[D.S : 데이터 분석 및 데이터 사이언스] RFM 분석이란.

▽ [D.S : 데이터 분석 및 데이터 사이언스] RFM 분석이란.

목  차

1. RFM의 개념

2. RFM 분석 프로세스

3. RFM 분석 활용.

4. RFM 적용 시 고려할 점.

5. RFM 분석의 장단점.

6. 추천 학습 루트.

1. RFM의 개념 (Recency, Frequency, Monetary Value) 💡

---

RFM은 고객 세분화의 척도인 "CLV : 고객 생애 가치"를 예측하는 가장 효율적인 휴리스틱(Heuristic) 방법론입니다.
3가지 지표(R,F,M)는 상호 보완적으로 고객의 행동을 정의합니다.

RFM 분석에서는 '회사 매출에 가장 중요한 요인은 최근성(Recency), 행동 빈도(Frequency), 구매금액(Monetary)이다' 라는 가정을 두고 있으며, 이 3가지 관점에서 고객의 가치를 분석.

즉, 사용자별로 이 3가지 관점에서 (얼마나 최근에, 얼마나 자주, 얼마나 많은 금액을 지출했는지) 에서
1) 사용자들의 분포를 확인 하거나 2) 사용자 그룹이나 등급을 나누어 분류(Segmentation) 하는 분석 기법

• 구매 가능성이 높은 고객을 선정할 때 용이한 분석 방법이며, 사용자들의 평소 구매 패턴을 기준으로
  분류를 진행하기 때문에, 각 사용자 그룹의 특성에 따라 차별화된 마케팅 전략을 수립 가능.

정리 :
RFM은 고객의 과거 구매 행동을 기반으로 고객 가치를 평가하고 세분화하는 분석 기법.

CRM/그로스 마케팅

Recency (최근성)

• 고객의 활성도 척도. 최근 구매 고객일수록
  마케팅 메시지에 대한 반응률(Response Rate)과 재구매 가능성이 높음.

• 이탈 방지 전략의 핵심 지표

Frequency (빈도)

• 고객의 충성도 척도. 반복 구매는 제품/서비스에 대한 만족도를 의미하며,
  장기적인 고객 관계의 기반

Monetary Value (구매 금액)

• 고객의 기여도 척도. 기업 수익에 직접적인 영향을 미치며,
  가장 가치 있는 고객을 식별하는 데 사용.

데이터 엔지니어링

Recency (최근성)

• 기준일(오늘)로부터 마지막 구매일까지의 경과 일수를 계산하는 지표.

• 주로 SQL의 DATEDIFF()나 Python의 datetime 연산을 사용.

• 값이 작을수록 좋습니다.

Frequency (빈도)

• 특정 기간 내의 순 주문(결제 완료) 건수를 COUNT() 집계 함수로 계산.

• 기간 설정이 데이터 모델링의 중요한 요소.

Monetary Value (구매 금액)

• 특정 기간 내의 실 결제 금액(환불/취소 제외)을 SUM() 집계 함수로 계산.

• 데이터 정제 과정에서 할인, 쿠폰 적용 여부를 명확히 해야함.

ML 엔지니어링

Recency (최근성)

• 고객의 상태 변화(Transition)를 예측하는 데 가장 중요한 Feature.

• R 값이 높아지면(구매가 오래될수록) 이탈 확률이 급격히 증가.

Frequency (빈도)

• 이탈 예측(Churn Prediction)이나 구매 확률 예측(Propensity to Buy) 모델에서 고객의 참여 수준을 나타내는 핵심 Feature.

Monetary Value (구매 금액)

• 고객 생애 가치(CLV) 예측 모델에서
  고객의 과거 재정적 가치를 나타내는 직접적인 입력 Feature.

2. RFM 분석 프로세스.

---

1. 데이터 준비

CRM/그로스 마케팅 측면.

• 분석 목표 설정 (예: 이탈률 10% 감소).
• 기간 정의 (예: 최근 1년 구매 기록).

데이터 엔지니어링 측면.

• 거래 데이터 ETL/ELT 파이프라인 확보.
• 데이터 웨어하우스(DW)에서 고객ID, 주문일, 결제액 등 원천 데이터 추출.
• 데이터 정제(Cleansing) 로직 구현 (환불, 테스트 거래 제외).

ML 엔지니어링 측면.

• 모델 학습에 사용할 피처(Feature)로 R,F,M 값을 계산하는 스크립트 작성.

2. 지표 계산

CRM/그로스 마케팅 측면.

• R,F,M 세 지표를 계산하고, R은 낮을수록, F, M은 높을수록 좋다는 점을 이해.

데이터 엔지니어링 측면.

• SQL의 GROUP BY 및 Aggregation(집계) 함수를 사용해 효율적으로 R,F,M 값을 계산하고
  DW에 저장. (예: dbt를 활용한 모델링)

ML 엔지니어링 측면.

• 지표 값의 분포 분석(Exploratory Data Analysis, EDA)을 수행하여
  이상치(Outlier)를 확인하고 필요 시 변환(Transformation) 방법 검토.

3. 점수화 & 세분화

CRM/그로스 마케팅 측면.

• 5x5x5 매트릭스 기반의 고객 세그먼트 정의 및 이름 부여
  (예: Champions, Loyal, Hibernating).

데이터 엔지니어링 측면.

• 지표의 분포를 기반으로 분위수(Quantile) 경계값을 결정하고,
  각 고객에게 1~5점의 RFM 점수를 부여하는 로직 구현.

ML 엔지니어링 측면.

• R,F,M 값에 대한 K-means 클러스터링을 적용하여 데이터 기반의 최적 세그먼트를 자동으로 도출.
• 최적의 K 결정 로직 구현.

4. 전략 실행.

CRM/그로스 마케팅 측면.

• 정의된 세그먼트별로 개인화된 캠페인 실행 (예: 111 이탈 고객에게 50% 할인 쿠폰).
• 캠페인의 A/B 테스트 기획.

데이터 엔지니어링 측면.

• 최종 세그먼트 정보를 CRM/CDP 시스템으로 동기화하는
  안정적인 데이터 전송(Data Load) 파이프라인 구축.

ML 엔지니어링 측면.

• 세그먼트 정보를 활용하여 타겟 그룹별 예측 모델을 실행하고 결과를 마케팅 팀에 제공.

3. RFM 분석 활용.

---

CRM/그로스 마케팅 측면

타겟팅 효율화.

• 마케팅 자원(예산, 인력)을 R,F,M 점수가 높은 고객군에 집중하여
  ROI(투자 대비 효과)를 극대화.

이탈 고객 재활성화(Retention)

• 'R 점수' 가 급격히 낮아지는 고객(Hibernation/At Risk)을 실시간으로 감지하고,

• 이들에게 {Push 알림, 이메일, 광고 리타겟팅} 등의 채널을 통해
  맞춤형 오퍼를 제공하여 이탈을 방지.

업셀링/크로스셀링(Revenue)

• F,M이 높은 VIP 고객에게는 고가 상품(Up-selling)**이나 관련 상품 카테고리(Cross-selling)를 추천하여 고객당 평균 수익(ARPU)을 높임.

데이터 엔지니어링 측면 :

데이터 파이프라인 구축 :

• Apache Airflow를 사용하여 R,F,M 계산을 매일(Daily) 자동으로 실행하고, 최신 RFM 점수를 DW의 고객 마스터 테이블에 업데이트하는 자동화된 ETL 워크플로우를 구축.

데이터 품질 관리 :

• R,F,M 지표의 값이 정상 범위(Valid Range)를 벗어나는지 주기적으로 모니터링하여, 원천 데이터의 이상(Anomaly) 여부를 감지하고 데이터 오류를 방지

ML 엔지니어링 측면.

Feature Engineering:

• R,F,M을 기본 피처로 사용하고, 이를 Log 변환이나 정규화(Scaling)하여 ML 모델의 예측 성능을 높임.

예측 모델링:

• R 값의 변화 속도나 F,M 점수의 과거 추이를 Feature로 추가하여
  이탈 확률, 다음 구매 시점 등을 예측하는 시계열(Time-series) 분석이나 확률론적 모델을 개발.

모델 서빙 (Serving):

• 실시간으로 유입되는 신규 고객에 대해 RFM 점수를 계산하고, 이 점수를 기반으로
  자동화된 세그먼트 예측 결과를 반환하는 API를 구축하여 마케팅 시스템과 연동.

4. RFM 적용 시 고려할 점.

---

CRM/그로스 마케팅

비즈니스 주기의 반영

• 구매 주기가 긴 산업(가구, 자동차 등)은 R의 기간을 길게 설정해야 하며,
  R의 점수 기준을 보수적으로 잡아야 함.

지표별 가중치.

• 단순히 R/시간, F/시간, M 의 곱으로 평가하는 대신,
  비즈니스 목표에 따라 특정 지표에 더 큰 가중치를 부여하여 핵심 고객을 정의해야 함.
  (예: 초기 성장이 목표일 때 F 가중치 상향)

데이터 엔지니어링

기준 기간 설정.

• F와 M을 계산할 때 기준 기간(Window)을 몇 개월 또는 몇 년으로 설정할지
  신중하게 결정해야 함.
  • 이 기간이 다르면 고객의 F,M 점수도 달라짐.

데이터 정의의 통일.

• '구매'의 정의를 순매출액으로 할지, 총매출액으로 할지, 세금 및 배송비 포함/제외 여부를 데이터 팀과 마케팅 팀이 명확히 합의해야함.

ML 엔지니어링

변수 간 상관관계.

• F와 M은 강한 양의 상관관계를 가질 가능성이 높음.
  • 다중공선성 문제가 발생 가능.
• 주성분 분석(PCA) 등을 통해 차원을 축소하거나 변수를 결합하는 방안을 고려해야 함.

비(非)구매 활동 반영.

• 콘텐츠 시청 시간, 앱 접속 빈도 등 구매가 아닌 참여 활동(Engagement) 지표를
  R ′ F ′ M 형태로 확장하여 잠재 고객의 가치를 더 정확하게 평가해야함.

5. RFM 분석의 장단점.

---

장점.

CRM/그로스 마케팅

• 높은 실용성:
  • 분석 결과가 곧바로 실행 가능한 마케팅 전략으로 연결.
  • 단기적인 성과 예측에 유리.

데이터 엔지니어링

• 구현 용이성:
  • 기본적인 거래 데이터만 있으면 계산할 수 있어 구축 비용이 낮고 데이터 소스가 명확.

ML 엔지니어링.

• 강력한 Feature:
  • 개발하는 예측 모델(이탈, 구매 확률)에서 가장 중요한 설명 변수 중 하나로
    높은 예측력을 제공.

단점.

CRM/그로스 마케팅

• 정적 분석의 한계:
  • 특정 시점의 과거 데이터만 반영하므로,
  • 잠재적인 미래 가치(LTV)를 온전히 예측하기 어려움.

데이터 엔지니어링

• 데이터 민감성:
  • 이상치(Outlier)에 민감하며,
    몇몇 초대량 구매 고객(Whales)이 전체 분위수 기준을 왜곡 가능.

ML 엔지니어링.

• 설명력 부족:
  • 왜 구매했는지, 어떤 상품을 좋아하는지 등
    고객의 니즈나 선호도는 설명하지 못함. (추가 데이터 필요).

6. 추천 학습 루트.

---

신입 마케터/데이터 엔지니어로서 RFM 분석을 마스터하기 위한 체계적인 학습 로드맵입니다. CRM/그로스 마케팅과 데이터/ML 엔지니어링 관점을 모두 담아 실무에 바로 적용할 수 있도록 구성했습니다.

---

6. 🚀 추천 학습 방식.

단계	학습 주제	도구/자료	학습 목표 및 관점
1	RFM 개념 & CRM 전략 이해	HubSpot, Salesforce, 국내/외 마케팅 CRM 블로그	[CRM/그로스 마케팅] RFM 지표별 고객 세그먼트의 특징(예: 555 vs 511)을 이해하고, 각 세그먼트별로 어떤 마케팅 메시지(캠페인)가 효과적인지 파악합니다.
2	SQL 기반 RFM 지표 집계 실습	MySQL / PostgreSQL, 실제 또는 가상의 거래 데이터셋	[데이터 엔지니어] MAX(), COUNT(), SUM(), DATEDIFF() 등 SQL 함수를 사용하여 R, F, M 3가지 핵심 지표를 직접 추출하고 집계하는 쿼리를 작성합니다. 데이터의 흐름을 이해하는 기본 단계입니다.
3	Python pandas로 RFM 분석 자동화	Python, pandas, matplotlib	[데이터 엔지니어/ML 엔지니어] SQL로 추출한 데이터를 pandas DataFrame에 로드하고, 분위수(Quantile) 기반으로 R, F, M 점수를 부여하며, 고객 세그먼트를 분류하는 스크립트를 작성하여 분석 과정을 자동화합니다.
4	RFM → K-means 클러스터링 확장	Python, scikit-learn	[ML 엔지니어] 전통적인 분위수 기반 점수 부여 방식의 한계를 벗어나, K-means와 같은 비지도 학습 알고리즘을 적용하여 데이터가 스스로 고객 군집을 형성하도록 모델링하고 결과를 해석합니다.
5	RFM 기반 이탈 예측 모델 구축	Python, Logistic Regression / XGBoost	[ML 엔지니어] R, F, M 지표를 특징(Feature)으로 사용하여 고객의 이탈 여부(Churn)를 예측하는 지도 학습 모델을 개발합니다. 이로써 RFM이 단순 분석을 넘어 예측 모델의 핵심 피처임을 이해합니다.
6	Airflow 기반 자동화 파이프라인 구축	Apache Airflow, dbt (Data Build Tool)	[데이터 엔지니어] 매일 또는 매주 RFM 지표를 계산하고, 고객 세그먼트를 분류하며, 이탈 예측 모델을 실행하여 결과를 CRM 시스템으로 전달하는 종단 간(End-to-End) 데이터 파이프라인을 자동화합니다.