RFM分析の本質と活用パターン｜コンテンツビジネス用語

『RFM分析』という言葉は、マーケティングやコンテンツビジネスの現場で頻繁に使われます。しかし、その正確な意味や設計の要点まで理解されているケースは多くありません。

株式会社Cameenです。本記事は当社の運用知見をもとに解説します。

近年、CRMツールやMAツールが普及して、RFM分析・LTV・コホート分析、こういう顧客分析用語がマーケ現場で日常的に飛び交うようになりましたよね。「顧客データを活用しよう」「セグメント配信で開封率を上げよう」、こういう言葉、もう聞き飽きるくらい目にしているはずです。

では、いざ「RFM分析って具体的に何を見るの?」「Rが高いって何点くらい?」「分類した後どう動くの?」と聞かれると、答えに詰まる方が多いのです。「優良顧客を見つける手法でしょ?」という認識で止まって、その先の「だから次に何をするか」まで設計できている人は意外と少ないのです。こうした課題は、多くの事業者に共通します。

当社ではRFM分析を顧客セグメント設計と休眠掘り起こしで継続運用していて、5段階×3軸=125分類のうち実際に使うのは8〜10セグメントだけ、残りは見ない、というのが現場感覚です。受講生・サポート生からの相談でも「RFM分析を導入したが活用できていない」という声は非常に多くて、話を深掘りすると、ほぼ全員が「分類して終わり、次の打ち手が決まっていない」というパターンに収束するのです。

もう1つ、当社で何度も観察したのは、「R・F・Mの3つを等価で扱うことの落とし穴」。3軸スコアを単純合計すると、本当に動かすべき顧客が見えなくなります。RFM分析は3軸の重み付けと、自社の事業特性に応じた閾値設計が決定打になる領域です。

今回はその「今さら聞けないRFM分析」を、教科書的な定義ではなく、当社で運用してきた現場感覚と、業界で繰り返し観察される失敗パターンまで一気に深掘りしていきます。読み終わる頃には、自分の事業でどの3軸閾値を引けばいいか、紙に書き出せるレベルになっているはずです。

結論:RFM分析の核心は「顧客分類」ではなく「打ち手の優先順位決定」

RFM分析の本当の正体は、「顧客一人ひとりの価値を3軸で可視化して、限られたマーケ予算と工数を、どの顧客層に投下すべきかの優先順位を決めるための意思決定フレームワーク」のことです。分類自体はゴールではなく、「次にこのセグメントへ何をするか」という打ち手設計のための前段にすぎないのです。

R(Recency=直近購入日)・F(Frequency=購入頻度)・M(Monetary=購入金額)、この3つの指標は、それぞれ独立した意味を持っています。Rは「今この顧客はアクティブか」、Fは「この顧客は習慣化しているか」、Mは「この顧客はどれくらい財布を開いてくれるか」を表します。3軸を別々に読まないと、打ち手は出てきません。

業界の体感として、RFM分析を導入した企業のうち、実際に施策にまで落とし込めているのは2〜3割というのが現場感覚です。残りの7〜8割は「分類だけして終わり」「Excelで色分けして満足」「月次レポートに載せるだけ」というパターンに陥っています。分類することが目的化してしまう、これがRFM分析最大の落とし穴です。

RFM分析の真の価値は、3軸スコアから「優良顧客の維持」「離反予兆顧客の引き戻し」「休眠顧客の掘り起こし」「新規顧客の育成」、こういう打ち手をセグメント別に設計できる点にあります。お金を払ってツールを導入することではなく、3軸から打ち手まで一気通貫で設計する目線が必須です。

なぜR・F・Mの3軸なのか。構造的な理由を掘り下げる

もう少し深く掘ります。なぜこの分析手法は「R・F・M」の3軸構成なのか。なぜ2軸ではダメで、4軸でも5軸でもなく、3軸なのか。命名と構造の背景を整理します。

RFM分析の起源は、米国の通販業界で1990年代に体系化された手法です。当時のダイレクトメール業界では「カタログを送る相手をどう絞るか」が最大の経営課題で、限られた印刷費・送料の中で反応率を最大化する必要があったのです。そこで生まれたのが、顧客資産を3軸で評価する仕組みです。

R(Recency)は「直近性」の意味で、最後の購入からどれくらい経っているかを見る軸。業界の体感として、Rが最も予測力が高い軸とされていて、最後の購入から30日以内の顧客は、180日経過した顧客より3〜5倍の反応率を示すというのが定説です。Rは「未来の購買確率の最強の予測変数」です。

F(Frequency)は「頻度」の意味で、過去一定期間に何回購入したかを見る軸。Fが高い顧客は「自社商品の購入が習慣化している」状態で、解約・離反のリスクが低い。業界では、Fは「顧客のロイヤルティの代理指標」として読まれます。F3回以上の顧客は、F1回の顧客に比べて、生涯売上が4〜6倍になるというのが現場感覚です。

M(Monetary)は「金額」の意味で、累計購入金額(または期間内購入金額)を見る軸。Mが高い顧客は「自社商品にお金を払ってくれる経済力と意欲がある」状態。ただし、Mだけ見るのは危険で、業界では「M単独評価ではなく、F×Mで購買単価を見る」という運用が一般的です。1回で大きく払う顧客と、何度も小さく払う顧客、両者は打ち手が違うのです。

なぜこの3軸かというと、顧客の購買行動の「時間軸(R)」「習慣性(F)」「経済性(M)」の3つを独立に評価できるからです。2軸だと習慣性か経済性のどちらかが見えなくなり、4軸以上に増やすと運用が複雑化して破綻します。3軸が「ヒトが頭で扱える複雑性の上限」という業界経験則があり、これがRFM分析が長く使われ続けている構造的理由です。

近年は、RFM分析にE(Engagement=エンゲージメント)を加えたRFME分析や、メール開封率を加えた拡張版も登場していますが、業界の体感としては「3軸で十分機能する、軸を増やすほど運用が破綻する」というのが現場の結論です。シンプルさが武器の手法です。

RFM分析の現場で何が起きているか

RFM分析の現場で、具体的に何が起きているか。5段階で整理します。実装の流れと、各段階で起こる現場の判断を一緒に追っていきます。

ステージ1:データ要件定義と取得

RFM分析を始める前段で、最も時間がかかるのが「データ要件定義」です。顧客ID・購入日・購入金額、この3項目が最低限必要なデータで、これが揃っていないとRFM分析は始められません。CRMツールや決済システムからエクスポートしてきます。

当社で運用していて、ここで詰まるパターンが多いのです。「決済データはあるけど顧客IDが不一致」「過去データが消えている」「複数チャネルの顧客が紐づいていない」、こういう状態だとRFMが計算できません。データ整備が分析の8割を占める、これが業界共通の現場感覚です。

ステージ2:期間設定と閾値設計

分析対象期間を決めます。業界の標準は「過去12ヶ月」で、これより短いと購買サイクルが見えず、長いと古いデータがノイズになります。サブスク商材は3〜6ヶ月、高単価商材は12〜24ヶ月、こういう事業特性に応じた期間調整が必要です。

次に閾値設計。R・F・Mそれぞれを5段階に分割するのが業界標準で、上位20%・次20%・中間20%・次20%・下位20%、いわゆる五分位で区切ります。ただし、自社のデータ分布が偏っている場合は固定閾値(例:Rは30日/90日/180日で区切る)を使うのが現場の実践知です。

ステージ3:スコアリングとセグメント分類

各顧客に対してR・F・Mのスコア(1〜5)を付与します。R5=直近購入、R1=ずっと前に購入、F5=頻繁に購入、F1=1回だけ購入、M5=多額購入、M1=少額購入、こういう構造です。3軸の組み合わせで理論上125セグメント(5×5×5)が生成されます。

ただ、125セグメント全部を見るのは現場では不可能です。実際に運用するのは8〜10セグメントだけ。「優良顧客(R5F5M5)」「離反予兆(R2F4M4)」「休眠優良(R1F4M4)」「新規(R5F1M2)」、こういう代表的なパターンに集約して打ち手を設計します。

ステージ4:セグメント別の打ち手設計

セグメント分類ができたら、次は打ち手設計です。ここがRFM分析の本番です。「優良顧客にはVIP扱い・先行案内・限定オファー」「離反予兆には引き戻しメール・特別クーポン」「休眠優良には掘り起こしキャンペーン」「新規には育成シナリオ」、セグメント別に異なる施策を組みます。

業界の現場で見落とされがちなのが、「セグメント別の打ち手は同時並行で走らせる」という運用設計です。1セグメントずつ順番にやると、PDCAのサイクルが遅すぎて、データが古くなります。MAツール(マーケティングオートメーション)で自動化して、複数セグメントを並行運用するのが業界の標準です。

ステージ5:効果測定とセグメント再定義

打ち手を実行したあと、効果測定をしてセグメント定義を見直します。「離反予兆セグメントの引き戻し率は何%だったか」「休眠掘り起こしのROIはプラスだったか」、こういう数字をセグメント別に追います。月次〜四半期次で見直すのが業界の運用サイクルです。

RFM分析の値は固定値ではなく、時間と共に変動します。優良顧客が休眠化することも、休眠顧客が復活することもあるのです。月次でRFMスコアを再計算して、顧客の状態変化を継続追跡する。これが「分類して終わり」にしないための運用の核心です。一度作って放置するのではなく、生き物として育てる感覚が必要です。

身近な話で全体像をつかむ

ちょっと身近な話で、全体像を掴み直しましょう。

近所のお気に入りカフェに置き換えてみます。あなたが小さなカフェのオーナーで、常連客リストを見ながら「来月のクーポン施策を誰に送ろうか」と考えている、と仮定します。リストには100人の顧客がいて、それぞれ来店日・来店回数・累計利用金額が記録されています。クーポンの郵送費は1通100円。予算は1万円。100人全員には送れません。

ここで「誰に送るのが一番ROIが高いか」を考えるとき、頭の中で自然にやっているのがRFM分析です。「先週来た常連のAさん」と「半年来てないけど月1で通ってたBさん」と「3年前に1回だけ来たCさん」、この3人にクーポンを送ったとき、反応率が高いのは誰か、考えてみてください。

Aさんは「R高・F高」だから、クーポンなしでも来てくれる確率が高い。BさんはR低・F高で、「離反予兆」の典型で、クーポンが効きやすい。Cさんは「R低・F低」で、クーポン送っても反応しない可能性が高い。この直感的な判断を、データで体系化したのがRFM分析です。

本質はここです。「全員に同じ施策を打つのではなく、相手の状態に応じて打ち手を変える」。これだけのことを、データに基づいてやりましょう、というのがRFM分析の正体です。難しい数学ではなく、現場の判断を構造化した手法にすぎないのです。

業界の事例として、化粧品ECで「離反予兆セグメント」だけに送ったクーポンが、全顧客一斉配信より反応率が3〜5倍高くなる、というのが典型的な成功パターンです。同じクーポン施策でも、「誰に送るか」を変えるだけでROIが大きく変わるのです。RFM分析の真価は、ここに表れます。

逆に、RFM分析を導入してもROIが上がらない事業もあります。それは「セグメント別の打ち手が用意できていない」「打ち手の差別化が小さい」「データ更新が止まっている」、こういう運用側の問題が原因です。手法そのものではなく、運用設計が9割を決める領域です。

RFM分析を機能させる3条件