RFM分析
RFM分析は、顧客を3つの指標（Recency：最終購入からの経過日数、Frequency：購入頻度、Monetary：購入金額）でスコアリングする顧客セグメント手法です。これら3つのスコアを組み合わせることで、ロイヤル顧客、離脱リスク顧客、失客など、セグメントに分類し、ターゲットを絞ったリテンションやマーケティング施策に活用します。小売やEコマースにおいて、最も古くから広く使われているセグメントフレームワークの一つです。
RFM分析の定義
RFM分析は、各顧客を3つの取引ベースの指標（Recency：最終購入からの新しさ、Frequency：購入頻度、Monetary：生み出した金額価値）に沿ってスコアリングする顧客セグメンテーション手法です。この手法は、Eコマースが存在するはるか以前、ダイレクトメールやカタログ小売の時代にまで遡ります。なぜなら、3つの入力すべてが基本的な注文履歴から導き出せるからです。アンケートもサードパーティデータも複雑なモデリングも不要です。現代のEコマースにおいて、RFMはまさにそのシンプルさゆえに、最も広く使われているセグメンテーションフレームワークの一つであり続けています。注文データベースを持つストアなら、計算に必要なものはすべてすでに揃っています。出力は、5〜10程度の少数の顧客セグメントであり、それぞれが異なる行動プロファイルを表しており、マーケティングやリテンションチームはセグメントごとに異なる施策を実行できます。
RFMスコアリングの仕組み
標準的なアプローチでは、全顧客を3つの各指標で相互に順位付けし、最も一般的には5分位（5等分のグループ）に分けて、それぞれ1（最悪）から5（最良）までのスコアを割り当てます。昨日購入した顧客はRecencyで5、1年以上購入していない顧客は1となる可能性があります。毎月注文する顧客はFrequencyで高スコア、一度だけ注文した顧客は低スコアとなります。Monetaryは通常、設定されたルックバック期間（多くの場合過去12ヶ月）における総注文額または平均注文額に基づきます。これら3つのスコアは単一のRFMコードに結合されます。Recencyで5、Frequencyで4、Monetaryで5の顧客は「545」とラベル付けされるかもしれません。そこから企業はスコアの組み合わせを名前付きセグメントにマッピングします。5-5-5の顧客は通常「Champion（チャンピオン）」、以前は高スコアだったが現在はRecencyが低い顧客は「At Risk（リスクあり）」、昔に1回だけ低額の購入をした顧客は「Lost（失客）」とラベル付けされます。簡略化した例を考えてみましょう。10,000人の顧客がいるストアでは、最上位のRFM階層（Champions、約8％の顧客）が総収益の不均衡な割合を占める一方、下位2階層（At RiskとLost、合わせて顧客ベースの約3分の1）は、特定の月にはほとんど貢献しないことがあります。これは、すべての顧客を同一に扱うことが、反応する可能性の低いセグメントにマーケティング予算を浪費することを示しています。
EコマースブランドにとってRFM分析が重要な理由
マーケティングやリテンションへの支出においてすべての顧客を同じように扱うのは非効率です。3週間前に購入した人に効果的な再エンゲージメントメールは、1年以上注文していない人には同じようには効果がなく、初回購入者を対象としたロイヤルティ割引は、もともと再注文する予定だった顧客には実際には無駄になる可能性があります。RFMセグメンテーションにより、企業は行動を変える可能性が最も高い場所にリテンション予算を割り当てられます。すでに取り返しのつかない顧客ではなく、離脱の初期兆候を示す顧客にはウィンバック割引を、もともと継続する顧客ではなく、本当に離脱リスクのある顧客にはロイヤルティ報酬を、それぞれ温存します。また、財務部門とマーケティング部門に共有されたシンプルなボキャブラリーを提供します。「今四半期、当社のAt Riskセグメントが15％増加しました」という表現は、生の取引件数では得られない即座のアクション可能性を持っています。
RFMセグメント表
| セグメント | Recency | Frequency | Monetary | 典型的なアクション |
|---|---|---|---|---|
| Champions（チャンピオン） | 高 | 高 | 高 | ロイヤルティを報奨し、紹介を依頼 |
| Loyal Customers（ロイヤル顧客） | 中〜高 | 高 | 中〜高 | アップセル、新商品への早期アクセス |
| Potential Loyalists（潜在的ロイヤル顧客） | 高 | 低〜中 | 中 | リピート購入へと育成 |
| At Risk（リスクあり） | 低 | 中〜高 | 高 | ウィンバックオファー、パーソナルアウトリーチ |
| Hibernating（休眠） | 低 | 低 | 低〜中 | 低コストでの再活性化、それ以外は優先度低下 |
| Lost（失客） | 非常に低 | 低 | 低 | アクティブキャンペーンから除外、ごくまれに広範な再活性化のみ |
Stay Updated on AI Visibility Trends
Get the latest insights on AI mentions, brand monitoring, and optimization strategies.
RFM分析とAI駆動型コマース
Eコマースブランドがリテンションマーケティングをますます自動化するにつれて、RFMセグメントはルールベースおよびAI駆動型のキャンストリガーへの一般的な入力となっています。「Loyal」から「At Risk」に移行した顧客は、人間が個別に確認しなくても、特定のメールフローを自動的にトリガーできます。AmICitedのeshop_get_segmentsツールは、この分析をEコマースレポートスイートに直接組み込んでおり、RFMをデフォルトの顧客セグメンテーション軸として使用するため、商人は別途スプレッドシートモデルを維持することなく、セグメント構成とその動きを確認できます。静的なセグメントサイズと同じくらいセグメント遷移が重要です。ChampionからAt Riskに移行する顧客は、何ヶ月もAt Riskだった顧客とは異なるシグナルです。RFMスコアリングとセグメント遷移の追跡を組み合わせることで、セグメントサイズのみの単一スナップショットよりも、リテンション施策が最も大きな効果を発揮する場所をより明確に把握できます。
RFM分析のベストプラクティス
- 定期的な間隔（一般的には毎月）でスコアを再計算し、セグメントが古い購入履歴ではなく現在の行動を反映するようにする
- 恣意的なカットオフ値ではなく、5分位または他の一貫したスコアリング方法を使用し、セグメントが長期間にわたって比較可能であることを確保する
- MonetaryとFrequencyのルックバック期間を、自社の自然な購入サイクルに合わせて設定する。消耗品では90日間のウィンドウが適切だが、耐久財では異なる
- RFMスコアとセグメント遷移の追跡を組み合わせる。顧客の移動方向は、現在のラベル単独よりも多くの場合、よりアクション可能である
- セグメントを増やしすぎない。5〜8個の名前付きセグメントで、マーケティングチームを圧倒することなく、明確なアクションを導き出すのに通常は十分である
- 標準的なラベルをそのまま適用する前に、最上位のRFMセグメントが実際に自社の収益および利益貢献度と相関していることを検証する
よくあるRFM分析の間違い
よくある間違いの一つは、ブログ記事や他の企業からコピーした汎用的なRFM基準値を、自社の購入サイクルに合わせて調整せずに適用することです。サブスクリプションボックスのブランドと家具小売業者では、自然な再購入間隔が大きく異なり、一方のために作られたRecencyスケールは他方の顧客を誤って分類します。修正方法は、固定された日数基準値をインポートするのではなく、自社の取引データから5分位の境界値を導き出すことです。もう一つの一般的な問題は、RFMを一度計算してその後更新しないことです。これにより、動的なセグメンテーションツールが静的に、そしてますます間違った顧客リストに静かに変わっていきます。6ヶ月前に「Champion」とスコアリングされた顧客は、すでに離脱しているかもしれません。自動再計算をスケジュールすることで、この問題は解決します。3つ目の間違いは、顧客の在籍期間で正規化せずにMonetary値を生涯総支出額として扱うことです。これにより、月あたりの支出額がはるかに高い新規顧客よりも、2年在籍している顧客が不当に高く評価されます。平均注文額または固定の最近の期間を全期間合計の代わりに使用することで、より公平な評価が得られることがよくあります。最後に、RFMセグメントを構築しても、実際のキャンペーントリガーに接続せず、分析を誰も行動に移さないレポートのままにしておくことです。RFMの価値は、スコアリング演習自体ではなく、セグメントメンバーシップ（およびセグメント遷移）をマーケティング自動化に直接結びつけることにあります。