RFM Analizi Nedir?

RFM Analizi, müşterileri satın alma davranışlarına göre segmentlere ayırmaya yardımcı olan analitik bir çerçevedir. Özellikle e-ticaret ve abonelik benzeri iş modellerinde, kullanıcıları son satın alma zamanı, satın alma sıklığı ve harcama düzeyi üzerinden sınıflandırarak daha tutarlı analizler üretmeyi sağlar.

Bu yazıda RFM'i detaylı biçimde ele alacak; GA4, Google Ads, Meta Ads ve TikTok Ads tarafında nasıl yorumlanabileceğini örneklerle açıklayacağız. Ayrıca GA4 verisi BigQuery'e aktarıldığında RFM'in nasıl hesaplanabileceğini de şablon bir yaklaşımla göstereceğiz.

RFM Analizi Nedir?

RFM, üç temel metrikten oluşur:

1) Recency (R) – Son Ne Zaman Satın Aldı?

• Kullanıcının en son satın alma tarihi
• Dün alışveriş yapan müşteri ≠ 180 gün önce alışveriş yapan müşteri

Yorum: Son satın alma zamanı yakınlaştıkça, aynı kullanıcı grubunda yeniden satın alma ihtimali genellikle artar (sektör ve ürün kategorisine göre değişebilir).

2) Frequency (F) – Ne Sıklıkla Satın Alıyor?

• Toplam satın alma sayısı
• 1 kere alıp giden mi, 10 kere satın alan mı?

Yorum: Frequency metrikleri, tekrar satın alma davranışı ve sadakat hakkında sinyal verir.

3) Monetary (M) – Ne Kadar Harcadı?

• Toplam harcama tutarı
• 500 TL bırakan mı, 50.000 TL bırakan mı?

Yorum: Monetary, "değer" katmanını temsil eder; yüksek harcama her zaman yüksek kârlılık anlamına gelmeyebilir (iade, marj, kargo, indirim vb. etkiler).

RFM Skoru Nasıl Oluşturulur?

Uygulamada her metrik çoğunlukla 1–5 arası skorlanır. 5 en yüksek, 1 en düşük seviyeyi temsil eder.

RFM Segmentleri

RFM skorları daha sonra "segment" isimlerine dönüştürülür. Örnek bir segmentleme:

Bu isimler standart değildir; temel amaç skorları anlaşılır gruplara dönüştürmektir.

Örnek Case: Bir E-ticaret Markasında RFM ile Segmentleme

Aşağıdaki örnek tamamen açıklama amaçlıdır.

Veri (Örnek)

"Bugün" 6 Şubat 2026 kabul edilsin.

Skorlama (Örnek Mantık)

Bu örnekte basit bir sınıflama düşünelim:

Sonuç (Örnek Segment)

Bu tablo, raporlamada iki şeyi netleştirir:

• "Aynı ROAS / aynı trafik" içinde çok farklı müşteri profilleri olabilir.
• Segmentler ayrıştıkça analiz dili daha tutarlı hale gelir.

GA4'te RFM Analizi Nasıl Yapılır?

GA4, RFM analizini beslemek için iyi bir kaynaktır (özellikle purchase event'leri sağlıklı ise).

GA4'te Kullanılan Temel Alanlar

• purchase
• event_timestamp / satın alma zamanı
• ecommerce.purchase_revenue veya gelir alanları
• user_id / user_pseudo_id

GA4 Üzerinde Örnek Yaklaşım

GA4 BigQuery ile RFM Analizi (Örnek Şablon)

GA4 arayüzü belli analizler için yeterli olsa da, RFM'yi daha esnek biçimde üretmek için GA4 verisini BigQuery'de işlemek yaygın bir yaklaşımdır.

Temel mantık:

• Purchase event'lerinden kullanıcı bazında:
  • son satın alma zamanı
  • satın alma adedi
  • toplam gelir
• Bu metrikleri 1–5 arası skora dönüştürmek (quintile / ntile yaklaşımı gibi)

Aşağıdaki sorgu örnek şablondur (dataset ve alanlar projene göre değişebilir):

-- GA4 BigQuery Export: RFM hesaplama (örnek şablon)
WITH purchases AS (
  SELECT
    COALESCE(user_id, user_pseudo_id) AS user_key,
    TIMESTAMP_MICROS(MAX(event_timestamp)) AS last_purchase_ts,
    COUNTIF(event_name = 'purchase') AS purchase_count,
    SUM(ecommerce.purchase_revenue) AS total_revenue
  FROM `PROJECT.DATASET.events_*`
  WHERE event_name = 'purchase'
  GROUP BY user_key
),
scored AS (
  SELECT
    user_key,
    last_purchase_ts,
    purchase_count,
    total_revenue,
    DATE_DIFF(CURRENT_DATE(), DATE(last_purchase_ts), DAY) AS recency_days,

    -- R skoru: recency düşükse skor yükselsin diye 6 - NTILE(5)
    6 - NTILE(5) OVER (ORDER BY DATE_DIFF(CURRENT_DATE(), DATE(last_purchase_ts), DAY)) AS r_score,
    NTILE(5) OVER (ORDER BY purchase_count) AS f_score,
    NTILE(5) OVER (ORDER BY total_revenue) AS m_score
  FROM purchases
)
SELECT
  user_key,
  recency_days,
  purchase_count,
  total_revenue,
  r_score, f_score, m_score,
  CONCAT(CAST(r_score AS STRING), CAST(f_score AS STRING), CAST(m_score AS STRING)) AS rfm_score
FROM scored;

Bu çıktı üretildikten sonra segment isimleri (Champions, At Risk vb.) bir CASE WHEN ile eklenebilir veya ayrı bir tabloya yazılabilir.

Google Ads'te RFM Yaklaşımıyla Analiz Örnekleri

Google Ads tarafında RFM doğrudan bir metrik değildir; ancak "audience kurgusu" RFM mantığıyla tasarlanabilir.

Örnek 1: High R + High F + High M

Örnek 2: Low R + High M

Meta Ads'te RFM Yaklaşımıyla Analiz Örnekleri

Meta Ads'te (Pixel/CAPI verisi ve CRM listeleri ile) RFM segmentleri "mesaj ve içerik" farklılaştırma için analiz edilebilir.

Örnek Segmentler

• Champions (555): Yakın, sık, yüksek değer → yeni ürün duyurusu / koleksiyon iletişimi gibi içeriklerle test edilebilir
• At Risk (2-2-3): Uzun süredir yok → yeniden etkileşim içerikleri ve farklı kreatif açıları analiz edilebilir

TikTok Ads'te RFM Yaklaşımıyla Analiz Örnekleri

TikTok daha üst-funnel görünse de, RFM segmentleriyle içerik performansı analiz edilebilir.

• Yeni ama değerli (R yüksek, F düşük, M orta/yüksek): İlk satın alma sonrası tekrar satın almaya etkisi olan içerik tipleri karşılaştırılabilir
• Uzak recency ama geçmişte değerli (R düşük, M yüksek): "geri dönüş" odaklı iletişimlerin etkisi analiz edilebilir

RFM Olmadan Ne Olur?

RFM analizi yapılmadığında:

• Tüm kullanıcılara benzer mesajlar gösterilir
• Segmentler arası davranış farkları net ayrıştırılamaz
• Mevcut müşteri ve yeni müşteri aynı çerçevede değerlendirilir
• Analizler genellemelere dayanma eğiliminde olur

Bu durum, özellikle büyük veri setlerinde analiz doğruluğunu ve yorum tutarlılığını zayıflatabilir.

RFM ile Stratejik Değerlendirme

Sonuç

RFM Analizi:

• Tek başına bir rapor formatı değil,
• Tek başına bir dashboard metriği değil,
• Kullanıcı davranışını anlamaya ve segmentlemeye yarayan analitik bir çerçevedir.

Doğru kurgulandığında; kullanıcıların ne zaman, ne sıklıkta ve hangi değer düzeyinde satın alma eğiliminde olduğunu daha net görmeyi sağlar. Bu da pazarlama, CRM ve iletişim çalışmalarında daha tutarlı analizlerin yapılmasına yardımcı olur.