統計

優良顧客を見つける「RFM分析」の考え方と使い方

RFM分析とは小売、サービス業界における顧客分析の1つです。Recency、Frequency、Monetaryの頭文字をとって称されています。

R → 【Recency:最新購買日】顧客が最近いつ購買したか
F → 【Frequency:購買頻度】顧客がどれくらいの頻度で購買しているか
M → 【Monetary:購買金額】顧客がどれくらいお金を使っているか

これら3つの観点から、顧客を理解したり、顧客を分類するための分析手法です。

例えば、最新購買日が直近にあり、購買頻度も購買金額も多い顧客は、RFMが全て高い水準の顧客です。企業にとっては競合に取られないように死守したい優良顧客だと言えます。

逆にRFM全てが低い水準にある顧客は、このままだと離反しそうだったり、かけている販促コストの見直し対象にすべき顧客です。

このようにRFM分析では、顧客を理解したり、顧客を分類して、今後の作戦を考えるための判断材料を得ることが出来ます。

また、とても直感的な手法であるため、ノウハウがなくても分析結果の解釈が容易であることも大きなメリットです。

実際にやってみよう

必要なデータは?

必要なのは、購買日、顧客を識別するID、購買金額で、以下のようなデータになります。

このデータを使って、顧客識別IDごとに、最新購買日、合計の購買回数及び、購買金額を集計しておきます。

分布の可視化

集計した結果をヒストグラムとして可視化すると、このようになりました。

例えば、顧客全体を3つに等分割すると図のようなイメージで、優良顧客(◎)、普通の顧客(◯)、課題のある顧客(×)のように見ることができます。(経営上の強い目的意識によってはそれを境界線とすることもあります。)

この分割によって、特に「購買金額がいくら」もしくは「どれくらいの回数購買している」と、貢献度の高い顧客と言えそうか、具体的な目安が得られたのではないでしょうか。

次から、もう少し具体的に使い方について説明します。

顧客を分類する

それぞれのグラフで分割された顧客について、◎だったら3点、◯だったら2点、×だったら1点というように、それぞれ点数をつけてみます。
顧客ごとに3つの点数を合計したものをRFMスコアとし、それを分布させて、これまでのように3分割してみる事にします。

この分布で、◎の顧客は逃したくない「優良顧客」と言えますし、一方で×の顧客は、売上について貢献度が低く離れがちな「離反顧客」と判断できるようになりました。

さらに次のように、それぞれの顧客群について、RFMの平均をとった参考値を見てみましょう。

この集計値を使えば、平均7,000円で7回の購買をしてもらえれば、優良顧客になりそうだと目安を立てることが出来ます。
このように優良顧客を増やしていくうえで、目標をどこに置けばよいのか、納得感のある数値を設定するのに、役立てることが出来るのです。

またさらに、優良顧客と定義された顧客群に紐づく属性情報(年齢、性別、住所等)を分析して顧客のペルソナを定義することで顧客獲得において勝ちやすい特徴を明らかにしたり、FMのスコアは高いけどRスコアが低い離反しつつある優良顧客の水際対策を行う際の判断にも活用できます。

このようにRFM分析は、手法自体はとてもシンプルで解釈しやすい一方、様々な示唆に富む結果が得られ、かつ発展的な分析や、次のアクションにつながる手法であることが、実感できたのではないでしょうか。

さらに有意義なビジネスアクションを得るには

RFM分析を発展させ、もっと具体的に有効なアクションを得るための方法論を最後にご紹介します。

RFM+P

データ分析を推進している企業の多くは、利益を大きくすることを重視した分析に注力しています。

かっこでは、「利益」を加味した現状可視化と、適切なビジネスアクション検討のため、利益(Profit)を加えたRFM+P分析を実施しています。

例えばアパレル業界では、季節によって販売商品が変わるため、それなりの頻度で割引セールが実施されます。ここから得られるデータでRFM分析をすると、R, F, M共に高い水準であった顧客の中にPの水準が著しく低い顧客が観測されることがあります。これはセール時を狙って購買行動を起こしているバーゲンハンターと称されるような、顧客です。利益を伸ばすために課題となっている顧客を分類するうえで、「利益」の観点をいれて考えることは重要です。

「全社的に利益が取れる優良顧客を増やしていくために共通認識として、ターゲット顧客を設定したい」という方針のもと分析をするならば、RFM+Pで定義した顧客分類で作戦した方が、より経営方針にあった、純度の高い情報を得ることが出来ます。

まとめ

RFM分析は

・顧客を理解したり、顧客を分類して、今後の作戦を考えるための判断材料を得ることが出来る。

・とても直感的な手法であるため、ノウハウがなくても分析結果の解釈が容易にできる。

RFM分析の内容や、考え方について、理解できたでしょうか?

企業活動において最重要だともいえる「利益」を加えた「RFM+P」を使って、「利益」をもとにした分析をしようとした場合、顧客あたりの「利益」を算出するのは、なかなか大変です。利益を算出するために、「原価」を把握したり、「物流コスト」まで計算するなど、取り扱うデータの内容やボリュームが大きくなることで、今いる企業内の担当者だけでは、分析が難しいというケースも発生します。

そのような時には、立ち止まったり、諦めたりせず、ぜひ、かっこのデータサイエンスまでご相談ください。

 

ピックアップ記事

  1. 多くの人と会話をするきっかけとなる最適な映画をデータサイエンスで選んでみた
  2. こんなときには異常検知
  3. 学生をデータサイエンティストに育てる4つのポイント
  4. 優良顧客を見つける「RFM分析」の考え方と使い方
  5. 知っておきたいAIの理想と現実

関連記事

  1. 統計

    確率を予測する「ロジスティック回帰」とは

    何らかの行動を起こす必要があるとき、「成功する確率」や「何をすれば成功…

  2. 統計

    こんなにも使える、単純集計とクロス集計の活用法

    この記事ではアンケートなどで得られたデータを整理する方法である、単純集…

  3. 統計

    起きることの必然性を統計学で裏付ける!「検定」の使い方!

    かっこ株式会社のデータサイエンス事業部でインターンをしている松中です。…

  4. 統計

    成果をあげるためのアクションに、優先順位を与えてくれる「オッズ比」の使い方

    みなさんオッズ比ってご存じでしょうか?売上や利益をあげるために…

  5. 統計

    度数分布表から、データの傾向を把握しよう

    皆さんは『度数分布表』という言葉を聞いたことはありますか?初めて耳…

  6. 統計

    データの関係性がパッと見でわかる「散布図」

    散布図とは、2つのデータの関係性をパッと見ただけで把握することができる…

カテゴリー

おすすめ記事

  1. 確率を予測する「ロジスティック回帰」とは
  2. データサイエンスを現場の敵にしないために
  3. 優良顧客を見つける「RFM分析」の考え方と使い方
  4. 箱ひげ図 について超カンタンに解説してみた
  5. 知っておきたいAIの理想と現実
  1. 組織

    データサイエンスを現場の敵にしないために
  2. topics

    湘南鎌倉エリアの女性向け物件探しをデータサイエンスのチカラでやってみた
  3. 統計

    優良顧客を見つける「RFM分析」の考え方と使い方
  4. 統計

    確率を予測する「ロジスティック回帰」とは
  5. 統計

    度数分布表から、データの傾向を把握しよう
PAGE TOP