RFM (Recency, Frequency, Monetary)

TL;DR: RFM (Recency, Frequency, Monetary) adalah metode segmentasi pelanggan yang memberi tiga skor pada setiap pembeli: kapan terakhir bertransaksi, seberapa sering bertransaksi, dan berapa total nilai pembeliannya. Kombinasi ketiga skor menghasilkan peta segmen yang langsung bisa dipakai untuk kampanye retensi, reaktivasi, dan targeting iklan tanpa perlu model prediktif rumit.

Apa itu RFM?

RFM adalah framework segmentasi klasik yang sudah dipakai sejak era direct mail tahun 1990-an dan tetap relevan di era CRM digital. Setiap pelanggan diberi tiga skor, biasanya 1 sampai 5, untuk Recency, Frequency, dan Monetary. Kombinasi skor menghasilkan segmen seperti Champions (5-5-5), Loyal (4-4-x), atau At Risk (1-3-3).

Berbeda dengan LTV yang memprediksi nilai masa depan, RFM membaca perilaku historis untuk merancang aksi sekarang. RFM juga lebih ringan secara komputasi dibanding cohort analysis penuh, jadi cocok untuk UMKM yang belum punya data scientist.

Cara Skor RFM Dihitung

Dataset dibagi menjadi lima quintile per dimensi. Kombinasi tiga skor menghasilkan 125 kemungkinan, yang biasanya dirangkum jadi 8 sampai 10 segmen aksi: Champions, Loyal Customers, Potential Loyalists, New Customers, At Risk, Cant Lose, Hibernating, dan Lost. Lihat panduan Optimove tentang RFM segmentation untuk klasifikasi standar.

Contoh Penerapan di Indonesia

Bagi pebisnis yang sudah punya database transaksi, baik dari Shopee, Tokopedia, POS, maupun Supabase milik sendiri, RFM adalah cara tercepat mengubah data mentah jadi keputusan kampanye. Salah satu praktik yang sering saya pakai di proyek e-commerce: kirim diskon hanya ke segmen At Risk, yaitu pelanggan dengan skor Recency rendah tapi Frequency dan Monetary tinggi.

Logikanya, kelompok itu terbukti bernilai tapi mulai menjauh, sehingga insentif punya alasan yang jelas. Champions tidak perlu diskon karena mereka sudah kembali dengan sendirinya, dan memberi promo ke segmen itu justru menggerus margin. Pola ini juga menekan churn rate tanpa menaikkan belanja promo total.

Kenapa Penting?

RFM memberi struktur pada pertanyaan yang sering dijawab dengan tebakan: siapa yang harus dihubungi lebih dulu ketika budget kampanye terbatas. Karena skornya berbasis data transaksi yang sudah dimiliki, implementasinya tidak butuh tool baru, hanya query SQL dan disiplin menjalankan segmentasi secara berkala, misalnya tiap bulan.

Pertanyaan Umum

Apakah RFM cocok untuk bisnis subscription?

Untuk subscription, modifikasinya menjadi RFE (Recency, Frequency, Engagement) atau memakai metrik churn dan ARR per cohort. RFM klasik lebih cocok untuk transactional commerce dengan pola pembelian berulang.

Tools apa yang bisa dipakai untuk RFM tanpa data scientist?

SQL standar di PostgreSQL atau Supabase sudah cukup, terutama dengan fungsi window seperti NTILE untuk membagi quintile. Untuk yang non-teknis, Klaviyo, Mailchimp, dan beberapa CRM sudah punya segmen RFM bawaan.

Seberapa sering skor RFM perlu dihitung ulang?

Bulanan untuk mayoritas bisnis retail dan e-commerce. Skor Recency bergeser paling cepat, sementara Frequency dan Monetary relatif stabil. Menghitung terlalu sering membuat segmen berubah-ubah dan kampanye sulit diukur.