LTV分析の数字は何と比べてよいか|窓・税・返品で同じデータのLTVが変わる

LTVは出し方で変わります。架空の通販データでは、平均単価×平均購入回数が8,965円、初回月ごとの全期間では最も新しい月が4,652円、365日の窓でそろえると2025年の月は横ばい。窓・税・返品・売上か粗利をそろえて比べます。

この記事をシェア:
目次 クリックで開く

この記事の要点

  1. LTV(顧客生涯価値)は、出し方を決めないと同じデータからでも大きく違う数字が出ます。架空の通販データ(会員3万人)で試すと、式の例「平均単価×平均購入回数」は1人8,965円でした。初めて買った月ごとに全期間で出すと、最も新しい月の客は4,652円でした。
  2. 初回から365日の窓でそろえると、2025年に初めて買った客は月ごとに9,719〜10,397円で、ほぼ横ばいでした。同じ客でも、返品を引くかと税込にするかで10,219円・9,915円・10,907円と動きました。
  3. 比べてよいのは、窓(初回から何日)・税込か税抜か・返品を引いたか・売上か粗利か、がそろった数字どうしです。LTV と書く数字の横に、この4つを書いてください。

同じ架空の通販データから出した「1人あたりの LTV」

架空のデータ。「365日」は初回から365日間の売上

平均単価×平均購入回数(全期間)8,965円
全期間・2024年1月の初回客12,785円
全期間・2026年9月の初回客4,652円
365日・2025年3月の初回客9,719円
365日・2025年8月の初回客10,397円
365日・返品を除く・税込10,907円

当社の検証用 Google Cloud プロジェクトで集計(2026年10月14日、架空の通販データ:会員3万人・注文55,792件、2024年1月〜2026年9月、税抜、基準日 2026年9月30日)

LTV(顧客生涯価値)は、出し方を決めないまま出すと、同じデータからでも大きく違う数字になります。当社の検証用の BigQuery に架空の通販データを作って試すと、式の例「平均単価×平均購入回数」では1人8,965円でした。初めて買った月ごとに全期間で出すと、最も新しい月の客は4,652円でした。並べて「最近の客は価値が半分」と読むと誤ります。比べてよいのは、窓(初回から何日までを数えるか)・税込か税抜か・返品を引いたか・売上か粗利か、がそろった数字どうしです。

当社は、売上・顧客の分析と、その土台になる BigQuery 中心のデータ基盤の設計・構築を支援しています。LTV の式は多くの解説に載っています。ただ、集計の仕方で数字がどれだけ動くかは、実際に計算してみないと分かりません。そこで、出し方だけを変えた5つの集計を、同じデータで実行しました。自社のデータから LTV を出し、時期・施策・獲得経路の比較に使う方に向けた記事です。将来の LTV の予測、広告費との比(LTV/CAC)、粗利の LTV は試していないので、式と考え方までにとどめます。

どの式にも「何日分を数えるか」と「売上か粗利か」が入っている

LTV(Life Time Value)は、1人の顧客(B2B なら1社)が取引を始めてから終えるまでにもたらす売上か利益の合計です。ARPU は1人あたりの平均の売上、CAC は1人を獲得するのにかかった費用(広告費、営業の人件費、ツールの費用など)、解約率(チャーンレート)は一定の期間に契約を終えた顧客の割合です。

ビジネスの形ごとの式の例を並べると、どれも「何日分(何年分)を数えるか」と「売上か粗利か」を、式の中か外で決めています。

LTV を出す式の例と、式が決めていること
ビジネスの形式の例式が決めていること
定期・サブスクリプションARPU(月)× 粗利率 ÷ 月の解約率毎月同じ率で解約が続くと仮定する。このとき平均の継続月数は 1÷解約率 になる。粗利で出す
通販・リピート購入平均単価 × 購入頻度(回/年)× 継続期間(年)継続期間を何年とするか(これが窓)。売上で出す
B2B の案件の積み上げ平均案件単価 × 受注数 − 顧客を維持する費用何年分の受注を数えるか。維持の費用に何を入れるか
粗利で出す場合(売上単価 − 原価)× 購入頻度 × 継続期間粗利で出す。値引きで売上が増えても利益が減ったことが見える

同じ「LTV」という名前でも、ツールによって窓が違います。GA4 では、維持率の概要レポートの「ライフタイム バリュー」カードは、新規ユーザーの最初の120日間の平均の収益です(Google アナリティクス ヘルプ「維持率の概要レポート」)。一方、「ユーザーのライフタイム」の探索は、選んだ期間にアクティブだったユーザーについて、その期間より前も含めた全期間の値を出します。終了日は昨日で固定です(同「ユーザーのライフタイム」)。同じ製品の中の2つの LTV でも、並べて比べられる数字ではありません。

では、窓と中身を決めないまま出すと、どれくらい動くのか。1つの架空のデータで確かめます。

架空の通販データ3万人で、出し方だけを変えて試した

当社の検証用の Google Cloud プロジェクトに、SQL で架空の通販の注文を作りました(2026年10月14日)。お客様のデータではありません。基準日はどれも2026年9月30日です。

検証に使った架空のデータ(表 blog_demo.ec_orders)
項目中身
会員と注文注文のある顧客29,975人、注文55,792件、税抜の売上268,719,440円
期間2024年1月7日〜2026年9月30日。後の月ほど初めて買う人が多い
獲得の経路広告 約50%・自然検索 約30%・紹介 約20%
作り手が決めた値2回目以降を買う確率(広告0.45・自然検索0.55・紹介0.70)、注文の間隔(人ごとに25〜119日)、11月は1.1倍・12月は1.35倍、紹介の客の単価は1.15倍
金額と返品金額は税抜(amount_ex_tax)。返品の印(is_returned)が注文の約3%

経路ごとの差や季節の山は、作り手がそう決めたから出るもので、実際の店について何かを示すものではありません。言えるのは、同じデータでも集計の仕方で LTV がこれだけ変わる、ということだけです。どの集計も、読んだデータは約0.95〜1.9 MB で、課金はどれも最低の10 MB でした。実際に課金されたのは10,485,760バイト(10 MiB)です(BigQuery の料金)。料金の決まり方はBigQuery の費用の記事で書いています。

式の例「平均単価×平均購入回数」は、全期間の1人あたり売上と同じだった

まず、通販の LTV の式の例「平均単価×平均購入回数」を、全期間・全員で出しました。平均単価は4,816円、1人あたりの平均購入回数は1.861回、掛けると8,965円です。同じクエリで「全期間の売上÷顧客数」も出すと、こちらも8,965円でした(268,719,440円÷29,975人)。

偶然ではありません。平均単価は「売上÷注文数」、平均購入回数は「注文数÷顧客数」なので、掛けると注文数が消えて「売上÷顧客数」になります。

「平均単価×平均購入回数」を分解すると

平均単価売上 ÷ 注文数=4,816円
平均購入回数注文数 ÷ 顧客数=1.861回
掛けると売上 ÷ 顧客数=8,965円(注文数が消える)

窓は「データがある全期間」。2024年1月に初めて買った客も、2026年9月に初めて買った客も同じ重さで入る

当社の検証用 Google Cloud プロジェクトで集計(2026年10月14日、架空の通販データ、税抜。条件は最初の図と同じ)

読み誤りやすいのは、この8,965円を「1人の客が一生で落とす額」と受け取ることです。この数字の窓は、たまたまデータがある全期間です。買える期間は、2024年1月に初めて買った客なら2年半以上、2026年9月の客なら1か月足らずです。この数字は、それを同じ重さで平均しています。店全体のおおまかな規模は分かりますが、時期や施策の比較には使えません。

初めて買った月ごとに全期間で出すと、新しい月ほど低く見える

次に、客を初めて買った月(コホート)ごとに分け、それぞれの1人あたりの累計の売上を全期間で出しました。2024年の月は8,838〜12,785円、2025年9月は10,419円でしたが、2026年3月の8,421円から下がり続け、2026年9月は4,652円でした。

初めて買った月ごとの、1人あたりの累計の売上(全期間)

一部の月を抜き出した。基準日は2026年9月30日

2024年1月(26人)12,785円
2025年3月(829人)10,071円
2025年9月(1,138人)10,419円
2026年3月(1,477人)8,421円
2026年6月(1,568人)7,115円
2026年9月(1,687人)4,652円

当社の検証用 Google Cloud プロジェクトで集計(2026年10月14日、架空の通販データ、税抜。条件は最初の図と同じ)

このグラフだけを見ると「2026年に入って客の価値が落ちた」と読めますが、このデータで客の買い方を時期で変えてはいません。下がって見えるのは、初めて買った日から基準日までの日数が短いからです。2026年9月の客の4,652円は、注文1回分の平均(4,816円)とほぼ同じ金額です。注文の間隔を人ごとに25〜119日にしたので、9月に初めて買った客の多くは、まだ2回目を買う日に来ていません。

コホートに分けるのは正しい手順ですが、全期間のままでは、窓の長さの差がそのまま客の差に見えます。

初回から365日の窓でそろえると、2025年の月は横ばいだった

同じ分け方で、数える売上を「初めて買った日から365日間」に限り、365日を取りきれない2025年10月以降の月は外しました。すると、2024年1月〜2025年9月の各月は8,612〜11,924円、2025年の月は9,719〜10,397円で、ほぼ横ばいでした。1年以内に2回目以降を買った回数も、1人0.809〜1.198回の間に収まっています。

WITH f AS (SELECT customer_id, MIN(order_date) AS first_d
           FROM blog_demo.ec_orders GROUP BY customer_id)
SELECT FORMAT_DATE('%Y-%m', f.first_d) AS cohort,
  COUNT(DISTINCT o.customer_id) AS customers,
  ROUND(SUM(IF(DATE_DIFF(o.order_date, f.first_d, DAY) < 365, o.amount_ex_tax, 0))
        / COUNT(DISTINCT o.customer_id)) AS revenue_per_customer_365d
FROM blog_demo.ec_orders o JOIN f USING (customer_id)
WHERE f.first_d <= DATE_SUB(DATE '2026-09-30', INTERVAL 365 DAY)
GROUP BY cohort ORDER BY cohort

上の SQL は、実際に実行したクエリから再購入の回数の列を省いたものです。DATE_DIFF(...) < 365 で初回から365日間の注文だけを足し、WHERE で365日を取りきれない月を外しています。後者を忘れると、窓の短い月がまた混ざります。

2025年に初めて買った客の、1人あたりの売上(初回から365日間)

一部の月を抜き出した。前の図と同じ目盛り

2025年1月(655人)9,791円
2025年3月(829人)9,719円
2025年5月(948人)10,194円
2025年8月(1,078人)10,397円
2025年9月(1,138人)10,364円

当社の検証用 Google Cloud プロジェクトで集計(2026年10月14日、架空の通販データ、税抜。条件は最初の図と同じ)

窓をそろえて、はじめて「新しい月の客が悪くなったわけではない」と言えます。その代わりに失うものが2つあります。1つは、新しい月の値が1年待たないと出ないことです。窓を短くしてすべての月をそろえる方法もあり、GA4 のカードが最初の120日に限っているのも、窓を短く決めた例です。ただ、短い窓は試していません。もう1つは、窓をそろえても、客の質と関係の無い理由で月の値が動くことです。このデータでは12月の注文を1.35倍にしたので、12月に初めて買った客は初回の注文が大きくなります。2024年12月の365日の値は11,924円で、前後の月(10,338円・9,791円)より高く出ました。2024年1〜3月のように客が26〜141人しかいない月は、数人の買い方でも値が動きます。値の横に、人数と、季節の山の月かどうかを並べておくと、読み違えません。

2回目を買った人の割合(残存率)でも同じことが起きる

獲得した月ごとに、何割の客が2回目を買ったか(ここでの残存率)を出すコホート分析でも、窓の長さの差は同じように出ます。2025年1月以降の月で、初回から180日以内に2回目を買った人の割合を出すと、180日を取りきれる2025年1月〜2026年3月の月は49.6〜54.9%で横ばいでした。取りきれない月のうち、基準日まで120日以上ある2026年4月・5月は54.0%・53.4%で、ほぼ同じでした。それより新しい月は、2026年6月が42.5%、7月が24.9%、8月が7.8%、9月が0.1%と下がりました。

初回から180日以内に2回目を買った人の割合(初めて買った月ごと)

2026年3月までは180日を取りきれる月。色の濃い4か月は、基準日までの日数が最も短い客で92日・61日・30日・1日

2025年1月(655人)52.5%
2025年10月(1,165人)49.6%
2026年1月(1,438人)54.9%
2026年3月(1,477人)51.8%
2026年6月(1,568人)42.5%
2026年7月(1,714人)24.9%
2026年8月(1,829人)7.8%
2026年9月(1,687人)0.1%

当社の検証用 Google Cloud プロジェクトで集計(2026年10月14日、架空の通販データ、税抜。条件は最初の図と同じ)

このデータでは、注文の間隔を人ごとに25〜119日にしました。そこに足したずれは、15日未満のばらつきと、平日の注文の一部を土曜に移した分で、合わせても20日に満たない幅です。そのため、基準日まで120日以上ある月では、2回目を買う人がほぼ出そろっています。実際の店の間隔はこれとは違います。残存率も LTV と同じく、窓を取りきれる月どうしで比べてください。取りきれない月は出さないか、出すなら観察できた日数を横に書きます。

獲得の経路ごとに比べるときも、窓をそろえてから

経路ごとの1人あたりの売上(架空のデータで、紹介が高いのは作り手が決めた値のため)
経路顧客(全員)全期間の1人あたり365日を取れる顧客365日の1人あたり
広告14,930人7,507円5,992人8,343円
自然検索9,046人8,588円3,638人9,749円
紹介5,999人13,162円2,435人15,538円

紹介が高いのは、作り手が紹介の客の再購入の確率と単価を高く設定したからです。このデータから「紹介の客は LTV が高い」とは言えません。また、どの経路も約4割の客が365日を取れていて、全期間でも365日でも経路の順番は変わりませんでした。経路と初めて買った時期を、作り手が別々に決めたからです。

実際の店では、経路ごとに客を取った時期が偏ることがあります。ある経路を最近始めた店なら、その経路の客は新しい月に集まります。全期間の値では新しい月ほど低く出るので、その経路は実際より低く見えます。この偏りは検証のデータには作っていないので、どれだけ動くかは試していません。経路ごとの LTV を広告費の配分に使うなら、窓をそろえ、獲得の費用(CAC)と同じ時期に取った客どうしで比べてください。LTV/CAC は広告費のデータが無いので出していません。広告の側のデータとつなぐ設計は、広告と BigQuery の記事で書いています。

返品と税の扱いで、同じ客の LTV が9,915円から10,907円の間で動いた

最後に、窓を365日にそろえたまま、金額の中身だけを変えました。対象は365日を取れる12,065人です。返品を含んだ税抜の売上で出すと10,219円、返品を除くと9,915円(約3%減)、返品を除いて税込に直すと10,907円でした。税込は、税率を10%として換算しています。

同じ12,065人の、初回から365日間の1人あたりの売上

返品は注文の約3%に印を付けた架空の値

返品を含む・税抜10,219円
返品を除く・税抜9,915円
返品を除く・税込(税率10%として換算)10,907円

当社の検証用 Google Cloud プロジェクトで集計(2026年10月14日、架空の通販データ、税抜。条件は最初の図と同じ)

ある部署が税込で、別の部署が返品を引いた税抜で出していれば、同じ客でも1割違います。この差を「施策で上がった」と読み誤ることがあります。税込に直す倍率も一律ではありません。消費税は、2026年10月時点で標準税率10%、酒類と外食を除く飲食料品などは軽減税率8%です(国税庁「軽減税率制度の概要」)。飲食料品については、2026年9月15日に閣議決定された大綱で、2027年4月1日から2029年3月31日までの2年間、税率を1%(国・地方合計)に引き下げる改正案が示されました。国税庁はこの内容を、法案が国会に提出され、可決・成立した場合のものとしています(国税庁「消費税率引下げ特設サイト」)。法案は内閣が提出し、2026年10月9日に衆議院が受理しました(衆議院「議案審議経過情報」)。引下げは、この法案の成立が前提です。改正案には経過的な取扱いもあり、2027年4月1日以後に渡す飲食料品でも、次の2つは8%とされています。1つは、2027年1月1日より前に結んだ定期供給契約(定期便など)に基づき、4月1日より前に代金を受け取った分です。もう1つは、通信販売で1月1日より前に販売条件を示し、4月1日より前に申込みを受けたものです。ただし、税率1%を前提にした契約や販売条件の場合と、契約などを後から変更した場合は1%です(国税庁「飲食料品に係る2年間の消費税率引下げに関するQ&A」問1-6)。法案がそのとおりに成立すれば、期間をまたぐ LTV を税込で出すとき、同じ商品でも、契約・販売条件の提示・申込み・代金の受け取りの時期によって倍率が変わります。標準税率と軽減税率の両方の品を売る店では、注文ごとに税抜の金額を持っておき、LTV は税抜で出すほうが比べやすくなります。

売上か粗利かも数字を変えます。粗利を出すには商品ごとの原価が要るので、この検証では試していません。ただ、値引きやクーポンで購入回数を増やす施策は、売上の LTV では利益が減ったことが見えないので、粗利で比べる意味があります。売上で出すなら、売上で出したと横に書きます。

B2B の定期契約では「受注の金額か、入金の額か」も決めます。過入金や、途中解約の日割りの返金があると、CRM の受注額と会計の入金額が一致しなくなるからです。受注で出せば未回収の分も入り、入金で出せば未回収は入らず過入金が入ります。確定した値は会計のデータに置き、CRM の受注額は見込みとして扱うと、ずれたときにどちらを直すかで迷いません。入金と消し込みの仕組みは、freee の自動消込の記事で書いています。

顧客の数え方(分母)がずれても、LTV は動く

1人あたりの LTV は「売上÷顧客数」なので、分母の数え方でも動きます。当社もこの検証で一度つまずきました。経路ごとに「初めて買った日から基準日までの日数」の平均を出したときのことです。顧客と注文を JOIN した行のまま平均を取ったため、紹介398日・自然検索370日・広告362日と、経路で差があるように出ました。注文の多い客ほど何度も数えられる平均になっていたのが原因です。顧客1人ずつに直すと、広告332日・自然検索332日・紹介337日で、ほぼ同じでした。分母を顧客にするか注文にするかを取り違えると、差の無いところに差が出ます。

経路ごとの「初回から基準日までの日数」の平均(同じデータ・2つの数え方)

上の3本は誤った数え方(再購入の多い客ほど重くなる)。下の3本が正しい数え方

注文の行で平均:紹介398日
注文の行で平均:自然検索370日
注文の行で平均:広告362日
顧客ごとに平均:紹介337日
顧客ごとに平均:広告332日
顧客ごとに平均:自然検索332日

当社の検証用 Google Cloud プロジェクトで集計(2026年10月14日、架空の通販データ、基準日 2026年9月30日。条件は最初の図と同じ)

顧客の ID の数え方がずれても、同じことが起きます。同じ客が2つの ID で登録されていれば売上は2人に分かれ、テスト用の ID を外し忘れれば売上の少ない客が増えたように見えます。この検証の ID は1つずつ作ったので、名寄せの失敗そのものは試していません。

B2B で会社を単位に名寄せするなら、キーには法人番号が使えます。法人番号は、株式会社などの法人等が持つ13桁の番号で、国税庁長官が指定します。利用範囲の制約がなく誰でも使え、公表サイトからのダウンロードや Web-API でも取れます(国税庁 法人番号公表サイト「法人番号とは」)。名寄せの失敗を防ぐ手段は、顧客を登録するときに法人番号を必須の項目にすることと、外部の企業マスタ(会社の名称・所在地・法人番号をまとめたデータ)と照合して表記のゆれをそろえることです。法人番号が手に入らない顧客は、メールアドレスのドメインが手がかりになります。

もう1つは、顧客を「人」で持つか「会社」で持つかです。担当者の ID で記録していると、退職・異動で記録が途切れ、取引が続いていても LTV が終わったように見えます。B2B では会社を単位にし、担当者をその下に置くと、人が替わっても数字が続きます。

自社のデータで LTV を出すときの順番

この検証の LTV に要ったのは、顧客ID、注文日、税抜の金額、返品の印、獲得の経路の5つの列です。この検証では5つの列が最初から1つの表にあったので、窓や定義を変えて何度でも計算し直せました。自社のデータでは、これらの列が別々のシステムにあることがあります。たとえば獲得の経路と Web の行動は HubSpot や GA4、商談と契約は Salesforce、利用の頻度と問い合わせは Gainsight や Zendesk、入金・返金は freee 会計や勘定奉行、という具合です。その場合は、同じことをするために、まず1か所に集める手順が要ります。全体の構成はSFA・CRM・MA・Web のデータ連携の記事で図にしています。

LTV を出すまでの順番

1

定義を決める

  • 窓(初回から何日)
  • 税込か税抜か、返品を引くか
  • 売上・粗利・入金のどれか
  • 解約の定義(支払いの遅れを含むか)

2

列の在りかとIDを決める

  • 5つの列がどこにあるか
  • 契約の終了日・解約の理由が入っているか
  • 名寄せのキー(法人番号など)

3

1か所に集める

  • DWH に集め、個人情報を見られる人を権限で絞る
  • CSV の手作業をやめ、毎日自動で転送する

4

SQL で集計する

  • 初回の月ごとに、同じ窓で集計
  • 表記ゆれ・テスト用 ID を除く処理も SQL に書く

5

見せて、使う

  • ダッシュボードの数字の横に定義を書く
  • 顧客ごとの値を CRM に戻す
  • 会議で定期的に見て、施策を決める

1・2・4はこの記事の検証で行ったこと。3・5は、列が別々のシステムにある会社で足す手順

1の定義が、この記事の結論そのものです。部署ごとに窓や税の扱いが違えば、基盤を整えても LTV どうしは比べられません。2では、5つの列が自社のどの項目に当たるかを書き出し、契約の終了日のように空欄が残りやすい項目を確かめます。

4の集計は、上の SQL のとおり WITH 句1つと JOIN で書けます。契約金額の合計なら CRM でも出せますが、DWH に集めて SQL で書いておけば、窓や定義を変えて計算し直せます。5の「CRM に戻す」は、顧客ごとの値を営業や CS の画面に書き戻すことで、リバースETL と呼ばれます。

5の見せ方は、この記事の図の下に条件を書いたのと同じで、数字の横に定義を出します。見る人ごとに画面を分けるなら、経営向けには、窓をそろえた全体の LTV と、広告費のデータがあれば LTV/CAC の月ごとの推移を並べます。現場向けには、顧客ごとの値と解約の兆し(EC なら2回目の購入が止まっている客)を並べます。

LTV を出すための構成と、受け持つこと
役割LTV のために受け持つこと製品の例
CRM・SFA顧客ID、契約の開始日・終了日、解約の理由、受注の金額Salesforce Sales Cloud、HubSpot Sales Hub、Zoho CRM
DWH(データウェアハウス)注文・契約・入金を顧客IDでつなぎ、SQL で窓を切って集計するBigQuery、Snowflake
ETL(データの転送)各システムのデータを毎日自動で DWH に運ぶTROCCO、Fivetran
BI(可視化)定義を添えて、月ごと・経路ごとの値を見せるTableau、データポータル(無料で使える)
リバースETL顧客ごとの値を CRM などに書き戻すHightouch

製品より先に1の定義と2の列の在りかを決めておくと、「この列を毎日運べるか」「この窓で計算し直せるか」で製品を比べられます。BigQuery・dbt・リバースETL を組み合わせた構成と製品の選び方は、モダンデータスタックの記事で書いています。

LTV と書く数字の横に、窓・税・返品・売上か粗利かを書く

今、社内で使っている LTV の数字があれば、その横に4つが書いてあるかを見てください。たとえば、この記事の検証の値なら、次のように書きます。

LTV 9,915円(初回から365日間・税抜・返品を除く・売上、2024年1月〜2025年9月に初めて買った12,065人)

書けない項目があれば、その LTV はほかの LTV と比べる前に出し直す数字です。月ごと・経路ごとに比べるなら、窓をそろえ、人数を横に並べます。定義をそろえた LTV を毎月同じ形で出せる基盤づくりは、当社のデータ分析・BI支援でご相談いただけます。

GA4・法人番号・税率は、2026年10月14日に Google アナリティクス ヘルプと国税庁のページで確かめたものです。デモの数字は、当社の検証用プロジェクトに作った架空のデータの、この条件での値です。

アクセス解析・マーケティングデータ支援

GA4とGTMのタグ設計から、フォーム送信・電話タップ・資料DLといったコンバージョンの計測整備、Looker Studioでのダッシュボード化までを一貫して支援します。

AT
aurant technologies 編集

上場企業からスタートアップまで、数多くのデータ分析基盤構築・AI導入プロジェクトを主導。単なる技術提供にとどまらず、MA/CRM(Salesforce, Hubspot, kintone, LINE)導入によるマーケティング最適化やバックオフィス業務の自動化など、常に「事業数値(売上・利益)」に直結する改善実績多数。

この記事が役に立ったらシェア: