RFM Analysis SQL: Segmentasi Pelanggan dalam Satu Query

RFM analysis adalah cara ngelompokin pelanggan pakai tiga angka: kapan terakhir mereka belanja (Recency), berapa kali mereka belanja (Frequency), dan berapa total uang yang mereka keluarin (Monetary).

Yang bikin metode ini enak: datanya udah ada di tabel transaksi kamu. Nggak butuh survei, nggak butuh tool mahal, nggak butuh machine learning.

Satu query SQL udah cukup buat mecah 5.000 pelanggan jadi segmen yang bisa langsung ditindaklanjutin tim marketing. Ini cara bikinnya, step demi step.

Apa itu RFM analysis?

RFM analysis adalah metode segmentasi pelanggan berbasis tiga metrik perilaku beli: Recency, Frequency, dan Monetary. Tiap pelanggan dikasih skor 1-5 di masing-masing dimensi, lalu ketiga skor itu digabung jadi label segmen. Pelanggan dengan skor tinggi di ketiganya adalah pelanggan terbaik kamu.

Metodenya lahir di dunia direct mail tahun 90-an, waktu ngirim katalog itu mahal dan orang harus milih siapa yang paling worth dikirimin. Logikanya masih relevan sampai hari ini.

Dimensi	Yang diukur	Kolom yang dipakai
Recency	Berapa hari sejak transaksi terakhir	MAX(tanggal_transaksi)
Frequency	Berapa kali transaksi	COUNT(DISTINCT transaksi_id)
Monetary	Total rupiah yang dibelanjain	SUM(total_harga)

Data apa aja yang dibutuhin?

Cuma tiga kolom. Serius.

transaksi
---------
transaksi_id      | integer
pelanggan_id      | integer
tanggal_transaksi | date
total_harga       | numeric

Kalau tabel transaksi kamu punya empat kolom ini, kamu udah bisa jalanin RFM hari ini juga. Nggak ada tabel pelanggan? Nggak masalah, pelanggan_id aja cukup.

Gimana cara hitung R, F, dan M-nya?

Langkah pertama: agregasi per pelanggan. Ini bagian yang paling gampang.

WITH rfm_base AS (
  SELECT
    pelanggan_id,
    DATE_PART('day', DATE '2026-05-01' - MAX(tanggal_transaksi)) AS recency_hari,
    COUNT(DISTINCT transaksi_id)                                 AS frequency,
    SUM(total_harga)                                             AS monetary
  FROM transaksi
  WHERE tanggal_transaksi >= DATE '2025-05-01'
  GROUP BY pelanggan_id
)
SELECT * FROM rfm_base LIMIT 5;

Hasilnya kira-kira gini:

pelanggan_id | recency_hari | frequency | monetary
-------------+--------------+-----------+-----------
         101 |            4 |        18 |  4.250.000
         102 |          212 |         2 |    380.000
         103 |           31 |         7 |  1.640.000

Perhatiin tanggal patokannya aku hardcode ke 2026-05-01. Ini penting. Kalau kamu pakai CURRENT_DATE, hasil analisis bulan ini nggak bisa dibandingin sama hasil bulan lalu. Kunci tanggalnya di akhir periode analisis.

Kalau DATE_PART dan CTE masih agak asing, mampir dulu ke glosarium CTE sama fungsi DATE_PART.

Gimana cara kasih skor 1-5 pakai NTILE?

Angka mentah tadi belum bisa dibandingin. Frequency 7 itu bagus atau jelek? Tergantung pelanggan lain.

NTILE(5) bagi semua pelanggan ke 5 kelompok sama rata berdasarkan urutan. Yang paling atas dapat skor 5, paling bawah dapat 1.

rfm_skor AS (
  SELECT
    pelanggan_id,
    recency_hari,
    frequency,
    monetary,
    NTILE(5) OVER (ORDER BY recency_hari DESC) AS r_skor,
    NTILE(5) OVER (ORDER BY frequency ASC)     AS f_skor,
    NTILE(5) OVER (ORDER BY monetary ASC)      AS m_skor
  FROM rfm_base
)

Liat DESC di baris recency. Itu disengaja. Recency bagus itu angkanya kecil — belanja 3 hari lalu jauh lebih berharga dari belanja 300 hari lalu. Jadi urutannya dibalik biar yang harinya sedikit dapat skor 5.

Frequency dan monetary pakai ASC, soalnya di situ makin gede makin bagus.

Detail lengkap soal window function ini ada di halaman fungsi NTILE, dan dokumentasi resminya di postgresql.org.

Gimana cara ubah skor jadi nama segmen?

Sekarang tinggal terjemahin kombinasi skor jadi label yang orang marketing ngerti.

SELECT
  pelanggan_id,
  recency_hari, frequency, monetary,
  r_skor, f_skor, m_skor,
  CASE
    WHEN r_skor >= 4 AND f_skor >= 4 AND m_skor >= 4 THEN 'Champion'
    WHEN r_skor >= 3 AND f_skor >= 3                 THEN 'Pelanggan Loyal'
    WHEN r_skor >= 4 AND f_skor <= 2                 THEN 'Pelanggan Baru'
    WHEN r_skor <= 2 AND f_skor >= 3                 THEN 'Hampir Hilang'
    WHEN r_skor <= 2 AND f_skor <= 2                 THEN 'Udah Hilang'
    ELSE 'Perlu Perhatian'
  END AS segmen
FROM rfm_skor
ORDER BY monetary DESC;

Urutan WHEN di CASE itu penting. SQL berhenti di kondisi pertama yang cocok, jadi taruh yang paling spesifik di atas.

Contoh kasus: 1.200 pelanggan toko_berkah

Aku jalanin query ini di dataset toko_berkah — toko kelontong online dengan 1.200 pelanggan dan 8.400 transaksi selama 12 bulan. Ini distribusi segmennya.

Segmen	Jumlah pelanggan	% dari total	Kontribusi omzet
Champion	131	10,9%	41,3%
Pelanggan Loyal	246	20,5%	29,7%
Pelanggan Baru	188	15,7%	6,2%
Perlu Perhatian	274	22,8%	13,1%
Hampir Hilang	159	13,3%	7,4%
Udah Hilang	202	16,8%	2,3%

Angka yang paling menarik: 131 Champion (10,9% dari pelanggan) nyumbang 41,3% omzet. Sementara 202 pelanggan yang udah hilang cuma nyumbang 2,3%.

Ini yang bikin RFM kepake. Kalau budget promo kamu terbatas, kamu jadi tau harus nyelametin siapa dulu — 159 pelanggan Hampir Hilang itu masih nyumbang 7,4% omzet, dan mereka pernah beli sering. Jauh lebih murah nyelametin mereka daripada cari 159 pelanggan baru.

Kesalahan umum waktu bikin RFM

1. Pakai CURRENT_DATE sebagai patokan recency. Bikin hasil analisis nggak bisa dibandingin antar periode. Kunci tanggalnya.

2. Lupa filter transaksi yang batal atau refund. Pelanggan yang beli terus balikin barang bisa masuk segmen Champion. Tambahin WHERE status = 'selesai' di CTE pertama.

3. Pakai COUNT(*) buat frequency. Kalau tabel kamu satu baris per item (bukan per transaksi), COUNT(*) ngitung item, bukan kunjungan. Pakai COUNT(DISTINCT transaksi_id).

4. Bikin 11 segmen padahal cuma sanggup jalanin 3 kampanye. Segmen yang nggak ada follow-up-nya cuma bikin tabel kelihatan rame.

FAQ

RFM analysis itu apa sih?

RFM analysis adalah metode segmentasi pelanggan yang cuma pakai tiga angka dari data transaksi: Recency (berapa hari sejak belanja terakhir), Frequency (berapa kali belanja), dan Monetary (total uang yang dibelanjain). Ketiganya dikasih skor 1 sampai 5, terus digabung jadi segmen. Metodenya udah dipakai di direct marketing sejak 90-an dan masih jalan karena datanya udah ada di tabel transaksi kamu.

Kenapa pakai NTILE buat kasih skor RFM?

NTILE(5) bagi pelanggan kamu ke 5 kelompok sama rata berdasarkan urutan. Skornya jadi relatif ke basis pelanggan kamu sendiri, bukan ke angka absolut yang kamu tebak. Kalau kamu pakai threshold manual kayak belanja di atas 1 juta sama dengan skor 5, angka itu bakal basi begitu bisnisnya tumbuh. NTILE ngikutin data.

Recency-nya diskor kebalik, kenapa?

Karena recency yang bagus itu angkanya kecil. Pelanggan yang belanja 3 hari lalu lebih berharga daripada yang belanja 300 hari lalu. Jadi waktu pakai NTILE, urutannya dibalik pakai ORDER BY recency_hari DESC, biar yang harinya paling sedikit dapat skor 5. Frequency dan monetary kebalikannya, makin gede makin bagus.

Berapa lama rentang data yang dipakai buat RFM?

Standarnya 12 bulan terakhir. Kalau siklus belinya cepat kayak makanan, 6 bulan udah cukup. Kalau produknya mahal dan jarang dibeli kayak elektronik, 24 bulan lebih masuk akal. Patokan gampangnya: rentang data harus cukup panjang buat nampung 2-3 kali siklus beli normal pelanggan kamu.

Segmen RFM-nya harus berapa banyak?

Sebanyak jumlah aksi yang beneran bisa kamu jalanin. Kalau tim marketing cuma sanggup jalanin 4 kampanye beda, jangan bikin 11 segmen. Query di artikel ini pakai 6 segmen dan itu udah cukup buat kebanyakan UMKM.

Penutup

Yang perlu kamu inget:

• RFM cuma butuh 4 kolom dari tabel transaksi. Kamu udah punya datanya.
• NTILE bikin skornya relatif ke basis pelanggan kamu, jadi nggak perlu tebak-tebakan threshold.
• Kunci tanggal patokan recency biar hasilnya bisa dibandingin antar bulan.

Query di atas siap kamu copy dan jalanin. Kalau CTE dan window function masih bikin pusing, mulai dari panduan window function SQL dulu — setelah itu query RFM ini bakal kebaca kayak kalimat biasa.