

اگر فقط اسلاید تعریف RFM می‌خواهی، همان مقالات مفهومی کافی‌اند. اگر می‌خواهی نگهداشت و بازگشت در صف ارسال بنشیند، باید از امتیاز به سگمنت و از سگمنت به جرنی برسی.

چک‌لیست شروع این ماه

1. استخراج سفارش‌های ۱۲ ماه (شناسه مشتری، تاریخ، مبلغ، وضعیت موفق)
2. ساخت R/F/M و امتیاز ۱–۵
3. برچسب حداقل ۳ سگمنت: Champions، At Risk، Lost/Hibernating
4. ذخیره attribute روی مخاطب
5. یک جرنی At Risk با خروج روی خرید
6. یک سیاست پیام برای Champions بدون تخفیف عمیق
7. بازبینی هفتگی اندازه سگمنت و نرخ تبدیل جرنی

سوالات پرتکرار

مدل RFM دقیقاً چیست و مخفف چیست؟

RFM مخفف Recency، Frequency و Monetary است: تازگی آخرین خرید، تعداد خرید، و مجموع مبلغ. مشتریان را با امتیاز روی این سه محور بخش‌بندی می‌کند تا پیام نگهداشت و بازگشت هدفمند شود.

امتیاز RFM معمولاً از چند تا چند است؟

رایج‌ترین مقیاس ۱ تا ۵ برای هر محور است (۵ بهتر). بعضی تیم‌ها ۱–۱۰ یا نرمال‌سازی ۰–۱ استفاده می‌کنند؛ برای شروع، ۱–۵ خوانا و کافی است.

حداقل داده برای شروع RFM چقدر است؟

اگر چند صد مشتری با تاریخ و مبلغ سفارش داری، برای نسخه اول کافی است. زیر این حجم هم می‌توانی آستانه‌های دستی بگذاری، ولی پنجک آماری معنی‌دار نمی‌شود. مهم‌تر از حجم، تمیزی شناسه مشتری و حذف سفارش‌های تست است.

هر چند وقت یک‌بار RFM را باید دوباره حساب کرد؟

برای فروشگاه‌های پرترافیک هفته‌ای؛ برای چرخه خرید بلندتر، ماهانه رایج است. اگر جرنی At Risk روی امتیاز کهنه سوار باشد، پیام‌ها دیر یا غلط می‌روند. همان زمان‌بندی را برای به‌روزرسانی attribute در ابزار اتوماسیون رعایت کن.

تفاوت Champions و Loyal چیست؟

Champions معمولاً روی هر سه محور قوی‌اند و اخیراً هم فعال‌اند. Loyal تکرار خوب دارند ولی ممکن است Recency یا Monetary کمی پایین‌تر باشد. در کمپین: Champions را با تخفیف عمیق اذیت نکن؛ Loyal را با برنامه وفاداری و کراس‌سل جلو ببر.

RFM برای کسب‌وکار اشتراکی (SaaS / اشتراک) هم کاربرد دارد؟

بله، با تعریف مجدد متریک‌ها: مثلاً Recency = آخرین پرداخت یا آخرین فعالیت معنادار، Frequency = تعداد تمدید یا نشست‌های فعال، Monetary = درآمد دوره‌ای. منطق سگمنت و اتصال به جرنی همان است.

آیا باید حتماً هر سه حرف را استفاده کنیم؟

برای استاندارد RFM بله؛ ولی اگر داده مبلغ ناقص است، بعضی تیم‌ها موقتاً با RF کار می‌کنند و M را بعداً اضافه می‌کنند. بهتر است M را حتی تقریبی داشته باشی تا Champions پرمبلغ از خریداران پرتکرار کم‌مبلغ جدا شوند.

RFM را چطور به کمپین ایمیل و پیامک وصل کنیم؟

امتیاز و برچسب را attribute کن → سگمنت بساز → جرنی با پیام متناسب و خروج بعد از خرید. در Leadara همین مسیر با events، segments و journeys برای ایمیل/پیامک انجام می‌شود؛ خودِ محاسبه RFM معمولاً در انبار داده یا اسکریپت دوره‌ای است.

جمع‌بندی

مدل RFM یعنی سه عدد از سفارشات → امتیاز → سگمنت → پیام مرتبط. به ML نیاز ندارد؛ به داده تمیز سفارش، آستانه شفاف، و اتصال به سگمنت و جرنی در مارکتینگ اتومیشن نیاز دارد. از تعریف شروع کن، سه سگمنت پول‌ساز را زنده کن، برای At Risk و Champions مسیر جدا بساز، و هر بار که امتیازها را تازه کردی همان attributeها را به اتوماسیون بده — گزارش زیبا بدون صف ارسال، هنوز اتوماسیون نیست.

مطالب مرتبط

• سگمنت مشتریان چیست؟ راهنمای بخش‌بندی مخاطب در مارکتینگ اتومیشن
• لایف‌سایکل مارکتینگ چیست؟ از آنبوردینگ تا win-back
• مارکتینگ اتومیشن چیست؟ تعریف ساده، کاربردها و اشتباهات رایج