اگر فروشگاه شما مشتریان زیادی دارد اما نمیدانید کدام مشتری واقعاً ارزش پیگیری دارد، تحلیل RFM یکی از سریعترین روشها برای تبدیل دادههای خرید به تصمیم بازاریابی است. در این راهنما یاد میگیرید چطور با اکسل سه شاخص تازگی خرید، تعداد خرید و ارزش خرید را امتیازدهی کنید، مشتریان را به سگمنتهای معنادار تبدیل کنید و برای هر گروه کمپین مناسب بسازید. تمرکز ما روی اجرای عملی است؛ نه تعریفهای تئوریک و نه داشبوردهای پیچیدهای که بدون اقدام میمانند.
- تحلیل RFM چیست و چه مسئلهای را حل میکند؟
- برای اجرای RFM به چه دادههایی نیاز دارید؟
- آمادهسازی فایل اکسل قبل از امتیازدهی
- امتیازدهی Recency در اکسل
- امتیازدهی Frequency در اکسل
- امتیازدهی Monetary در اکسل
- ساخت سگمنتهای قابل اقدام با تحلیل RFM
- چارچوب تصمیمگیری برای انتخاب اقدام بازاریابی
- نمونه کمپینهای واقعی برای بازار ایران
- مقایسه RFM با روشهای دیگر تحلیل مشتری
- اشتباهات رایج در اجرای RFM
- چکلیست اجرای تحلیل RFM در اکسل
- سوالات پرتکرار درباره تحلیل RFM
- جمعبندی و برنامه اقدام ۷ روزه
تحلیل RFM چیست و چه مسئلهای را حل میکند؟
منطق سه شاخص R، F و M
RFM مخفف Recency، Frequency و Monetary است. Recency نشان میدهد مشتری چند روز پیش آخرین خرید را انجام داده، Frequency تعداد خریدهای او در یک بازه زمانی است و Monetary مجموع مبلغ خرید او را نشان میدهد. ترکیب این سه شاخص به شما میگوید چه کسی تازه خریده، چه کسی مکرر خرید میکند و چه کسی پول بیشتری وارد کسبوکار کرده است.
چرا این مدل هنوز کاربردی است؟
مزیت اصلی مدل این است که به داده پیچیده نیاز ندارد. بسیاری از کسبوکارهای ایرانی، مخصوصاً فروشگاههای اینستاگرامی، فروشگاههای آنلاین متوسط، کلینیکها، آموزشگاهها و برندهای خردهفروشی، اطلاعات تراکنش را دارند اما CRM پیشرفته ندارند. این مدل کمک میکند با همان فایل سفارشها، اولویت تماس، پیامک، ایمیل، باشگاه مشتریان و پیشنهاد تخفیف مشخص شود.
چه زمانی مناسب نیست؟
اگر چرخه خرید بسیار طولانی است، مثل فروش دستگاه صنعتی یا قراردادهای B2B سالانه، تفسیر Frequency سخت میشود. همچنین اگر داده خرید ناقص باشد یا کانالهای فروش شما یکپارچه نباشند، خروجی مدل ممکن است گمراهکننده شود. در چنین حالتهایی ابتدا باید کیفیت داده و تعریف مشتری یکتا را درست کنید.
برای اجرای RFM به چه دادههایی نیاز دارید؟
حداقل ستونهای لازم
برای شروع به یک فایل سفارش نیاز دارید؛ هر ردیف باید یک تراکنش یا سفارش باشد. حداقل ستونها شامل شناسه مشتری، تاریخ سفارش، مبلغ نهایی پرداختشده و وضعیت سفارش است. اگر شماره موبایل مشتری در سیستم شما شناسه اصلی است، باید آن را پاکسازی کنید تا یک مشتری با چند شکل نوشتاری تکرار نشود.
- Customer ID: شماره مشتری، موبایل هششده، کد باشگاه یا ایمیل.
- Order Date: تاریخ سفارش با فرمت قابل محاسبه در اکسل.
- Revenue: مبلغ پرداختی بعد از تخفیف و قبل یا بعد از مرجوعی، با تعریف ثابت.
- Status: فقط سفارشهای تکمیلشده را وارد تحلیل کنید.
بازه زمانی پیشنهادی
برای بیشتر فروشگاههای آنلاین ایرانی، بازه ۱۲ ماه گذشته نقطه شروع خوبی است. اگر کالاهای تندمصرف، آرایشی یا خوراکی میفروشید، ۶ ماه هم کافی است. برای مبلمان، لوازم خانگی یا خدمات گرانتر، بهتر است ۱۸ تا ۲۴ ماه را بررسی کنید. معیار اصلی این است که بازه انتخابی باید حداقل یک چرخه خرید طبیعی مشتری را پوشش دهد.
نکته مهم درباره مرجوعی و لغو سفارش
مرجوعی را نادیده نگیرید. مشتریای که پنج سفارش ثبت کرده اما سه سفارش را برگردانده، نباید همسطح مشتری وفادار واقعی قرار بگیرد. اگر داده مرجوعی دارید، مبلغ خالص را محاسبه کنید. اگر ندارید، دستکم سفارشهای لغوشده و پرداختنشده را از فایل حذف کنید.
آمادهسازی فایل اکسل قبل از امتیازدهی
ساخت جدول پایه
داده خام را به جدول اکسل تبدیل کنید. ستونها را نامگذاری انگلیسی ساده بگذارید تا فرمولها خواناتر شوند: CustomerID، OrderDate، Revenue و Status. سپس یک تاریخ مرجع تعیین کنید؛ معمولاً یک روز بعد از آخرین تاریخ سفارش. این کار باعث میشود Recency همه مشتریان نسبت به یک نقطه ثابت محاسبه شود.
تجمیع داده در سطح مشتری
با PivotTable یا فرمولها، داده را از سطح سفارش به سطح مشتری تبدیل کنید. برای هر مشتری سه مقدار بسازید: آخرین تاریخ خرید، تعداد سفارشهای موفق و مجموع مبلغ خرید. در PivotTable، CustomerID را در Rows بگذارید، OrderDate را با Max خلاصه کنید، Order ID را Count کنید و Revenue را Sum بگیرید.
فرمولهای کاربردی
اگر با فرمول راحتترید، میتوانید از MAXIFS، COUNTIFS و SUMIFS استفاده کنید. برای مثال LastPurchase با MAXIFS روی تاریخ سفارش، Frequency با COUNTIFS روی شناسه مشتری و Monetary با SUMIFS روی مبلغ محاسبه میشود. سپس Recency برابر است با تاریخ مرجع منهای LastPurchase. خروجی این مرحله باید جدولی باشد که هر ردیف آن فقط یک مشتری است.
امتیازدهی Recency در اکسل
قاعده امتیازدهی
در Recency هرچه عدد روز کمتر باشد، مشتری تازهتر خرید کرده و امتیاز بالاتری میگیرد. سادهترین روش، تقسیم مشتریان به پنج گروه تقریباً مساوی است. ۲۰ درصدی که کمترین فاصله از آخرین خرید را دارند، امتیاز ۵ میگیرند و ۲۰ درصدی که دیرتر خرید کردهاند، امتیاز ۱.
روش عملی در اکسل
ستون RecencyDays را صعودی مرتب کنید. سپس با تابع PERCENTRANK یا NTILE دستی بر اساس رتبه، امتیاز بدهید. در نسخههای جدید اکسل میتوانید از QUARTILE یا PERCENTILE برای تعیین آستانهها استفاده کنید. برای مثال اگر مرزهای ۲۰، ۴۰، ۶۰ و ۸۰ درصد مشخص شد، با IF تو در تو امتیاز را تعیین کنید.
تفسیر مدیریتی
مشتری با R=5 احتمالاً هنوز برند شما را به یاد دارد و پیام پیشنهادی روی او بهتر جواب میدهد. مشتری با R=1 ممکن است به سمت رقیب رفته باشد یا نیازش تغییر کرده باشد. برای این گروه، پیشنهادهای سنگین بدون فهم علت عدم بازگشت، معمولاً بودجه را هدر میدهد.
امتیازدهی Frequency در اکسل
چرا تعداد خرید مهم است؟
Frequency رفتار تکرار خرید را نشان میدهد. در بسیاری از دستهها، تکرار خرید از مبلغ یک سفارش مهمتر است؛ چون نشان میدهد مشتری به تجربه خرید، ارسال، پشتیبانی و قیمت شما اعتماد کرده است. در بازار ایران که هزینه جذب مشتری از تبلیغات کلیکی، اینفلوئنسر و پیامک رو به افزایش است، افزایش خرید دوم و سوم میتواند حاشیه سود را نجات دهد.
امتیازدهی با توزیع واقعی
مشکل رایج این است که بیشتر مشتریان فقط یک خرید دارند. اگر همه آنها را در یک گروه بزرگ بگذارید، مدل ارزش عملی کمی پیدا میکند. بهتر است قبل از امتیازدهی، توزیع تعداد خرید را ببینید. اگر ۷۰ درصد مشتریان فقط یک خرید دارند، گروه Frequency=1 را جدا تحلیل کنید و برای امتیازهای بالاتر از مرزهای واقعی مثل ۲ خرید، ۳ تا ۴ خرید و بیش از ۵ خرید استفاده کنید.
نمونه آستانه برای فروشگاه آنلاین
برای یک فروشگاه پوشاک متوسط میتوان این منطق را به کار برد: یک خرید امتیاز ۱، دو خرید امتیاز ۲، سه خرید امتیاز ۳، چهار تا پنج خرید امتیاز ۴ و شش خرید به بالا امتیاز ۵. این مرزها قطعی نیستند؛ باید هر سه ماه با رفتار واقعی مشتریان بازبینی شوند.
امتیازدهی Monetary در اکسل
مبلغ خرید را چطور تعریف کنیم؟
Monetary باید بر اساس درآمد خالص قابل اتکا محاسبه شود. اگر تخفیف زیاد میدهید، مبلغ قبل از تخفیف تصویر اشتباه میسازد. اگر هزینه ارسال را جدا میگیرید، تصمیم بگیرید آن را در مبلغ لحاظ میکنید یا نه و همین تعریف را ثابت نگه دارید. برای تصمیمهای سودآوری، بهتر است به جای درآمد، حاشیه سود ناخالص را هم در نسخههای پیشرفته اضافه کنید.
مقابله با خریدهای غیرعادی
گاهی یک مشتری سازمانی یا عمدهفروش با مبلغ بسیار بالا کل توزیع را به هم میزند. در این وضعیت، امتیازدهی صدکی ممکن است بقیه مشتریان را کمارزش نشان دهد. راهحل عملی این است که مشتریان B2B یا عمده را جدا کنید، یا برای مبلغ سقف تحلیلی بگذارید تا چند خرید غیرعادی مدل را منحرف نکند.
ارتباط با ارزش طول عمر مشتری
Monetary فقط گذشته را نشان میدهد، اما برای بودجهگذاری بهتر باید آن را کنار ارزش طول عمر مشتری ببینید. اگر میخواهید تصمیم بگیرید برای جذب یا بازگشت هر سگمنت چقدر هزینه کنید، راهنمای محاسبه LTV و CAC مکمل بسیار خوبی برای این مرحله است.
ساخت سگمنتهای قابل اقدام با تحلیل RFM
از امتیاز تا کد مشتری
بعد از محاسبه سه امتیاز، کد RFM را بسازید؛ مثلاً مشتری با R=5، F=4 و M=5 کد 545 دارد. اما استفاده از همه ۱۲۵ ترکیب ممکن، کار تیم بازاریابی را فلج میکند. هدف این نیست که گزارش پیچیده بسازید؛ هدف این است که چند گروه قابل اقدام داشته باشید.
سگمنتهای پیشنهادی
- قهرمانان: R و F و M بالا؛ مناسب برای دسترسی زودتر به محصول، باشگاه VIP و معرفی به دوستان.
- وفاداران در حال رشد: Frequency بالا اما Monetary متوسط؛ مناسب برای باندل، کراسسل و افزایش میانگین سفارش.
- تازهواردهای امیدوارکننده: Recency بالا ولی Frequency پایین؛ مناسب برای کمپین خرید دوم طی ۷ تا ۱۴ روز.
- در معرض ریزش: قبلاً خرید خوب داشتهاند اما Recency پایین است؛ مناسب برای پیام بازگشت با دلیل مشخص.
- کمارزش یا فرصت محدود: هر سه شاخص پایین؛ مناسب برای کمپینهای کمهزینه و اتوماسیون عمومی.
نامگذاری قابل فهم برای تیم
نام سگمنتها را طوری انتخاب کنید که تیم فروش، پشتیبانی و محتوا بفهمند باید چه رفتاری داشته باشند. به جای کد 155 بنویسید «خریداران قدیمی کمتکرار». همین تغییر ساده باعث میشود خروجی تحلیل در جلسه بماند و به اجرا برسد.
چارچوب تصمیمگیری برای انتخاب اقدام بازاریابی
چرا این چارچوب وجود دارد؟
خروجی تحلیل RFM وقتی ارزشمند است که به اقدام، بودجه و پیام تبدیل شود. چارچوب «ارزش، احتمال پاسخ، هزینه تماس» برای همین ساخته میشود. هر سگمنت را با سه پرسش بسنجید: ارزش بالقوه چقدر است؟ احتمال پاسخ به کمپین چقدر است؟ هزینه رسیدن به این گروه چقدر تمام میشود؟
چه زمانی از آن استفاده کنیم و چه زمانی نه؟
این چارچوب برای تصمیمهای سریع کمپین، مثل پیامک بازگشت، ایمیل فروش ویژه، تماس تیم فروش یا پیشنهاد خرید دوم مناسب است. اما برای تغییرات استراتژیک مثل ورود به بازار جدید یا تغییر سبد محصول کافی نیست. همچنین اگر دیتای رضایت مشتری، موجودی کالا یا حاشیه سود را ندارید، تصمیم را فقط بر اساس RFM نهایی نکنید.
مزایا، محدودیتها و مثال ایرانی
مزیت آن سادگی و قابلیت اجرا در تیمهای کوچک است. محدودیت آن این است که علت رفتار مشتری را توضیح نمیدهد؛ فقط الگوی خرید را نشان میدهد. فرض کنید یک فروشگاه لوازم آرایشی در تهران متوجه میشود ۸ هزار مشتری در سگمنت «تازهوارد امیدوارکننده» دارد. اگر هزینه پیامک برای هر نفر پایین است و احتمال خرید دوم در ۱۴ روز اول بالاست، کمپین آموزشی همراه با کد تخفیف کوچک منطقی است. اما برای مشتریان قدیمی کمارزش، ارسال پیامکهای متعدد احتمالاً فقط نرخ لغو عضویت را بالا میبرد.
| سگمنت | ارزش بالقوه | اقدام پیشنهادی | کانال مناسب | چه زمانی انجام ندهیم؟ |
|---|---|---|---|---|
| قهرمانان | بسیار بالا | VIP، پیشفروش، معرفی دوستان | تماس، واتساپ، ایمیل شخصی | وقتی موجودی یا پشتیبانی توان پاسخ ندارد |
| تازهواردها | متوسط تا بالا | تشویق خرید دوم | پیامک، ایمیل، پوش نوتیفیکیشن | وقتی تجربه سفارش اول هنوز تکمیل نشده |
| در معرض ریزش | بالا اما حساس | بازگشت با پیشنهاد محدود | پیامک هدفمند، تماس برای مشتریان بزرگ | وقتی علت نارضایتی حل نشده |
| کمارزش | پایین | اتوماسیون کمهزینه | ایمیل عمومی، ریتارگتینگ محدود | وقتی هزینه تماس از حاشیه سود بیشتر است |
نمونه کمپینهای واقعی برای بازار ایران
مثال اول: فروشگاه پوشاک زنانه
یک فروشگاه پوشاک آنلاین با حدود ۴۵ هزار مشتری، بعد از امتیازدهی متوجه شد ۱۲ درصد مشتریان در گروه قهرمانان قرار دارند اما فقط همان کمپینهای تخفیف عمومی را دریافت میکنند. تیم بازاریابی برای این گروه، دسترسی ۲۴ ساعته زودتر به کالکشن جدید و ارسال رایگان گذاشت. هدف تخفیف نبود؛ هدف حس اولویت بود. طی یک ماه، نرخ خرید این سگمنت ۱۸ درصد بیشتر از کمپین عمومی شد.
مثال دوم: آموزشگاه زبان
در یک آموزشگاه زبان در اصفهان، Monetary برای هر زبانآموز خیلی متفاوت نبود، اما Frequency یعنی تعداد ترمهای ثبتنام اهمیت بالایی داشت. تحلیل نشان داد کسانی که بعد از ترم اول سریع برای ترم دوم ثبتنام نمیکنند، احتمال بازگشتشان افت میکند. آموزشگاه برای سگمنت تازهوارد، پیام مشاوره مسیر یادگیری و تخفیف محدود ۱۰ روزه طراحی کرد؛ نه تخفیف کور، بلکه رفع ابهام و ایجاد تعهد.
اتصال کمپین به قیف فروش
اگر سگمنتها را در داشبورد فروش و بازاریابی نبینید، پیگیری سخت میشود. برای مانیتور کردن نرخ ارسال، نرخ کلیک، خرید مجدد و درآمد هر سگمنت، ساخت یک داشبورد پایش قیف فروش کمک میکند تیم هر هفته بفهمد کدام اقدام واقعاً فروش ساخته است.
مقایسه RFM با روشهای دیگر تحلیل مشتری
کدام روش برای چه تصمیمی بهتر است؟
هیچ مدل تحلیلی برای همه تصمیمها کافی نیست. RFM برای اولویتبندی سریع مشتریان عالی است، اما برای فهم روند ماندگاری در طول زمان، کوهورت بهتر جواب میدهد. برای تعیین سقف هزینه جذب، LTV و CAC ضروری است. انتخاب روش باید بر اساس سؤال مدیریتی باشد، نه علاقه به ابزار.
| روش | بهترین کاربرد | داده مورد نیاز | مزیت | محدودیت |
|---|---|---|---|---|
| RFM | بخشبندی و کمپین هدفمند | تاریخ، تعداد و مبلغ خرید | سریع، قابل اجرا در اکسل | علت رفتار را توضیح نمیدهد |
| کوهورت آنالیز | بررسی نگهداشت در طول زمان | تاریخ اولین خرید و خریدهای بعدی | نمایش روند بازگشت مشتری | برای اقدام فردی کمتر مستقیم است |
| LTV/CAC | تصمیم بودجه جذب و سودآوری | درآمد، هزینه جذب، حاشیه سود | کمک به تصمیم مالی | به فرضیات حساس است |
اگر هدف شما بررسی ماندگاری نسلهای مختلف مشتری است، راهنمای کوهورت آنالیز برای نگهداشت مشتری دید دقیقتری از رفتار پس از خرید اول میدهد.
اشتباهات رایج در اجرای RFM
اشتباهات دادهای
- ترکیب سفارشهای لغوشده با سفارشهای موفق.
- استفاده از شماره موبایل بدون پاکسازی صفر، فاصله و فرمتهای مختلف.
- تحلیل همه کانالها بدون یکسانسازی شناسه مشتری.
- نادیده گرفتن مشتریان عمده که الگوی خریدشان شبیه مشتری عادی نیست.
اشتباهات تفسیری
بزرگترین خطا این است که امتیاز بالا را همیشه به معنی سود بالا بدانیم. ممکن است مشتری زیاد خرید کند، اما فقط در زمان تخفیف سنگین. یا مشتری با Monetary بالا، حاشیه سود پایینی داشته باشد. اگر داده سود ندارید، در تصمیمهای پرهزینه احتیاط کنید.
اشتباهات اجرایی
اشتباه دیگر ساختن سگمنتهای زیاد است. وقتی تیم شما فقط توان اجرای سه کمپین در ماه دارد، ۱۵ سگمنت خروجی بیفایده است. از پنج تا هفت سگمنت شروع کنید و فقط وقتی ظرفیت اجرا و اتوماسیون دارید، جزئیات را بیشتر کنید.
چکلیست اجرای تحلیل RFM در اکسل
قبل از تحلیل
- بازه زمانی تحلیل را بر اساس چرخه خرید انتخاب کنید.
- سفارشهای لغوشده، تستی و پرداختنشده را حذف کنید.
- شناسه مشتری را یکتا و پاکسازی کنید.
- تعریف مبلغ خرید را ثابت کنید: ناخالص، خالص یا پس از مرجوعی.
حین تحلیل
- داده را در سطح مشتری تجمیع کنید.
- تاریخ مرجع را یک روز بعد از آخرین سفارش بگذارید.
- برای Recency، امتیاز کمتر بودن روز را بالاتر بدهید.
- توزیع Frequency را قبل از تعیین آستانهها بررسی کنید.
- مشتریان عمده یا غیرعادی را جداگانه علامتگذاری کنید.
بعد از تحلیل
- برای هر سگمنت فقط یک هدف اصلی تعریف کنید.
- هزینه تماس و حاشیه سود را قبل از کمپین بسنجید.
- نتیجه کمپین را حداقل با نرخ خرید، درآمد و سود ناخالص بررسی کنید.
- هر ماه امتیازها را بهروزرسانی و هر فصل آستانهها را بازبینی کنید.
سوالات پرتکرار درباره تحلیل RFM
تحلیل RFM برای چه کسبوکارهایی مناسب است؟
برای کسبوکارهایی که خرید تکرارشونده دارند مناسبتر است؛ مثل فروشگاه آنلاین، سوپرمارکت اینترنتی، لوازم آرایشی، پوشاک، آموزشگاه، کلینیک زیبایی و اپلیکیشنهای خدماتی. برای فروشهای بسیار کمتکرار باید با احتیاط استفاده شود.
چند ماه داده برای RFM لازم است؟
حداقل باید یک چرخه خرید طبیعی را پوشش دهید. برای کالاهای مصرفی ۶ تا ۱۲ ماه کافی است، اما برای کالاهای گرانتر ممکن است ۱۸ تا ۲۴ ماه لازم باشد.
آیا میتوان RFM را فقط با اکسل انجام داد؟
بله. برای بیشتر کسبوکارهای کوچک و متوسط، اکسل کاملاً کافی است. وقتی تعداد ردیفها خیلی زیاد شد یا به بهروزرسانی روزانه نیاز داشتید، میتوانید به ابزارهای BI، پایگاه داده یا CRM متصل شوید.
بهترین تعداد سگمنت چندتاست؟
برای شروع پنج تا هفت سگمنت کافی است. تعداد بیشتر فقط وقتی ارزش دارد که برای هر گروه پیام، کانال، بودجه و معیار سنجش جداگانه دارید.
آیا مشتری با Monetary بالا همیشه بهترین مشتری است؟
نه. باید تازگی خرید، تکرار خرید، حاشیه سود و احتمال پاسخ را هم ببینید. مشتریای که یک خرید بزرگ قدیمی داشته، ممکن است از مشتریای با خریدهای متوسط اما منظم کمارزشتر باشد.
هر چند وقت یکبار باید امتیازها را بهروزرسانی کنیم؟
برای فروشگاههای فعال، ماهانه مناسب است. اگر کمپینهای پرتعداد دارید یا خریدها روزانه زیاد است، بهروزرسانی هفتگی هم ارزشمند میشود. برای کسبوکارهای کمتراکنش، هر فصل کافی است.
آیا برای مشتریان در معرض ریزش باید تخفیف سنگین داد؟
نه همیشه. ابتدا ارزش و علت ریزش را بررسی کنید. گاهی ارسال محتوای آموزشی، یادآوری موجودی، مشاوره یا رفع مشکل پشتیبانی بهتر از تخفیف عمل میکند.
جمعبندی و برنامه اقدام ۷ روزه
خلاصه کاربردی
تحلیل RFM راهی سریع و قابل فهم برای اولویتبندی مشتریان است. با سه شاخص ساده میتوانید بفهمید چه کسی را باید حفظ کنید، چه کسی را به خرید دوم برسانید، چه کسی در معرض ریزش است و برای چه کسانی نباید بودجه زیاد خرج کنید. ارزش مدل در پیچیدگی نیست؛ در تبدیل داده به اقدام منظم است.
برنامه اقدام
- روز ۱: فایل سفارشهای ۱۲ ماه گذشته را خروجی بگیرید و وضعیت سفارشها را پاکسازی کنید.
- روز ۲: شناسه مشتری، تاریخ خرید و مبلغ خالص را استاندارد کنید.
- روز ۳: جدول مشتری بسازید و Recency، Frequency و Monetary را محاسبه کنید.
- روز ۴: امتیازهای ۱ تا ۵ را تعیین و کدهای RFM را تولید کنید.
- روز ۵: پنج تا هفت سگمنت قابل اقدام تعریف کنید.
- روز ۶: برای سه سگمنت اولویتدار پیام، کانال، بودجه و KPI بنویسید.
- روز ۷: کمپین کوچک اجرا کنید و نتیجه را با گروه کنترل یا حداقل با عملکرد گذشته مقایسه کنید.
بهترین نسخه RFM مدلی نیست که بیشترین فرمول را دارد؛ مدلی است که تیم شما هر ماه اجرا میکند و خروجی آن روی پیام، بودجه و تجربه مشتری اثر میگذارد.
