顧客をRFMでクラスタリングする実践｜セグメント別に施策を変える（デモデータで再現）

「今月は何をしましょうか」と会議で問われて、結局は全顧客へ同じ一斉メールを送る——多くのEC運用が、ここで足踏みします。顧客を「ひとまとまりの平均」として眺めているかぎり、打ち手はどうしても当たり障りのないものにしかならないからです。実際に効くのは、行動でグループに分け、グループごとに打ち手を変えること。そして分け方の核心は、後半で詳しく見る「人数の構成比」と「売上シェア」のズレにあります。頭数は多いのに売上は薄い層、逆に人数の割に売上を厚く支えている層——その食い違いの中に、次の一手が眠っています。本記事は、当社がクライアントの顧客分析で回しているRFMクラスタリングを、架空のデモEC「NutriDemo」の合成データ（2,000件）で再現します。数値はすべてデモ用の架空値で、実在の企業・顧客とは無関係です。分析の“型”と“読み方”だけを持ち帰ってください。

なぜ「平均」をやめるのか

顧客データを開いて最初にやってしまうのが、「平均購入回数」「平均客単価」といった代表値を眺めることです。月に3回買う常連と、1年前に一度きり買って消えた人。この2人を足して割れば「平均2回」といった、どちらの顔もしていない数字が出てきます。その“平均的な顧客像”に向けて設計した施策は、常連には物足りず、一度きりの人には届かない——結局、誰にも当たりません。平均は代表値としては便利ですが、「熱心な客」と「離れた客」の混ざりを覆い隠すという副作用を必ず持ちます。分析の一歩目は、この混ざりをほどくことです。

ほどく物差しにRFMを選ぶ理由は、それが年齢や性別といった属性の推測ではなく、実際に起きた購買行動そのもので分けるからです。「この年代のこういう人はたぶんこう買う」には当たり外れがありますが、「最後に買ったのが半年前」「これまで十数回買っている」は推測ではなく、すでに起きた事実。事実でほどくから、施策の前提がぶれません。属性データが十分に揃っていなくても、購買履歴さえあれば回せるのも、実務では大きな利点です。

しかもR・F・Mは、それぞれ別のことを語ります。Rは「まだ生きている顧客か」を最終購入からの日数で、Fは「習慣になっているか」を購入回数で、Mは「どれだけの価値か」を累計金額で映す。この3つは連動していそうで、実際にはずれます。そして肝心なのはそのズレのほうです。たくさん買ってくれた（Fが高い）のに最近は来ていない（Rが低い）という食い違いこそ、後で見る「離反懸念」の正体であり、1軸だけを追っていると必ず見逃す危険な組み合わせです。平均をやめ、3軸のズレを見る——RFMの出発点は、この一点に尽きます。

スコアリングの型 ― 分位で点にして、組み合わせで名前をつける

RFMを「なんとなくの印象」で終わらせないために、各軸を数値スコアに落とします。もっとも素直なのが、分位で区切る型です。NutriDemoの2,000件をRの良い順（最近買った順）に一列に並べて5等分し、上位2割にR=5、次の2割にR=4……最後の2割にR=1を割り振る。F（回数）とM（金額）も同じく5分位で1〜5点にします。テストの生の点そのものではなく、クラス内の相対順位で5段階評価に置き換えるのに近い作業で、金額の絶対値がいくらであっても「その事業の中での相対的な位置」で公平に比べられるため、単価の高い商材でも安い商材でも同じ型がそのまま使えます。ここで一つだけ向きに注意が要るのは、Rは「日数が小さいほど新しい＝高得点」で、点の向きがFやMと逆になること。FやMと同じ「大きいほど高得点」で処理すると、いちばん離れた客をうっかり最上位に置いてしまいます。

必要なデータは、驚くほど少なくて済みます。顧客を識別するID・購入日・購入金額の3列さえあれば、R（最新の購入日から今日までの日数）・F（IDごとの購入回数）・M（IDごとの金額合計）はすべて計算できる。会員登録の属性が揃っていなくても、注文データだけで始められる——これがRFMの敷居の低さです。ただし逆に言えば、同じ人の注文が同じIDに正しく紐づいていること（名寄せ）だけは、点を割り振る前に確かめておきたい。ここがずれると同じ人が別人として二重にカウントされ、FもMも実態より低く出ます。土台のデータが濁っていれば、その上に立つセグメントも濁る。分ける前に、まず「1人を1人として数えられているか」を点検します。

こうして各顧客はR・F・Mそれぞれに1〜5の点を持ち、あとはその組み合わせに事業の言葉で名前をつけたものがセグメントです。3軸とも高い（R5・F5・M5に近い）人はチャンピオン、金額も回数も高いのに最終購入だけが遠い人（F・Mは高いがRが低い）は離反懸念、買ったのは最近だが回数がまだ少ない人（Rは高いがF・Mが低い）は新規、どの軸も低ければ休眠。難しい数式は要りません。効くかどうかは、点の組み合わせを事業のストーリーとして読めるかにかかっています。

そして分位で機械的に区切るのは、あくまで出発点です。そのまま使うか、事業実態に合わせて動かすかは人が決めます。いちばん判断が要るのが、「何日買わなければ離反とみなすか」というRの閾値。毎日のように消費するサプリや食品なら、30日空いただけで黄信号かもしれません。一方、数年に一度しか買い替えない耐久財なら、半年の空白はまったく正常です。同じ「90日」でも、業種によって意味が正反対になる。ここを分位任せにせず、商材の購買サイクルを知っている人が最後に握る——これが、RFMを実務で効かせる勘所です。閾値の“正解”はデータの中にはなく、事業の理解の側にあります。

デモデータを6つのセグメントに分ける

合成した2,000件の顧客を、R・F・Mのスコアの組み合わせで6セグメントに分けました。ここからが本題です。単に分けて終わりにせず、「人数の構成比」と「売上シェア」を必ず並べて見る。この2列を対にした瞬間に、打ち手の優先順位が浮かび上がります。

この表と棒グラフは、左端から順に眺めるのではなく、「人数構成比」と「売上シェア」の2列を対にして読むのがコツです。棒グラフでは、薄い棒が人数構成比、濃い棒が売上シェア。2本の高さが揃っていれば、その層は「人数なりに売上を出している、いわば平均的な層」。ずれていれば、そこに判断のヒントがあります。ズレの向きと大きさが、そのままお金の在りかを指しているからです。

濃い棒が薄い棒より飛び出している層——チャンピオン（人数2.3%に対し売上4.1%）、優良（3.5%対6.1%）、そして離反懸念（19.5%対25.3%）——は、頭数以上に売上を支えている層です。逆に薄い棒のほうが高い新規（4.3%対2.3%）や一般（30.8%対22.6%）は、人数は多いが1人あたりの貢献はこれから、という層。ここを読み違えて「人数がいちばん多いから一般が最重要」と決めてしまうと、少数で売上を生んでいる層を素通りしてしまいます。人数の多さと売上の厚さは、別物として読む——2列を並べる目的はここにあります。

もう一つ、読み違えやすいのが休眠（39.6%対39.7%）です。2本の棒がほぼ均衡しているので一見「人数なりに稼いでいる普通の層」に見えますが、これは累計金額（M）ベースの売上シェアだからです。過去に積み上げた金額が数字に残っているだけで、いま動いているお金ではありません。つまり休眠の39.7%は「これまでの功績」であって「今月の売上」ではない——この一枚を、過去と現在を混ぜずに読む姿勢が要ります。そして、この2本の棒の「ズレ」こそが、打ち手の優先順位そのものになります。人数が多い順でも、売上が大きい順でもなく、食い違いが大きく、かつ手を打てば戻ってきそうな層から動く。全員に同じ1通を送るのをやめ、どの棒のズレから着手するかを決める——それがセグメンテーションの目的です。

セグメント別に打ち手を変える ― どこから手をつけるか

では、どの層から動くか。優先順位は「売上インパクト × 実行のしやすさ」の2軸で決めます。インパクトが大きくても、実行に半年かかる施策は後回し。小さくてもすぐ回せるものは先に。この2軸で並べ替えると、多くのECでまず手が伸びるのが離反懸念です。売上シェアが人数比を上回っていて（インパクト大）、しかもすでに顧客リストが手元にあるので明日にでも打てる（実行容易）——両方を同時に満たすからです。

離反懸念は、人数こそ19.5%ですが売上シェアは25.3%。かつてよく買ってくれた優良客が、最近になって足が遠のいている層です。まだ完全に離れたわけではなく、こちらを覚えている今なら戻ってくる可能性が高い。しかも1人あたりの単価が高いので、1人引き止めるだけのインパクトが大きい。ここに再訪のきっかけ——使い切りのタイミングに合わせたリマインド、離反理由をたずねる短いアンケート、送料無料といった小さな一押し——を当てるのが、もっとも費用対効果の高い初手になります。放っておけば休眠に落ち、取り戻すコストは跳ね上がる。ただし大事なのは、いきなり大きな値引きを打たないこと。理由も聞かずに割引を配ると、「待てば安くなる」と学習させてしまい、優良客の単価を自分の手で下げることになります。まず理由を知り、それから最小限の一押しをする——この順番が効きます。

チャンピオンと優良は、放っておいても買ってくれる層です。だからこそ、ここへの施策は「値引き」ではなく「特別扱い」に振ります。満足して定価で買ってくれている人にクーポンを配るのは、レジで自分から値札を貼り替えるようなもので、本来払ってくれるはずの金額を自ら削る行為です。彼らが欲しいのは値段ではなく、優先される感覚と、良い商品との出会い。新商品の先行案内、限定オファー、あるいは感想を発信してもらうアンバサダー化が向きます。優良層には定期便へのアップセルのように、関係を一段深める提案を。人数は少なくても、離反したときの損失が大きい層なので、満足度を落とさない設計を最優先にします。

新規は、初回は買ったがまだ2回目に至っていない層。ECで離脱がもっとも起きやすいのが、この1回目と2回目のあいだです。ここは凝った施策より、2回目購入への背中押しに集中します。初回商品と相性のいい定番品の提案、使い方のフォロー、初回から一定期間内に使える次回クーポン。狙いは金額（M）を伸ばすことではなく、「もう一度買う」という習慣（F）の芽をつくること。1回きりの客を習慣客へ引き上げる関門なので、目標を「再購入そのもの」だけに絞ると効きます。ここを越えられるかどうかで、その後の定着率が大きく変わります。

残る2つは、母数で考えます。一般は人数がもっとも多い中核層で、クロスセルで買い上げ点数を増やす余地がある。1人あたりの効果は小さくても母数が大きいので、自動化されたレコメンドのように、手間をかけず薄く広く効かせるのが向いています。休眠は数こそ最多ですが、掘り起こしのコストが見合いにくい層。ここに手厚い個別施策を割くのは非効率で、低頻度・低コストの再喚起（不定期の一斉案内など）にとどめ、反応した人だけを次の層へ拾い上げる、という割り切りが要ります。全セグメントに全力を注ぐのではなく、ズレの大きい層に資源を寄せる——優先順位づけの本質は、この一点にあります。

これをAIで「毎月自動更新」する

ここまでの分析には、大きな前提が隠れています。顧客の状態は毎月動くということです。先月まで優良だった人が、今月は最終購入が遠のいて離反懸念に落ちる。新規だった人が2回目を買って一般に上がる。この移り変わりを追えて初めて、「今月、誰に何をするか」が決まります。裏を返せば、1回きりのスナップショットでは、いちばん動きのある層——落ちかけの優良客——を毎回取り逃がす。だからRFMは“一度やって終わり”の分析ではなく、更新し続ける仕組みとして設計する必要があります。

そこで、この分類をClaude Codeで毎月自動再計算し、セグメント別の施策候補まで下書きさせます。購買履歴を読み込み、R・F・Mを計算して分位でスコア化し、セグメントに割り当て、人数構成比と売上シェアの表・グラフに起こし、各層の打ち手を書き出す——データ取得から集計・分類・可視化・施策提案までを、一連で回します。ここまで自動化すると、人が向き合うのは出力を作る作業ではなく、「離反懸念に今月いくら使うか」「先月から休眠に落ちたこの層をどう扱うか」という判断だけになります。手を動かす時間が、考える時間に置き換わるわけです。

この仕組みでいちばん壊れやすいのが、閾値や分類の定義です。実行するたびに「離反は何日から」「分位の切り方」「どのスコアの組み合わせをどのセグメントと呼ぶか」がぶれると、先月と今月のセグメントが比較できなくなり、増減の意味が読めなくなります。数字が動いても、それが顧客の変化なのか定義変更の影響なのか、区別がつかない。そこで、分類ロジックと閾値・スコアの向き・セグメントの定義をスキルとして文書に固定し、毎回そこを参照させます。定義を1か所に据えることで、担当が代わっても、月をまたいでも、同じ物差しで顧客を測り続けられる。毎月同じ品質で回り、“先月からの移動”が正しく読める——その土台が、この「定義の固定」です。

落とし穴 ― RFMを結論にしない

RFMは強力ですが、万能ではありません。結論のつもりで使うと足をすくわれる、3つの限界を先に知っておくと判断を誤らずに済みます。

1つ目は、RFMには「何を買ったか」が入っていないこと。R・F・Mが捉えるのは、いつ・何回・いくら、という取引の“量”であって、商品の中身や好みは見ていません。同じ「優良」でも、特定カテゴリだけを買い続ける人と、幅広く買う人ではまったく別のお客さんです。だからクロスセルやレコメンドを設計するなら、RFMは商品軸の分析（どのカテゴリを、どんな組み合わせで買っているか）と重ねて初めて、具体的な提案に落ちます。RFMで「誰に」を決め、商品分析で「何を」を決める——この役割分担が現実的です。RFM単体で商品まで決めようとすると、途端に手が止まります。

2つ目は、閾値の恣意性です。5分位という区切りそのものに、絶対の根拠はありません。4分位にすればセグメントの人数は変わりますし、離反の定義日数を30日にするか90日にするかで、離反懸念の顔ぶれは入れ替わります。つまりセグメントは「発見した真実」ではなく、こちらが決めた物差しの上に現れる像です。だからこそ、閾値は一度決めたら固定し、その物差しの上での変化を追うことに意味がある。物差しを毎月変えてしまうと、数字が動いたとき、それが顧客の変化なのか定義変更の影響なのか、区別がつかなくなります。

3つ目は、セグメント名に引きずられないこと。「休眠」と名付けると、つい全員を諦めたくなりますが、その中には「たまたま今月だけ間隔が空いた元優良客」や「一度きりだが高額を買った見込み客」も混じっています。「チャンピオン」と呼べば安泰に見えて、来月には離反懸念に落ちるかもしれない。名前は要約であって、個々の顧客の事情まで語ってはくれません。ラベルは地図の記号であって、土地そのものではない。名前で思考を止めず、必要なら1つ下の粒度（同じセグメントの中の違い）まで下りて、一度は目で中身を確かめる。それが、名前に丸め込まれないための最後の一手です。

だからRFMは、顧客を行動で理解するための優れた出発点であって、結論ではありません。ここで得た「誰が大事で、誰が離れかけているか」を、商品の分析や実際の施策の結果と往復させながら磨いていく。その最初の一枚の地図としてRFMを置く、というのが実務での正しい距離感だと考えています。

まとめ：平均をやめて、行動で分ける

顧客分析の第一歩は、平均で見るのをやめ、RFMのような行動軸でセグメントに分けること。各軸を分位でスコア化し、その組み合わせに事業の言葉で名前をつける。そして人数構成比と売上シェアのズレから優先順位を読み、セグメントごとに打ち手を変える。さらにそれを毎月自動で更新し、閾値は固定して同じ物差しで測り続ける——本記事のデータは架空ですが、この分析の型と読み方は実務そのものです。次の一手は平均の中にはなく、2本の棒のズレの中にあります。

当社では、顧客のクラスタリングからセグメント別施策の設計、そしてそれをAIで毎月自動化する運用までを支援しています。「顧客データはあるが活かせていない」段階からのご相談も歓迎です。

関連ガイド（実践編シリーズ）

• EC/Amazon編：広告をLTV基準で見る
• 1人マーケ運用（スキル化）
• 実践編①：自社のマーケ分析を回した全記録

よくある質問