PHÂN TÍCH DỮ LIỆU KHÁCH HÀNG LÀ GÌ? 6 BƯỚC VÀ MÔ HÌNH RFM, CLV

Phân tích dữ liệu khách hàng là quá trình thu thập, làm sạch và khai thác dữ liệu để biết ai đang mua, vì sao họ mua và làm sao để họ mua lại. Bài viết của HBR hướng dẫn quy trình 6 bước, cách chấm RFM ngay trên Google Sheets, cách tính CLV và bộ chỉ số dashboard cho doanh nghiệp SME. Cùng tìm hiểu ngay!

1. Phân tích dữ liệu khách hàng là gì?

Phân tích dữ liệu khách hàng (Customer Data Analysis) là quá trình thu thập, làm sạch và diễn giải dữ liệu về khách hàng để tìm ra quy luật hành vi, nhu cầu và giá trị của từng nhóm. Kết quả giúp doanh nghiệp ra quyết định marketing, bán hàng và chăm sóc khách hàng dựa trên số liệu thay vì phỏng đoán.

Một hoạt động phân tích đầy đủ trả lời lần lượt 4 câu hỏi (số liệu trong bảng là ví dụ minh họa):

Phần lớn SME mới dừng ở cấp độ mô tả, tức là có báo cáo doanh thu nhưng chưa trả lời được “vì sao” và “nên làm gì”. Giá trị thật nằm ở hai cấp độ sau, khi con số bắt đầu dẫn đường cho hành động.

Cũng cần phân biệt với nghiên cứu thị trường: nghiên cứu thị trường tìm hiểu cả những người chưa mua, còn phân tích dữ liệu khách hàng khai thác dữ liệu của chính những người đã tương tác với doanh nghiệp.

2. Vì sao doanh nghiệp cần phân tích dữ liệu khách hàng?

Phân tích dữ liệu khách hàng giúp SME chi tiền vào đúng nhóm khách, giữ chân khách cũ và ra quyết định bằng số liệu. Với ngân sách marketing có hạn, đây là cách nhanh nhất để mỗi đồng chi ra tạo nhiều doanh thu hơn, nhờ 4 lợi ích sau:

• Biết chính xác nhóm khách hàng nào tạo ra lợi nhuận
• Giữ chân khách hàng cũ thay vì đốt tiền tìm khách mới
• Cá nhân hóa marketing và bán hàng
• Ra quyết định bằng số liệu thay vì cảm giác

2.1. Biết chính xác nhóm khách hàng nào tạo ra lợi nhuận

Doanh thu hiếm khi chia đều cho mọi khách mà thường dồn vào một nhóm nhỏ, đúng quy luật Pareto 80/20. Khi chưa phân tích, khách mua một lần và khách mua đều mỗi tháng thường được chăm sóc như nhau.

Phân tích giúp tách bạch nhóm khách “nuôi” doanh nghiệp, nhóm có thể nâng hạng và nhóm chỉ mua khi giảm giá. Từ đó, ngân sách ưu đãi và thời gian của đội sales được phân bổ theo giá trị thật của từng nhóm.

2.2. Giữ chân khách hàng cũ thay vì đốt tiền tìm khách mới

Theo nghiên cứu của Frederick Reichheld tại Bain & Company, tăng tỷ lệ giữ chân khách hàng thêm 5% có thể làm lợi nhuận tăng từ 25% đến 95%. Khách cũ mua lặp lại với chi phí tiếp cận gần như bằng không và thường giới thiệu thêm người mới.

Dữ liệu cho biết khách nào lâu chưa quay lại, khách nào giảm tần suất mua, khách nào vừa phàn nàn. Nhờ đó doanh nghiệp can thiệp trước khi khách rời đi, thay vì chỉ biết khi doanh thu đã sụt.

2.3. Cá nhân hóa marketing và bán hàng

Báo cáo của McKinsey năm 2021 cho thấy 71% người tiêu dùng kỳ vọng được cá nhân hóa trải nghiệm và 76% thấy khó chịu khi điều đó không xảy ra. Cũng theo McKinsey, cá nhân hóa thường giúp doanh thu tăng 10% đến 15%.

Starbucks là ví dụ điển hình của việc biến dữ liệu thành doanh thu. Theo báo cáo nhà đầu tư quý 4 năm tài chính 2025, chương trình Starbucks Rewards tại Mỹ có 34,2 triệu thành viên hoạt động và nhóm này chiếm 58% giá trị thanh toán tại các cửa hàng do Starbucks trực tiếp vận hành. Mỗi giao dịch của thành viên đều gắn với một hồ sơ, giúp Starbucks gửi ưu đãi theo thói quen của từng người, đây cũng là nền tảng của cá nhân hóa nội dung.

2.4. Ra quyết định bằng số liệu thay vì cảm giác

Nhiều chủ doanh nghiệp thừa nhận nhân sự báo cáo gì thì mình biết nấy, chạy quảng cáo đều đặn nhưng không rõ kênh nào thật sự ra khách. Nỗi đau thật phía sau là thiếu hệ thống dữ liệu, nên mọi quyết định lớn đều dựa vào cảm giác của người đứng đầu.

Chiến lược data-driven biến câu “tôi nghĩ” trong phòng họp thành câu hỏi “số liệu nói gì”. Khi đó marketing, sales và ban lãnh đạo dùng chung một ngôn ngữ, và tranh luận chuyển từ cảm nhận sang bằng chứng.

3. Doanh nghiệp cần phân tích những loại dữ liệu khách hàng nào?

Có 4 nhóm dữ liệu khách hàng cần phân tích: dữ liệu định danh, giao dịch, hành vi và thái độ. Mỗi nhóm trả lời một câu hỏi khác nhau, và chỉ khi ghép lại doanh nghiệp mới có bức tranh đầy đủ về khách hàng.

Phân tích chi tiết từng nhóm:

• Dữ liệu định danh: Ở Việt Nam, số điện thoại là trường quan trọng nhất vì nó là “khóa” nối dữ liệu từ cửa hàng, fanpage, Zalo và sàn về cùng một khách.
• Dữ liệu giao dịch: Đây là nguyên liệu chính của RFM, CLV và cohort, nên mỗi đơn hàng bắt buộc phải có ngày mua và mã khách.
• Dữ liệu hành vi: Cho biết khách đã đi qua những bước nào và rơi rụng ở đâu trong phễu bán hàng.
• Dữ liệu thái độ: Hay bị bỏ quên nhưng lại giải thích được “vì sao” phía sau những con số giao dịch.

4. Thu thập dữ liệu khách hàng như thế nào cho đúng và đủ?

Thu thập dữ liệu khách hàng hiệu quả cần đủ 3 điều: biết lấy từ nguồn nào, chuẩn hóa ngay từ lúc nhập liệu và tuân thủ Luật Bảo vệ dữ liệu cá nhân có hiệu lực từ ngày 1/1/2026. Thiếu một trong ba, dữ liệu hoặc không dùng được, hoặc trở thành rủi ro pháp lý.

• Các nguồn thu thập dữ liệu khách hàng phổ biến
• Bộ trường dữ liệu tối thiểu cần chuẩn hóa
• Thu thập đúng Luật Bảo vệ dữ liệu cá nhân 2025

4.1. Các nguồn thu thập dữ liệu khách hàng phổ biến

Doanh nghiệp thường có nhiều dữ liệu hơn mình nghĩ, chỉ là chúng nằm rải rác ở nhiều nơi:

• Phần mềm bán hàng, POS, sàn thương mại điện tử: Lưu lịch sử đơn, sản phẩm, giá trị và thời điểm mua của từng khách.
• Hệ thống CRM: Lưu hồ sơ khách và lịch sử trao đổi với sales. Nếu chưa có, hãy tìm hiểu hệ thống CRM trước khi mua công cụ phân tích.
• Website, fanpage, Zalo OA: Google Analytics 4 và công cụ của từng nền tảng cho biết nguồn truy cập, tương tác và tin nhắn.
• Email, khảo sát, hotline: Cung cấp dữ liệu thái độ như tỷ lệ mở, điểm hài lòng và lý do khiếu nại. Xem thêm cách triển khai email marketing để khai thác kênh này.

4.2. Bộ trường dữ liệu tối thiểu cần chuẩn hóa

Phần lớn dữ liệu “bẩn” sinh ra ngay ở khâu nhập liệu, không phải ở khâu phân tích. Vì vậy, doanh nghiệp nên quy định một bộ trường bắt buộc cho mọi kênh bán:

Sáu trường này đủ để chạy RFM, CLV, cohort và đo kênh, nên SME nên làm đúng chúng trước khi nghĩ tới dữ liệu nâng cao.

4.3. Thu thập đúng Luật Bảo vệ dữ liệu cá nhân 2025

Luật Bảo vệ dữ liệu cá nhân số 91/2025/QH15 có hiệu lực từ ngày 1/1/2026. Theo cổng thông tin tỉnh Hà Tĩnh, hành vi mua bán dữ liệu cá nhân có thể bị phạt tới 10 lần khoản thu từ vi phạm. Các vi phạm khác bị phạt tối đa 3 tỷ đồng với tổ chức. Khi phân tích dữ liệu khách hàng, doanh nghiệp cần lưu ý:

• Xin sự đồng ý rõ ràng: Thông báo mục đích dùng dữ liệu khi khách để lại thông tin và lưu bằng chứng đồng ý.
• Không mua bán danh sách khách hàng: Vừa rủi ro pháp lý, vừa kém chất lượng.
• Đáp ứng quyền của khách: Khách có quyền yêu cầu xem, sửa, xóa dữ liệu hoặc rút lại sự đồng ý.
• Phân quyền truy cập: Hạn chế người được xuất danh sách khách hàng.

Doanh nghiệp nên đối chiếu văn bản gốc của luật hoặc tham vấn luật sư khi xây chính sách dữ liệu.

5. Các phương pháp phân tích dữ liệu khách hàng phổ biến

Có 6 phương pháp phân tích dữ liệu khách hàng phổ biến nhất: phân khúc khách hàng, mô hình RFM, CLV, cohort, phễu chuyển đổi và NPS. Mỗi phương pháp trả lời một câu hỏi kinh doanh riêng, và SME chỉ cần bảng tính là áp dụng được ba phương pháp đầu.

• Phân khúc khách hàng
• Mô hình RFM
• Giá trị vòng đời khách hàng (CLV)
• Phân tích cohort và tỷ lệ giữ chân
• Phân tích phễu chuyển đổi
• Đo lường mức độ hài lòng bằng NPS

5.1. Phân khúc khách hàng

Phân khúc khách hàng là chia tập khách thành các nhóm có đặc điểm hoặc hành vi giống nhau để tiếp cận riêng từng nhóm. Ví dụ, một trung tâm tiếng Anh có thể chia phụ huynh thành nhóm “con sắp thi chuyển cấp” và nhóm “đầu tư dài hạn cho con”, mỗi nhóm cần thông điệp và thời điểm tư vấn khác nhau.

5.2. Mô hình RFM

Mô hình RFM chấm điểm từng khách theo 3 chỉ số: Recency (lần mua gần nhất), Frequency (số lần mua) và Monetary (tổng chi tiêu). Mỗi chỉ số được chấm từ 1 đến 5, nhóm 20% khách tốt nhất được 5 điểm.

Ví dụ minh họa với 3 khách của một cửa hàng mỹ phẩm trong 12 tháng:

Cách chấm RFM trên Google Sheets

Doanh nghiệp chỉ cần file xuất đơn hàng có mã khách, ngày mua và giá trị đơn, rồi làm theo 4 thao tác:

1. Dùng Pivot Table gom theo mã khách, lấy ngày mua gần nhất (MAX), số đơn (COUNT) và tổng tiền (SUM).
2. Tính số ngày từ lần mua gần nhất: =TODAY()-B2, với B2 là ngày mua gần nhất.
3. Chấm điểm F và M theo vị trí phần trăm: =MAX(1,ROUNDUP(PERCENTRANK.INC(D2:D1000,D2)*5,0)).
4. Chấm điểm R ngược lại vì càng ít ngày càng tốt: =6-MAX(1,ROUNDUP(PERCENTRANK.INC(C2:C1000,C2)*5,0)).

Nếu bảng tính dùng định dạng Việt Nam, thay dấu phẩy trong công thức bằng dấu chấm phẩy.

Năm nhóm khách và hành động tương ứng

Nhóm “khách giá trị sắp rời bỏ” thường là nơi lấy lại doanh thu nhanh nhất, vì họ đã từng mua nhiều và chỉ cần một lý do để quay lại.

5.3. Giá trị vòng đời khách hàng (CLV)

Giá trị vòng đời khách hàng (CLV) là tổng lợi nhuận một khách mang lại trong suốt thời gian gắn bó với doanh nghiệp. Công thức đơn giản cho SME:

CLV = Giá trị đơn trung bình × Số lần mua mỗi năm × Số năm gắn bó × Tỷ suất lợi nhuận gộp

Ví dụ minh họa với một chuỗi spa: mỗi lần dịch vụ 600.000 đồng, khách quay lại 6 lần/năm, gắn bó 2,5 năm, tỷ suất lợi nhuận gộp 60%. Khi đó CLV = 600.000 × 6 × 2,5 × 60% = 5.400.000 đồng.

CLV chỉ có ý nghĩa khi đặt cạnh CAC, tức chi phí để có một khách mới. Nếu spa tốn 800.000 đồng quảng cáo cho mỗi khách, tỷ lệ CLV/CAC là 6,75 lần, đủ an toàn để tăng ngân sách. Nhiều doanh nghiệp lấy mốc từ 3 lần trở lên làm tham chiếu; dưới 1 lần nghĩa là càng bán càng lỗ.

Muốn tăng CLV, doanh nghiệp có 3 đòn bẩy: tăng giá trị mỗi đơn bằng bán kèm, tăng số lần mua bằng chăm sóc định kỳ và kéo dài thời gian gắn bó bằng chương trình thành viên.

5.4. Phân tích cohort và tỷ lệ giữ chân

Phân tích cohort là gom các khách bắt đầu mua cùng thời điểm, ví dụ cùng tháng 3, rồi theo dõi bao nhiêu người quay lại sau 1, 2, 3 tháng. Phương pháp này cho biết chất lượng khách của từng đợt đang tốt lên hay xấu đi.

Tỷ lệ giữ chân = (Số khách cuối kỳ − Số khách mới trong kỳ) / Số khách đầu kỳ × 100%

Ví dụ: đầu quý có 1.000 khách, trong quý có thêm 350 khách mới, cuối quý còn 1.150 khách. Tỷ lệ giữ chân là (1.150 − 350) / 1.000 = 80%. Cohort tháng khuyến mãi lớn chỉ giữ được 30% so với 55% các tháng khác nghĩa là khuyến mãi đang kéo về khách săn sale.

5.5. Phân tích phễu chuyển đổi

Phương pháp này đo tỷ lệ chuyển đổi giữa các giai đoạn từ biết đến, quan tâm, mua đến mua lại. Ví dụ: 1.000 người nhắn tin fanpage, 300 người để lại số điện thoại, 90 người đến cửa hàng, 45 người mua. Tỷ lệ từ nhắn tin sang để lại số chỉ 30%, cho thấy kịch bản tư vấn đầu tiên cần sửa trước. Kết hợp mô hình 5A trong marketing để vẽ hành trình đầy đủ hơn.

5.6. Đo lường mức độ hài lòng bằng NPS

NPS (Net Promoter Score) đo mức sẵn sàng giới thiệu doanh nghiệp bằng câu hỏi chấm điểm từ 0 đến 10: “Bạn có sẵn sàng giới thiệu chúng tôi cho người quen không?”.

NPS = % khách chấm 9-10 − % khách chấm 0-6

Ví dụ: trong 200 phản hồi có 110 người chấm 9-10 (55%) và 40 người chấm 0-6 (20%), NPS = 55 − 20 = 35. NPS có giá trị nhất khi theo dõi theo thời gian và đọc kèm bình luận, vì lý do khách không hài lòng mới là thứ cần sửa.

6. Quy trình 6 bước phân tích dữ liệu khách hàng

Quy trình phân tích dữ liệu khách hàng gồm 6 bước, đi từ câu hỏi kinh doanh đến hành động và đo lại. Các bước dưới đây được minh họa bằng tình huống điển hình của một chuỗi spa 4 chi nhánh.

• Bước 1: Xác định câu hỏi kinh doanh cần trả lời
• Bước 2: Thu thập và hợp nhất dữ liệu về một mối
• Bước 3: Làm sạch và chuẩn hóa dữ liệu
• Bước 4: Phân tích bằng mô hình phù hợp
• Bước 5: Trực quan hóa bằng dashboard
• Bước 6: Hành động, đo lại và lặp vòng

Bước 1: Xác định câu hỏi kinh doanh cần trả lời

Đừng bắt đầu bằng dữ liệu mà bằng câu hỏi. Chuỗi spa chốt một câu hỏi gắn với con số và thời hạn: “Vì sao doanh thu từ khách cũ giảm 20% trong 6 tháng, nhóm nào đang bỏ đi và bỏ đi sau lần thứ mấy?”. Câu hỏi càng rõ, phạm vi dữ liệu càng hẹp và phân tích càng nhanh.

Bước 2: Thu thập và hợp nhất dữ liệu về một mối

Gom dữ liệu cần thiết về một bảng chung với mã khách thống nhất, thường là số điện thoại. Chuỗi spa dùng lịch sử dịch vụ từ phần mềm quản lý, tin nhắn đặt lịch từ fanpage, Zalo và phiếu đánh giá sau mỗi lần làm dịch vụ.

Bước 3: Làm sạch và chuẩn hóa dữ liệu

Làm sạch gồm xóa bản ghi trùng, chuẩn hóa số điện thoại, ngày tháng, tên dịch vụ và đánh dấu dữ liệu thiếu. Với chuỗi spa, sau khi gộp theo số điện thoại, 5.200 hồ sơ chỉ còn 3.900 khách thật. Bỏ qua bước này thì mọi chỉ số phía sau như tần suất mua hay tỷ lệ quay lại đều sai.

Bước 4: Phân tích bằng mô hình phù hợp

Chọn phương pháp theo câu hỏi, không theo công cụ đang có: “ai sắp rời bỏ” dùng RFM, “khách đợt nào tốt hơn” dùng cohort, “đáng chi bao nhiêu cho một khách” dùng CLV. Chuỗi spa chạy RFM và cohort, phát hiện phần lớn khách bỏ đi sau lần thứ hai, tập trung ở nhóm đến từ voucher giảm 50%. Lý do lặp lại nhiều nhất là bị tư vấn mua liệu trình quá sớm.

Bước 5: Trực quan hóa bằng dashboard

Dashboard giúp ban lãnh đạo nắm tình hình trong vài phút và nên cập nhật tự động thay vì làm tay cuối tháng. Một dashboard khách hàng cho SME nên có tối thiểu 6 chỉ số sau:

Mỗi chỉ số nên có một người chịu trách nhiệm và một ngưỡng cảnh báo, ví dụ tỷ lệ mua lại giảm hai tháng liên tiếp thì trưởng chi nhánh phải báo nguyên nhân.

Bước 6: Hành động, đo lại và lặp vòng

Phân tích chỉ tạo giá trị khi biến thành hành động có chỉ số đo. Chuỗi spa bỏ tư vấn liệu trình ở buổi đầu, thêm cuộc gọi hỏi thăm sau lần thứ hai và gửi ưu đãi riêng cho nhóm khách giá trị sắp rời bỏ, rồi đo lại tỷ lệ quay lại sau một quý.

Khi vòng câu hỏi → dữ liệu → phân tích → hành động → đo lại chạy đều, phân tích trở thành một phần của hệ thống vận hành. Tham khảo thêm quy trình chăm sóc khách hàng spa để xây kịch bản hành động sau phân tích.

Nhiều doanh nghiệp đã có dữ liệu khách hàng nhưng đội sales vẫn chăm sóc theo cảm tính, khách cũ không ai gọi lại. Nếu anh/chị đang gặp tình trạng đó, khóa học Xây dựng hệ thống bán hàng hiện đại AI Sales của Trường Doanh nhân HBR sẽ giúp chuẩn hóa quy trình từ tiếp cận, chuyển đổi đến khai thác tệp khách cũ.

7. Công cụ phân tích dữ liệu khách hàng cho doanh nghiệp SME

SME không cần đầu tư công cụ đắt tiền ngay từ đầu; công cụ nên đi theo mức trưởng thành dữ liệu, từ bảng tính lên CRM, BI rồi AI.

Phân tích chi tiết các lựa chọn:

• Bảng tính đủ cho giai đoạn đầu: Với vài nghìn khách, Google Sheets đủ để chạy RFM và CLV như hướng dẫn ở mục 5.
• CRM là bước chuyển quan trọng nhất: CRM giúp doanh nghiệp sở hữu dữ liệu thay vì để nó trong máy từng nhân viên. Các nền tảng như Agentic CRM còn tự động hóa nhiều thao tác chăm sóc.
• BI dành cho lãnh đạo: Looker Studio miễn phí; Power BI phù hợp khi dữ liệu lớn, nhiều nguồn.
• AI giúp nhanh hơn nhưng không thay tư duy: AI đọc hàng nghìn bình luận và gợi ý nhóm khách rất nhanh, nhưng quyết định vẫn thuộc về con người. Tìm hiểu thêm vềAI Marketing; khi dùng AI bên ngoài, hãy ẩn tên và số điện thoại khách.

8. Sai lầm thường gặp khi phân tích dữ liệu khách hàng

Phần lớn dự án phân tích dữ liệu khách hàng thất bại không vì thiếu công cụ, mà vì bắt đầu sai và không biến kết quả thành hành động. Những sai lầm SME hay gặp nhất gồm:

• Thu thập thật nhiều rồi mới nghĩ dùng làm gì: Dữ liệu không gắn với câu hỏi kinh doanh chỉ nằm im trong kho.
• Để dữ liệu nằm ở từng người: Nhân viên nghỉ việc là danh sách khách đi theo.
• Bỏ qua bước làm sạch: Một khách bị ghi thành ba hồ sơ khiến tỷ lệ quay lại thấp hơn thực tế.
• Chỉ nhìn doanh thu, không nhìn lợi nhuận theo khách: Nhóm khách chỉ mua hàng khuyến mãi có thể đang làm doanh nghiệp lỗ.
• Phân tích xong nhưng không ai hành động: Báo cáo không có người triển khai thì không tạo ra doanh thu.
• Xem nhẹ pháp lý: Mua danh sách khách hàng hoặc dùng dữ liệu không có sự đồng ý có thể bị phạt nặng theo luật mới.

9. Chủ doanh nghiệp nên bắt đầu phân tích dữ liệu khách hàng từ đâu?

Chủ doanh nghiệp nên bắt đầu từ một câu hỏi kinh doanh quan trọng nhất và dữ liệu giao dịch đang có, thay vì mua phần mềm hay tuyển chuyên gia dữ liệu ngay. Lộ trình tùy theo quy mô:

• Dưới 10 nhân sự: Áp dụng 6 trường dữ liệu tối thiểu, chạy RFM bằng Google Sheets mỗi tháng và gọi lại nhóm khách sắp rời bỏ.
• Từ 11 đến 50 nhân sự: Đưa toàn bộ khách vào một CRM, giao một người chịu trách nhiệm dữ liệu và họp dashboard 6 chỉ số hằng tuần.
• Từ 51 đến 250 nhân sự: Kết nối CRM, website, sàn và POS về một nơi, đặt KPI giữ chân và CLV cho từng bộ phận, dùng AI dự đoán khách rời bỏ.

Điều cốt lõi nằm ở tư duy người đứng đầu. Khi CEO vẫn quyết định bằng cảm giác, đội ngũ không có lý do để ghi chép dữ liệu cẩn thận; khi CEO bắt đầu hỏi “số liệu nói gì”, cả tổ chức sẽ dần làm việc với dữ liệu. Đó cũng là nền móng để xây chiến lược marketing tổng thể bền vững.

Nhiều chủ doanh nghiệp SME vẫn chạy quảng cáo mỗi tháng nhưng không biết khách nào quay lại, kênh nào ra khách thật và vì sao doanh thu chững lại sau vài năm. Nỗi sợ lớn nhất là tiếp tục đốt tiền marketing mà doanh nghiệp không tăng trưởng, trong khi mọi quyết định vẫn phụ thuộc vào cảm giác của một người.

Kết luận

Tóm lại, phân tích dữ liệu khách hàng giúp doanh nghiệp biết chính xác ai đang mua, vì sao họ ở lại hoặc rời đi và nên đầu tư vào đâu để tăng trưởng. Bắt đầu từ 6 trường dữ liệu tối thiểu và một câu hỏi kinh doanh rõ ràng, áp dụng RFM, CLV, cohort rồi theo dõi dashboard hằng tuần, SME hoàn toàn có thể ra quyết định bằng dữ liệu mà không cần đầu tư lớn.