Phân tích RFM là gì? Các bước phân khúc khách hàng theo RFM model

RFM model là viết tắt của Recency – Frequency – Monetary, một mô hình giúp phân loại khách hàng dựa trên ba yếu tố hành vi cốt lõi:

• Recency (Gần nhất): Khách hàng này mua hàng cách đây bao lâu?
• Frequency (Tần suất): Họ mua hàng bao nhiêu lần trong khoảng thời gian nhất định?
• Monetary (Giá trị): Tổng số tiền họ đã chi tiêu là bao nhiêu?

Khi bạn gửi cùng một ưu đãi tới toàn bộ khách hàng, có bao giờ bạn tự hỏi: liệu mọi người đều phản ứng giống nhau? Câu trả lời là không.

Một người vừa mua hàng hôm qua sẽ không phản ứng như người đã 6 tháng không quay lại. Một khách hàng chi tiêu đều đặn mỗi tháng sẽ khác với người chỉ ghé mua một lần duy nhất. Hiểu được sự khác biệt trong hành vi khách hàng chính là chìa khóa để làm marketing hiệu quả hơn – và đó là lúc bạn cần tới RFM model.

RFM model là một trong những mô hình lâu đời nhưng vẫn cực kỳ thực tiễn trong việc phân khúc khách hàng và xây dựng chiến lược cá nhân hóa. Đơn giản, dễ triển khai, và có thể dùng được ngay cả khi bạn chỉ có dữ liệu Excel – RFM là nền tảng tốt nhất để bắt đầu hành trình marketing theo dữ liệu (data-driven marketing).

I. RFM model là gì? Vì sao ai làm marketing cũng cần hiểu mô hình này?

RFM model là gì?

RFM là viết tắt của Recency – Frequency – Monetary, một mô hình giúp phân loại khách hàng dựa trên ba yếu tố hành vi cốt lõi:

• Recency (Gần nhất): Khách hàng này mua hàng cách đây bao lâu?
• Frequency (Tần suất): Họ mua hàng bao nhiêu lần trong khoảng thời gian nhất định?
• Monetary (Giá trị): Tổng số tiền họ đã chi tiêu là bao nhiêu?

Khi bạn chấm điểm ba yếu tố này và kết hợp lại, bạn sẽ có một hệ thống phân khúc khách hàng rõ ràng, giúp bạn biết:

• Ai là khách hàng trung thành nhất?
• Ai là người sắp rời bỏ thương hiệu?
• Ai là người mới – và nên chăm sóc thế nào để giữ họ quay lại?

RFM model là phương pháp phân tích khách hàng phổ biến trong marketing, giúp doanh nghiệp dựa trên dữ liệu hành vi (giao dịch) để phân khúc khách hàng hiệu quả hơn.

Vì sao RFM model vẫn “sống khỏe” trong kỷ nguyên AI?

Trong hàng chục mô hình phân tích hành vi khách hàng, RFM vẫn được ưu tiên sử dụng vì:

• Dễ hiểu, dễ triển khai: Bạn chỉ cần dữ liệu cơ bản từ hệ thống bán hàng (thời gian – số lần – số tiền mua hàng)
• Hiệu quả thực tế cao: Chỉ với 3 biến số, RFM có thể giúp bạn cá nhân hoá marketing, tăng tỷ lệ phản hồi và giữ chân khách hàng
• Ứng dụng linh hoạt: Dù bạn làm trong ngành bán lẻ, giáo dục, F&B hay SaaS, mô hình này đều có thể áp dụng

Ví dụ thực tế trong kinh doanh: Một trung tâm tiếng Anh phát hiện nhóm học viên đã từng học ≥2 khoá và vừa quay lại trong 30 ngày qua (Recency + Frequency cao) có khả năng đăng ký khoá học tiếp theo lên tới 80%. Nhờ đó, họ ưu tiên gửi ưu đãi nâng cấp cho nhóm này – thay vì gửi cho toàn bộ danh sách.

Khi nào bạn nên bắt đầu học và áp dụng RFM model?

Ngay khi bạn có dữ liệu giao dịch cơ bản từ khách hàng – từ Excel, Google Sheet, CRM hoặc công cụ bán hàng – bạn đã có thể áp dụng RFM. Đây là bước khởi đầu đơn giản nhưng vững chắc để tiếp cận tư duy marketing theo dữ liệu và phân tích khách hàng đúng cách ngay từ đầu.

II. RFM model hoạt động như thế nào? Giải thích từng thành phần qua ví dụ thực tế

Để hiểu RFM hoạt động ra sao, bạn chỉ cần hình dung: mỗi khách hàng sẽ được “chấm điểm hành vi” trên 3 trục:

Khi bạn đánh giá và cho điểm từng yếu tố (thường theo thang 1–5), bạn sẽ có một mã số RFM cho từng khách hàng. Ví dụ:

• Khách hàng A: R = 5, F = 1, M = 2 → Mã RFM: 512
• Khách hàng B: R = 4, F = 5, M = 5 → Mã RFM: 455

Từ mã này, bạn có thể phân nhóm khách hàng để đưa ra chiến lược riêng cho từng nhóm (sẽ trình bày ở phần sau).

Case study

Giả sử bạn đang quản lý một thương hiệu trà sữa:

Từ bảng trên, bạn thấy:

• Mai là khách hàng trung thành, có tần suất cao và chi tiêu cao → ưu tiên khuyến mãi độc quyền hoặc thẻ tích điểm
• Long là khách nguy cơ rơi rớt, có thể cần re-engagement như mã giảm giá quay lại
• Lan gần như đã mất kết nối, bạn cần cân nhắc đầu tư lại hoặc chuyển họ vào nhóm remarketing nhẹ

Ba yếu tố này kết hợp lại sẽ giúp bạn hiểu sâu hơn về khách hàng mà không cần bảng khảo sát hay dữ liệu cá nhân.

• Recency quyết định: có nên liên lạc lúc này hay không?
• Frequency phản ánh: họ có thói quen mua hàng thường xuyên không?
• Monetary cho thấy: mức độ sẵn sàng chi tiêu của họ

III. Tại sao nên phân khúc khách hàng theo mô hình RFM?

Trong marketing, phân khúc không chỉ là việc “chia nhóm cho gọn”. Đó là bước đầu tiên để bạn gửi đúng thông điệp – đến đúng người – vào đúng thời điểm. Và nếu bạn đang tìm một cách phân khúc khách hàng vừa dựa trên dữ liệu, vừa dễ áp dụng, thì RFM là một trong những lựa chọn đơn giản và hiệu quả nhất.

Vì sao RFM model được ưa chuộng trong thực chiến?

1. Phân khúc dựa trên hành vi thực – không phải cảm tính

Khác với việc chia khách hàng theo giới tính, độ tuổi hay vùng miền – vốn chỉ cho bạn thông tin nhân khẩu học, RFM dựa trực tiếp vào hành vi mua hàng thực tế.

• Ai vừa mua?
• Ai mua thường xuyên?
• Ai chi nhiều tiền?

Những dữ liệu này chính là chỉ báo rõ ràng nhất về mức độ gắn bó và giá trị tiềm năng của từng khách hàng.

2. Biết chính xác nên đầu tư vào ai – và tiết kiệm với ai

Không phải tất cả khách hàng đều đáng được chăm sóc như nhau. RFM giúp bạn:

• Tăng ngân sách cho nhóm “Champions” – những người trung thành, thường xuyên chi nhiều
• Chạy khuyến mãi hấp dẫn cho nhóm “At Risk” – đang có dấu hiệu rời bỏ
• Không lãng phí nguồn lực cho nhóm “Lost” – đã lâu không mua, sức mua thấp

Từ đó Hiệu quả marketing tăng lên. Chi phí chăm sóc giảm đi.

3. Tối ưu hoá từng kịch bản marketing: email, quảng cáo, upsell…

Một khi đã có phân khúc rõ ràng, bạn có thể cá nhân hoá các hoạt động như:

• Gửi email chăm sóc riêng cho từng nhóm (ví dụ: combo ưu đãi cho nhóm Frequency cao)
• Chạy quảng cáo remarketing tập trung vào nhóm Recency thấp
• Thiết kế chương trình khách hàng thân thiết, chỉ dành cho nhóm Monetary cao

Không cần hệ thống quá phức tạp. Chỉ với file Excel hoặc Google Sheet và mô hình RFM, bạn đã có thể bắt đầu cá nhân hoá hành trình khách hàng ngay hôm nay.

IV. Cách triển khai phân tích RFM từng bước một chi tiết

5 bước phân tích RFM model:

1. Thu thập dữ liệu giao dịch
2. Tính R, F, M cho từng khách
3. Chấm điểm RFM theo thang 1–5
4. Gộp mã RFM và phân nhóm khách hàng
5. Trực quan hóa kết quả để dễ hành động

Dưới đây là hướng dẫn chi tiết từng bước để thực hiện phân tích RFM từ A-Z.

Bước 1: Thu thập dữ liệu giao dịch của khách hàng

Trước khi phân tích, bạn cần có bảng dữ liệu đơn giản với chỉ 4 cột Transaction. Customer ID, Date of Purchase, và Amount như sau. Có thể sử dụng Excel hoặc Pivot Table để tính cực kỳ nhanh.

Dữ liệu này có thể xuất từ phần mềm bán hàng, CRM, Google Sheet, hoặc hệ thống POS (Point-of-Sale).

Bước 2: Tính các giá trị R – F – M

Sau khi có dữ liệu, bạn sẽ tính 3 giá trị quan trọng cho mỗi khách hàng.

Bước 3: Chấm điểm R – F – M theo thang điểm (thường là 1–5)

Ở bước này, bạn cần phân nhóm các giá trị thành từng khoảng và gán điểm. Có 2 cách làm phổ biến:

Cách 1: Chia khoảng thủ công (Manual Binning)

• Ví dụ với Recency:
  • Mua hàng trong 7 ngày → R = 5
  • Mua trong 30 ngày → R = 4
  • Mua trong 90 ngày → R = 3
  • Mua trong 180 ngày → R = 2
  • Quá 180 ngày → R = 1

Khi làm RFM model, cần điều chỉnh theo đặc thù ngành. Ví dụ ngành F&B sẽ cần khoảng thời gian ngắn hơn ngành bán lẻ thời trang.

Cách 2: Chia theo phần trăm (Quintiles)

• Sắp xếp danh sách từ cao đến thấp
• Chia đều số lượng khách thành 5 nhóm → mỗi nhóm chiếm 20% tổng khách
• Gán điểm 5 cho nhóm top đầu, điểm 1 cho nhóm thấp nhất

Cách này giúp bạn tự động hoá, đặc biệt khi số lượng khách lớn hoặc không có tiêu chuẩn phân chia rõ ràng.

Bước 4: Gộp điểm & phân nhóm khách hàng

Khi bạn đã có điểm R – F – M cho từng khách hàng, bạn có thể kết hợp chúng thành mã RFM. Ví dụ:

Dựa trên mã này, bạn có thể phân loại thành các nhóm như:

• Champions (555, 554,…): mua gần đây, mua nhiều, chi tiêu cao
• Loyal Customers: tần suất và giá trị cao, nhưng chưa mua gần đây
• At Risk: từng mua nhiều, từng chi cao, nhưng đã lâu không quay lại
• Hibernating / Lost: mua từ rất lâu, sức mua thấp

Bảng phân khúc RFM customer segmentation

Bạn có thể tìm đến 11 phân khúc khách hàng theo chuẩn RFM – phần này sẽ trình bày kỹ ở Mục 5.

Bước 5: Trực quan hóa bằng biểu đồ / Dashboard

Để nhìn rõ toàn cảnh khách hàng, bạn có thể dùng:

• TreeMap trong Excel hoặc Power BI: mỗi ô đại diện cho một nhóm RFM, kích thước theo số lượng hoặc doanh thu
• Conditional formatting: tô màu theo điểm R, F, M để dễ nhận biết nhóm VIP, nhóm cần chăm sóc

V. 11 nhóm khách hàng phổ biến trong RFM và cách chăm sóc từng nhóm

Sau khi bạn đã gán điểm R – F – M cho từng khách hàng, bước tiếp theo là gom họ thành từng phân khúc cụ thể để đưa ra chiến lược hành động phù hợp.

Mô hình RFM thường chia khách hàng thành 11 nhóm điển hình. Mỗi nhóm thể hiện một mức độ gắn bó khác nhau với thương hiệu – và vì thế, cách bạn tương tác cũng cần được “đo ni đóng giày”.

1. Champions

Đặc điểm: R = 5, F = 5, M = 5 hoặc gần với 5

Họ là ai: Khách hàng VIP – thường xuyên mua hàng, gần đây, và chi tiêu cao

Chiến lược chăm sóc khách hàng:

• Gửi ưu đãi độc quyền (early access, sản phẩm mới, ưu đãi nội bộ)
• Tặng voucher / quà tri ân bất ngờ
• Mời tham gia chương trình referral (giới thiệu bạn bè)
• Mục tiêu: giữ chân bằng cảm xúc và đặc quyền

2. Loyal Customers

Đặc điểm: F và M cao, R trung bình\

Họ là ai: Khách thân thiết, có thói quen quay lại

Chiến lược chăm sóc:

• Xây dựng chương trình tích điểm
• Gửi email gợi ý sản phẩm dựa trên lịch sử mua
• Upsell combo, bán kèm
• Mục tiêu: duy trì tần suất và tăng đơn hàng

3. Potential Loyalist

Đặc điểm: R cao, F và M trung bình Họ là ai: Khách mới có dấu hiệu gắn bó

Chiến lược chăm sóc:

• Gửi email cảm ơn sau đơn hàng đầu tiên
• Tặng mã giảm giá cho lần mua tiếp theo
• Hướng dẫn sử dụng / trải nghiệm sản phẩm tốt hơn
• Mục tiêu: kích hoạt thói quen mua lại

4. New Customers

Đặc điểm: R cao, F = 1, M thấp – trung bình

Họ là ai: Vừa mua lần đầu

Chiến lược chăm sóc:

• Gửi welcome email cá nhân hoá
• Đặt ưu tiên hỗ trợ khách mới (chat, call, hướng dẫn)
• Gửi thông tin thương hiệu, giá trị, cách sử dụng sản phẩm
• Mục tiêu: xây dựng ấn tượng tốt ban đầu

5. Promising

Đặc điểm: R và M cao, F chưa đủ Họ là ai: Mua gần đây, giá trị đơn hàng tốt, nhưng chưa thường xuyên Chiến lược chăm sóc:

• Đề xuất sản phẩm tương tự
• Gửi review khách hàng để tăng niềm tin
• Khuyến khích thử sản phẩm mới qua ưu đãi
• Mục tiêu: biến khách hàng “thích” thành “trung thành”

6. Customers Needing Attention

Đặc điểm: F và M trung bình, R giảm Họ là ai: Trước kia mua đều, nhưng gần đây không thấy Chiến lược chăm sóc:

• Gửi reminder nhẹ nhàng (ví dụ: “bạn có đang bỏ lỡ ưu đãi?”)
• Gửi bài viết / nội dung giúp họ sử dụng sản phẩm tốt hơn
• Tặng ưu đãi comeback
• Mục tiêu: ngăn ngừa rơi rớt

7. About To Sleep

Đặc điểm: F và M thấp, R giảm Họ là ai: Mua rất ít, đã lâu không quay lại Chiến lược chăm sóc:

• Gửi email nhẹ nhàng hỏi thăm, lấy feedback
• Đưa ưu đãi mạnh để kích thích quay lại
• Đề xuất sản phẩm phù hợp hơn với họ
• Mục tiêu: kích hoạt lại hoặc chuyển vào nhóm remarketing

8. At Risk

Đặc điểm: F và M từng cao, R thấp Họ là ai: Từng là khách hàng tốt – nhưng đã lâu không mua Chiến lược chăm sóc:

• Gửi chiến dịch “Chúng tôi nhớ bạn”
• Ưu đãi lớn + giới hạn thời gian
• Cá nhân hóa dựa trên lịch sử mua
• Mục tiêu: kéo họ quay lại trước khi mất hoàn toàn

9. Can’t Lose Them

Đặc điểm: M cực cao, R cực thấp Họ là ai: Những khách chi rất nhiều, nhưng có nguy cơ rời đi Chiến lược chăm sóc:

• Ưu tiên gọi điện cá nhân
• Khảo sát tìm hiểu lý do gián đoạn
• Tặng quà tri ân đặc biệt
• Mục tiêu: cứu vãn mối quan hệ giá trị cao

10. Hibernating

Đặc điểm: R, F, M đều thấp Họ là ai: Từng mua 1–2 lần, không quay lại Chiến lược chăm sóc:

• Gửi chương trình thử lại sản phẩm
• Giới thiệu dòng mới / thay đổi của thương hiệu
• Remarketing dịp đặc biệt (lễ, sale…)
• Mục tiêu: re-engage nếu có cơ hội – chi phí thấp

11. Lost

Đặc điểm: R thấp, F = 1, M thấp Họ là ai: Mua 1 lần từ rất lâu rồi, gần như không còn quan tâm Chiến lược chăm sóc:

• Gửi email cuối cùng (“Nếu bạn không phản hồi, chúng tôi sẽ dừng gửi”)
• Cho vào tệp quảng cáo thu hẹp (retargeting nếu ngân sách còn)
• Không đầu tư nhiều – tập trung vào tệp tiềm năng hơn
• Mục tiêu: biết khi nào nên buông để tối ưu chi phí

Lưu ý:

• Không phải nhóm nào cũng cần tốn nhiều ngân sách. Điều quan trọng là ưu tiên nhóm có khả năng sinh lời cao
• Mỗi nhóm có ngôn ngữ và thời điểm phù hợp riêng

Bạn có thể dựng dashboard theo 11 nhóm này bằng Power BI, hoặc tạo pivot table trong Excel để theo dõi % khách hàng thuộc mỗi nhóm, từ đó:

• Thiết kế funnel cá nhân hoá
• Theo dõi chuyển dịch giữa các nhóm theo thời gian
• Gắn các chỉ số RFM vào chiến lược chăm sóc khách hàng toàn diện

Tham khảo ngay khoá học Advanced Data Analytics in Excel và Data Analytics In Power BI: Với chương trình học được thiết kế tinh gọn theo phương pháp Agile Learning, bạn sẽ được học và thực hành liên tục xuyên suốt các khóa học. Chỉ sau vài buổi học bạn có thể trở thành chuyên gia về phân tích và trực quan hóa dữ liệu chuyên sâu trên Excel và Power BI. Nếu bạn là newbie và chưa biết phải bắt đầu từ đâu, đây là một sự lựa chọn hoàn hảo dành cho bạn.

VI. RFM model có hạn chế gì? Khi nào nên – không nên dùng?

RFM model là một công cụ tuyệt vời để bắt đầu phân tích khách hàng. Nhưng như bất kỳ mô hình nào, nó không hoàn hảo. Để sử dụng hiệu quả, bạn cần biết khi nào nên dùng RFM – và khi nào không nên.

Hạn chế 1: Chỉ dựa trên hành vi quá khứ, không dự báo tương lai

RFM model đo lường hành vi đã xảy ra, nhưng không nói rõ về ý định trong tương lai.

• Ví dụ: một khách vừa mua hàng hôm qua (Recency cao) không có nghĩa là họ sẽ quay lại – nếu họ chỉ đang “test thử” sản phẩm.
• Ngược lại, một khách có Frequency thấp nhưng mua đều vào các dịp lễ cố định có thể lại là khách trung thành trong thời vụ.

Giải pháp:

• Kết hợp RFM model với phân tích hành vi trên web (session, thời gian trên trang…)
• Hoặc áp dụng mô hình nâng cao như predictive CLTV nếu đã có dữ liệu đủ lớn

Hạn chế 2: Không tính yếu tố cảm xúc, nhu cầu hay mức độ hài lòng

RFM model không phản ánh:

• Khách hàng có hài lòng với trải nghiệm không
• Họ mua vì thói quen hay vì yêu thích thương hiệu
• Họ có sẵn sàng giới thiệu cho người khác không

RFM model không biết chuyện gì đang diễn ra trong đầu khách hàng – chỉ nhìn được hành vi bề mặt.

Giải pháp:

• Kết hợp với khảo sát NPS (Net Promoter Score) hoặc CSAT (Customer Satisfaction)
• Lắng nghe phản hồi trên mạng xã hội, đánh giá sao, review để có insight sâu hơn

Hạn chế 3: Không phân tích được khách hàng mới hoàn toàn (chưa từng mua)

Với khách mới chưa từng mua hàng → không có dữ liệu để tính R – F – M

• Điều này khiến RFM model không phù hợp để áp dụng cho chiến lược thu hút khách hàng mới
• RFM model là công cụ phân tích khách hàng hiện tại, không phải prospect

Giải pháp:

• Kết hợp RFM model với chiến lược lead scoring hoặc funnel marketing riêng cho khách mới

Hạn chế 4: Có thể gây hiểu nhầm nếu không chuẩn hoá dữ liệu

Nếu không xử lý kỹ:

• Những khách từng mua hàng với giá “sốc” nhưng không quay lại → vẫn có điểm M cao
• Những đơn hàng do test hệ thống / khuyến mãi nội bộ → có thể làm sai lệch Frequency

Giải pháp:

• Làm sạch dữ liệu trước khi phân tích
• Loại các đơn hàng bất thường, đơn test, voucher 0đ…

Khi nào nên dùng RFM model?

• Khi bạn có dữ liệu giao dịch thực tế
• Khi bạn muốn cá nhân hóa marketing mà chưa có công cụ quá phức tạp
• Khi bạn cần một cách nhanh – rẻ – dễ hiểu để phân loại khách hàng
• Khi bạn cần tăng hiệu quả cho các kênh như email, quảng cáo, CRM

Khi nào không nên dùng RFM một mình?

• Khi bạn bán sản phẩm có chu kỳ mua rất dài (VD: bất động sản, ô tô, bảo hiểm 5 năm…)
• Khi sản phẩm phụ thuộc nhiều vào cảm xúc, thời điểm hoặc tính ngẫu nhiên (VD: sản phẩm quà tặng, dịch vụ cưới hỏi)
• Khi bạn chưa có dữ liệu giao dịch – hoặc dữ liệu quá nhiễu, thiếu chính xác

RFM có thể kết hợp với các mô hình khác để làm customer segmentation:

Đọc thêm về blog Net Promoter Score – Cách phân tích hành trình trải nghiệm khách hàng tại đây

VII. Vì sao bạn nên bắt đầu học RFM model ngay hôm nay?

Trong vô vàn công cụ và mô hình phân tích khách hàng, RFM là một trong những mô hình đơn giản nhưng “không hề đơn giản”. Bạn không cần dùng machine learning để hiểu khách hàng. Bạn chỉ cần biết: Ai vừa mua gần đây? Ai mua nhiều lần? Ai chi nhiều tiền?

Chỉ ba câu hỏi – nhưng đủ để bạn đưa ra chiến lược cá nhân hoá tốt hơn, giữ chân khách hàng lâu hơn, và ra quyết định marketing có cơ sở hơn.

Học RFM model bài bản và thực chiến cùng ACE

Nếu bạn muốn học cách phân tích RFM model, xây dashboard theo dõi nhóm khách hàng, và biến dữ liệu thành hành động marketing cụ thể, hãy bắt đầu với:

🎓 Data Analysis for Business Professionals – khoá học nền tảng giúp bạn hiểu logic phân tích trong kinh doanh, làm việc với dữ liệu thực tế, và tư duy theo chuẩn consultant. Với khóa học này bạn sẽ được đào tạo các kĩ năng cần thiết của Excel và Power BI, giải case study thực chiến và nâng cao thêm kĩ năng phân tích và trực quan hóa dữ liệu.

🎓 Hoặc nâng cấp hơn với Advanced Data Analytics in Excel – nơi bạn được thực hành xử lý, phân khúc dữ liệu trong Excel như một business analyst thực thụ. Bên cạnh đó, hoàn thành khóa học này, bạn sẽ trở thành chuyên gia về phân tích và trực quan hóa dữ liệu trên công cụ Excel.

VIII. Câu hỏi thường gặp về phân tích RFM – RFM model

About the author

Alice Mai

Founder & Lead Instructor of ACE Academy

Cô Alice là founder tại ACE Academy – nền tảng đào tạo kỹ năng phân tích dữ liệu và tư duy kinh doanh thực chiến. Cô đồng thời là chuyên gia tư vấn tại ACE Partners Consulting & 180 Systems Canada, tập trung vào chiến lược, digital marketing và chuyển đổi số cho các doanh nghiệp. Với hơn 15 năm kinh nghiệm tại các tập đoàn đa quốc gia như TikTok, Lazada và ACFC, Alice kết hợp giữa tư duy lãnh đạo và công nghệ để kiến tạo giải pháp giáo dục phù hợp cho thế hệ trẻ trong thời đại AI.

Linkedin Threads Facebook