Phân tích sản phẩm 5 — Phân khúc & RFM

Vì sao phải phân khúc

Một ngân hàng có 2 triệu khách. Gửi cùng một tin nhắn "ưu đãi vay tiêu dùng" cho cả 2 triệu người là cách chắc chắn nhất để đốt tiền: người đang gửi tiết kiệm 5 tỷ thấy phiền, người mới mở tài khoản thấy vô nghĩa, người sắp rời bỏ thì đã đi từ lâu. Phân khúc khách hàng (customer segmentation) là việc chia tập khách thành các nhóm đồng nhất bên trong, khác biệt giữa các nhóm, để mỗi nhóm được hiểu, phục vụ và nhắm mục tiêu theo cách riêng.

Ý tưởng cốt lõi: trung bình toàn tập là một lời nói dối tiện lợi. "Khách trung bình giao dịch 4 lần/tháng" có thể là trộn của một nhóm giao dịch 40 lần với một nhóm giao dịch 0 lần — hai nhóm này cần chiến lược đối lập nhau. Phân khúc phá vỡ cái trung bình đó để lộ ra cấu trúc thật. Nó nối tiếp mạch pa-04 — Cohort & Retention: cohort chia theo thời điểm vào, còn segmentation chia theo khách là ai và hành xử ra sao ngay lúc này.

Giá trị thực tế của phân khúc nằm ở ba việc: cá nhân hóa (đúng thông điệp cho đúng người), phân bổ nguồn lực (dồn chăm sóc vào nhóm giá trị cao, tự động hóa nhóm giá trị thấp), và phát hiện cơ hội/rủi ro (nhóm sắp rời bỏ, nhóm sẵn sàng bán chéo).

Các cơ sở phân khúc

Không có "phân khúc đúng" tuyệt đối — chỉ có phân khúc phù hợp với câu hỏi kinh doanh đang hỏi. Các cơ sở (basis) phổ biến:

Trong thực tế ngân hàng, hành vi và giá trị là hai cơ sở mạnh nhất vì chúng dựa trên dữ liệu quan sát được (giao dịch, số dư) thay vì khai báo, và tương quan trực tiếp với lợi nhuận. Nhân khẩu dễ lấy nhưng dự báo hành vi kém (hai người cùng 30 tuổi ở Hà Nội có thể xài tiền hoàn toàn khác nhau).

Đặc biệt, cơ sở vòng đời đáng nhấn mạnh vì nó quyết định thời điểm hành động:

Mỗi giai đoạn cần chiến lược khác: khách mới cần onboarding tạo thói quen; khách đang hoạt động cần bán chéo; khách ngủ đông cần kích thích trước khi rời; khách rời bỏ cần win-back hoặc chấp nhận buông. Vấn đề là: làm sao đo được khách đang ở giai đoạn nào từ dữ liệu? Đây chính là chỗ RFM tỏa sáng.

RFM analysis: xương sống của phân khúc hành vi

RFM là kỹ thuật phân khúc kinh điển (có từ thời marketing qua thư đặt hàng), và cực kỳ hợp ngân hàng/bán lẻ vì chỉ cần dữ liệu giao dịch — thứ mọi ngân hàng đều có sẵn. Nó tóm gọn hành vi mỗi khách vào ba chiều đơn giản mà quyền lực:

• R — Recency (độ gần đây): khách giao dịch gần đây nhất khi nào? Đo bằng số ngày từ giao dịch cuối tới hôm nay. Recency thấp (mới giao dịch) = đang gắn kết; recency cao (lâu rồi im) = đang trôi đi. Đây thường là chiều dự báo mạnh nhất: người vừa giao dịch tuần trước dễ giao dịch tiếp hơn nhiều người im 8 tháng.
• F — Frequency (tần suất): khách giao dịch bao nhiêu lần trong kỳ quan sát? Tần suất cao = thói quen đã hình thành, khách xem ngân hàng là công cụ chính.
• M — Monetary (giá trị): tổng giá trị tiền khách mang lại (tổng số tiền giao dịch, hoặc số dư, hoặc phí sinh ra). Đo tầm quan trọng kinh tế.

Ba chiều này bổ sung nhau: một khách F cao nhưng R xấu (từng giao dịch nhiều nhưng gần đây im bặt) là báo động đỏ — khách giá trị đang rời. Một khách R tốt, F thấp, M thấp là tân binh có triển vọng. Chính sự kết hợp mới sinh ra hành động, không phải từng chiều riêng lẻ.

Chấm điểm mỗi chiều

Giá trị thô của R, F, M ở các thang đo khác nhau (ngày vs lần vs đồng) nên không so trực tiếp được. Cách chuẩn là chấm điểm tương đối — thường chia ngũ phân vị (quintile) 1–5 bằng hàm cửa sổ NTILE(5):

• F, M: cao hơn thì tốt hơn → phân vị cao nhận điểm 5, thấp nhất nhận điểm 1.
• R: đảo ngược — recency nhỏ (mới giao dịch) là tốt, nên khách gần đây nhất phải nhận điểm 5. Thực hiện bằng cách NTILE theo recency tăng dần rồi lấy 6 - ntile, hoặc order theo ngày giao dịch giảm dần.

Lưu ý quan trọng về NTILE: nó chia theo thứ hạng tương đối trong tập khách, không theo ngưỡng tuyệt đối. Điểm 5 nghĩa là "top 20% so với khách khác", tự động thích nghi khi phân bố thay đổi. Đây vừa là điểm mạnh (không cần chọn ngưỡng thủ công) vừa cần lưu ý (điểm là tương đối, một quý xấu đều thì "top 20%" vẫn tồn tại).

Ghép ba điểm lại thành RFM score — thường viết liền như "535" (R=5, F=3, M=5), hoặc gộp thành nhóm segment có tên.

Ghép điểm thành segment có tên

Về lý thuyết có 5×5×5 = 125 tổ hợp — quá nhiều để hành động. Thực tế người ta gộp thành ~8–11 segment có tên và có ý nghĩa hành động. Bảng dưới là bộ tên phổ biến (dựa chủ yếu vào R và F, M dùng để ưu tiên trong nhóm):

Điểm hay của RFM là mỗi ô lưới nối thẳng tới một hành động marketing/CSKH cụ thể. Không cần mô hình phức tạp, chỉ ba con số cũng cho ra một bản đồ hành động rõ ràng. Sơ đồ lưới R×F dưới minh họa cách các segment chính nằm trong không gian (M dùng để ưu tiên trong nhóm):

Rule-based vs mô hình (clustering)

RFM ở trên là phân khúc dựa quy tắc (rule-based): ta tự định nghĩa điểm cắt (NTILE 5) và tự đặt tên các ô lưới theo hiểu biết nghiệp vụ. Ưu điểm: minh bạch, giải thích được, ổn định, ai cũng hiểu vì sao khách này ở nhóm này. Nhược điểm: điểm cắt do người đặt, có thể bỏ sót cấu trúc tự nhiên trong dữ liệu và không mở rộng tốt khi có nhiều chiều.

Cách còn lại là phân khúc dựa mô hình (model-based) — dùng thuật toán học máy như K-means clustering để tự tìm các nhóm tự nhiên trong không gian nhiều chiều (R, F, M và thêm tuổi tài khoản, số sản phẩm, kênh...). Máy nhóm khách theo khoảng cách trong không gian đặc trưng, không cần người định nghĩa ranh giới trước.

Thực tế nhiều đội bắt đầu bằng RFM rule-based (nhanh, minh bạch, đủ tốt cho 80% nhu cầu) rồi mới nâng lên clustering khi cần tinh vi hơn. Chi tiết kỹ thuật clustering, chuẩn hóa đặc trưng và chọn số cụm k nằm ngoài phạm vi bài này — xem thêm hướng phân khúc bằng phân tích ở loyalty-06 — Analytics & Segmentation. Dù rule-based hay model-based, khâu chuẩn bị đặc trưng RFM (phần SQL dưới) thường là input chung cho cả hai.

Đánh giá một bộ phân khúc tốt

Một bộ segment không phải cứ chia ra là dùng được. Kiểm bốn tiêu chí (nhớ bằng: đủ lớn – khác biệt – hành động được – ổn định):

1. Đủ lớn (substantial): mỗi segment phải đủ khách để đáng làm chiến dịch riêng. Chia thành 500 nhóm mỗi nhóm 10 người là vô dụng.
2. Khác biệt (differentiable/distinct): các segment phải khác nhau thật về hành vi/nhu cầu. Nếu hai nhóm phản ứng giống hệt với mọi chiến dịch thì gộp lại đi.
3. Hành động được (actionable): phải làm được gì đó khác nhau cho mỗi nhóm. Một segment đẹp trên slide mà không dẫn tới hành động cụ thể là trang trí.
4. Ổn định (stable) & tiếp cận được (accessible): khách không nhảy nhóm loạn xạ mỗi ngày (nếu không chiến dịch không theo kịp), và ta phải tiếp cận được nhóm đó qua kênh nào đó (app, SMS, RM).

Một tiêu chí ngầm nữa: có thể gán mỗi khách vào đúng một nhóm (mutually exclusive) và bộ nhóm phủ hết tập khách (collectively exhaustive) — nguyên tắc MECE.

Persona: thổi hồn cho segment

Sau khi có segment thống kê, đội thường xây persona — chân dung nhân vật đại diện cho nhóm, có tên, câu chuyện, nhu cầu, nỗi đau. Ví dụ: "Chị Lan, 34 tuổi, chủ shop online, giao dịch 30+ lần/tháng qua app, cần chuyển tiền nhanh & sao kê gọn — thuộc Champions." Persona không thay thế số liệu mà bổ trợ: nó giúp đội sản phẩm và marketing đồng cảm và thiết kế trải nghiệm cho một con người cụ thể thay vì một ô trong bảng.

Kích hoạt segment

Phân khúc chỉ có giá trị khi được kích hoạt (activation) — đẩy kết quả vào hành động. Luồng điển hình: tính RFM/segment trong warehouse → xuất bảng customer_id, segment → đồng bộ sang CRM/CDP → chạy chiến dịch nhắm mục tiêu (email, push, ưu đãi trong app) → đo hiệu quả theo segment → vòng lại. Không có bước kích hoạt, mọi phân tích chỉ là một bảng đẹp nằm im.

SQL: tính RFM từ giao dịch trên sandbox

Sandbox có customers, accounts, transactions. Ta định nghĩa cho mỗi khách:

• Recency = số ngày từ giao dịch cuối cùng tới thời điểm tham chiếu (dùng MAX(t.created_at); càng nhỏ càng tốt).
• Frequency = số giao dịch (COUNT(*)).
• Monetary = tổng giá trị tuyệt đối (SUM(ABS(amount))).

Vì transactions không có customer_id, phải nối transactions → accounts → customers để gom giao dịch về khách.

Query 1 — Tính R, F, M thô cho mỗi khách

Đây là bảng nền cho mọi bước chấm điểm sau. Mỗi dòng một khách kèm ba chỉ số RFM:

-- ▶ Chạy được
SELECT
    c.id                                                         AS customer_id,
    c.full_name,
    MAX(t.created_at)                                            AS last_txn_at,
    (CURRENT_DATE - MAX(t.created_at)::date)                     AS recency_days,
    COUNT(t.id)                                                  AS frequency,
    ROUND(SUM(ABS(t.amount))::numeric, 2)                        AS monetary
FROM customers c
JOIN accounts a     ON a.customer_id = c.id
JOIN transactions t ON t.account_id  = a.id
GROUP BY c.id, c.full_name
ORDER BY monetary DESC;

recency_days = số ngày từ giao dịch cuối tới hôm nay (CURRENT_DATE); ép MAX(...)::date vì created_at là TIMESTAMP còn CURRENT_DATE là DATE. ABS(t.amount) để tiền vào và ra đều tính là "giá trị hoạt động" (amount có thể âm). Chỉ khách có ít nhất một giao dịch xuất hiện (do JOIN — muốn cả khách 0 giao dịch phải dùng LEFT JOIN).

Query 2 — Chấm điểm ngũ phân vị (NTILE 5) và ghép RFM score

Bọc bảng RFM thô vào CTE rồi dùng NTILE(5) OVER (...) chấm mỗi chiều thành 1–5. Chú ý R đảo ngược: khách recency nhỏ (mới nhất) phải điểm 5, nên order theo recency_days DESC để ntile 1 rơi vào khách cũ nhất, rồi cũng có thể lấy trực tiếp (ở đây order DESC nên ntile=5 là khách mới nhất — đúng chiều mong muốn):

-- ▶ Chạy được
WITH rfm AS (
    SELECT
        c.id                                    AS customer_id,
        (CURRENT_DATE - MAX(t.created_at)::date) AS recency_days,
        COUNT(t.id)                             AS frequency,
        SUM(ABS(t.amount))                      AS monetary
    FROM customers c
    JOIN accounts a     ON a.customer_id = c.id
    JOIN transactions t ON t.account_id  = a.id
    GROUP BY c.id
),
scored AS (
    SELECT
        customer_id,
        recency_days,
        frequency,
        ROUND(monetary::numeric, 2)                                 AS monetary,
        NTILE(5) OVER (ORDER BY recency_days DESC)                  AS r_score,
        NTILE(5) OVER (ORDER BY frequency ASC)                      AS f_score,
        NTILE(5) OVER (ORDER BY monetary  ASC)                      AS m_score
    FROM rfm
)
SELECT
    customer_id,
    recency_days,
    frequency,
    monetary,
    r_score,
    f_score,
    m_score,
    (r_score::text || f_score::text || m_score::text)              AS rfm_cell,
    ROUND((r_score + f_score + m_score)::numeric / 3, 2)           AS rfm_avg
FROM scored
ORDER BY r_score DESC, f_score DESC, m_score DESC;

NTILE(5) OVER (ORDER BY recency_days DESC) chia khách thành 5 nhóm bằng nhau theo recency: recency lớn (im lâu) đứng đầu order DESC rơi vào nhóm 1 (điểm xấu), recency nhỏ (mới) rơi vào nhóm 5 (điểm tốt) — đúng chiều "recency nhỏ thì tốt". F và M order ASC nên giá trị cao rơi vào nhóm 5. rfm_cell ghép ba điểm thành chuỗi kiểu "535"; rfm_avg là điểm trung bình để xếp hạng nhanh.

Query 3 — Phân nhóm thành segment có tên và đếm

Bọc tiếp bước chấm điểm rồi dùng CASE gom các ô lưới thành segment nghiệp vụ, sau đó đếm số khách và giá trị mỗi segment — đây là bảng đội marketing dùng để lập kế hoạch:

-- ▶ Chạy được
WITH rfm AS (
    SELECT
        c.id                                     AS customer_id,
        (CURRENT_DATE - MAX(t.created_at)::date)  AS recency_days,
        COUNT(t.id)                              AS frequency,
        SUM(ABS(t.amount))                       AS monetary
    FROM customers c
    JOIN accounts a     ON a.customer_id = c.id
    JOIN transactions t ON t.account_id  = a.id
    GROUP BY c.id
),
scored AS (
    SELECT
        customer_id,
        monetary,
        NTILE(5) OVER (ORDER BY recency_days DESC) AS r_score,
        NTILE(5) OVER (ORDER BY frequency ASC)     AS f_score,
        NTILE(5) OVER (ORDER BY monetary  ASC)     AS m_score
    FROM rfm
),
segmented AS (
    SELECT
        customer_id,
        monetary,
        r_score,
        f_score,
        CASE
            WHEN r_score >= 4 AND f_score >= 4 THEN 'Champions'
            WHEN r_score >= 3 AND f_score >= 3 THEN 'Loyal'
            WHEN r_score >= 4 AND f_score <= 2 THEN 'New / Potential'
            WHEN r_score <= 2 AND f_score >= 4 THEN 'At risk'
            WHEN r_score <= 2 AND f_score <= 2 THEN 'Hibernating / Lost'
            ELSE 'Need attention'
        END                                        AS segment
    FROM scored
)
SELECT
    segment,
    COUNT(*)                                             AS customers,
    ROUND(100.0 * COUNT(*) / NULLIF(SUM(COUNT(*)) OVER (), 0), 1) AS pct_customers,
    ROUND(SUM(monetary)::numeric, 2)                     AS total_monetary,
    ROUND(AVG(monetary)::numeric, 2)                     AS avg_monetary
FROM segmented
GROUP BY segment
ORDER BY total_monetary DESC;

CASE gom các ô R×F thành 6 segment hành động được (M dùng riêng để tính giá trị). SUM(COUNT(*)) OVER () là tổng toàn bảng để tính tỷ trọng khách mỗi segment; NULLIF(..., 0) chống chia 0. Kết quả cho thấy mỗi segment có bao nhiêu khách và mang lại bao nhiêu giá trị — thường lộ ra sự thật quen thuộc: Champions ít người nhưng chiếm phần lớn giá trị (nguyên lý 80/20).

Ứng dụng trong ngân hàng

RFM giao dịch là công cụ trực tiếp cho ba mục tiêu kinh doanh lớn:

• Bán chéo (cross-sell): nhóm Loyal/Champions đã tin tưởng và giao dịch đều → là đối tượng lý tưởng để mời thẻ tín dụng, sản phẩm tiết kiệm, đầu tư. Tỷ lệ chuyển đổi trên nhóm này cao hơn hẳn gửi đại trà.
• Giữ chân (retention): nhóm At risk và Can't lose them (F cao trong quá khứ, R xấu gần đây) là báo động đỏ — khách giá trị đang trôi đi. Đây là nơi RM gọi điện, ưu đãi cá nhân hóa được đầu tư nhiều nhất vì mất một khách giá trị cao tốn kém hơn nhiều so với giữ.
• Tái kích hoạt (reactivation): nhóm Hibernating cần chiến dịch chi phí thấp, tự động (push nhắc, ưu đãi hoàn tiền giao dịch đầu sau khi ngủ đông), chấp nhận tỷ lệ hồi thấp.

Nguyên tắc phân bổ nguồn lực: nhóm giá trị cao được chăm sóc bằng con người (RM riêng); nhóm giá trị thấp được phục vụ bằng tự động hóa. RFM chính là cái la bàn để quyết định dồn ngân sách chăm sóc vào đâu.

Use case thực tế

Bối cảnh: Đầu Q3/2026, đội CRM của NCB muốn thoát khỏi việc gửi khuyến mãi đại trà. Họ chạy RFM trên toàn bộ khách active bằng đúng Query 3 (recency/frequency/monetary từ 12 tháng giao dịch), kết quả phân bố (số minh họa):

Đọc kết quả:

• 80/20 rõ nét: Champions + Loyal = 20% khách nhưng 70% giá trị giao dịch. Đây là lõi cần giữ bằng mọi giá.
• Đuôi dài ngủ đông: 32% khách (Hibernating/Lost) chỉ đóng góp 2% giá trị — không đáng chi tiền chăm sóc thủ công, chỉ tự động hóa.
• At risk là tiền đang chảy: 63.000 khách từng giá trị (8% giá trị) đang trôi — nếu mất hết là mất 800 tỷ luồng giao dịch.

Hành động triển khai:

1. Champions (42k): mời tham gia gói ưu tiên (RM riêng, phòng chờ sân bay, lãi suất ưu đãi), xin giới thiệu bạn bè. Xuất customer_id, segment đẩy sang CRM, gắn tag "priority".
2. At risk (63k): chiến dịch win-back cá nhân hóa — RM gọi cho nhóm M cao nhất trong At risk (dùng m_score để ưu tiên), push ưu đãi hoàn phí cho phần còn lại. Đo tỷ lệ khách quay lại giao dịch trong 30 ngày.
3. New/Potential (155k): luồng onboarding nuôi dưỡng — gợi ý liên kết trả hóa đơn tự động để đẩy F lên, mục tiêu chuyển nhóm này thành Loyal trong 2 quý.
4. Hibernating (222k): một chiến dịch reactivation tự động, chi phí gần như bằng 0; ai không phản hồi thì ngừng chi.

Kết quả đo được (giả định minh họa): so với gửi đại trà, chiến dịch cross-sell thẻ trên riêng Loyal/Champions cho tỷ lệ chuyển đổi cao gấp ~3 lần với chi phí liên hệ thấp hơn, vì không đốt tiền nhắn cho 222k khách ngủ đông. RFM được tính lại hàng tháng để khách tự động dịch chuyển giữa segment và chiến dịch bám theo.

Ghi nhớ

• Phân khúc chia khách thành nhóm đồng nhất trong – khác biệt giữa để hiểu, phục vụ và nhắm mục tiêu khác nhau; nó phá vỡ cái "trung bình" che giấu cấu trúc thật.
• Các cơ sở phân khúc: nhân khẩu, hành vi, giá trị (CLV), vòng đời, nhu cầu. Trong ngân hàng, hành vi và giá trị mạnh nhất vì dựa dữ liệu quan sát và gắn với lợi nhuận.
• RFM = Recency (gần đây nhất khi nào — thường dự báo mạnh nhất), Frequency (tần suất), Monetary (giá trị). Chỉ cần dữ liệu giao dịch → rất hợp ngân hàng/bán lẻ.
• Chấm điểm mỗi chiều bằng ngũ phân vị NTILE(5) (1–5), nhớ đảo chiều R (recency nhỏ = điểm cao); ghép thành RFM cell/score rồi gom thành segment có tên (Champions, Loyal, At risk, Hibernating, Lost...), mỗi ô nối thẳng một hành động.
• Rule-based (RFM lưới) minh bạch, nhanh, ổn định; model-based (K-means clustering) tự tìm nhóm trong nhiều chiều nhưng khó giải thích. Thường bắt đầu bằng RFM rồi nâng cấp.
• Bộ segment tốt phải đủ lớn – khác biệt – hành động được – ổn định (và MECE); persona thổi hồn, kích hoạt (đẩy sang CRM/CDP) mới sinh giá trị.
• Ứng dụng ngân hàng: RFM để bán chéo (Loyal/Champions), giữ chân (At risk — ưu tiên M cao), tái kích hoạt (Hibernating rẻ, tự động); nhóm giá trị cao chăm bằng người, nhóm thấp bằng tự động hóa (80/20).