RFM分析とは?顧客をランク付けするやり方と、活用事例・問題点

顧客分析の手法として代表的な、「RFM分析」。その意味や目的・メリットを、初心者にも分かりやすく整理しました。さらに通販ビジネスにおける活用事例をもとに、データの見方のコツや注意すべきポイントも解説します。

3つの軸で顧客をマッピング

「最終購入日」「購入回数」「購入金額」の3軸で、顧客を分析

 

はじめに、「RFM分析とは?」を見ていきましょう。

 

RFM分析で用いるのは、最終購入日(Recency)・購入回数(Frequency)・購入金額(Monetary)の3つの軸です。

 

 

最終購入日(Recency)

 

商品を最後に買ってから、どれくらい日にちが経っているか?、すなわち最終購入日からの期間です。
たとえば「R5」は、5ヶ月前に商品を最後に買ったお客様のことです。

 

 

購入回数(Frequency)

 

これまで商品を何回買ってもらったか?、すなわち累計での購入回数です。
たとえば「F3」とは、購入回数が3回のお客様のことです。

 

 

購入金額(Monetary)

 

これまでどれだけお金を使ってもらったか?、すなわち累計での購入金額です。
「12,000円」や「35,000円」など金額が入ります。

 

 

このように最終購入日・購入回数・購入金額の3つの軸を用いて、顧客を分析する手法がRFM分析です。

 

3つの軸で顧客をマッピング

3つの軸で顧客をマッピング

 

 

既存顧客にくり返し購入してもらうためには、「カタログを郵送する」「電話をかける」といったコミュニケーションが有効です。
その対象となる顧客リストを抽出する時に、この「RFM分析」が活躍するのです。

 

 

RFM分析の目的は、既存販促の費用対効果アップ

 

たとえばダイレクトメール(DM)も、すべての顧客には送りません。
「最終購入日が6ヶ月以内」や「累計購入金額が20,000円以上」といったように、一定の条件に当てはまる顧客にのみ発送します。

 

RFM分析にもとづく、レスポンス率の傾向を見ていきましょう。

 

 

R(最終購入日)が小さい方が、レスポンス率が高い

 

直近では3ヶ月前に購入したお客様(Recencyが3。以後「R3」)と2年前に購入してそれっきりの方(R24)とでは、どちらの方が買ってもらいやすいでしょうか?
前者(R3)の方が購入意欲が高いのは想像できますし、一般的にも前者の方がレスポンス率が高い傾向があります。

 

 

F(購入回数)が大きい方が、レスポンス率が高い

 

また、10回買ってもらった履歴のある過去のロイヤル顧客(Frequencyが10。以後「F10」)と、1回だけお試し商品を買ってやめてしまった顧客(F1)では、どちらの方が買ってもらいやすいでしょうか?
前者(F10)の方が会社や商品に愛着があるのは想像できますし、一般的にも前者の方がレスポンス率が高い傾向があります。

 

RとFにもとづいて既存顧客をランク付け

RとFにもとづいて既存顧客をランク付け

 

 

RFM分析を用いれば、「R(最終購入日)が1年以内の顧客」や「F(購入回数)が2回以上の顧客」などの要素でセグメントできます。
R・F・Mそれぞれのスコアによって、「優良顧客」や「休眠顧客」など顧客をランク付けしたうえで、買ってくれそうなお客様だけに販促費用を投下できます。

 

つまり、RFM分析を使えば既存顧客へのCRM施策の費用対効果がアップしやすく、収益を合理的に最大化できるのです。
 

 

データ分析のやり方は?5ステップと必要なツール

 

では、具体的にどんなやり方で、分析を進めていけばよいでしょうか?
必要なツールと合わせて、プロセスを5つに分けて解説します。
 

 

ステップ1:仮説を立てる

 

はじめに大事なポイントですが、データを出す前に必ず仮説を立てておきましょう。
 

「休眠顧客向けのDMの費用対効果が、悪化している」と、あなたが感じているとしましょう。
それならば、「DMによる販促で、一定期間購入していない休眠顧客については、費用の方が売上を上回って赤字になっているのでは?」と一歩踏み込んで、仮説として記録しておきます。
 

起こっている事象や想定している原因などを、もう少しブレイクダウンし言語化できないか?
面倒に感じることもあると思いますが、欠かさずに行いましょう。
 
 

ステップ2:必要なデータを定義する

 

そのうえで、「浮かんだ仮説を検証するためには、どのような数字をとる必要があるか?」を整理するのです。
この場合は、「過去3回分のDM実績における、レスポンス率と平均購入単価」をRecency(最終購入からの月数)ごとに抽出して、平均発送費用と比較すればよい」と分かります。
 

なお、ステップ4でデータをもとに意思決定を行うに際して、「このデータでは不十分」となると効率的ではありません。
データの母数や期間、除外する条件なども、事前に握っておくと間違いがないでしょう。
 
 

ステップ3:システムからデータを抽出する

 

1で定まったデータを抽出するため、データベースにアクセスしましょう。
 

たいていの通販会社は、財務会計や在庫管理などの「基幹システム」と連携して、「たまごリピート」や「カスタマーリングス」など、通販ビジネスに即した「販促システム」を活用しているでしょう。
販促システムからデータを取り出すなら、R(最終購入日)・F(累計購入回数)・M(累計購入金額)を、それぞれ独立した項目として顧客情報に紐づいてダウンロードできるので便利です。
 

先ほどの例では、顧客IDごとにDM送付前の最終購入日とDMのレスポンス情報がスプレッドシートに揃えば十分です。
 
 

ステップ4:数字の集計はエクセルで可能

 

高度なデータ解析ツールもありますが、一般的なRFM分析なら、基本的にはEXCEL(エクセル)で可能です。
 

ステップ3のようにデータが揃えば、たとえば「ピボットテーブル」の機能を使えば、Rごとのレスポンス率が出ます。
テーブルごとにデータを紐づける場合は「vlookup」など、関数を使うケースも多いでしょう。
 

Tableau(タブロー)やDOMOなどBIツールを活用すると、ビジュアライズして可視化されやすくなります。
マネジメントに報告したり、部署全体で定期的にモニタリングする場合などには有用でしょう。
 
 

ステップ5:データをもとに意思決定する

 

最後に、もっとも重要なのが分析を施策に反映することです。
 

ステップ1で立てた仮説が、現実と合っているか?をデータにもとづいて確認します。
 

たとえば、Rが10以上(最終購入日から10ヶ月以上)の顧客には、DMを発送しても赤字になっていたことが判明したとしましょう。
その場合は、Rが10以上の顧客にはDMの発送を取りやめて、今後は9以下の顧客だけに送付するのが有効と判断できます。
 

データにもとづいて施策の有効性を議論し、その可否を意思決定していくのです。
 

「まずはデータベースから数字を出す」「EXCELで関数をいじってみる」と手を動かしてみるのもよいですが、このように分析の全体像を理解しておくとスムーズに仕事を進めやすいでしょう。
 

 

通販ビジネスの事例からみる、効果的な活用法と限界

 

ではこのRFM分析、マーケティングの現場ではどのように使われているのでしょうか?

 

このブログの読者にも多い化粧品や健康食品など「単品リピート通販」での活用ポイントを、事例を交えて見ていきましょう。

 

 

単品リピート通販では、Rと Fでまずは十分

 

RFM分析のなかでも、「レスポンスに最も影響を与える要素はR(最終購入日)」という大まかな傾向が、過去のデータから明らかになっています。
その次に重要なのが、F(購入回数)逆に言えば、いったんはM(購入金額)は除外して、RとFだけに絞って分析すると良いでしょう。

 

会社によって考え方は違うかもしれませんが、私が通販会社にいた時は、RFMのうちMは分析に入れていませんでした。(中略)
Mは必要がなく、RとFの違いで区分したグループわけをして、それぞれに応じた施策を考えるというのが、現場で使うには現実的な方法だということです。

 

データベースマーケティングの基礎 – 費用対効果を明らかにするRFM分析とは」より

 

特に健康食品など、同じ商品を定期的に購入するのが前提のビジネスモデルでは、F(購入回数)とM(購入金額)は連動しやすい傾向もあります。
したがって、「金額を見なくても回数をみておけば、会社としてフォローを考えるのに十分な分析ができる」(同記事より)のです。

 

RとFにもとづいて顧客アプローチ施策をマッピングした例

RとFにもとづいて顧客アプローチ施策をマッピングした例


 

 

長期的な「顧客育成」がおろそかになりがちな問題点も

 

RFM分析には、「顧客育成」の視点が抜け落ちてしまいやすい、という問題点もあります。

 

たとえば、買ってくれやすい顧客に狙いを定めてくり返しDMやカタログを送ると、だんだんと飽きられてしまいます。
短期的な費用対効果ばかりを追い求めると、顧客リストが疲弊してしまい、一時的に売上を伸ばしても伸び悩むことが多いのです。

 

「これまでは購入額が少なかったお客様」、「昔は常連だったが今はお休みされているお客様」でも、辛抱強く商品の良さをお伝えしていけば、優良顧客になる可能性もある。
しかし、RFM分析では「既に購入履歴のあったお客様」に焦点をあてるので、これらのお客様は、結果として切り捨てられてしまう。

 

「RFM分析」の使い方を間違えると ―「顧客育成シナリオ不在の罠」第2回― より

 

 

このようなRFM分析の限界をクリアにするために、「顧客ポートフォリオマネジメント」(CPM)という理論も開発され、通販ビジネスにおいて活用されています。
(参考:「3年間で年商10億円を目指す!顧客ポートフォリオ・マネジメント実践例」)

 

これまで見てきたとおり、RFM分析は強力なツールです。
その限界や問題点も合わせて理解したうえで、局面に応じて使い分けてみると良いでしょう。

 

この記事が、あなたの会社のデータベースマーケティングに少しでもお役に立てることを願っております。