RFM là gì? Cách xây dựng và kiểm định mô hình RFM

Mô hình RFM là gì

RFM là mô hình phân khúc khách hàng dựa trên ba khía cạnh của lịch sử giao dịch: Recency, Frequency và Monetary. Recency cho biết khách hàng mua hàng gần đây đến mức nào, Frequency cho biết khách hàng mua bao nhiêu lần, còn Monetary cho biết khách hàng đã chi bao nhiêu tiền trong khoảng thời gian phân tích.

Bạn có thể hình dung RFM như một cách biến bảng giao dịch thành hồ sơ hành vi. Một khách hàng vừa mua hàng tuần trước, mua nhiều lần và có tổng chi tiêu cao sẽ có hồ sơ khác hẳn một khách hàng đã lâu không quay lại, chỉ mua một lần và chi tiêu thấp.

RFM phù hợp với dữ liệu định lượng lấy từ đơn hàng, hóa đơn, tài khoản thành viên hoặc lịch sử mua trên nền tảng số. Mô hình này thường phục vụ các câu hỏi như: nhóm khách hàng nào có giá trị cao, nhóm nào có nguy cơ rời bỏ, nhóm nào cần chương trình kích hoạt lại, hoặc nhóm nào nên nhận ưu đãi bán thêm.

RFM không tự trả lời câu hỏi nhân quả như “giá giảm có làm khách mua thường xuyên hơn không”. Nếu đề tài của bạn cần kiểm định tác động giữa các biến tiềm ẩn, RFM chỉ có thể là bước tạo phân nhóm hoặc tạo biến đầu vào. Khi đó, bạn có thể tham khảo thêm các chủ đề mô hình nghiên cứu phù hợp với câu hỏi nghiên cứu.

Trong tài liệu học thuật, nguồn gốc và cách triển khai RFM có thể được trình bày khác nhau tùy ngành và loại dữ liệu. Vì danh mục tài liệu chuẩn của bài này không có nguồn gốc nguyên bản riêng cho RFM, bạn nên kiểm tra tài liệu mà giảng viên yêu cầu trước khi ghi tác giả và năm vào luận văn. Không nên tự thêm một trích dẫn chỉ vì thấy tên nguồn xuất hiện trên một bài viết trực tuyến.

Các thành phần trong mô hình

Ba thành phần của RFM đều được tính từ dữ liệu giao dịch, nhưng hướng diễn giải của chúng không giống nhau. Với Recency, số ngày càng nhỏ thường thể hiện lần mua càng gần hiện tại. Với Frequency và Monetary, số càng lớn thường thể hiện mức độ hoạt động hoặc giá trị cao hơn.

Trước khi tính, bạn phải chốt rõ đơn vị phân tích. Nếu một dòng trong file là một sản phẩm thuộc đơn hàng, đếm số dòng sẽ làm Frequency bị phóng đại. Trong trường hợp đó, bạn cần xác định mã đơn hàng và quyết định Frequency là số đơn hàng khác nhau, thay vì số dòng sản phẩm.

Bạn cũng cần thống nhất ngày chốt dữ liệu. Ví dụ, nếu ngày chốt là 31/12/2025, Recency của khách mua ngày 28/12/2025 là 3 ngày. Nếu mỗi khách hàng dùng một ngày chốt khác nhau, các điểm RFM sẽ không còn so sánh được với nhau.

Monetary cũng cần định nghĩa cụ thể. Doanh thu gộp, doanh thu sau giảm giá, giá trị trước phí vận chuyển và lợi nhuận là những đại lượng khác nhau. Hãy chọn một đại lượng phù hợp với câu hỏi nghiên cứu và giữ nguyên cách tính trong toàn bộ chương phương pháp, file dữ liệu và phần kết quả.

Mô hình gốc và các mở rộng phổ biến

Phiên bản RFM cơ bản tạo ra ba biến số cho từng khách hàng. Sau đó, nhà nghiên cứu có thể chia từng biến thành các mức điểm, thường là từ thấp đến cao, rồi ghép thành mã RFM. Ví dụ, mã 555 có thể đại diện cho nhóm có Recency, Frequency và Monetary cùng ở mức cao, nếu quy ước điểm cao đã được định nghĩa trước.

Cách chia điểm có thể dựa trên quantile, khoảng giá trị bằng nhau hoặc ngưỡng nghiệp vụ. Quantile giúp số lượng khách hàng giữa các nhóm tương đối cân bằng, nhưng các khoảng điểm không nhất thiết có cùng ý nghĩa kinh doanh. Khoảng giá trị bằng nhau dễ giải thích hơn, nhưng có thể tạo ra một nhóm rất ít khách nếu dữ liệu bị lệch.

Một mở rộng phổ biến là dùng RFM để tạo các phân khúc như khách hàng trung thành, khách hàng có giá trị cao, khách hàng mới, khách hàng cần kích hoạt lại và khách hàng ngủ đông. Tên nhóm chỉ là nhãn diễn giải. Bạn phải xem lại các giá trị R, F, M thực tế trước khi gán tên, vì cùng một mã điểm có thể mang ý nghĩa khác nhau giữa ngành bán lẻ, giáo dục, ngân hàng và thương mại điện tử.

Một hướng khác là dùng ba biến R, F, M làm đầu vào cho cluster analysis. Khi đó, bạn không ép dữ liệu vào những quy tắc phân vị có sẵn mà để thuật toán tìm nhóm tương đồng. Tuy nhiên, trước khi chạy clustering, cần xử lý giá trị ngoại lệ, chuẩn hóa thang đo nếu cần và giải thích lý do chọn số cụm.

RFM cũng có thể đứng cạnh các mô hình marketing khác, chứ không thay thế chúng. Nếu bạn đang phân tích cách một doanh nghiệp kết hợp sản phẩm, giá, phân phối và xúc tiến, hãy xem thêm 4P Marketing Mix là gì hoặc 7P Marketing Mix là gì. Nếu đề tài tập trung vào hành trình thuyết phục khách hàng, mô hình AIDA có thể là khung lý thuyết khác, trong khi RFM mô tả hành vi giao dịch đã xảy ra.

Thang đo thường dùng cho từng khái niệm

RFM không phải thang đo Likert gồm nhiều biến quan sát như “sự hài lòng” hay “ý định mua lại”. R, F và M thường là các biến được tính trực tiếp từ dữ liệu giao dịch. Vì vậy, bạn không nên chạy Cronbach's Alpha cho ba biến này chỉ vì đề tài có chữ “mô hình”. Alpha dùng để đánh giá tính nhất quán nội tại của một nhóm biến quan sát cùng đo một khái niệm, còn RFM là bộ chỉ số hành vi được tạo từ bản ghi giao dịch.

Nếu bảng hỏi của bạn có thêm các biến như sự hài lòng, giá trị cảm nhận hoặc ý định mua lại, các biến đó mới có thể được đo bằng nhiều biến quan sát. Bạn cần tách phần dữ liệu giao dịch khỏi phần trả lời bảng hỏi, sau đó ghép bằng một mã khách hàng đã ẩn danh. Không đưa họ tên, số điện thoại hoặc email thật vào file phân tích nếu đề tài không cần các trường đó.

Với bảng hỏi Likert, thang đo cần được xây dựng và điều chỉnh theo bối cảnh nghiên cứu. Bạn có thể xem lý thuyết RFM để đối chiếu cách diễn giải khái niệm, nhưng vẫn phải ghi rõ biến nào được tính từ dữ liệu giao dịch và biến nào được thu thập bằng bảng hỏi.

Áp dụng vào đề tài của bạn

Bạn có thể xây dựng đề tài theo hướng mô tả và phân khúc, hoặc dùng RFM như biến giải thích cho một kết quả khác. Hai hướng này dẫn đến cách đặt mục tiêu và giả thuyết khác nhau.

Ví dụ, đề tài có thể là: “Phân khúc khách hàng của cửa hàng thời trang trực tuyến dựa trên mô hình RFM”. Mục tiêu chính là tính điểm, tạo nhóm và mô tả đặc điểm giao dịch của từng nhóm. Trong hướng này, bạn không nhất thiết phải viết H1 đến H4, vì trọng tâm là phân loại và mô tả dữ liệu.

Nếu đề tài bắt buộc có mô hình giả thuyết, bạn có thể mở rộng RFM bằng các biến kết quả có cơ sở lý thuyết và dữ liệu phù hợp. Ví dụ minh họa dưới đây chỉ là khung để bạn thay bằng biến thật của đề tài, không phải kết quả của một nghiên cứu đã thực hiện.

• H1: Recency có mối quan hệ với ý định mua lại của khách hàng.
• H2: Frequency có mối quan hệ với ý định mua lại của khách hàng.
• H3: Monetary có mối quan hệ với ý định mua lại của khách hàng.
• H4: Nhóm RFM khác nhau có sự khác biệt về ý định mua lại trung bình.

Các giả thuyết này cần được điều chỉnh theo mô hình lý thuyết, thiết kế dữ liệu và cách đo lường của bạn. Đặc biệt, Recency có thể được mã hóa theo hướng số ngày hoặc điểm Recency. Nếu dùng số ngày thô, giá trị lớn hơn lại có thể biểu hiện khách hàng ít gần đây hơn. Bạn phải ghi rõ chiều của biến trước khi diễn giải hệ số hồi quy.

Cách viết vào luận văn: “Nghiên cứu sử dụng ba chỉ số hành vi gồm Recency, Frequency và Monetary để phân nhóm khách hàng. Recency được tính bằng số ngày từ [ngày mua gần nhất] đến [ngày chốt dữ liệu], Frequency là [số đơn hàng hợp lệ] trong [khoảng thời gian], còn Monetary là [tổng giá trị được chọn] của từng khách hàng. Các biến được phân điểm theo [quy tắc chia nhóm] và dùng để tạo [mã hoặc tên nhóm RFM].”

Khi trình bày kết quả, hãy đưa bảng mô tả số lượng khách trong từng nhóm, giá trị trung vị hoặc trung bình của R, F, M và tỷ lệ phần trăm của toàn bộ mẫu. Trung vị thường hữu ích khi Monetary có một số khách chi tiêu rất lớn làm kéo lệch trung bình. Nếu dùng trung bình, bạn nên kiểm tra thêm độ lệch và các giá trị ngoại lệ.

Cách kiểm định mô hình bằng SPSS hoặc SmartPLS

SPSS phù hợp hơn khi mục tiêu của bạn là làm sạch dữ liệu, tính RFM, thống kê mô tả, tạo bảng chéo, kiểm định sự khác biệt hoặc chạy hồi quy. Bạn có thể nhập file .sav hoặc .csv, dùng Transform để tạo biến và dùng Analyze để chạy phân tích. RFM bản thân nó không yêu cầu SmartPLS.

SmartPLS phù hợp khi bạn xây dựng mô hình PLS-SEM có biến tiềm ẩn, biến quan sát và các quan hệ đường dẫn. Nếu R, F, M chỉ là ba biến giao dịch đơn lẻ, đưa chúng vào SmartPLS như một thang đo phản xạ sẽ dễ làm sai bản chất đo lường. Chỉ dùng SmartPLS khi mô hình mở rộng của bạn thực sự có cấu trúc đo lường và cấu trúc quan hệ cần kiểm định.

Quy trình SPSS nên đi theo thứ tự sau:

1. Kiểm tra mã khách hàng, mã đơn hàng, ngày giao dịch, trạng thái đơn và giá trị giao dịch.
2. Loại hoặc đánh dấu giao dịch hủy, hoàn tiền và bản ghi thiếu ngày theo quy tắc đã viết trong phương pháp.
3. Tính ngày mua gần nhất, số đơn hợp lệ và tổng giá trị cho từng khách hàng.
4. Kiểm tra phân phối của recency_days, frequency_orders và monetary_value bằng Explore hoặc Frequencies.
5. Tạo điểm R, F, M bằng Transform > Rank Cases hoặc quy tắc phân nhóm đã chọn.
6. Tạo mã RFM và biến nhóm, sau đó dùng Analyze > Descriptive Statistics để kiểm tra quy mô từng nhóm.
7. Nếu có biến kết quả từ bảng hỏi, kiểm định mô hình mở rộng bằng Correlate, Regression hoặc Compare Means tùy giả thuyết.

Nếu chạy hồi quy, hãy kiểm tra tương quan giữa các biến giải thích, VIF và phần dư. VIF dưới 5 là ngưỡng thường được báo cáo trong PLS-SEM theo (Hair và cộng sự, 2019), nhưng bạn không nên bê nguyên một ngưỡng vào mọi loại phân tích mà không nói rõ bối cảnh. Với hồi quy trong SPSS, việc kiểm tra giả định cần được mô tả cùng cách bạn kiểm tra, chẳng hạn biểu đồ phần dư, outlier và Durbin-Watson. Durbin-Watson trong khoảng 1 đến 3 là quy tắc thường được dùng trong thực hành SPSS (Field, 2013).

Bảng dưới đây là số liệu minh họa, có hình dạng gần với bảng dữ liệu và output bạn có thể tạo trong SPSS. Các con số không phải phát hiện của một nghiên cứu thật.

Trong ví dụ này, KH001 có hồ sơ cao trên cả ba chiều, nhưng KH005 cho thấy vì sao không nên chỉ nhìn Recency. Khách hàng này vừa mua gần đây nhưng Frequency và Monetary thấp. Tên nhóm phải dựa trên quy tắc được công bố, không dựa vào cảm giác sau khi nhìn bảng.

Nếu dùng SmartPLS 4 cho mô hình mở rộng, bạn cần tạo file .csv với mỗi dòng là một đáp viên hoặc một đơn vị phân tích, mỗi cột là một biến. Phần measurement model cần được xác định trước là reflective hay formative. Với mô hình PLS-SEM, quy trình đánh giá measurement model rồi structural model được trình bày theo cách tiếp cận hai bước (Anderson và Gerbing, 1988), còn các chỉ số như outer loading, CR, AVE, HTMT, R² và bootstrapping phải được chọn đúng với cấu trúc mô hình. Không thêm CFI, TLI hoặc RMSEA vào báo cáo SmartPLS, vì các chỉ số đó thuộc CB-SEM và được bàn trong (Hu và Bentler, 1999).

Lỗi thường gặp khi dùng mô hình này

Đếm sai Frequency. File bán hàng có thể có nhiều dòng cho một đơn hàng. Nếu mỗi sản phẩm là một dòng, hãy đếm mã đơn hàng khác nhau thay vì đếm số dòng.

Dùng ngày chốt không nhất quán. Một khách được tính đến cuối tháng, khách khác được tính đến cuối quý sẽ làm Recency không cùng thang thời gian. Ghi ngày chốt ngay trong codebook và chương phương pháp.

Cộng cả đơn đã hủy hoặc hoàn trả. Trạng thái giao dịch phải được lọc trước khi tính F và M. Nếu giữ đơn hoàn trả, Monetary có thể bị sai chiều hoặc mang giá trị âm.

Gán tên phân khúc quá sớm. Đừng gọi một nhóm là “khách hàng trung thành” chỉ vì họ có điểm F cao. Hãy xem thêm Recency, Monetary, quy mô nhóm và ý nghĩa kinh doanh.

Ép RFM thành thang đo Cronbach's Alpha. R, F và M đo ba chiều hành vi khác nhau. Việc alpha thấp không tự động có nghĩa dữ liệu RFM bị lỗi.

Chỉ báo cáo mã 555 mà không giải thích quy tắc. Người đọc cần biết điểm 1 đến 5 được tạo như thế nào, nhóm nào được gộp, số khách trong từng nhóm và vì sao tên nhóm phù hợp.

Đưa dữ liệu giao dịch thô vào bảng luận văn. Bạn nên ẩn danh mã khách hàng và báo cáo bảng tổng hợp. File phân tích nội bộ có thể giữ mã kỹ thuật, nhưng bản nộp cần hạn chế thông tin nhận diện.

Câu hỏi thường gặp

RFM có phải là một lý thuyết không

RFM thường được sử dụng như một mô hình hoặc khung phân khúc dựa trên dữ liệu giao dịch. Nó không phải lúc nào cũng là một lý thuyết nhân quả có các giả thuyết cố định. Khi viết luận văn, hãy mô tả rõ RFM là cách tạo chỉ số và nhóm khách hàng, sau đó dùng lý thuyết khác nếu bạn cần giải thích quan hệ giữa các biến.

RFM có cần chạy Cronbach's Alpha không

Thông thường không. R, F và M được tính từ lịch sử giao dịch, không phải ba biến quan sát cùng đo một khái niệm tiềm ẩn. Cronbach's Alpha phù hợp hơn với thang đo nhiều biến quan sát, chẳng hạn sự hài lòng hoặc ý định mua lại. Nếu đề tài có cả RFM và bảng hỏi, bạn chỉ chạy độ tin cậy cho thang đo bảng hỏi cần đánh giá.

Nên chia điểm RFM thành mấy mức

Không có một số mức áp dụng cho mọi bộ dữ liệu. Bạn có thể chọn số mức dựa trên quy mô mẫu, phân phối dữ liệu, mục tiêu diễn giải và yêu cầu của giảng viên. Quan trọng nhất là ghi rõ quy tắc chia, kiểm tra số lượng quan sát trong từng nhóm và giải thích vì sao cách chia đó phù hợp với dữ liệu của bạn.

RFM có chạy được bằng SmartPLS không

RFM cơ bản có thể được tính và phân tích bằng SPSS hoặc công cụ xử lý dữ liệu khác, không cần SmartPLS. SmartPLS chỉ phù hợp khi đề tài có mô hình PLS-SEM mở rộng, trong đó R, F, M hoặc các biến liên quan được đưa vào cấu trúc đường dẫn có cơ sở phương pháp rõ ràng. Đừng dùng SmartPLS chỉ vì đề tài có chữ “mô hình”.

Dữ liệu RFM bị lệch thì xử lý thế nào

Monetary và Frequency thường có thể lệch do một số khách hàng giao dịch rất nhiều. Trước tiên, hãy kiểm tra lỗi nhập liệu, giao dịch trùng, đơn hủy và outlier. Sau đó, bạn có thể cân nhắc log transformation, winsorization hoặc chia nhóm theo quantile, nhưng phải ghi lại quy tắc và kiểm tra xem kết luận có thay đổi đáng kể hay không.

Mở file dữ liệu của bạn và viết trước ba dòng định nghĩa cho recency_days, frequency_orders và monetary_value, cùng ngày chốt và điều kiện loại giao dịch. Sau đó tính thử cho năm khách hàng, đối chiếu thủ công với lịch sử đơn hàng, rồi mới chạy toàn bộ mẫu; nếu cần biến RFM trong file thật và phần phân tích tiếp theo, bạn có thể dùng M4 phân tích dữ liệu của DoThesis.