RFM Segmentation untuk E-Commerce Indonesia: Cara Selamatkan Pelanggan At Risk Sebelum Mereka Hilang di 2026

TL;DR: RFM (Recency, Frequency, Monetary) memetakan pelanggan jadi 8-10 segmen aksi berdasarkan perilaku transaksi historis. Untuk e-commerce Indonesia, segmen paling kritis bukan Champions atau New Customers, tapi At Risk: pelanggan yang dulu sering dan banyak belanja, tapi sekarang menghilang. Mereka adalah pelanggan termurah untuk diselamatkan dan termahal untuk dibiarkan pergi.

Pola yang sering saya lihat di proyek e-commerce Indonesia: 60-70% revenue datang dari 20-30% pelanggan teratas. Tapi budget retensi disebar merata, dengan promo blast yang sama ke semua orang di database. Hasilnya, Champions dapat diskon yang tidak mereka butuhkan, sementara pelanggan yang sebenarnya berisiko hilang tetap pergi diam-diam.

Ada cara lebih cerdas untuk membaca database, namanya RFM segmentation. Bukan teknik baru, tapi paling underrated di pasar Indonesia.

Kenapa RFM Cocok untuk E-Commerce Indonesia

Banyak brand di sini sudah punya database transaksi 2-3 tahun di Tokopedia, Shopee, atau database internal. Datanya sudah ada, tinggal dibaca dengan kerangka yang benar. RFM hanya butuh tiga kolom: tanggal transaksi terakhir, jumlah order, dan total spend per pelanggan. SQL standar sudah cukup, tidak perlu data scientist.

Berbeda dengan model machine learning yang butuh setup berat, RFM bisa jalan di Supabase atau spreadsheet biasa. Untuk UMKM dan brand menengah Indonesia, ini titik masuk paling realistis ke segmentasi berbasis data.

Tujuh Segmen RFM dan Aksinya

Yang paling sering dilewatkan: At Risk dan Cant Lose. Mereka pelanggan dengan history bagus yang sudah lama tidak datang. Diselamatkan satu di antara mereka biasanya 3-5x lebih menguntungkan dibanding akuisisi pelanggan baru, karena LTV historisnya sudah tinggi dan biaya konversi ulang lebih rendah.

Studi Kasus: Brand Lokal Skincare Mid-Market

Saat memetakan database brand skincare lokal di awal 2026, distribusi RFM-nya menarik. Champions hanya 4% dari database, tapi kontribusi 38% revenue. At Risk 11%, tapi kontribusi historisnya 22%. Setelah dibedakan, kampanye Win-Back ke segmen At Risk dengan personal email plus voucher 15% (bukan diskon blast 30% seperti sebelumnya) memberikan recovery rate 18-23% dalam 30 hari. Margin terjaga karena diskonnya lebih kecil dan konversinya lebih tinggi.

Yang berubah hanya cara baca database, bukan tools atau budget. Pelajaran utamanya: jangan boroskan promo ke segmen yang sudah pasti datang lagi (Champions) atau yang sudah pasti tidak akan kembali (Lost), fokus ke yang masih bisa diselamatkan.

Cara Mulai RFM dalam 1 Minggu

Hari 1-2: ekspor data transaksi 12 bulan terakhir dari platform e-commerce atau POS. Minimal kolom: customer_id, order_date, order_value. Hari 3: hitung skor R, F, M memakai NTILE(5) di SQL atau Excel. Hari 4-5: gabungkan jadi segmen dengan rule sederhana (Champions = R+F+M >= 13, At Risk = R<=2 dan F+M >= 7). Hari 6-7: rancang 3 kampanye paling penting (Win-Back At Risk, Reward Champions, Onboarding New). Riset tambahan ada di panduan Klaviyo tentang RFM segmentation yang punya template praktis.

Pertanyaan Umum

Apakah RFM cocok untuk bisnis subscription?

Tidak ideal. Untuk subscription, modifikasinya jadi RFE (Recency, Frequency, Engagement) atau pakai metrik churn dan ARR per cohort. RFM klasik paling tepat untuk transactional commerce dengan repeat purchase.

Berapa minimum jumlah pelanggan untuk RFM bisa diandalkan?

Rule of thumb yang saya pakai: minimal 500 pelanggan unik dengan setidaknya 1.500 transaksi total dalam 12 bulan. Di bawah itu, distribusi quintile-nya terlalu sensitif.

Berapa sering RFM harus di-refresh?

Bulanan untuk e-commerce reguler. Mingguan kalau ada kampanye besar berkala. Hindari refresh harian, fluktuasinya bikin segmen tidak stabil dan automation jadi noise.

Apakah RFM bertabrakan dengan churn prediction model?

Tidak. RFM membaca historis. Churn prediction memproyeksi masa depan. Keduanya saling melengkapi. RFM cocok untuk tim tanpa data scientist, churn model untuk yang sudah punya kapasitas analytics matang.

Tools apa yang paling murah untuk implementasi RFM?

SQL di Supabase atau PostgreSQL untuk hitungannya, plus Klaviyo, Mailchimp, atau Sendinblue untuk eksekusi kampanye. Total cost bisa di bawah Rp 1 juta per bulan untuk database 5.000-10.000 pelanggan.

Penutup

RFM bukan framework yang fancy, tapi sangat efektif untuk e-commerce Indonesia yang masih bakar budget marketing tanpa memilah. Mulai dari mengekspor data transaksi yang sudah Anda punya, hitung tiga skor sederhana, lalu konsentrasi budget retensi ke segmen At Risk dan Cant Lose. Pelanggan yang berisiko hilang adalah peluang termurah yang paling sering dilewatkan.