Lý thuyết RFM: thành phần, cách xây dựng mô hình và kiểm định
Mô hình RFM là gì
Bạn có thể đã thấy RFM trong báo cáo CRM hoặc dữ liệu bán hàng, nhưng chưa biết đưa nó vào luận văn thế nào. RFM là cách mô tả giá trị và mức độ gắn bó của khách hàng dựa trên ba dấu hiệu hành vi: Recency, Frequency và Monetary. Trong nghiên cứu định lượng, RFM thường được dùng để phân khúc khách hàng, tạo biến độc lập, hoặc làm cơ sở chọn nhóm khách hàng cho bảng hỏi.
Cần phân biệt hai cách dùng. Cách thứ nhất là dùng RFM như một phương pháp phân nhóm từ dữ liệu giao dịch. Bạn tính điểm cho từng khách hàng rồi chia thành các nhóm như khách hàng trung thành, khách hàng có nguy cơ rời bỏ hoặc khách hàng giá trị cao. Cách thứ hai là dùng ba thành phần R, F và M như các biến giải thích cho kết quả nghiên cứu, chẳng hạn ý định mua lại, lòng trung thành hoặc giá trị vòng đời khách hàng.
Tên RFM đã được dùng rộng rãi trong marketing thực hành, nhưng danh sách nguồn được phép trích dẫn của bài viết này không có công trình gốc xác nhận tác giả và năm hình thành RFM. Vì vậy, bạn nên ghi RFM là một khung phân tích hành vi khách hàng, không tự gán tên tác giả hoặc năm xuất bản nếu chưa kiểm tra nguồn gốc trong tài liệu của đề tài.
Nếu cần đặt RFM trong nhóm chủ đề rộng hơn, bạn có thể xem chủ đề Mô hình nghiên cứu. RFM không thay thế hoàn toàn các lý thuyết hành vi như AIDA, TAM hay TPB. Nó mô tả dữ liệu giao dịch, trong khi các lý thuyết kia thường giải thích nhận thức, thái độ và ý định.
Các thành phần trong mô hình
Ba thành phần của RFM không phải ba biến tiềm ẩn giống nhau trong mô hình SEM. Chúng thường được tính trực tiếp từ lịch sử giao dịch. Vì vậy, trước khi chạy SPSS, bạn phải xác định rõ đơn vị phân tích là khách hàng, tài khoản, cửa hàng hay đơn hàng.
| Thành phần | Tên đầy đủ | Cách đo phổ biến | Ý nghĩa khi đọc dữ liệu |
|---|---|---|---|
| R | Recency | Số ngày từ lần mua gần nhất đến ngày chốt dữ liệu | Giá trị càng nhỏ thường cho thấy khách hàng mới mua gần đây |
| F | Frequency | Số lần mua trong một khoảng thời gian | Giá trị càng cao thường cho thấy tần suất giao dịch cao |
| M | Monetary | Tổng doanh thu hoặc tổng giá trị mua trong một khoảng thời gian | Giá trị càng cao thường cho thấy mức chi tiêu lớn |
Ví dụ, ngày chốt dữ liệu là 31/12/2025. Một khách hàng mua lần cuối vào ngày 20/12/2025 sẽ có R bằng 11 ngày. Nếu người đó có 8 đơn hàng trong năm và tổng giá trị mua là 12 triệu đồng, F bằng 8 và M bằng 12 triệu đồng. Ba con số này vẫn là dữ liệu gốc, chưa phải điểm RFM chuẩn hóa.
Bạn cũng cần thống nhất cách tính F. Có nghiên cứu tính số hóa đơn, có nghiên cứu tính số lần thanh toán, có nghiên cứu tính số ngày có giao dịch. Ba cách này tạo ra ý nghĩa khác nhau. Nếu một đơn hàng được tách thành nhiều lần thanh toán, F theo số giao dịch thanh toán có thể phóng đại tần suất mua.
Tương tự, M có thể là doanh thu trước chiết khấu, doanh thu sau chiết khấu hoặc lợi nhuận. Hãy chọn một định nghĩa, ghi vào chương phương pháp và dùng nhất quán trong toàn bộ file dữ liệu.
Mô hình gốc và các mở rộng phổ biến
RFM cơ bản chỉ có R, F và M. Khi áp dụng vào đề tài thực tế, bạn có thể mở rộng khung này bằng cách thêm các biến mô tả hành vi khác, nhưng mỗi biến thêm vào phải có lý do đo lường rõ ràng. Ví dụ, bạn có thể tách Monetary thành doanh thu và lợi nhuận, hoặc thêm độ đa dạng sản phẩm, kênh mua hàng và tỷ lệ sử dụng mã giảm giá.
Một hướng mở rộng là kết hợp RFM với phân tích cụm. Sau khi chuẩn hóa hoặc gán điểm cho R, F, M, bạn dùng clustering để tạo các nhóm khách hàng. Kết quả thường được dùng cho mục tiêu mô tả và phân khúc. Nếu muốn dùng nhóm này làm biến trong hồi quy, cần nói rõ nhóm được tạo ra từ dữ liệu trước đó, tránh trình bày như một thang đo thái độ.
Một hướng khác là kết hợp RFM với các khung marketing. Chẳng hạn, RFM có thể giúp chọn nhóm khách hàng để nghiên cứu tác động của thông điệp AIDA. Bạn có thể đọc thêm về mô hình AIDA hoặc bài AIDA là gì để phân biệt dữ liệu giao dịch với các giai đoạn phản ứng của khách hàng.
RFM cũng có thể được đặt cạnh marketing mix. 4P và 7P giải thích các nhóm quyết định marketing như sản phẩm, giá, phân phối, xúc tiến và dịch vụ. Bạn có thể tham khảo lý thuyết 4P marketing mix và lý thuyết 7P marketing mix. Trong mô hình kết hợp, RFM thường đóng vai trò dữ liệu phân khúc hoặc biến kiểm soát, còn 4P, 7P là nhóm yếu tố giải thích cảm nhận của khách hàng.
Nếu đề tài nghiên cứu tài sản thương hiệu, RFM cũng không nên bị trộn với các thành phần nhận thức thương hiệu. Các khung tài sản thương hiệu của Aaker hoặc Keller tập trung vào nhận biết, liên tưởng, chất lượng cảm nhận, lòng trung thành và các khía cạnh liên quan. RFM dựa vào hành vi mua thực tế, nên hai nhóm biến có thể bổ trợ nhưng không nên gọi chúng là cùng một thang đo.
Thang đo thường dùng cho từng khái niệm
RFM không bắt buộc phải dùng thang Likert. Nếu bạn có dữ liệu giao dịch, R, F và M là các biến số được tính từ file bán hàng. Nếu bạn chỉ có dữ liệu khảo sát, bạn cần thiết kế các biến quan sát để hỏi về hành vi gần đây, tần suất và mức chi tiêu. Khi đó, bảng hỏi phải nêu rõ khoảng thời gian tham chiếu để người trả lời không ước lượng tùy ý.
| Khái niệm | Chỉ báo hoặc biến sử dụng | Loại dữ liệu | Lưu ý khi xây dựng |
|---|---|---|---|
| Recency | Số ngày từ lần mua gần nhất đến ngày khảo sát hoặc ngày chốt dữ liệu | Số | Giá trị thấp có thể mang ý nghĩa tích cực hơn, cần cân nhắc khi tạo điểm |
| Frequency | Số đơn hàng, số lần mua hoặc số tháng có giao dịch | Số | Chọn một đơn vị và không đổi giữa các khách hàng |
| Monetary | Tổng số tiền mua, doanh thu sau chiết khấu hoặc lợi nhuận | Số | Ghi rõ tiền tệ, thời kỳ và cách xử lý hoàn tiền |
| Lòng trung thành | Ý định mua lại, giới thiệu, ưu tiên thương hiệu | Likert | Đây là khái niệm kết quả, không phải thành phần gốc của RFM |
| Giá trị khách hàng | Giá trị mua, lợi nhuận hoặc chỉ số giá trị vòng đời | Số hoặc chỉ báo tổng hợp | Cần tránh dùng lại chính M như biến phụ thuộc mà không giải thích |
Nếu dùng bảng hỏi Likert, bạn có thể tham khảo cách xây dựng thang đo thái độ theo nền tảng đo lường của Likert (Likert, 1932). Tuy nhiên, đừng biến số lần mua thành một câu hỏi kiểu “Tôi thường xuyên mua hàng” rồi gọi đó là Frequency mà không có khoảng thời gian cụ thể. Câu này đo cảm nhận chủ quan, không tương đương với số giao dịch.
Trong trường hợp bạn kiểm định các biến tiềm ẩn như lòng trung thành hoặc ý định mua lại, quy trình có thể gồm Cronbach's Alpha, EFA và hồi quy, hoặc mô hình đo lường và mô hình cấu trúc trong SmartPLS. Cronbach's Alpha từ 0.7 trở lên thường được xem là chấp nhận được theo (Nunnally, 1978), còn corrected item-total correlation từ 0.3 trở lên theo (Nunnally và Bernstein, 1994). Các ngưỡng này áp dụng cho thang đo nhiều biến quan sát, không áp dụng máy móc cho cột R, F hoặc M được tính từ giao dịch.
Áp dụng vào đề tài của bạn
Trước hết, hãy viết câu hỏi nghiên cứu theo đúng vai trò của RFM. Một câu hỏi phù hợp có thể là: “Các đặc điểm giao dịch RFM có giải thích sự khác biệt về lòng trung thành của khách hàng tại doanh nghiệp X không?” Câu hỏi này cho thấy R, F và M là biến giải thích, còn lòng trung thành là biến phụ thuộc.
Bạn có thể xây dựng mô hình minh họa như sau:
- H1: Recency có ảnh hưởng đến lòng trung thành của khách hàng.
- H2: Frequency có ảnh hưởng đến lòng trung thành của khách hàng.
- H3: Monetary có ảnh hưởng đến lòng trung thành của khách hàng.
- H4: Chất lượng cảm nhận có ảnh hưởng đến lòng trung thành của khách hàng, sau khi kiểm soát các đặc điểm RFM.
Hướng của H1 cần được định nghĩa cẩn thận. Nếu R được đo bằng số ngày kể từ lần mua gần nhất, số ngày càng lớn nghĩa là khách hàng càng lâu chưa mua. Khi đó, tác động dự kiến có thể là âm. Nếu bạn đảo chiều thành “mức độ gần đây của lần mua”, điểm cao lại có thể mang ý nghĩa tích cực. Tên biến và cách mã hóa phải nói rõ điều này.
Một mô hình khác dùng RFM để tạo nhóm, sau đó so sánh lòng trung thành giữa các nhóm. Ví dụ, nhóm khách hàng có R thấp, F cao và M cao có thể được đặt tên là nhóm giá trị cao. Tên nhóm chỉ là nhãn phân tích, không phải kết luận rằng mọi khách hàng trong nhóm đều trung thành. Bạn vẫn cần kiểm định sự khác biệt bằng phương pháp phù hợp với số nhóm và loại biến phụ thuộc.
Cách viết vào luận văn
Bạn có thể điều chỉnh đoạn sau: “Nghiên cứu sử dụng khung RFM để mô tả hành vi giao dịch của khách hàng trong giai đoạn [thời gian]. Recency được tính bằng [số ngày từ lần mua gần nhất đến ngày chốt dữ liệu], Frequency được tính bằng [số đơn hàng hoặc số lần mua], còn Monetary được tính bằng [tổng doanh thu hoặc giá trị mua] của từng khách hàng. Các biến này được sử dụng để [phân nhóm khách hàng hoặc kiểm định ảnh hưởng] đến [biến phụ thuộc].”
Cách kiểm định mô hình bằng SPSS hoặc SmartPLS
SPSS phù hợp khi R, F và M là biến quan sát dạng số, bạn muốn chạy thống kê mô tả, tương quan, hồi quy hoặc so sánh nhóm. Bạn mở file .sav hoặc .csv, kiểm tra kiểu biến trong Variable View, rồi xem phân phối, giá trị thiếu và outlier. Với RFM, bước làm sạch dữ liệu giao dịch thường quan trọng hơn việc chọn một menu phức tạp.
Nếu mô hình có các biến tiềm ẩn đo bằng nhiều biến quan sát, SmartPLS phù hợp hơn cho PLS-SEM. Bạn tạo measurement model cho các khái niệm như lòng trung thành, giá trị cảm nhận hoặc chất lượng dịch vụ, sau đó đưa R, F, M vào structural model nếu chúng được đo như biến số quan sát. Không dùng CFI, TLI hoặc RMSEA để đánh giá một mô hình PLS-SEM, vì các chỉ số đó thuộc CB-SEM.
Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Tên cột được trình bày theo dạng thường gặp trong output SPSS và SmartPLS để bạn biết cần tìm gì.
| Phân tích | Bảng hoặc cột trong output | Biến | Giá trị minh họa | Cách đọc |
|---|---|---|---|---|
| SPSS Descriptives | N, Mean, Std. Deviation | Recency | Mean = 42.60 | Khách hàng cách lần mua gần nhất trung bình 42.60 ngày |
| SPSS Descriptives | N, Mean, Std. Deviation | Frequency | Mean = 5.20 | Số lần mua trung bình trong kỳ là 5.20 |
| SPSS Descriptives | N, Mean, Std. Deviation | Monetary | Mean = 4,850,000 | Giá trị mua trung bình theo đơn vị tiền đã chọn |
| SPSS Correlations | Pearson Correlation, Sig. (2-tailed) | Frequency và Loyalty | r = 0.31, p = 0.012 | Có tương quan dương trong mẫu minh họa |
| SPSS Coefficients | B, Beta, t, Sig. | Frequency → Loyalty | Beta = 0.24, Sig. = 0.018 | Hệ số dương và p nhỏ hơn 0.05 trong ví dụ |
| SmartPLS Path Coefficients | Original Sample, T Statistics, P Values | Frequency → Loyalty | 0.24, 2.36, 0.019 | Đường dẫn minh họa có ý nghĩa theo ngưỡng đã chọn |
Trong SPSS, bạn có thể bắt đầu ở Analyze > Descriptive Statistics > Descriptives để xem R, F, M. Tương quan nằm ở Analyze > Correlate > Bivariate. Hồi quy nằm ở Analyze > Regression > Linear, trong đó đưa lòng trung thành vào Dependent và R, F, M cùng biến kiểm soát vào Independent(s).
Trong SmartPLS 4, bạn nhập file .csv, tạo construct và kéo các biến vào mô hình. Chạy Calculate > PLS-SEM Algorithm để xem Outer Loadings, Composite Reliability, AVE và Path Coefficients. Sau đó chạy Calculate > Bootstrapping, chọn số mẫu bootstrap theo thiết kế nghiên cứu. Mức 5.000 bootstrap subsamples được nêu trong (Hair và cộng sự, 2022).
Một số tiêu chí thường dùng cho mô hình có thang đo gồm outer loading từ 0.7 trở lên theo (Chin, 1998), CR từ 0.7 và AVE từ 0.5 theo (Fornell và Larcker, 1981), HTMT dưới 0.85 hoặc 0.90 tùy mức độ gần nhau của khái niệm theo (Henseler và cộng sự, 2015). VIF dưới 5 là một tiêu chí kiểm tra cộng tuyến thường được báo cáo theo (Hair và cộng sự, 2019). Đây là các tiêu chí cho phần đo lường và cấu trúc, không phải ngưỡng để kết luận một khách hàng thuộc nhóm RFM nào.
| Nội dung cần kiểm tra | Tiêu chí tham khảo | Nguồn |
|---|---|---|
| Cronbach's Alpha của thang đo | Từ 0.7 trở lên | (Nunnally, 1978) |
| Corrected Item-Total Correlation | Từ 0.3 trở lên | (Nunnally và Bernstein, 1994) |
| Outer loading | Từ 0.7 trở lên trong PLS-SEM | (Chin, 1998) |
| Composite Reliability | Từ 0.7 trở lên | (Fornell và Larcker, 1981) |
| AVE | Từ 0.5 trở lên | (Fornell và Larcker, 1981) |
| HTMT | Dưới 0.85 hoặc 0.90 | (Henseler và cộng sự, 2015) |
| VIF | Dưới 5 | (Hair và cộng sự, 2019) |
Lỗi thường gặp khi dùng mô hình này
Lỗi đầu tiên là đảo chiều R nhưng không ghi lại. R đo số ngày nên giá trị lớn thường có nghĩa là lâu chưa mua, trong khi điểm RFM theo quintile đôi khi được gán điểm cao cho khách hàng mua gần đây. Hai file có thể cùng tên R nhưng ý nghĩa ngược nhau.
Lỗi thứ hai là trộn các thời kỳ dữ liệu. Bạn tính Recency đến ngày 31/12 nhưng Frequency chỉ lấy dữ liệu sáu tháng cuối năm, còn Monetary lấy cả năm. Cách làm này có thể chấp nhận nếu được thiết kế trước, nhưng phải ghi rõ kỳ quan sát của từng biến.
Lỗi thứ ba là dùng RFM như một thang đo phản xạ rồi chạy Cronbach's Alpha cho R, F và M. Ba chỉ số này mô tả các mặt khác nhau của hành vi giao dịch, không mặc nhiên là các biến quan sát cùng phản ánh một khái niệm. Hãy xác định RFM là chỉ số tổng hợp, biến dự báo hoặc cơ sở phân nhóm trước khi chọn kiểm định.
Lỗi thứ tư là tự đặt ngưỡng “R dưới 30 ngày là tốt” hoặc “M trên 10 triệu là khách hàng trung thành” mà không dựa vào bối cảnh dữ liệu. Một khách hàng mua đồ gia dụng có chu kỳ mua khác khách hàng mua đồ ăn hằng ngày. Bạn có thể dùng phân vị của chính mẫu nghiên cứu, nhưng cần mô tả cách chia nhóm và không trình bày đó là chuẩn chung.
Lỗi cuối là để doanh thu bằng 0, giao dịch hoàn tiền hoặc khách hàng có ngày mua sai định dạng lọt vào phân tích. Trước khi chạy SPSS, hãy kiểm tra ngày tháng, mã khách hàng trùng, giao dịch hủy và đơn hàng chưa thanh toán. Giữ một bản dữ liệu gốc, một bản làm sạch và một bảng ghi lại từng thay đổi để có thể giải trình khi giảng viên hỏi.
Câu hỏi thường gặp
Lý thuyết RFM có phải là một lý thuyết hành vi không
RFM thường được dùng như một khung phân tích hoặc mô hình phân khúc dựa trên dữ liệu giao dịch. Nó không tự giải thích đầy đủ vì sao khách hàng có hành vi đó. Nếu đề tài cần giải thích thái độ, động cơ hoặc ý định, bạn có thể kết hợp RFM với một mô hình hành vi phù hợp, nhưng phải tách rõ vai trò của từng khung.
RFM có cần dùng thang Likert không
Không bắt buộc. Khi có dữ liệu giao dịch, R, F và M thường là biến số được tính từ lịch sử mua. Likert phù hợp hơn với các khái niệm như lòng trung thành, chất lượng cảm nhận hoặc ý định mua lại được đo qua bảng hỏi.
Có thể chạy Cronbach's Alpha cho R, F và M không
Bạn không nên chạy máy móc. Cronbach's Alpha đánh giá tính nhất quán nội tại của một nhóm biến quan sát được giả định cùng đo một khái niệm. R, F và M có đơn vị và ý nghĩa khác nhau, nên trước hết cần xác định chúng có phải một thang đo hay chỉ là ba biến hành vi độc lập.
Nên dùng SPSS hay SmartPLS cho RFM
Nếu bạn chỉ tính điểm RFM, mô tả dữ liệu, chạy tương quan, hồi quy hoặc so sánh nhóm, SPSS thường đủ dùng. Nếu mô hình còn có nhiều biến tiềm ẩn đo bằng bảng hỏi và cần kiểm định measurement model cùng structural model, SmartPLS có thể phù hợp hơn. Phần mềm không sửa được định nghĩa biến hoặc dữ liệu giao dịch sai.
Có thể kết hợp RFM với 4P, 7P hoặc AIDA không
Có thể, nhưng cần vẽ mô hình để chỉ rõ quan hệ. RFM có thể dùng để phân nhóm hoặc làm biến kiểm soát, còn 4P, 7P hoặc AIDA có thể cung cấp các biến giải thích về marketing và phản ứng của khách hàng. Đừng gộp tất cả thành một thang đo chung chỉ vì chúng cùng xuất hiện trong đề tài.
Bạn hãy mở file dữ liệu, tạo một bảng từ điển biến gồm định nghĩa, đơn vị đo, thời kỳ quan sát và chiều tác động dự kiến của R, F, M trước khi chạy phân tích; nếu cần hỗ trợ chạy trên chính file .sav hoặc .csv và kiểm tra từng bước, bạn có thể dùng M4 phân tích dữ liệu của DoThesis.