🚀 圭話行銷 ATMarketingAI 行銷實戰專家

【行銷QA問】RFM 分群是什麼？完整指南 + 在 GA4／Excel／Supabase 怎麼算（含範本）

行銷QA問 #RFM#顧客分群#CRM#GA4#電商行銷
RFM 分群完整指南資訊圖

每次看會員報表都焦頭爛額？先學會 RFM 就好

很多台灣電商品牌的會員報表長這樣：總會員 5,000 人、本月活躍 800 人、月銷售 NT$120 萬。然後呢？該打給誰？該推什麼？老闆下週要看 ROI 報告、怎麼答？

答案是 RFM 分群 — 1995 年就提出、卻是 2026 年中小品牌最被低估的分群方法。它的優勢：免費、簡單、結果立刻可行動。本文用 3 種算法、5 個行銷劇本、完整教你做。

RFM 是什麼？3 個維度的白話解釋

  • R - Recency（最近一次購買）：上次他下單是幾天前？「最近買」的顧客比「3 個月沒回來」的顧客更可能再次購買。
  • F - Frequency（購買頻率）：他總共買了幾次？頻率高代表「習慣」已建立、有黏性。
  • M - Monetary（累積金額）：他至今總共花了多少錢？金額高代表「願意付費」、不是只看免費內容。

每個維度切「高」「低」2 階 → 3 維度 × 2 階 = 8 種組合 = 8 種顧客。例如「R 高 + F 高 + M 高」= VIP（最近買、常買、金額高）；「R 低 + F 高 + M 高」= 流失高價值（曾經是 VIP、現在不回來了、急救）。

3 種算法：GA4 / Excel / Supabase SQL

方法 1：GA4 探索式分析（免費、最快上手）

適合：純看 GA 數據、沒有自家訂單表的品牌（如部落格、媒體網站）。

  1. 進 GA4 → 探索 → 建立新探索 → 選「同類群組分析」
  2. 同類群組維度：選「首次接觸日期」
  3. 納入標準：選「purchase」事件
  4. 同類群組粒度：每週
  5. 計算公式：留存（=Recency 倒數）、購買次數（F）、購買收益（M）

GA4 限制：只能看「行為」、看不到「顧客 ID」級別的精確分群。適合「概況」分析、不適合「給 1000 個 VIP 發 EDM」這種精細操作。

方法 2：Excel 樞紐分析（中等難度、< 5000 筆訂單適用）

適合：有 Shopify／91app／SHOPLINE 訂單匯出檔案、想自己手動跑。

  1. 匯出訂單檔（CSV）：欄位包含 顧客 Email、訂單日期、訂單金額
  2. 新增 3 個計算欄位：
    • R = TODAY() - 顧客的「最後一次訂單日期」
    • F = COUNTIFS(顧客 Email = 同一個)
    • M = SUMIFS(訂單金額, 顧客 Email = 同一個)
  3. 用樞紐分析把顧客按 RFM 分群
  4. 切點建議用「四分位數」（Q3 以上算高）— 不要用平均值（會被一個大訂單拉偏）

Excel 上限：5000 筆訂單以下跑得動、再多就卡。

方法 3：Supabase SQL（自動跑、適合電商持續用）

適合：有自家電商系統、訂單存在 Supabase（或其他 PostgreSQL 資料庫）。

-- 假設 orders 表有 customer_id, created_at, total_amount
WITH rfm AS (
  SELECT
    customer_id,
    DATE_PART('day', NOW() - MAX(created_at)) AS recency_days,
    COUNT(*) AS frequency,
    SUM(total_amount) AS monetary
  FROM orders
  WHERE created_at >= NOW() - INTERVAL '12 months'
  GROUP BY customer_id
),
quartiles AS (
  SELECT
    PERCENTILE_CONT(0.5) WITHIN GROUP (ORDER BY recency_days) AS r_split,
    PERCENTILE_CONT(0.5) WITHIN GROUP (ORDER BY frequency)    AS f_split,
    PERCENTILE_CONT(0.5) WITHIN GROUP (ORDER BY monetary)     AS m_split
  FROM rfm
)
SELECT
  r.customer_id,
  CASE WHEN r.recency_days <= q.r_split THEN 'high' ELSE 'low' END AS r,
  CASE WHEN r.frequency    >= q.f_split THEN 'high' ELSE 'low' END AS f,
  CASE WHEN r.monetary     >= q.m_split THEN 'high' ELSE 'low' END AS m
FROM rfm r CROSS JOIN quartiles q;

把這支 SQL 包成 view 或 RPC、每天 cron 重算 1 次、後台就能直接看「今天的 VIP 是哪 200 人」。

5 個 RFM 分群 × 5 個行銷劇本

分群 1：VIP（R 高 + F 高 + M 高）— 維護劇本

動作：每月寄「VIP 專屬」內容（不是折扣、是價值感）— 例如「下月新品搶先看」、「邀請參加品牌活動」、生日專屬禮。不要打 8 折促銷、會貶低品牌定位。

分群 2：高價值休眠（R 低 + F 高 + M 高）— 喚醒劇本

這群人「過去是 VIP、現在不回來了」— 最值得搶救。動作：個人化簡訊「想念你」+ 「為你保留 30% 折扣（限 7 天）」+ 提供 30 分鐘客服 1 對 1 諮詢（找出為何離開）。一旦喚醒、終身價值（LTV）會比新客高 5 倍。

分群 3：新客（R 高 + F 低 + M 低）— 育成劇本

剛買 1 次、還沒有「習慣」。動作：3 封 EDM 序列 — 第 1 封（感謝 + 教使用）／第 2 封（這個產品的其他玩法）／第 3 封（推薦相關品項 + 限時 9 折）。目標：30 天內買第 2 次（突破「1 次客」門檻）。

分群 4：即將流失（R 低 + F 低 + M 低）— 搶救劇本

動作：分 2 波。第 1 波 — 寄「品牌精選內容」（不推銷、純價值）試圖喚回。第 2 波（2 週後沒互動）— 發「最後 1 次優惠 50% off」+ 「如不有興趣請取消訂閱」（誠實退貨）。寧可讓他主動離開、也比「殭屍會員」拖垮 EDM 觸及率好。

分群 5：VIP 生日 / 紀念日（R 高 + F 高 + M 高 + 今天生日）— 慶生劇本

動作：生日當天寄「個人化內容」— 「你已是我們會員 X 年、感謝你購買 X 次、為你準備了 X」+ 「VIP 限定品」（不是折扣、是稀缺）。台灣品牌做得最好的是星巴克、會員生日當天送 1 杯任選飲料、複購率提升 31%。

RFM 的 3 個常見誤區

誤區 1：只看金額（忽略頻率）

很多品牌把報表按「累積金額」排序、找出「最大客」。問題：1 個 1 次買 NT$50000 的婚紗客戶、跟 1 個每月買 NT$5000 連續 1 年的咖啡客戶、總金額一樣、但行為完全不同。婚紗客戶不會再買第 2 次、咖啡客戶會買 1 輩子。RFM 才能區分。

誤區 2：不分品類（飲料 vs 家電 R 標準完全不同）

飲料品牌的「R 高」可能是「7 天內」、家電品牌的「R 高」可能是「3 年內」（家電購買週期長）。不能用同一套標準。建議：按品類各做 1 套 RFM、不要全公司用 1 套。

誤區 3：切點用平均值（容易被極端值拉偏）

平均值容易被「1 個 NT$50 萬大訂單」拉到很高、結果「正常顧客」全部變成「低 M」。建議用「中位數」或「四分位數」（Q3）當切點、不要用平均值。

結論：6 月底前做完 1 次 RFM、12 月底結算成果

RFM 不是 2026 年最潮的 ML 分群法、是 1995 年就有的老方法。但對台灣中小品牌（< NT$1 億／月）、它仍是 ROI 最高的分群入門。建議：6 月底前用上面 3 種算法之一做完第 1 次分群 → 7-12 月針對 5 個分群跑對應劇本 → 12 月底結算、跟「沒分群只發群發 EDM」對照組比 ROI。

數據驅動的開始、就是把「全部會員」分成「8 種顧客」。

常見問題