GIỚI THIỆU VỀ MÔ HÌNH RFM

RFM là gì?
Mô hình RFM (Recency, Frequency, Monetary) là một mô hình phân tích khách hàng
trong lĩnh vực tiếp thị và quản lý quan hệ khách hàng. Mô hình RFM đánh giá các
khía cạnh quan trọng của hành vi mua hàng của khách hàng dựa trên 3 yếu tố:
● Recency (Thời gian gần nhất mua hàng)
● Frequency (Tần suất)
● Monetary (Giá trị tiền mỗi lần mua hàng)
Dựa trên ba yếu tố này, khách hàng được phân loại thành các nhóm khác nhau, như
khách hàng quan trọng, khách hàng tiềm năng, khách hàng mất dần và khách hàng
không hoạt động… Mô hình RFM giúp doanh nghiệp dự đoán tiềm năng của từng
phân khúc khách hàng, sắp xếp các phân khúc khách hàng theo thứ tự ưu tiên để phân
bổ nguồn lực một cách hiệu quả và tiết kiệm chi phí. Điều này giúp tối ưu hóa ngân
sách chiến lược tiếp thị, cải thiện tương tác với khách hàng và tăng doanh thu.
Phân tích các yếu tố của mô hình RFM
★ Recency (Thời gian mua hàng gần nhất)
Recency trong mô hình RFM đo thời gian từ lần mua hàng gần nhất của khách
hàng. Nó là một yếu tố quan trọng để đánh giá mức độ tương tác gần nhất của khách
hàng với doanh nghiệp. Khi áp dụng mô hình RFM, một khách hàng được xem là có
giá trị cao hơn nếu lần mua hàng gần nhất của họ xảy ra gần đây hơn. Ví dụ, một
khách hàng mới mua hàng trong tháng trước sẽ có mức Recency cao hơn so với một
khách hàng mua hàng cách đây một năm.
Recency trong RFM Segmentation được sử dụng để phân loại khách hàng thành
các nhóm khác nhau như:
● Khách hàng mới: Lần mua hàng gần nhất xảy ra gần đây và có thể được coi là
tiềm năng cho việc tương tác và tiếp thị tiếp theo.
● Khách hàng thường xuyên: Lần mua hàng gần nhất xảy ra không quá lâu và
đánh dấu một mức độ tương tác liên tục với doanh nghiệp.
● Khách hàng có khả năng rời bỏ: Lần mua hàng gần nhất xảy ra cách đây lâu và
đây có thể là tín hiệu cho sự suy giảm quan tâm của khách hàng hoặc mất dần
liên hệ với doanh nghiệp.
 ● Khách hàng không hoạt động: Lần mua hàng gần nhất xảy ra rất lâu và khách
hàng không có hoạt động mới. Nhóm này thường đại diện cho khách hàng
không còn tương tác hoặc mất quan tâm đến doanh nghiệp.
Bằng cách xác định thời gian gần nhất mua hàng, doanh nghiệp có thể tập trung vào
việc tương tác và tiếp cận khách hàng theo cách phù hợp, nhằm tăng cường quan hệ và
gia tăng giá trị từ mỗi khách hàng.
★ Frequency (Tần suất mua hàng)
Frequency đo số lần mua hàng của khách hàng trong một khoảng thời gian nhất
định, đánh giá mức độ tương tác lặp lại của khách hàng với doanh nghiệp. Khi áp
dụng mô hình RFM, một khách hàng được coi là có giá trị cao hơn nếu họ mua hàng
thường xuyên hơn. Số lần mua hàng của khách hàng trong một khoảng thời gian cụ
thể sẽ quyết định mức độ Frequency của họ. Ví dụ, một khách hàng mua hàng hàng
tháng sẽ có mức Frequency cao hơn so với một khách hàng chỉ mua hàng một lần mỗi
năm.
Frequency trong mô hình RFM được sử dụng để phân loại khách hàng thành các
nhóm khác nhau như:
● Khách hàng thường xuyên: Mua hàng với tần suất cao trong một khoảng thời
gian nhất định. Đây là nhóm khách hàng quan trọng và có tiềm năng mang lại
doanh thu lớn.
● Khách hàng định kỳ: Mua hàng với tần suất ổn định trong một khoảng thời
gian nhất định, không quá thường xuyên. Đây là nhóm khách hàng có thể tiềm
năng phát triển và đạt được mức độ thường xuyên hơn.
● Khách hàng ngẫu nhiên: Mua hàng không có một mô hình đều đặn, không có
tần suất cụ thể. Đây là nhóm khách hàng khá khó dự đoán và cần quan tâm để
tăng cường tương tác.
● Khách hàng không thường xuyên: Mua hàng rất ít lần hoặc không mua hàng
trong một khoảng thời gian dài. Đây là nhóm khách hàng không phải ưu tiên
tiếp thị, và có thể yêu cầu nỗ lực đặc biệt để thúc đẩy họ tăng tần suất mua
hàng.
★ Monetary (Giá trị tiền mỗi lần mua hàng)
 Monetary đo giá trị tiền hoặc giá trị đơn hàng mà khách hàng đã chi tiêu trong mỗi
lần mua hàng, thể hiện mức độ giá trị mà khách hàng mang lại cho doanh nghiệp. Tùy
vào nhu cầu phân tích dữ liệu của doanh nghiệp cho từng chiến dịch marketing, giá trị
tiền được đo bằng tổng số tiền mà khách hàng đã chi trả hoặc tổng giá trị đơn hàng
mỗi lần giao dịch.
Monetary trong RFM Segmentation được sử dụng để phân loại khách hàng thành
các nhóm khác nhau như:
● Khách hàng có giá trị cao: Chi tiêu nhiều tiền trong mỗi lần mua hàng, đóng
góp lớn vào doanh thu của doanh nghiệp. Đây là nhóm khách hàng quan trọng
và cần được tạo điều kiện thuận lợi để duy trì mức chi tiêu cao.
● Khách hàng có giá trị trung bình: Chi tiêu một số tiền vừa phải trong mỗi lần
mua hàng. Đây là nhóm khách hàng có tiềm năng phát triển và có thể tăng giá
trị bằng cách tăng cường tương tác và tiếp thị.
● Khách hàng có giá trị thấp: Chi tiêu ít tiền trong mỗi lần mua hàng. Đây là
nhóm khách hàng có thể không mang lại lợi nhuận lớn cho doanh nghiệp và có
thể cần nỗ lực để tăng cường giá trị mỗi giao dịch.
Các ứng dụng của mô hình RFM
Mô hình RFM có thể được ứng dụng trong nhiều lĩnh vực khác nhau, bao gồm:
● Marketing: Mô hình RFM được sử dụng để phân khúc khách hàng, xác định
các khách hàng mục tiêu, và tối ưu hóa các chiến dịch marketing.
● Bán hàng: Mô hình RFM được sử dụng để xác định các khách hàng tiềm năng,
theo dõi tiến trình bán hàng, và tối ưu hóa các nỗ lực bán hàng.
● Chăm sóc khách hàng: Mô hình RFM được sử dụng để phân loại khách hàng,
xác định các khách hàng có nguy cơ rời bỏ, và tối ưu hóa các nỗ lực chăm sóc
khách hàng.
LITERATURE REVIEW
Trong hơn hai mươi năm qua, nhiều nhà nghiên cứu đã xem xét các mô hình
RFM trong việc phát triển các mô hình dự đoán, hiệu quả của mô hình và phân loại
các giá trị khách hàng. Phần phân tích dưới sẽ cung cấp cái nhìn tổng quan nhất về
hiệu quả của mô hình đã được chỉ ra qua các nghiên cứu.
★ Các nghiên cứu về hiệu quả của mô hình RFM trong marketing
Vào năm 1991, nghiên cứu được thực hiện bởi Thomas V. Wedel và Hans
Peter Kannan cho thấy rằng mô hình RFM có thể giúp các doanh nghiệp cải thiện hiệu
quả của các chiến dịch marketing email. Nghiên cứu này cho thấy rằng các chiến dịch
email được nhắm mục tiêu đến các khách hàng có giá trị cao nhất theo mô hình RFM
có tỷ lệ mở cao hơn và tỷ lệ nhấp chuột cao hơn so với các chiến dịch email được
nhắm mục tiêu ngẫu nhiên. Một nghiên cứu khác được thực hiện bởi David W.
Stewart và William T. O'Malley vào năm 2004 cho thấy rằng mô hình RFM có thể
giúp các doanh nghiệp cải thiện hiệu quả của các chương trình khuyến mãi. Nghiên
cứu này cho thấy rằng các chương trình khuyến mãi được nhắm mục tiêu đến các
khách hàng có giá trị cao nhất theo mô hình RFM có tỷ lệ phản hồi cao hơn so với các
chương trình khuyến mãi được nhắm mục tiêu ngẫu nhiên. Ngoài ra, eConsultancy
năm 2017 cũng nghiên cứu và cho thấy rằng các doanh nghiệp áp dụng mô hình RFM
có thể giảm 50% chi phí tiếp thị và tăng 10-15% tỷ lệ chuyển đổi.
★ Các nghiên cứu về hiệu quả của mô hình RFM trong bán hàng
Về hiệu quả của mô hình RFM trong phương diện bán hàng, David W. Stewart
và William T. O'Malley vào năm 2004 đã thực hiện nghiên cứu và chỉ ra rằng mô hình
RFM có thể giúp các doanh nghiệp xác định các khách hàng tiềm năng có giá trị cao
hơn. Nghiên cứu này cho thấy rằng các khách hàng có điểm RFM cao hơn có khả
năng mua hàng cao hơn so với các khách hàng có điểm RFM thấp hơn. Một nghiên
cứu khác được thực hiện bởi John J. Flynn và Michael E. Greenwald vào năm 2007
cho thấy rằng mô hình RFM có thể giúp các doanh nghiệp theo dõi tiến trình bán hàng
và tối ưu hóa các nỗ lực bán hàng. Nghiên cứu này cho thấy rằng các doanh nghiệp sử
dụng mô hình RFM có thể cải thiện tỷ lệ đóng cửa và tỷ lệ hài lòng của khách hàng.
★ Các nghiên cứu về hiệu quả của mô hình RFM trong chăm sóc khách hàng
 Vào năm 2007, John J. Flynn và Michael E. Greenwald chỉ ra mô hình RFM có
thể giúp các doanh nghiệp xác định các khách hàng có nguy cơ rời bỏ. Nghiên cứu
này cho thấy rằng các khách hàng có điểm RFM thấp hơn có khả năng rời bỏ cao hơn
so với các khách hàng có điểm RFM cao hơn. Bên cạnh đó, nghiên cứu khác được
thực hiện bởi David W. Stewart và William T. O'Malley vào năm 2004 cho thấy rằng
mô hình RFM có thể giúp các doanh nghiệp tối ưu hóa các nỗ lực chăm sóc khách
hàng. Nghiên cứu này cho thấy rằng các doanh nghiệp sử dụng mô hình RFM có thể
cải thiện tỷ lệ giữ chân khách hàng và tỷ lệ hài lòng của khách hàng.
=>> Từ các nghiên cứu trên đã chỉ ra rằng mô hình RFM là một mô hình hiệu
quả có thể giúp các doanh nghiệp cải thiện hiệu quả của các chiến dịch marketing, bán
hàng, và chăm sóc khách hàng của mình.(Jo-Ting, Shih-Yen and Hsin-Hung, 2010)
(Khajvand and Tarokh, 2011; Nikumanesh and Albadvi, 2014; Alborzi and
Khanbabaei, 2016; Aliyev et al., 2020; Firdaus and Utama, 2021)
Alborzi, M. and Khanbabaei, M. (2016) ‘Using data mining and neural networks
techniques to propose a new hybrid customer behaviour analysis and credit scoring
model in banking services based on a developed RFM analysis method’, International
Journal of Business Information Systems, 23(1), p. 1. Available at:
https://doi.org/10.1504/IJBIS.2016.078020.

Aliyev, M. et al. (2020) ‘Segmenting Bank Customers via RFM Model and
Unsupervised Machine Learning’. Available at:
https://doi.org/10.48550/ARXIV.2008.08662.

Firdaus, U. and Utama, D.N. (2021) ‘Development of Bank’s Customer Segmentation

Model Based on RFM+B Approach’. ICIC International 学 会 . Available at:
https://doi.org/10.24507/icicelb.12.01.17.

Jo-Ting, W., Shih-Yen, L. and Hsin-Hung, W. (2010) ‘A review of the application of

RFM model’, African Journal of Business Management, 4(19). Available at:
https://www.researchgate.net/publication/228399859_A_review_of_the_application_o
f_RFM_model.

Khajvand, M. and Tarokh, M.J. (2011) ‘Estimating customer future value of different
customer segments based on adapted RFM model in retail banking context’, Procedia
Computer Science, 3, pp. 1327–1332. Available at:
https://doi.org/10.1016/j.procs.2011.01.011.

Nikumanesh, E. and Albadvi, A. (2014) ‘Customer’s life-time value using the RFM
model in the banking industry: a case study’, International Journal of Electronic
Customer Relationship Management, 8(1/2/3), p. 15. Available at:
https://doi.org/10.1504/IJECRM.2014.066876.
 Alborzi, M. and Khanbabaei, M. (2016) ‘Using data mining and neural networks
techniques to propose a new hybrid customer behaviour analysis and credit scoring
model in banking services based on a developed RFM analysis method’, International
Journal of Business Information Systems, 23(1), p. 1. Available at:
https://doi.org/10.1504/IJBIS.2016.078020.

Aliyev, M. et al. (2020) ‘Segmenting Bank Customers via RFM Model and
Unsupervised Machine Learning’. Available at:
https://doi.org/10.48550/ARXIV.2008.08662.

Firdaus, U. and Utama, D.N. (2021) ‘Development of Bank’s Customer Segmentation

Model Based on RFM+B Approach’. ICIC International 学 会 . Available at:
https://doi.org/10.24507/icicelb.12.01.17.

Ha SH, Park SC (1998). Application of data mining tools to hotel data mart on the
Intranet for database marketing. Expert Syst. Appl., 15(1): 1-31.
Hsieh NC (2004). An integrated data mining and behavioral acoring model for
analyzing bank customers. Expert Syt Appl., 27: 623-633.
Jonker JJ, Piersma N, Potharst R (2006). A decision support system for direct mailing
decisions. Decis. Support Syst., 42: 915-925.
Jo-Ting, W., Shih-Yen, L. and Hsin-Hung, W. (2010) ‘A review of the application of
RFM model’, African Journal of Business Management, 4(19). Available at:
https://www.researchgate.net/publication/228399859_A_review_of_the_application_o
f_RFM_model.

Khajvand, M. and Tarokh, M.J. (2011) ‘Estimating customer future value of different
customer segments based on adapted RFM model in retail banking context’, Procedia
Computer Science, 3, pp. 1327–1332. Available at:
https://doi.org/10.1016/j.procs.2011.01.011.

King SF (2007). Citiznes as customers: Exploring the future of CRM in UK local

government. Gov. Inform Q., 24: 47-63.
Kotler P, Armstrong G (2006), Principles of Marketing, Eleventh Edition, Pearson
Prentice Hall, New Jersey.
Li ST, Shue LY, Lee SF (2008). Business intelligence approach to supportng strategy-
making of ISP service management. Expert Syst. Appl., 35: 739-754.
Li, YM, Lin CH, Lai CY (2010). Identifying influential reviewers for word-of-mouth
marketing. Elect. Com. Res Appl., 9: 294-304.
Lumsden SA, Beldona S, Morison AM (2008). Customer value in an all-inclusive
travel vacation club: An application of the RFM framework. J. Hosp. Leisure Mark.,
16(3): 270-285.
Nikumanesh, E. and Albadvi, A. (2014) ‘Customer’s life-time value using the RFM
model in the banking industry: a case study’, International Journal of Electronic
Customer Relationship Management, 8(1/2/3), p. 15. Available at:
https://doi.org/10.1504/IJECRM.2014.066876.

Sohrabi B, Khanlari A (2007). Customer lifetime value (CLV) measurment based on

RFM model. Iranian Acc. Aud. Rev., 14(47): 7-20.
Spring P, Leeflang PSH, Wansbeek T (1999). The combination strategy to ptimal
target selection and offer segmentation in direct mail. J. Mark. Focused Manage., 4:
187-203.
Yeh IC, Yang KJ, Ting TM (2008). Knowledge discovery on RFM model using
Bernoulli sequence. Expert Syst. Appl., 36: 5866-5871