インターン生募集 未来のゲームチェンジャーの「やってみよう」をカタチに!データサイエンスのかっこでインターン生募集中

統計

  •  PR 

RFM分析とは?優良顧客を見つけるやり方やメリット【例を用いて解説】

RFM分析のアイキャッチ画像

「RFM分析ってどうやるの?」
「RFM分析のメリットはあるの?」

と気になりませんか?

RFM分析は、顧客の行動を分析、効果的な施策を行うための判断となる分析を行う手法です。

顧客のグループ分けを行えることで、それぞれの顧客について新たな施策を打ち出せます。

本記事では、

  • RFM分析の基礎知識とやり方
  • RFM分析のメリット・使える場面

についてお伝えしていきます。ぜひ参考にしてみてください!

かっこのデータサイエンス公式

RFM分析とは

RFM分析とは

RFM分析とは顧客分析の1つで、顧客の行動をRFMの3つの頭文字からなる要素で分析します。

顧客を以下のように、

  • 優良顧客
  • 普通顧客
  • 離反顧客

の3つに分類することで、優良顧客や自社から離れそうな顧客はどんな層なのかを把握することが目的です。

RFM分析は以下の3つの要素から分析します。

  • R=Recency(最新購買日)
  • F=Frequency(購買頻度)
  • M=Monetary(購買金額)

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が全て高い顧客であり、自社にとって死守したい優良顧客と言えます。

逆にRFM全てが低い水準にある顧客を見つけた場合、その顧客層に対する販促コストの削減を決定できます。

このように、RFM分析では顧客を分類することで、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。

Recency(最新購買日)

Recency(最新購買日)は顧客が最後に購買した日付のことで、最新の購買日が近いほど自社商品に対する関心が高い顧客だと判断できます。

どの期間を分析対象とするかで最新購買日は変化するため、キャンペーンの効果を見ることなどにも応用できます。

例えば、最近商品を購入した顧客は、自社に対して関心が高いため、新しいキャンペーンに興味を持つ可能性が高いと判断できます。

Frequency(購買頻度)

Frequency(購買頻度)は一定期間内に顧客が商品を購買した回数のことで、顧客が自社に対してどれだけ好感度があるかを判断できます。

購買頻度が高い場合、自社の商品をリピートしてくれていると判断でき、好感度が高いのではないかと推測が立てられます。

また、商品の購入頻度が低い顧客は、自社のブランドや商品に対する好意度が低くなっている可能性があります。

Monetary(購買金額)

Monetary(購買金額)は、顧客が購買した商品の金額のことで、その顧客がどれだけ自社に利益をもたらしてくれるのかを判断できます。

一般に、高額な商品を購入する顧客は、他の顧客よりも価値が高い優良顧客である可能性が高いです。

そのため、優良顧客に対してのみお得なキャンペーンなど打ち出すことで、優良顧客のロイヤルティを高められます

RFM分析を行う3つのメリット

RFM分析は顧客を分析する手法のため、様々なメリットがあります。

RFM分析のメリットは以下の3つです。

  • 顧客をグループに分けられる
  • マーケティングの施策を考えやすくなる
  • マーケティングコストを削減できる

顧客をグループに分けられることで、マーケティングの新たな施策やコスト削減の判断材料になります。

それぞれのメリットについて以下で解説していきます。

顧客をグループに分けられる

顧客をグループに分けられることがRFM分析の最大のメリットです。

様々な顧客のグループ分けの手法がありますが、RFM分析は他の手法に比べて解釈しやすい分析手法になります。

RFM分析では、顧客を3つの要素から3つのグループに分けます。

  • 優良顧客:自社の商品を高頻度で多く購入してくれている顧客
  • 普通顧客:平均的な顧客
  • 離反顧客:自社の商品を買わなくなりそうな顧客

このように分類できることで、それぞれの顧客層に異なったアプローチを行えるようになるのです。

もし、グループ分けを行わず販促を行っていると、ある1つのグループにだけしか販促できていなかった…となりかねません。

顧客を客観的にグループ分けできることで効果的なアクションに繋げられるのが、RFM分析のメリットになります。

マーケティングの施策を考えやすくなる

RFM分析によって顧客をグループ分けすることで、マーケティング施策が考えやすくなります

顧客をグループ分けしていなければ、マーケティング施策のターゲットがぼんやりとなりますが、顧客をグループ分けすることで、それぞれの顧客の特性を大まかに区切れるのです。

RFM分析で顧客のグループ分けを行うことで、広告のターゲットを明確にできます。

マーケティングコストを削減できる

RFM分析はマーケティングでのコスト削減に活用できます。

ビジネスではコスト管理が重要であり、効果の低い販促活動は削減しなくてはなりません。

RFM分析では、

  • 優良顧客
  • 普通顧客
  • 離反顧客

の3つの顧客に分類することで、現在の販促活動がどれだけ効果的なのかを判断できます。

例えば、離反顧客がほとんどいないのにも関わらず、連続して値下げキャンペーンをする必要は低いですよね。

このようにキャンペーンと顧客層を比較してみることで、より効果的なキャンペーンを考えられるのです。

RFM分析が使える3つの場面

ここでは実際にRFM分析がどのような場面で役立つのかを解説していきます。

RFM分析が使える場面は以下の3つです。

  • キャンペーンを打ち出したい時
  • 売上低下の要因を知りたい時
  • リピーターを増やしたい時

RFM分析は顧客を3つの要素で分析することで、新しいアクションの判断材料を見つけ出せます。

今回はビジネスで特に重要であるキャンペーンや売上、リピーターについて絞って解説していきます。

キャンペーンを打ち出したい時

RFM分析を行うことで、特定のキャンペーンがどの顧客層に最も適しているかを判断できます。

RFM分析では、顧客を分類することで優良顧客や離反する確率の高い顧客を見つけ出せます。

そのため、RFM分析でグループ分けを行い、特定の顧客層に対してキャンペーンを効果的に打ち出せるのです。

売上低下の要因を知りたい時

特定の期間に売上が低下している場合、RFM分析を行うことで原因を特定できます。

売り上げの低下には必ず以下のRFMの要素が関係します。

  • Recency(最新購買日)
  • Frequency(購買頻度)
  • Monetary(購買金額)

そのため、RFM分析を行うことで、どの要素が売上低下を引き起こしているのかを分析します。

例えば、顧客の購買頻度が低下していると判断できれば、競合他社に顧客が流れている可能性や季節的な可能性が考えられますよね。

購入頻度の低下が売上低下の要因と分かることで、競合他社に流れている場合はキャンペーンを打ち出す、季節性の場合には販促コストを下げてしまうなどのアクションを取れるのです。

リピーターを増やしたい時

RFM分析を行うことで、リピーターになる可能性が高い顧客を見極められます。

リピーターは自社の商品に関心を抱いて購買してくれている顧客であり、売上の大半を占める顧客である(パレートの法則)ことから、自社にとって重要な顧客です。

RFM分析と他の手法を組み合わせることで、リピーターの発見から特徴の把握、キャンペーンの展開へと繋げられます。

かっこのデータサイエンス公式

RFM分析のやり方・手順4ステップ

ここから、RFM分析のやり方を4ステップで解説していきます。

  1. データを準備する
  2. 項目ごとにヒストグラムで見える化する
  3. 顧客を分類する
  4. 新たな施策を考える

上記の4ステップを行うことで、RFM分析を行えます。

実際に架空のデータを用いてグラフの算出から顧客の分類、施策を考えるところまで解説します。

STEP1. データを準備する

まず、顧客の購買履歴などのデータを集めます。

集めるデータの項目は、購入日付や購入回数、購入金額です。

以下が集めるデータの例になります。

RFM分析のためのデータ例

このようなデータが用意できれば、ヒストグラムで実際に項目ごとに見える化していきます。

STEP2. 項目ごとにヒストグラムで見える化する

ヒストグラムでの見える化は各項目ごとに行います。

ヒストグラムの作り方を知りたい方やおさらいをしたい方は『ヒストグラムとは?見方やエクセルでの作り方・経営分析の例を解説』の記事をご参照ください。

例のデータから実際にヒストグラムを算出してみます。

Recencyのヒストグラム
Frequencyのヒストグラム
Monetaryのヒストグラム

それぞれ縦軸が顧客数、横軸がRFMの各項目です。

どのヒストグラムからも見て取れるように、RFM分析では各項目のヒストグラムが右に偏ることが知られています。

もし、右に偏っていない場合は少し特殊な顧客層であることを疑いましょう。

STEP3. 顧客を分類する

各項目ごとのヒストグラムを確認したところで、顧客の分類に移ります。

今回は分かりやすいように、顧客を3つのグループに分類します。

  • 優良顧客
  • 普通顧客
  • 離反顧客

以下のような流れで上記の3つのグループに分類していきます。

  1. RFMの各値を降順にして顧客数が等しくなるように3つに分ける
  2. 左から3点、2点、1点を与え、それぞれR・F・Mのスコアとする
  3. R・F・Mスコアの合計を計算し、RFMスコアを算出(顧客ごとに3〜9点までの範囲)
  4. RFMスコアの分布を3等分し、優良顧客・普通顧客・離反顧客に分ける

まず、RFMの各項目で顧客数が3等分になるように分けます。

先ほど見える化した各ヒストグラムを実際に3等分に分けてみると以下のようになります。

Recencyのヒストグラムの3等分
Frequencyのヒストグラムの3等分
Monetaryのヒストグラムの3等分

最新購買日は新しい方が良いため左にいくほど良いとし、購買回数、購買金額は高い方が良いため右に行くほど良いとします。

それぞれ3つに分けられたら、しきい値(区切りになる値)を設けて、R・F・Mのそれぞれに3,2,1点を与えます。

上の作業から作成した点数表をもとに顧客ごとでR・F・Mのスコアを与え、それぞれのスコアの合計であるRFMスコアを求めます。

RFMスコアをもとに、縦軸を顧客数、横軸をRFMスコアとしたヒストグラムを作成し、

  • 優良顧客
  • 普通顧客
  • 離反顧客

の3つのグループに分類します。

最終的に例のデータから見える化したヒストグラムは以下のグラフになります。

RFM分析の結果

RFMスコアが高い方がより優良顧客であるとし3等分することで、上図のように顧客を分類できます。

分類が行えたので、新たな施策を考えていきましょう。

STEP4. 新たな施策を考える

顧客を分類できたところで、マーケティングの施策を考えていきます。

企業にとって大切なのは優良顧客を増やすことであるため、今回は優良顧客を増やすことを目標として施策を考えます。

例のデータのそれぞれの顧客グループのR・F・Mの平均値を算出したのが以下の表です。

RFMの平均値

例として、優良顧客と普通顧客との間にある平均最新購買日の差に着目し、施策を考えてみましょう。

例えば、クーポンを配信する施策を行うことで、購買日のスパンを短くでき、平均購買回数の増加も見込めます。

このように、R・F・Mの各要素で比較することで、どの指標を改善すればよいのかを把握でき、新たな施策につなげることで、売上向上できるのです。

RFM分析の3つの注意点

RFM分析は顧客を優良顧客や普通顧客・離反顧客とグループ分けできる点が優れています。

しかし、RFM分析には以下の3つの注意点があります。

    • 顧客の細かい属性を分析できない
    • 購買頻度が低い商品の分析には向かない
    • 分析する範囲によって結果が異なる

ビジネスに活用するのであればこれらの点は注意しなくてはなりません。

もし、分析する時に注意点がネックであると判断すれば他の手法を用いることが必要です。

以下で、それぞれ解説していきます。

顧客の細かい属性を分析できない

RFM分析は顧客の細かな属性や好みまでは分析できません。

RFM分析は購買頻度や金額で顧客を判断するだけで、個々の属性までを分析できないのです。

たとえば、優良顧客の特徴分析はRFM分析では行えないため、新しい施策やキャンペーンを打つ時には別の手法と組み合わせてターゲットを設定する必要があります。

購買頻度が低い商品の分析には向かない

購買頻度の低い商品の分析にはRFM分析は向きません。

購買頻度が低いと、最新購買日の差が大きくなりすぎたり購買頻度の差がほとんどなくなったりといった影響があるため、RFM分析のRとFが機能しなくなってしまうのです。

購買頻度の低い商品として以下のようなものが挙げられます。

  • 不動産

分析を行う前に平均的にその商品はどれくらいの購買頻度であるのか、を確認するようにしましょう。

分析する範囲によって結果が異なる

最新購買日や購買頻度を指標として持っているため、どこまでの日付や範囲でRFM分析を進めるかで大きく結果が異なります。

たとえば、セールがRFM分析の対象期間の最後にあった場合、最新購買日に差が見られなくなり、正しい分析結果が得られないことが考えられます。

また、どれだけの期間を分析するかで、以下のように結果の正確性が変わります

  • 短期間のデータ:偶然に左右されやすい
  • 長期間のデータ:偶然の影響を抑えられる

長期間のデータでは、離反顧客や普通顧客と購買頻度などで大きな差がついているため、自社にとっての本当の優良顧客を見つけられます。

短期間のデータだと差が生まれにくいため、たまたま購買頻度が高くなるなどの偶然に左右されやすいのです。

しかし、短期間のデータを分析することで現在の優良顧客を把握できることもあるため、しっかりと分析の目的を明確にして、RFM分析を行うことをおすすめします。

まとめ

RFM分析は、顧客の行動を理解することで、効果的なマーケティング施策を行うための判断となる分析を行う手法です。

Recency、Frequency、Monetaryの各要素から顧客を適切に分類し、それぞれの顧客に合ったアプローチを考えます。

RFM分析のメリットは主に以下の3つです。

  • 顧客をグループに分けられる
  • マーケティングの施策を考えやすくなる
  • マーケティングコストを削減できる

顧客をグループに分けられることでターゲット設定が簡単になり、顧客ごとにマーケティングの施策を立てやすくなります。

また、現在行っているキャンペーンが効果的であるかの分析にも応用できるため、マーケティングコストの削減に用いられます。

これらのメリットから、RFM分析は多くの場面で利用できます。

  • キャンペーンを打ち出したい時
  • 売上低下の要因を知りたい時
  • リピーターを増やしたい時

キャンペーンだけでなく、売上低下の要因分析にもRFM分析が有用です。

また、購買頻度の指標があるため、RFM分析はリピーターを増やしたい時の施策の立案の判断材料になります。

RFM分析のやり方は以下4ステップです。

  1. データを準備する
  2. 項目ごとにヒストグラムで見える化する
  3. 顧客を分類する
  4. 新たな施策を考える

実務で分析する場合は、それぞれのステップで必ずデータをヒストグラムで見える化して確認するようにしましょう。

また、RFM分析を行う上で3つの注意点があります。

  • 顧客の細かい属性を分析できない
  • 購買頻度が低い商品の分析には向かない
  • 分析する範囲によって結果が異なる

新たな施策を考えるためには顧客の細かい属性を把握する必要があるため、RFM分析と別の分析手法を組み合わせる必要があります。

また、商品によってRFM分析が向いていないケースがあったり、分析範囲で大きく結果が変わったりすることもあわせて覚えておきましょう。

もし自社で、「顧客分析をしたいけどできる人がいない…」「データをどのように扱っていいか分からない…」というお悩みがあれば、『かっこのデータサイエンス』にお問合せください。

状況のヒアリングを行い、お持ちのデータから顧客分析などを行います。

サンプルデータの確認や課題の洗い出しまで無料で承っていますのでお気軽にご相談ください。(※データの集計や本データの分析、改善の実施には費用がかかります。)

詳細は以下のページからご確認ください。

かっこのデータサイエンス公式

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. 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
  3. こんなときには異常検知
  4. 知っておきたいAIの理想と現実
  5. RFM分析とは?優良顧客を見つけるやり方やメリット【例を用いて解説】

関連記事

  1. 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…

  2. ヒストグラムのアイキャッチ画像

    統計

    ヒストグラムとは?見方やエクセルでの作り方・経営分析の例を解説

    「ヒストグラムってなに?」「どうやって作るの?」と…

  3. 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…

  4. 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…

  5. 統計

    箱ひげ図について超カンタンに解説してみた

    「箱ひげ図ってどう見るのが正解?」と気になりませんか?中高の数…

  6. 統計

    利益爆増のためのアクションを発見!「カイ二乗検定」の可能性とは

    データサイエンスという言葉を聞いてみなさんがまず期待するのは、「会社の…

おすすめ記事

  1. 就活で話すことには困らないかっこのインターンシップ経験!
  2. 日々、巧妙化する不正取引の対策頻度を10倍に向上!「異常検知…
  3. 全力で食らいついたかっこでの1年間
  4. 確率を予測する「ロジスティック回帰」とは
  5. データサイエンスを現場の敵にしないために
  1. インターン体験記

    全力で食らいついたかっこでの1年間
  2. なんでも平均でいいの?

    統計

    なんでも平均でいいの?中央値と平均値をどう使い分けるか
  3. インターン体験記

    データサイエンスの知識をデジタルマーケティング実務で実践! 進路も変えたインター…
  4. ロジスティック回帰分析のアイキャッチ画像

    分析

    ロジスティック回帰分析とは?使える場面や実装まで徹底解説!
  5. 映画鑑賞初心者の私がデータ分析で映画を選んでみたのアイキャッチ画像

    データ分析例

    映画鑑賞初心者の私がデータ分析で映画を選んでみた
PAGE TOP