NPO 捐款人流失怎麼辦？用電商 RFM 模型喚回沉睡支持者

如何擺脫繁重行政負擔，回歸社福服務使命？

身為 NPO 的夥伴，您是否也曾面對成千上萬筆的捐款紀錄感到無力？每當要推廣新專案時，因為無法區分支持者的「熱度」，只能對著整份名單「盲寄」電子報，甚至不分青紅皂白地撥打關懷電話。

這種「亂槍打鳥」的行銷，不僅讓同仁在低點擊率中精疲力竭，更令人擔憂的是——我們可能正在騷擾那些對組織懷有善意的支持者。當支持者覺得被過度打擾而反感退訂，我們失去的不只是捐款，更是那份難得的信任。這種「資源錯置」的焦慮，源於我們缺乏一套科學方法來解讀支持者與我們之間的「情感距離」。如果您想進一步了解如何將這套思維實際落地，歡迎參考我們的實戰篇：不再亂槍打鳥！NPO 必學的 RFM 捐款人分眾策略。

為什麼只看「捐款總額」是不夠的？

許多組織在管理名單時，習慣只按「累計捐款總額」排序。但以資深顧問的視角來看，這存在巨大的經營風險。根據 AFP Fundraising Effectiveness Project 的追蹤報告，全美 NPO 的平均捐款人留存率長年徘徊在 40%–45% 之間，代表超過一半的支持者在隔年便不再捐款。在我們協助國內某兒少基金會導入 RFM 分析的過程中，也發現類似的趨勢——該組織原本按總額排序的 VIP 名單中，竟有近六成的人已超過 18 個月未捐款，而真正近期活躍的支持者反而被排在名單末端。

忽略了「最近一次消費 (Recency)」： R 值是預測支持者活躍壽命最重要的指標。一位三年前曾單筆捐款 5 萬元但從此失聯的支持者，與一位上週才剛開始每月定捐 500 元的新朋友，後者對您當下願景的認同感顯然更高。若只看總額，您將錯失與最有熱情的人連結的黃金時機。
盲目溝通造成的資源浪費： 獲取新支持者的成本是維繫舊客的 5 倍以上。如果我們把心力都花在聯繫那些早已「沉睡」多年的大額支持者，卻忽略了經營近期加入的潛力股，不僅效率低落，更無法確保每一分努力都能真正轉化為推動任務的動力。當定期定額的支持者因信用卡到期或扣款失敗而流失時，若缺乏即時的Dunning 挽回機制，這些原本有意願的支持者就會悄悄滑入沉睡名單。

高額但長期失聯 vs 小額但近期持續互動的熱度對比圖，呈現 R 值作為活躍度指標的重要性

社福領域應如何解構與計算 RFM 三大關鍵指標？

RFM 模型（RFM Model）是一套源自電商的價值分析框架，透過 R（最近一次互動）、F（頻率）與 M（金額）三項指標將名單分層。在社福產業中，RFM 模型能協助 NPO 依據捐款行為，科學地將成千上萬的支持者分類為不同溫度族群。這讓組織能精準配置有限資源，避免盲目募款，並喚回沉睡支持者。

我們將電商的邏輯轉化為 NPO 的語言，透過以下三項指標重新認識您的支持者：

R (Recency) 最近一次捐款日期： 距離現在越近，代表支持者目前對您的使命最感興趣。R 值是三項指標中預測力最強的——它直接反映支持者當下的參與意願，是判斷「該不該現在聯繫這個人」的首要依據。
F (Frequency) 捐款頻率： 指定期間內的捐款次數。這是判斷「黏著度」的關鍵，能識別出誰是您的忠實鐵粉，誰只是偶然路過的一次性支持者。
M (Monetary) 捐款金額： 指定期間內的總捐款金額。反映支持者的能力與對該議題的投入程度，但切記不能單獨使用此指標來定義支持者價值。

支持者 8 大分眾與建議策略

透過這三項指標的高低組合，我們可以將支持者精準分類，並以「尊重關係」為核心制定行動：

支持者分群	R (最近)	F (頻率)	M (金額)	建議溝通策略
重要價值支持者	高	高	高	核心鐵粉：提供深度影響力報告、邀請參加決策分享會或專屬實體活動。
忠誠小額者	高	高	低	穩定支持：雖金額不高但極度忠誠，適合邀請成為志工、倡議者或社群推廣大使。
新近大額者	高	低	高	潛力新星：剛開始支持就投入大額，建議由主管專人致謝，建立深層品牌印象。
新近小額者	高	低	低	品牌認知期：首次小額支持，應發送溫馨歡迎信並持續分享組織願景與使命。
久違大額者	低	高	高	警訊客群：過去極忠誠但近期失聯，建議高層親自致電關懷，了解需求是否變動。
久違小額者	低	高	低	衰退客群：曾穩定支持但近期未參與，可寄送溫馨問候並提供更具彈性的定捐方案。
沉睡大額者	低	低	高	遺憾流失：曾有高額捐款但已久未互動，切勿直接募款，應分享「重要成果報告」重啟關注。
沉睡小額者	低	低	低	偶然參與：對組織尚不熟悉，不需投入過多資源，僅需定期維持低頻率的基礎通訊。

實務上，組織不需要同時啟動 8 個分群的差異化策略。建議優先聚焦前三個高 ROI 群體——「重要價值支持者」的深度經營、「久違大額者」的流失挽回、以及「新近大額者」的品牌印象建立，這三群的投入產出比最高。

💡 進階實戰觀點

顧問的小叮嚀：NES 指標的輔助應用 當您發現「重要價值支持者」的 R 值突然衰退時，除了發送問候，更應檢視 NES (Net Easy Score)。有時候支持者停止支持，並非熱情冷卻，而是因為捐款系統太難用、收據寄送出錯或操作不便。先優化「支持體驗」，才能留住善意——從捐款頁面的動線設計開始檢視，往往能找到最直接的改善切入點。

數據驅動的精準經營：如何開始第一步？

要在組織內實踐 RFM 分析，關鍵在於將數據轉化為自動化的標籤管理：

自動化數據整合： 利用現代 CRM 工具串接線上金流與線下紀錄，確保數據即時性，減少人工整理的負擔。若您的組織正在評估 CRM 系統，建議選擇具備開放 API 生態系的方案，才能讓 RFM 數據與其他系統無縫流通。
設定分析期間： 根據組織特性決定，例如分析「過去一年」或「過去兩年」的數據。
計算門檻值（分位數應用）： 顧問建議使用「分位數法 (Percentiles)」，將所有支持者按表現排序後平分為 20% 的級距（1-5分）。舉例來說，假設您的組織有 3,000 位支持者，按 R 值排序後，前 20%（約 600 人）可能在過去 3 個月內有捐款紀錄，而末 20% 則超過 2 年未捐——這就是系統自動劃分的「最活躍」與「沉睡」兩端。特別注意：在 NPO 現場，F (頻率) 的門檻建議設定為 ≥ 2 次，因為資料庫中每人都至少有一次捐款，設定為 2 次以上才能真正區分出「常客」與「稀客」。
標籤分眾與自動旅程： 系統自動為不同分眾貼標。當「沉睡支持者」標籤出現時，可觸發自動化郵件，即時發送「好久不見」的影響力回顧。搭配無摩擦的捐款體驗設計，讓被喚醒的支持者能以最低阻力重新完成捐款。

RFM 的侷限與進階：何時需要超越三維指標？

RFM 模型雖然強大，但它僅基於「財務行為」進行分群，存在三項明確的侷限。第一，RFM 無法反映「非財務互動」——一位從未捐款但每週轉發組織貼文、帶動上百次觸及的志工，在 RFM 模型中完全隱形。第二，RFM 是「回顧型指標」，它分析的是過去已發生的行為，無法預測未來誰即將流失。第三，當組織的支持者結構極度集中（例如 80% 為單次小額捐款），R/F/M 三項指標的區分力會大幅下降，分位數法可能產出大量同分群體。

面對這些侷限，2026 年的趨勢是將 RFM 作為基礎層，再疊加 AI 預測模型（Predictive Analytics）來補強。例如，透過機器學習分析電子報開信率、活動報名頻率與社群互動等「非財務信號」，提前 30–60 天預測哪些核心支持者即將流失，讓組織從「事後分群」進化為「事前預警」。在資料治理層面，當您開始整合多來源的支持者行為數據時，也務必同步建立完善的捐款人資料安全與個資保護機制。

若您想將科學的 RFM 數據模型導入組織日常維運，告別盲目募款並精準喚回沉睡捐款人，歡迎了解我們的NPO 捐款系統導入顧問服務，由專業顧問打造專屬於社福現場的數據分析與自動化經營方案。

常見問題 (FAQ)

如果我們組織的義賣收入和會費很多，這也要算進 RFM 的 M（金額）裡面嗎？

建議僅納入「可開立捐款收據」的費用。純捐款通常代表支持者對理念的無私認同；而義賣或會費常帶有「對價關係」或義務性質（如獲得商品、會員權利）。將兩者混在一起分析，會模糊掉支持者對使命感召的熱度，影響分眾的精準度。

RFM 的評分標準是固定的嗎？我們該怎麼設定比較準？

評分不應是固定的。級距需貼合您的組織特性，例如「快消品」的 R 值可能以天計算，但 NPO 通常以「半年」或「一年」為分水嶺。建議利用組織自身的數據進行「相對排序（分位數）」分級，並每半年重新檢視一次，確保分眾能反映出當下最真實的客群結構。

我們組織的支持者名單不到 500 人，也需要導入 RFM 嗎？

500 人以下的名單，其實用 Excel 手動分群就能做到基本的 RFM 分類。重點不是工具的複雜度，而是「有意識地區分支持者溫度」這個觀念本身。您可以先從最簡單的 R 值開始——把名單按「最後一次捐款距今多久」排序，區分出「3 個月內」「3–12 個月」「超過 1 年」三個族群，針對不同溫度發送不同內容的關懷信，這就是 RFM 思維的起點。