---
title: RFM 模型分析：如何透過 OmniSegment CDP 快速取得資料、解讀數據並掌握高價值洞察？
description: 如何利用 RFM（Recency、Frequency、Monetary）模型的分析結果提升會員的回購率、客單價、人均貢獻度？本文將分享行銷人員如何透過 OmniSegment CDP 快速分析 RFM 數據報表、獲取洞察，作為優化銷售成效的參考！
---

[趨勢分享｜beBit TECH ](https://www.bebit-tech.com/blog)

# [RFM 模型分析：如何透過 OmniSegment CDP 快速取得資料、解讀數據並掌握高價值洞察？](https://www.bebit-tech.com/blog/rfm-analysis-omnisegment-cdp)

 作者：[孫念慈 Nicole / beBit TECH 客戶成功代表](https://www.bebit-tech.com/blog/author/nicole) | Jun 28, 2023 12:00:08 PM

經過上一篇文章：[電商如何快速運用 RFM 模型，挖掘高價值的消費者？](https://www.bebit-tech.com/blog/rfm-segmentation?hsLang=zh-tw)的介紹，RFM 模型能依據價值高低，將顧客分為 8 種不同類群、作為後續策略與資源的配置參考。此外，也可以利用 RFM（Recency、Frequency、Monetary）分析結果提升會員的回購率、客單價、人均貢獻度。 本文將著重分享如何解讀 RFM 報表，作為後續顧客經營的方向參考。

此外，我們也將分享如何透過 beBit TECH 旗下的顧客數據平台—— OmniSegment CDP 提供之顧客旅程模板庫，快速整理龐大的訂單資料、會員資料，產出 RFM 分析的報表，協助行銷團隊在零開發資源的條件下，快速進行數據蒐集、整合、與分析。現在就讓我們看下去吧！

## 如何解讀 RFM 數據？

我們將分別從 Recency、Frequency、Monetary 三大維度出發，搭配報表示意圖進行數據的剖析分享（所有報表數據皆彼此獨立）。所有的數據皆可以透過 OmniSegment CDP 進行撈取，撈取方式會在文章最後進行分享。

RFM 報表常見通用欄位說明：

- 人數：該分眾的會員人數
- 累積總人數：由下往上累積的人數，例如購買頻次 1次以上的總人數
- 營收貢獻：該分眾在一年內為品牌貢獻的營收
- 營收貢獻佔比：該分眾貢獻的營收佔總品牌營收的比例
- 交易次數：該分眾在一年內在品牌產生的交易次數
- 平均客單價：平均每筆訂單的金額
- 人均貢獻度：該分眾中的每位會員在一年內可以為品牌帶來的營收

### Recency：藉由「流失率」數據，強化品牌的會員活躍度

1. 依據「最後一次消費時間」與「人均貢獻度」的相關性，可發現：最近一次消費時間越久，顧客可為品牌帶來的貢獻金額也逐漸減少。
2. 流失率＝（1−該區間分眾人數／累計總人數） 
     1. 「人數／累計總人數」代表留在該階段的比例，例如累計之近第 2 個月以前有消費的所有顧客中、有 1,000／10,750＝9.3% 是近第 2 個月當月消費的人。其他 90.7% 的人都是近第 3 個月以上消費， 也就是有 90.7% 的人流失。
     2. 當流失率變化量＞0 代表流失比例增加，此區段間可加以關注與溝通、減少流失
3. 圖中數據顯示近第 4 個月消費者流失率是增加的，因此會建議在會員完成消費後的第三個月到第四個月一定要做複購提醒，讓會員始終保持忠誠、會持續複購的狀態，以避免會員繼續流失。

### Frequency：找出達到穩定回購狀態的購買次數

1. 隨著購買次數增加、各個分眾人數將呈現下降趨勢，但人均貢獻度則是上升趨勢。表示一年中交易次數越高的人，雖然人數不多、但每位會員能為品牌創造的收益是更高的。 
     1. 可以發現購買次數＞10 的人數只有 20 人，但人均貢獻度達到驚人的 45,000 元。相比一年消費一次的顧客貢獻 2,625 元收益、前者的貢獻價值為後者的 17 倍之多，因此忠誠的會員是品牌必須善加經營維持的。
2. 再次購買率＝（購買 N＋1 次以上的人數／購買 N 次以上的人數） 
     1. 以購買 1 次的人為例，這個指標代表購買 1 次以上的人中，有多少比例的人會進行下一次的消費。圖中的數據顯示購買1次以上的人 31.33% 的機會會進行下一次的購買行為。
     2. 從圖片數據顯示，推動會員購買 3 次以上可達到較穩定回購的狀態，因此可以以推動會員完成 3 次消費作為品牌經營目標： 
            1. 購買 3 次的族群，再次購買率達到 48.28% 以上，代表只要能推動會員完成 3 次消費，後續會員有一半的機會會在一年中繼續他的消費行為、達成穩定回購狀態
            2. 可以同時考慮再次購買率的邊際效應，例如引導會員從購買 1 次提升到購買 2 次，再次購買率可提升 8.44％（39.73％−31.33％＝8.44）。引導會員從購買 2 次提升到購買 3 次，再次購買率可提升 8.55％（48.28%−39.73%＝8.55）。但引導會員從購買 3 次提升到購買 4 次的再次購買率僅提升 4%、並且將逐漸遞減。也就是說，引導會員消費到第 3 次不僅僅是讓會員達到穩定回購狀態、也是考量邊際效益後的最佳解。

### Monetary：觀察「再次購買率」，掌握提升消費金額的卡關點

1. 可以發現消費金額越高的會員，每位會員能為品牌帶來的人均貢獻金額越高。
2. 再次購買率＝（消費 N＋1,000 元以上的人數／消費 N 元以上的人數）。 
     1. 以消費1－1,000 元的人為例，這個指標代表消費 1 元以上的人中，有多少比例的人會消費到 1,001 元以上。圖中的數據顯示消費 1 元以上的族群，有 97.42％ 會消費超過 1,001 元。
     2. 可以發現再次購買率在 1,001－2,000 元的區段陡降（再次購買率變化也在 1,001－2,000 區段＜0 ），後續又有提升表現，同時這個區段的分眾人數佔比也是最高的，表示多數會員卡關在消費 1,001－2000 元的區間。因此 2,000 就會是一個可以考慮設立會員級距的門檻，可藉由消費滿 2,000 元可以升等或得到滿額禮等方式，提高會員的消費金額。

## 3 步驟在 OmniSegment CDP 拉出 RFM 數據

講解完 RFM 的數據解讀重點後，手邊已有完整數據的人可以趕快進行分析囉！而 beBit TECH 旗下的顧客數據平台——OmniSegment CDP 除了協助行銷人員整合多方數據、進行自動化行銷外，也可以依據 RFM 模型作為基礎，協助團隊整合 RFM 分析的基礎數據！拉出 RFM 數據的流程非常快速簡單，只有 3 個步驟就能完成，一起來看看吧！

### Step 1：到顧客旅程模板庫下載顧客旅程並啟用

行銷團隊可以到 OmniSegment CDP 中的「顧客旅程模板庫」，下載並啟用「RFM 模型顧客旅程」，系統即會自動依據消費金額、消費頻率、消費時間等維度的不同區段，進行顧客的自動化貼標。

### Step 2：顧客旅程完成後，匯出各個標籤報表取得資料

在貼標完成後，團隊可以透過 OmniSegment 的標籤報表，分別匯出過去一整年的報表了解不同區段的會員「人數、收益、交易金額」這三個維度資料。

### Step 3：到 Excel 紀錄數據

有了各分眾的人數、收益、交易次數後，要怎麼進一步的去分析數據呢？beBit TECH 有一份專門紀錄 RFM 數據的 excel 模板（請見上方圖片示意），只要把分眾人數、收益、交易次數等數據填入黃底藍字的區塊，就完成一份 RFM 分析所需要的所有數據啦！

🔎  只要透過[「聯繫我們」](https://www.bebit-tech.com/contact-us?hsLang=zh-tw)頁面填單並註明「領取 RFM 模板」，即可獲得完整的 RFM 數據紀錄模板、輔助團隊進行後續的數據紀錄與分析唷！

## 結語

經過以上教學，相信你對於 RFM 數據應如何進行解讀已經有基礎了解，別忘了開始進行品牌的 RFM 分析、了解會員消費狀態！

此外，導入 OmniSegment CDP 除了整合品牌多方數據外，也可以依據不同的分析模型（如此次分享的 RFM 模型）快速整合相關數據，方便品牌進行資料解讀與洞察蒐集，並與 beBit TECH 顧問團隊討論品牌佈局、分眾經營的策略調整，現在就在 OmniSegment CDP 下載顧客旅程模板跟著做做看吧！ 

下一篇將和大家深度分享如何根據 RFM 數據洞察規劃會員制度，敬請期待！

[檢視完整文章](https://www.bebit-tech.com/blog/rfm-analysis-omnisegment-cdp)

```json
{
  "@context" : "http://schema.org",
  "@type" : "BlogPosting",
  "author" : {
    "@type" : "Person",
    "name" : "孫念慈 Nicole / beBit TECH 客戶成功代表"
  },
  "dateModified" : "2024-09-02T09:25:20.374Z",
  "datePublished" : "2023-06-28T12:00:08Z",
  "headline" : "RFM 模型分析：如何透過 OmniSegment CDP 快速取得資料、解讀數據並掌握高價值洞察？",
  "image" : {
    "@type" : "ImageObject",
    "height" : 768,
    "url" : "https://www.bebit-tech.com/hubfs/Website%20Dev/Blog_Trend/rfm-analysis-omnisegment-cdp-banner.jpg",
    "width" : 1365
  },
  "mainEntityOfPage" : "https://www.bebit-tech.com/blog/rfm-analysis-omnisegment-cdp",
  "publisher" : {
    "@type" : "Organization",
    "logo" : {
      "@type" : "ImageObject",
      "height" : 60,
      "url" : "/hs/hsstatic/content_shared_assets/static-1.4092/img/default-amp-logo.png",
      "width" : 60
    },
    "name" : "Blog"
  }
}
```