12CODE
지금 읽는 곳 원시값과 점수는 왜 다른가 1 / 7
12code 라이브러리 아티클 표지. RFM 스코어링 가이드라인: 1점부터 5점까지 비즈니스 단가 구조에 맞는 정규분포 기준점 수립 및 등급 스케일링 설정

RFM 스코어링 가이드라인: 1점부터 5점까지 비즈니스 단가 구조에 맞는 정규분포 기준점 수립 및 등급 스케일링 설정

원시값을 그대로 비교하면 의미가 없습니다 — R·F·M을 같은 척도(점수)로 바꿔야 세 축을 하나의 좌표로 읽을 수 있습니다.

이 과목 03 / 11편 고급 4분
과목 ID121
트랙STEP 3 고급·전략
모듈3-3. 그로스해킹·CRM 전략
레슨03
난이도고급
플랫폼CRM(RFM 분석)
발행일2026-08-29
검토일2026-08-29
관련 과목119 · 120 · 122
출처1건
핵심요약5개
01

RFM 점수는 R·F·M 각 축을 1~5점 척도로 매긴 뒤, 세 자리 숫자(예: 555)로 종합 표현하는 것이 표준 방식이다

02

고객 데이터 규모에 따라 척도를 조정하는 것이 권장된다 — 3만 명 미만은 1~3점, 3만~20만 명은 1~4점, 20만 명 이상은 1~5점

03

점수 산정은 12~24개월 구매 데이터 수집 → 척도 선택 → 축별 값 범위 정의 → 개별 고객 점수 부여 → 종합 코드 생성의 5단계로 진행한다

04

균등 구간(값 범위를 동일 폭으로 자르는 방식)보다 분위수 기준(고객 수를 동일하게 나누는 방식)이 실무에서 더 흔히 쓰인다

05

업종별 단가 구조가 다르므로 남의 기준점을 그대로 복사하지 않고 자사 분포를 먼저 확인해야 한다

01

원시값과 점수는 왜 다른가

2강에서 뽑은 값(최신 구매일까지 경과 일수, 구매 횟수, 총 결제 금액)은 단위와 스케일이 전부 다릅니다. 경과 일수는 0~수백 일, 구매 횟수는 1~수십 회, 결제 금액은 업종에 따라 수천 원부터 수백만 원까지 벌어집니다. 이 상태로는 세 값을 더하거나 비교할 수 없습니다. 그래서 각 축을 1~5점 같은 공통 척도로 변환한 뒤, 세 점수를 묶어 555 같은 세 자리 코드로 표현하는 것이 RFM 스코어링의 표준 방식입니다.

02

척도는 몇 점 만점으로 잡아야 하는가

점수 폭은 반드시 1~5점이어야 하는 것은 아닙니다. 고객 데이터 규모에 따라 조정하는 것이 권장되는데, 대략 3만 명 미만의 고객 기반이라면 1~3점, 3만~20만 명이면 1~4점, 20만 명 이상이면 1~5점 척도가 흔히 쓰입니다. 고객 수가 적은데 5점 척도를 무리하게 적용하면 한 구간에 들어가는 고객 수가 너무 적어져 세그먼트 자체가 통계적으로 의미가 없어질 수 있기 때문입니다. 척도를 정할 때는 "몇 점이 표준인가"보다 "우리 고객 수로 이 점수 폭을 나눴을 때 각 구간에 충분한 표본이 남는가"를 먼저 확인하는 편이 안전합니다.

03

5단계 산정 프로세스

RFM 점수 산정은 다음 5단계로 진행합니다. ①12~24개월치 구매 데이터를 수집하고 ②앞서 정한 점수 척도를 선택한 뒤 ③Recency는 월 또는 일 단위, Frequency는 구매 횟수, Monetary는 지출액처럼 각 축별 값의 범위를 정의합니다. ④이 범위를 기준으로 개별 고객에게 점수를 부여하고 ⑤마지막으로 R·F·M 세 점수를 조합해 하나의 종합 코드(예: 435)를 생성합니다. 이 코드가 이후 레슨에서 다루는 세그먼트 이름(챔피언, 이탈위기 등)에 매핑되는 최종 산출물입니다.

04

기준점은 균등 구간이 아니라 분위수로 잡는 이유

"단가 구조에 맞는 정규분포 기준점"을 세운다는 것은, 값 범위를 기계적으로 5등분(예: 0~10만 원, 10만~20만 원…)하는 것이 아니라, 자사 고객 분포를 실제로 보고 구간을 나눈다는 뜻입니다. 대부분의 쇼핑몰 구매 금액 분포는 왼쪽으로 치우친 형태(소수 고액 구매자가 꼬리를 길게 만드는 형태)를 띠기 때문에, 값 범위를 균등하게 나누면 상위 1점 구간에 고객 대부분이 몰리고 5점 구간은 텅 비는 왜곡이 생깁니다. 이 문제를 피하려고 실무에서는 균등 구간 대신 분위수(quintile) 기준 — 고객을 정렬한 뒤 인원수를 동일하게 5등분하는 방식 — 을 더 흔히 씁니다. 예를 들어 Monetary 점수 5점은 "상위 20% 결제액"으로 정의하는 식입니다. 이 방식은 데이터 규모나 특정 시점의 특이값(대량 구매 이벤트 등)에 덜 흔들린다는 장점이 있습니다.

05

업종마다 기준점이 달라야 하는 이유

가전·가구처럼 단가가 높고 구매 주기가 긴 업종과, 식품·생필품처럼 단가가 낮고 자주 사는 업종은 같은 Monetary 5점, 같은 Frequency 5점의 의미가 완전히 다릅니다. 다른 업종의 기준점을 그대로 복사해서 쓰면 자사 고객 대부분이 낮은 점수로 몰리거나, 반대로 대부분이 높은 점수로 몰려 세그먼트가 사실상 무의미해집니다. 그래서 기준점은 반드시 자사 구매 데이터의 실제 분포(중앙값, 사분위수)를 먼저 확인한 뒤 설계해야 하며, 업종별 조정 방식은 10강에서 구체적으로 다룹니다.

06

점수를 다시 매겨야 하는 시점은 언제인가

RFM 기준점은 한 번 세우고 끝나는 게 아니라 주기적으로 다시 계산해야 합니다. 신규 회원이 계속 유입되고, 기존 고객의 구매 패턴도 시즌·프로모션에 따라 계속 바뀌기 때문에, 작년에 정한 분위수 경계가 올해도 그대로 맞는다는 보장이 없습니다. 특히 대규모 할인 행사나 신규 채널 오픈처럼 고객 구성 자체가 크게 바뀌는 이벤트 이후에는 기준점을 다시 계산하지 않으면 세그먼트 크기가 한쪽으로 쏠리는 현상이 생깁니다. 실무에서는 분기 단위(3개월)로 기준점을 재산정하고, 그 사이에는 같은 기준으로 점수만 매일 갱신하는 방식을 많이 씁니다. 기준점을 너무 자주 바꾸면(예: 매주) 고객 입장에서는 별다른 행동 변화가 없는데도 등급이 계속 흔들리는 문제가 생기므로, 갱신 주기 자체를 CRM 팀 내에서 미리 합의해두는 것이 좋습니다.

07

점수 조합을 다루기 쉽게 단순화하는 방법

세 자리 점수(555, 111 등)는 이론적으로는 최대 5×5×5=125가지 조합이 나올 수 있어, 이 조합을 전부 개별 세그먼트로 다루면 실무에서 다루기 어렵습니다. 그래서 대부분의 CRM 조직은 125개 조합을 몇 개의 대표 값 범위(High/Mid/Low)로 묶어 세그먼트 이름을 붙이는 방식을 씁니다. 예를 들어 R·F·M이 모두 4~5점대인 조합을 하나의 "챔피언" 세그먼트로 묶고, R만 낮고 F·M이 높은 조합을 "이탈위기"로 묶는 식입니다. 이 매핑 규칙을 다음 레슨(4강)에서 구체적인 세그먼트 정의와 함께 다룹니다.

다음 행동

2강에서 뽑은 자사 구매 데이터의 R·F·M 값을 분위수(사분위수 또는 5분위수) 기준으로 정렬해보고, 각 구간에 고객이 고르게 분포하는지 먼저 확인해보세요 — 특정 구간에 절반 이상이 몰린다면 척도를 5점이 아니라 3~4점으로 낮추는 것부터 검토해야 합니다.

다음 글 · 레슨 04→8대 핵심 고객 세그먼트 매칭: [VIP 고래 고객], [이탈 위기 챔피언], [신규 유입 주니어], [놓치면 안 되는 과거 고객]의 입체적 분류 정의

← 이전 글 · 레슨 02 데이터 요건 및 SQL 마이닝 인프라: 자사몰 구매 테이블에서 유저별 고유 ID 기준 최신 구매일, 누적 구매 횟수, 총 결제 금액 데이터 파싱 쿼리

출처

facts 항목 기준 · 본문 인라인 미표기1건

플랫폼 기능·심의 기준·가격·법률은 바뀝니다. 이 글은 2026-08-29에 위 출처를 기준으로 확인했습니다.

CHALLENGE

배운 걸 실전 문제로 확인

카테고리별 Level Test로 실무 레벨을 점검해보세요.

챌린지 보기 →
이 과목의 게시글11편
01고객 가치 등급화의 고전이자 핵심: 최근성(Recency), 빈도(Frequency), 금액(Monetary) 지표를 활용한 정량적 고객 세그멘테이션 원리02데이터 요건 및 SQL 마이닝 인프라: 자사몰 구매 테이블에서 유저별 고유 ID 기준 최신 구매일, 누적 구매 횟수, 총 결제 금액 데이터 파싱 쿼리03RFM 스코어링 가이드라인: 1점부터 5점까지 비즈니스 단가 구조에 맞는 정규분포 기준점 수립 및 등급 스케일링 설정048대 핵심 고객 세그먼트 매칭: [VIP 고래 고객], [이탈 위기 챔피언], [신규 유입 주니어], [놓치면 안 되는 과거 고객]의 입체적 분류 정의05세그먼트별 차등 마케팅 오퍼 설계: VIP에게는 품격 있는 혜택(선출시 알림)을, 이탈 위기 유저에게는 파격적인 비용 혜택(50% 복귀 쿠폰) 차등 배정06[실패 사례 분석] 획일화된 적립금 지급으로 인한 마진 누수: 전 회원 대상 동일 쿠폰을 발행했다가, 어차피 살 VIP 고객에게 마진만 깎아주고 이탈 고객은 못 잡은 실패 복구07RFM 등급 이동 추이(Migration Matrix) 분석: 지난달 '신규' 등급 유저가 이번 달 '단골'로 올라갔는지, '이탈'로 떨어졌는지 등급 전이 속도 트래킹08자동화 오디언스 동기화: SQL로 분류된 RFM 세그먼트 데이터를 CRM 메시징 툴 및 메타 광고 맞춤 타겟으로 매일 새벽 자동 동기화하는 파이프라인09실험 및 판정 기준: 무작위 타겟 마케팅 집행 대조군 vs RFM 정밀 세그먼트 기반 맞춤 마케팅 집행군의 캠페인비 대비 순이익(ROI) 통계적 우위 검증10업종별 RFM 변형 설계: 결제 주기가 긴 가구/가전 업종의 R(최신성) 가중치 조정 및 일일 결제가 일어나는 식품 쇼핑몰의 F(빈도) 마지노선 변경 규칙11[레슨] AI 기반 예측 RFM(Predictive RFM)의 도입: 머신러닝 알고리즘을 활용해 "향후 30일 내 이탈 확률이 80% 이상인 유저" 사전 선점 기법 수립 과목 전체 보기 →

MKT TOOLS

실무자를 위한 무료 도구

카피 글자수 검사, CPC·ROAS 계산기, UTM 생성기까지.

워크스페이스 열기 →