פילוח RFM מדרג כל לקוח לפי שלושה מספרים: מתי הוא קנה לאחרונה (Recency), כמה פעמים הוא קונה (Frequency), וכמה הוא מוציא (Monetary — ערך כספי). משלבים את השלושה ומקבלים ציון קומפקטי שאמור לספר יותר על לקוח מכל מדד בודד — דרך לאתר את הלקוחות הכי טובים שלכם, את אלה שבסיכון, ואת כל מי שבאמצע, תוך שימוש בנתונים שכמעט לכל עסק כבר יש.
זה גם נושא עם כמות מפתיעה של פולקלור אינטרנטי דבוק אליו: "ממציא" בשם שחוזר על עצמו בעשרות אתרים אבל כנראה לא קיים, סכמת מיתוג סגמנטים ("Champions", "Hibernating", "Can't Lose Them") שמוצגת כמתודולוגיה מבוססת אבל לא מובילה לשום מקור אמין, ו"חוק 80/20" להכנסות מלקוחות שמחקר שיווקי אמיתי ממשיך לא להצליח לשחזר. בדקנו כל אחת מהטענות האלה, לצד המאמר האקדמי האמיתי והרציני שכן מגבה את RFM — והממצא הלא-אינטואיטיבי שקבור בתוכו ורוב הסיכומים מדלגים עליו.
עיקרי הדברים
- "Jan Roelf Nozeman", השם שחוזר בבלוגים שיווקיים כממציא RFM, נראה מפוברק — אין ספר, ציטוט, מודעת אבל או פרופיל תחת השם הזה. זה נראה כמו הרכבה מעורבבת של שני אנשים אמיתיים לא-קשורים: Jan Roelf Bult (חוקר דיוור ישיר אמיתי) ו-Roel Nozeman (איש מקצוע בתחום מימון בר-קיימא, לא קשור בכלל).
- הפורמליזציה המוקדמת ביותר שניתן לאמת של RFM כשיטה בעלת שם היא הספר של Arthur Hughes מ-1994, Strategic Database Marketing — ואפילו יוז עצמו תיאר את זה כטכניקה שמשווקי קטלוגים כבר השתמשו בה באופן לא רשמי, לא כמשהו שהוא המציא.
- גיבוי אקדמי אמיתי ורציני כן קיים: המאמר של Fader, Hardie ו-Lee מ-2005 בכתב העת Journal of Marketing Research הוכיח שמועד רכישה אחרון, תדירות וערך כספי הם "סטטיסטיקות מספיקות" לחיזוי ערך חיי לקוח — על מדגם אמיתי של 23,560 לקוחות, עם טוויסט לא-אינטואיטיבי אמיתי שרוב הסיכומים מדלגים עליו.
- שמות הסגמנטים "Champions / At Risk / Hibernating" שמופיעים כמעט בכל מדריך RFM היום לא מגיעים מהמחקר הזה ולא מהעבודה המקורית של יוז — הם לא מובילים לשום מקור אמין יחיד, כשהגרסה הציבורית המתוארכת המוקדמת ביותר שמצאנו היא חבילת קוד פתוח בשפת R מ-2018-2019.
- החוק ש"80% מההכנסות מגיעות מ-20% מהלקוחות" לא עומד במבחן מדידה אמיתית. המחקרים שביקורת עמיתים בפועל מדדו את זה מצאו יחסים בין 47% ל-71%, בהתאם לתעשייה, לערוץ ולחלון הזמן — אף פעם לא חלוקה נקייה של 80/20.
מה זה בעצם פילוח RFM?
RFM מדרג כל לקוח לפי שלושה משתני היסטוריית רכישה: Recency (כמה זמן עבר מהרכישה האחרונה שלו), Frequency (כמה פעמים הוא קנה), ו-Monetary (כמה הוא הוציא, בסך הכול או בממוצע). השיטה הקלאסית מחלקת כל משתנה לכמה שכבות — לרוב חמישונים, בציון 1 עד 5 — ומשלבת את שלושת הציונים לקוד קצר, כמו 5-5-5 ללקוח שקנה לאחרונה, קונה הרבה, ומוציא הרבה.
היא בנויה בדיוק לסוג השאלה שיומן מכירות או היסטוריית רכישות עונה עליה: לא מי איש הקשר (התפקיד שלו, התעשייה שלו) אלא מה הוא בפועל עשה — מה שהופך אותה להשלמה טבעית לפילוח לקוחות רחב יותר ולניקוד לידים מבוסס-התנהגות, רק שהקלט כאן הוא היסטוריית הרכישה במקום פתיחות אימייל או ביקורים בעמודים.
מי בעצם המציא את RFM — והאם "Jan Roelf Nozeman" אמיתי?
חפשו את המקור של RFM ותיתקלו בשם שחוזר בביטחון מוחלט בעשרות בלוגים שיווקיים: "Jan Roelf Nozeman". חיפשנו ספר, מאמר, מודעת אבל, פרופיל לינקדאין — כל דבר — תחת השם המדויק הזה. לא מצאנו כלום. אף עקבה, בשום וריאציית איות, בשום פלטפורמה.
מה שכן מצאנו הם שני אנשים אמיתיים ששמותיהם נראים כאילו התמזגו לדמות שלישית בדויה: Jan Roelf Bult, אקדמאי שיווק הולנדי אמיתי שכתב יחד עם שותף מאמר סטטיסטי אמיתי מ-1995 על מיקוד דיוור ישיר, ו-Roel Nozeman, איש מקצוע אמיתי אך לגמרי לא-קשור בתחום מימון בר-קיימא, בלי שום זיקה להיסטוריית שיווק. "Jan Roelf Nozeman" נשמע כמו מיזוג מעורבב של השניים — ציטוט שהתעוות פעם אחת והועתק-הודבק מאז בביטחון מוחלט.
| הטענה שתראו חוזרת בכל מקום | מה מצאנו כשבדקנו |
|---|---|
| "RFM הומצא על ידי Jan Roelf Nozeman" | אדם כזה כנראה לא קיים תחת השם הזה, באף מקור שהצלחנו לאתר. |
| "RFM מגיע מהמאמר של Bult ו-Wansbeek מ-1995" | המאמר הזה אמיתי (Marketing Science, 1995) — אבל הוא זיקוק סטטיסטי מאוחר יותר של מיקוד דיוור ישיר, לא המקור של הרעיון של RFM, שקדם לו. |
| "Arthur Hughes המציא את RFM" | לא בדיוק — הספר שלו מ-1994, Strategic Database Marketing, הוא המקור המוקדם ביותר שניתן לאמת שנתן שם ופורמליזציה לשיטה, אבל יוז עצמו תיאר אותה כפרקטיקה שמשווקי קטלוגים כבר השתמשו בה באופן לא רשמי. |
הייחוס הלא-רשמי האמין ביותר שמצאנו הוא Robert Kestnbaum, חלוץ שיווק ישיר אמיתי (היכל התהילה של Direct Marketing Association, חברה שנוסדה ב-1967) שכמה מקורות משניים מזכים בגישת ניקוד בסגנון RFM מוקדמת ללקוחות קטלוגים — אבל הזכות הספציפית הזו מופיעה רק בסיפורים ללא תאריך, אף פעם לא במסמך מקורי משנות ה-60-70, אז התייחסו לזה כהיסטוריה שבעל-פה סבירה, לא כעובדה מבוססת.
האם RFM באמת מנבא כמה לקוח שווה?
כאן יש מחקר אמיתי ורציני — והוא מעניין יותר מהגרסה הסיסמתית שבדרך כלל מצוטטת. Peter Fader ו-Bruce Hardie (שני חוקרי אנליטיקת לקוחות מוכרים, ב-Wharton וב-London Business School בהתאמה) וגם Ka Lok Lee פרסמו את "RFM and CLV: Using Iso-Value Curves for Customer Base Analysis" בכתב העת Journal of Marketing Research ב-2005. תוך שימוש במדגם אמיתי — 23,560 לקוחות שביצעו את הרכישה הראשונה שלהם בקמעונאית המוזיקה המקוונת CDNOW בתחילת 1997, שנעקבו במשך 78 שבועות — הם בנו מודל סטטיסטי פורמלי והוכיחו שמועד רכישה אחרון, תדירות וערך כספי הם "סטטיסטיקות מספיקות": לא צריך שום פרט נוסף מהיסטוריית הרכישה של לקוח כדי לחזות את הערך העתידי שלו ברגע שיש לכם את שלושת המספרים האלה.
התוצאות היו דרמטיות. ערך חיי הלקוח החזוי הממוצע של הקבוצה היה בערך $47 ללקוח. לקוחות בשכבת ה-RFM הטובה ביותר — הרכישה האחרונה הכי טרייה, הקונים הכי תכופים, המוציאים הכי הרבה — הגיעו לממוצע של $435, פי 9 בערך מהממוצע של הקבוצה כולה, וקבוצה בודדת זו לבדה היוותה קרוב ל-38% מכל הערך העתידי של הקבוצה כולה.
החלק הלא-אינטואיטיבי שרוב הסיכומים מדלגים עליו: בקרב לקוחות ששתקו (מועד רכישה אחרון רחוק), תדירות רכישה גבוהה בעבר דווקא ניבאה ערך עתידי נמוך יותר, לא גבוה יותר — המאמר קורא לזה "פרדוקס התדירות העולה". לקוח שנהג לקנות באופן קבוע ועכשיו נעלם נראה, סטטיסטית, יותר כמו מישהו שנטש לגמרי מאשר לקוח בתדירות נמוכה עם אותו שקט. אפילו 12,054 הלקוחות שמעולם לא ביצעו רכישה שנייה לא היו חסרי ערך במצטבר — יחד, הקבוצה הזו עדיין היוותה בערך 5% מהערך העתידי הכולל של הקבוצה, יותר מרוב שכבות ה-RFM הבודדות בפני עצמן.
מאיפה בעצם מגיעים "Champions", "At Risk" ו-"Hibernating"?
חפשו פילוח RFM היום ותנחתו כמעט בכל מקום על אותה סכמת מיתוג של 10-11 סגמנטים: Champions, Loyal Customers, Potential Loyalist, Promising, Need Attention, About to Sleep, At Risk, Can't Lose Them, Hibernating, Lost — בדרך כלל עם טווחי ציון מספריים ספציפיים מוצמדים, כמו Champions שמוגדר כציון 4-5 בכל אחד משלושת R, F ו-M. זה מוצג כמתודולוגיה מבוססת גם באתרי ספקים וגם בבלוגים.
לא הצלחנו לאתר את זה למקור מקורי אמין אחד. זה לא מופיע בעבודה האקדמית של Fader, Hardie ו-Lee, וזה גם לא תואם לשיטה המקורית של יוז עצמו — תיאורים משניים אמינים לספר שלו מ-1994 מתארים שיטה שונה לגמרי וללא שמות: קוד מספרי בן 3 ספרות מ-111 עד 555, שנבנה על ידי דירוג כל אחד מ-R, F ו-M לחמישה חמישונים (1 עד 5) וחיבורם, בלי שום קטגוריה בעלת שם מוצמדת בכלל. הגרסה הציבורית המתוארכת המוקדמת ביותר שמצאנו לסכמת המיתוג המודרנית היא חבילת קוד פתוח בשפת R (שפורסמה לראשונה באפריל 2018) והמדריך הנלווה שלה (פברואר 2019) — שגם הוא לא מזכה שום מקור קודם. זה נקרא כמו מוסכמה שהתפשטה מהעתקה הדדית בין בלוגים וכלים, לא תקן מבוסס-מחקר.
זה לא הופך את התוויות לחסרות ערך — קיבוץ לקוחות לכמה קבוצות בעלות שם שאפשר לפעול לפיהן הוא בדיוק למה RFM נועד. זה רק אומר ש"Champions" ו-"Hibernating" הן מוסכמה פופולרית להתאים לעסק שלכם, לא טקסונומיה קבועה ומבוססת-ראיות שצריך להעתיק בדיוק.
האם מיקוד לפי היסטוריית רכישה באמת מנצח שליחה גורפת?
התשובה הקפדנית ביותר עם מתודולוגיה חשופה שמצאנו מגיעה מדוח הבנצ'מרק הרשמי של Klaviyo לפילוח: ניתוח של 2.62 מיליארד אימיילים שנשלחו על ידי לקוחות המסחר האלקטרוני שלה בארה"ב במהלך רבעון 4 של 2017. שליחות "מפולחות מאוד" — שממקדות פלח צר של רשימה לפי התנהגות כמו מועד רכישה אחרון או סכום — ניצחו בבירור שליחות גורפות ולא-מפולחות בכל מדד שנמדד.
| סוג שליחה | הכנסה לנמען |
|---|---|
| מפולחות מאוד | $0.19 |
| לא-מפולחות | $0.06 |
שיעור פתיחה
שיעור הקלקה (CTR)
שליחות מפולחות הרוויחו בערך פי 3 הכנסה לנמען — תוצאה אמיתית עם מדגם חשוף, אם כי הנתונים מ-2017 ובסיס הלקוחות של Klaviyo עצמו נוטה למשווקי מסחר אלקטרוני מתוחכמים יותר מהממוצע. חיפשנו גם את "בנצ'מרק שיעור התגובה של ה-DMA" שמצוטט כל הזמן לגבי דיוור ישיר ממוקד מול גורף — ה-DMA עצמה כבר לא קיימת (היא התמזגה לתוך ה-ANA ב-2018), ודוח שיעור התגובה הנוכחי של ANA (נתוני 2023) מבוסס על מדגם קטן ומדווח-עצמית שהמפרסם עצמו אומר להשתמש בו "למטרות מידע בלבד". התייחסו בספקנות אמיתית לכל ציטוט מדויק של "ה-DMA אומרת X%" שתראו מצוטט במקום אחר.
האם החוק "80% מההכנסות מגיעות מ-20% מהלקוחות" באמת נכון?
לזה יש מקור אמיתי — רק לא שיווקי. הוא מוביל לתצפית של Vilfredo Pareto מ-1896 שבערך 80% מהקרקע באיטליה היו בבעלות כ-20% מהאוכלוסייה. Joseph Juran, יועץ ניהול איכות, הכליל את זה ל"המעטים החיוניים והרבים הטריוויאליים" לפגמי מפעל ב-1941. אף אחד מעולם לא ערך מחקר מקורי שמוכיח שזה חל על הכנסות מלקוחות ביחס ספציפי של 80/20 — זו היוריסטיקה שאולה מתחום לא-קשור ומיושמת מחדש על ידי כותבי שיווק בלי שום ציטוט מצורף.
כשחוקרים בפועל מדדו נתוני רכישה אמיתיים, המספר אף פעם לא נחת על 80/20 נקי. שלושה מחקרים נפרדים שעברו ביקורת עמיתים או מוסדית — תוך שימוש בנתוני פאנל צרכנים, כלבו ומסחר אלקטרוני אמיתיים — כל אחד מצא ריכוזיות שונה ועקבית יותר-נמוכה.
מחקר פאנל ה-FMCG מפורש שהיחס זז עם חלון הזמן שמודדים: בערך 40/20 על פני רבעון בודד, 50/20 על פני שנה, ומעט מעל 60/20 על פני חמש שנים — כלומר אפילו התוצאה הכי קרובה ל-80 מופיעה רק אם מודדים על פני אופק ארוך מאוד. אף אחד משלושת המחקרים לא מצא 80/20 בדיוק, ושניים מצאו את זה משמעותית רופף יותר מהגרסה הפולקלורית.
האם לקוחות חוזרים באמת חוזרים — וכמה יותר הם שווים?
המספר הקפדני והכי מצוטט כאן הוא בן עשור: ניתוח של RJMetrics מ-2015 על 176 קמעונאים מקוונים ו-18 מיליון לקוחות מצא שרק 32% מהקונים בפעם הראשונה ביצעו אי פעם רכישה שנייה תוך שנה — כלומר 68% אף פעם לא חזרו בכלל. אותו דוח מצא שהאחוז העליון (1%) של הלקוחות היה שווה בערך פי 18 מהלקוח הממוצע. חיפשנו מחקר חלופי קפדני ועדכני (2023-2026) באותה רמה ולא מצאנו כזה — רוב נתוני שיעור הרכישה החוזרת שמסתובבים היום מובילים לכתבות סוכנות קטנות יותר או צבירת בלוגים ללא מקור, לא בנצ'מרק עצמאי בקנה מידה כזה.
כיסינו את הכלכלה העמוקה יותר של כמה לקוח חוזר באמת שווה — כולל המספרים האמיתיים והמתועדים מאחורי הוויכוח על עלות שימור מול רכישה — בכתבה שלנו על שיווק אחרי רכישה, אז לא נחזור על זה כאן.
32%
נתח הלקוחות בפעם הראשונה במסחר אלקטרוני שביצעו רכישה שנייה תוך שנה, לפי מחקר RJMetrics מ-2015 על 176 קמעונאים מקוונים ו-18 מיליון לקוחות — המספר הקפדני ביותר שמצאנו, אם כי הוא כבר בן עשור.
מקור: RJMetrics, "2015 Ecommerce Buyer Behavior Report" (176 קמעונאים, 18 מיליון לקוחות)
איך בונים מודל RFM פשוט בלי לסבך יותר מדי?
- 1שולפים שלושה מספרים שכנראה כבר יש לכם לכל לקוח: תאריך הרכישה האחרונה, מספר הרכישות הכולל, והסכום הכולל (או הממוצע) שהוצא.
- 2מחלקים כל אחד לשלוש או ארבע שכבות פשוטות במקום ציונים מדויקים — שלישים עובדים מצוין להתחלה; לא צריך רשת של 125 תאים כדי להפיק מזה ערך.
- 3נותנים ל-Recency (מועד הרכישה האחרון) את המשקל הכי גבוה אם צריך לבחור אות אחד לסמוך עליו קודם — זה הממד שהמחקר של Fader/Hardie/Lee מצא שנשא את הכוח הניבוי החזק והמשתנה ביותר מבין השלושה.
- 4מכווצים את השכבות לכמה קבוצות שבאמת תפעלו לפיהן — חדש, פעיל, בסיכון, נטש — עם צעד הבא ספציפי מוצמד לכל אחת, לא עשרים מיקרו-סגמנטים שאף אחד לא יבנה עבורם קמפיין.
- 5מנקדים מחדש לפי לוח זמנים קבוע, לא פעם אחת. RFM הוא תמונת מצב של התנהגות עבר, לא תווית קבועה — Champion ברבעון הזה יכול להפוך ל-At Risk ברבעון הבא בלי ששום אחד ישים לב, אלא אם הציון מתרענן.
ב-oToK, כל רכישה שמתועדת ביומן המכירות — ללא תלות בעסקאות, בתשלומים או בהזמנות — עולה אוטומטית לטאב המכירות של איש הקשר עצמו (מה הוא קנה, וכמה פעמים) ולתוך הפילוח: מסננים או בונים קהל לפי "רכש לפחות N פעמים" או לפי מוצר מסוים, בלי צורך בגיליון אלקטרוני. טריגר אוטומציה "נרשמה מכירה" יכול להפעיל תודה, אפ-סייל או תזכורת להזמנה חוזרת ברגע שזה קורה, וברגע שתשלומים מחוברים, LTV מתועד על איש הקשר אוטומטית — הצד הכספי של RFM, מחושב עבורכם.
שאלות נפוצות
- האם RFM זהה לערך חיי לקוח (CLV)?
- לא, אם כי הם קשורים קשר הדוק. RFM הוא תיאורי — כרטיס ציון של מה שלקוח כבר עשה. CLV הוא ניבויי — תחזית של כמה הוא יהיה שווה בהמשך. המחקר של Fader, Hardie ו-Lee מ-2005 הוא ממש הגשר בין השניים: הוא משתמש במועד רכישה אחרון, תדירות וערך כספי כשלושת הקלטים למודל סטטיסטי פורמלי שמפיק ניבוי CLV אמיתי.
- מי באמת המציא את פילוח RFM?
- אף אחד שהצלחנו לאמת בביטחון. השם שהכי נפוץ מזכים בו באינטרנט, "Jan Roelf Nozeman", נראה מפוברק. הספר של Arthur Hughes מ-1994 הוא המקור המוקדם ביותר שניתן לאמת שנתן שם ופורמליזציה לשיטה, אם כי אפילו יוז תיאר אותה כפרקטיקת שיווק קטלוגים קיימת מראש, לא כהמצאה שלו.
- האם "Champions", "At Risk" ושאר הסגמנטים בעלי השם ב-RFM הם מסגרת רשמית?
- לא — הם מוסכמה שמועתקת בהרחבה, לא תקן מבוסס-מחקר. הם לא מופיעים בספרות האקדמית של RFM/CLV ולא תואמים למינוח המקורי מ-1994. התייחסו אליהם כתבנית התחלתית סבירה להתאים לעסק שלכם, לא מתודולוגיה קבועה.
- האם צריך מדען נתונים כדי להשתמש ב-RFM?
- לא. הפרקטיקה ההיסטורית היא חלוקה ידנית פשוטה — פיצול לקוחות לכמה שכבות לפי כל משתנה — שכל מסנן ב-CRM יכול לעשות. הגרסה המתוחכמת (המודל הסטוכסטי של Fader, Hardie ו-Lee) היא שדרוג אקדמי אמיתי, אבל היא אופציונלית, ומשתלמת בעיקר בנפח עסקאות שבו שכבות שנבנות ידנית מפסיקות להיות מדויקות מספיק.
