Tidak semua pelanggan memiliki pola belanja yang sama. Ada pelanggan yang rutin bertransaksi setiap bulan, ada yang hanya membeli ketika sedang ada promosi, dan ada juga yang pernah melakukan pembelian besar tetapi sudah lama tidak kembali.

Kalau sebuah bisnis ingin memberikan promosi atau mempertahankan pelanggan, apakah semua pelanggan tersebut sebaiknya diperlakukan dengan cara yang sama?

Salah satu pendekatan yang bisa digunakan untuk memahami perbedaan perilaku pelanggan adalah RFM Analysis. Metode ini mengelompokkan pelanggan berdasarkan kapan terakhir mereka bertransaksi, seberapa sering mereka membeli, dan berapa banyak uang yang mereka belanjakan.

Apa Itu RFM Analysis?

RFM adalah singkatan dari Recency, Frequency, dan Monetary. Ketiganya merupakan ukuran yang digunakan untuk menggambarkan perilaku transaksi pelanggan.

• Recency: Seberapa lama waktu sejak pelanggan terakhir melakukan transaksi.
• Frequency: Seberapa sering pelanggan melakukan transaksi dalam periode tertentu.
• Monetary: Berapa total nilai transaksi pelanggan dalam periode tersebut.

Misalnya, sebuah toko online memiliki ribuan pelanggan. Sebagian pelanggan berbelanja hampir setiap minggu, sementara sebagian lainnya hanya pernah melakukan satu transaksi.

Daripada melihat seluruh pelanggan sebagai satu kelompok, RFM membantu bisnis mengenali kelompok dengan karakteristik berbeda berdasarkan riwayat transaksi mereka.

Memahami Recency, Frequency, dan Monetary

1. Recency: Kapan Pelanggan Terakhir Bertransaksi?

Recency mengukur jarak waktu antara tanggal analisis dan transaksi terakhir pelanggan.

Misalnya, analisis dilakukan pada 1 Oktober 2026. Pelanggan A terakhir membeli pada 28 September, sedangkan pelanggan B terakhir membeli pada 1 Januari.

Pelanggan A memiliki recency 3 hari, sementara pelanggan B memiliki recency sekitar 9 bulan.

Secara umum, semakin kecil nilai recency, semakin baru aktivitas pelanggan. Namun, interpretasinya tetap perlu mempertimbangkan karakteristik bisnis. Pelanggan yang membeli kebutuhan harian tentu memiliki frekuensi transaksi yang berbeda dengan pelanggan yang membeli furnitur.

2. Frequency: Seberapa Sering Pelanggan Bertransaksi?

Frequency menghitung jumlah transaksi pelanggan selama periode analisis.

Misalnya, dalam 12 bulan terakhir:

• Pelanggan A melakukan 15 transaksi.
• Pelanggan B melakukan 3 transaksi.
• Pelanggan C melakukan 1 transaksi.

Pelanggan A memiliki frequency tertinggi. Hal ini menunjukkan bahwa pelanggan tersebut lebih sering bertransaksi selama periode pengamatan.

Namun, frequency tidak selalu menggambarkan nilai pelanggan secara keseluruhan. Pelanggan yang sering membeli barang murah bisa memiliki total belanja lebih kecil dibandingkan pelanggan yang jarang membeli tetapi nilai transaksinya besar.

Karena itu, frequency perlu dilihat bersama monetary.

3. Monetary: Berapa Banyak yang Dibelanjakan?

Monetary menunjukkan total nilai belanja pelanggan selama periode analisis.

Misalnya, pelanggan A melakukan 10 transaksi dengan total Rp2 juta, sedangkan pelanggan B hanya melakukan 2 transaksi dengan total Rp8 juta.

Pelanggan A lebih sering berbelanja, tetapi pelanggan B menghasilkan nilai transaksi lebih besar.

Dalam implementasi sederhana, monetary biasanya menggunakan total revenue. Namun, jika data margin tersedia, bisnis juga bisa mempertimbangkan profitabilitas agar tidak hanya menilai pelanggan berdasarkan omzet.

Contoh Perhitungan RFM

Bayangkan sebuah toko memiliki data transaksi selama satu tahun. Setelah setiap transaksi dikelompokkan berdasarkan pelanggan, diperoleh data berikut.

Pelanggan	Recency (hari)	Frequency	Monetary
A	5	18	Rp9.500.000
B	12	4	Rp1.200.000
C	180	15	Rp8.000.000
D	240	2	Rp350.000
E	3	9	Rp4.500.000

Dari tabel tersebut, kita mulai bisa melihat beberapa pola. Pelanggan A baru saja bertransaksi, cukup sering membeli, dan memiliki nilai belanja tinggi. Pelanggan C sebelumnya cukup aktif dan menghasilkan nilai transaksi besar, tetapi sudah enam bulan tidak melakukan pembelian.

Pelanggan C mungkin menarik untuk diperhatikan dalam program reaktivasi pelanggan. Namun, kita belum bisa menyimpulkan bahwa pelanggan tersebut benar-benar berhenti membeli tanpa memahami siklus pembelian normal bisnis tersebut.

Bagaimana Cara Memberikan RFM Score?

Nilai recency, frequency, dan monetary memiliki satuan yang berbeda. Recency dihitung dalam hari, frequency dalam jumlah transaksi, sedangkan monetary dalam rupiah.

Agar lebih mudah dibandingkan, ketiga nilai tersebut bisa diubah menjadi skor, misalnya dari 1 sampai 5.

Salah satu pendekatan yang umum digunakan adalah membagi pelanggan menjadi lima kelompok berdasarkan distribusi masing-masing metric.

Untuk recency, pelanggan dengan transaksi paling baru mendapatkan skor lebih tinggi. Sebaliknya, untuk frequency dan monetary, pelanggan dengan nilai lebih besar mendapatkan skor lebih tinggi.

Contohnya:

Pelanggan	R Score	F Score	M Score	RFM
A	5	5	5	555
B	4	2	2	422
C	2	4	4	244
D	1	1	1	111
E	5	3	3	533

Skor di atas hanya ilustrasi. Dalam analisis sebenarnya, batas setiap skor perlu dihitung dari distribusi data pelanggan.

Perlu diperhatikan bahwa kode RFM seperti 555 atau 244 bukan angka yang harus dijumlahkan. Kode tersebut merupakan gabungan tiga skor yang masing-masing memiliki makna.

Mengelompokkan Pelanggan Berdasarkan RFM

Setelah mendapatkan skor, pelanggan dapat dikelompokkan menjadi beberapa segmen.

Beberapa contoh segmen yang sering digunakan antara lain:

Segmen	Karakteristik
Champions	Baru bertransaksi, sering membeli, dan memiliki nilai belanja tinggi
Loyal Customers	Memiliki frekuensi pembelian tinggi
Potential Loyalists	Baru bertransaksi dan mulai menunjukkan aktivitas pembelian berulang
At Risk	Sebelumnya aktif, tetapi sudah cukup lama tidak bertransaksi
Lost Customers	Sudah lama tidak bertransaksi dan memiliki aktivitas pembelian rendah

Nama dan aturan segmentasi tersebut bukan standar yang harus selalu sama. Bisnis dapat menentukan batas skor berdasarkan pola transaksi dan kebutuhan analisisnya.

Bahkan, tidak semua implementasi menggunakan ketiga skor untuk menentukan segmen. Ada pendekatan yang mengutamakan kombinasi recency dan frequency, kemudian menggunakan monetary untuk menentukan prioritas pelanggan dalam setiap segmen.

Bagaimana RFM Digunakan dalam Bisnis?

Manfaat RFM bukan hanya menghasilkan tabel segmentasi pelanggan. Hasil analisisnya bisa digunakan untuk merancang tindakan yang berbeda bagi setiap kelompok.

Misalnya, pelanggan yang sering bertransaksi dan memiliki nilai belanja tinggi dapat menjadi kandidat program loyalitas. Pelanggan yang sebelumnya aktif tetapi sudah lama tidak membeli dapat menjadi sasaran kampanye reaktivasi.

Sementara itu, pelanggan baru yang mulai melakukan pembelian berulang bisa mendapatkan pendekatan berbeda, seperti rekomendasi produk atau penawaran yang relevan dengan transaksi sebelumnya.

Tentu saja, strategi tersebut tetap perlu diuji. RFM membantu menentukan kelompok pelanggan yang ingin ditargetkan, tetapi tidak otomatis membuktikan bahwa suatu promosi akan meningkatkan penjualan.

Keterbatasan RFM Analysis

Meskipun sederhana dan mudah diterapkan, RFM memiliki beberapa keterbatasan.

Pertama, RFM menggunakan riwayat transaksi. Metode ini tidak secara langsung menjelaskan alasan pelanggan membeli atau berhenti membeli. Kedua, hasil segmentasi sangat dipengaruhi periode analisis dan batas skor yang digunakan.

Selain itu, perilaku pembelian bisa berbeda antarjenis produk. Pelanggan furnitur yang bertransaksi dua kali setahun belum tentu kurang loyal dibandingkan pelanggan minimarket yang membeli setiap minggu.

RFM juga tidak sama dengan Customer Lifetime Value (CLV). RFM menggambarkan perilaku transaksi historis, sedangkan CLV berupaya mengestimasi nilai ekonomi pelanggan sepanjang hubungan mereka dengan bisnis.

Karena itu, hasil RFM sebaiknya diperlakukan sebagai titik awal analisis, bukan kesimpulan akhir tentang nilai seorang pelanggan.

Data Apa yang Dibutuhkan?

Untuk membuat RFM Analysis, setidaknya kita membutuhkan data berikut:

• Customer ID untuk mengidentifikasi pelanggan.
• Transaction ID untuk menghitung jumlah transaksi.
• Transaction Date untuk menentukan recency.
• Transaction Amount untuk menghitung monetary.

Pastikan data transaksi sudah diperiksa sebelum analisis dilakukan. Misalnya, transaksi yang dibatalkan, refund, atau duplikasi perlu ditangani sesuai definisi bisnis yang digunakan.

Jika ingin mempelajari pemeriksaan data sebelum analisis, kamu juga bisa membaca artikel Cara Mengecek Kualitas Data Sebelum Melakukan Analisis di BikinDashboard.

RFM Analysis merupakan salah satu cara sederhana untuk mulai memahami perilaku pelanggan menggunakan data transaksi yang sudah dimiliki bisnis.

Dengan melihat recency, frequency, dan monetary secara bersamaan, kita bisa menemukan kelompok pelanggan yang aktif, bernilai tinggi, mulai jarang bertransaksi, atau berpotensi membutuhkan pendekatan berbeda.

Metode ini juga cocok dijadikan latihan data analytics karena melibatkan beberapa keterampilan sekaligus, mulai dari data cleaning, agregasi transaksi, perhitungan metric, segmentasi, sampai interpretasi hasil dalam konteks bisnis.