RFM（分析）

顧客の「今の価値」をどのように測るか。マーケティング施策の効果を最大化するうえで、この問いへの答えが売上効率を左右する。

多数の顧客を一律に扱うアプローチでは、優良顧客の離脱を見逃し、休眠顧客へのコストを浪費するリスクがある。

RFM分析（RFM Analysis）は、購買行動データをもとに顧客を定量的にセグメント化し、それぞれのグループに対して最適なアプローチを設計するための実務的フレームワークである。

CRM（Customer Relationship Management：顧客関係管理）戦略や販促施策の優先順位づけにおいて、データドリブンな意思決定を支える基盤として機能する。

RFM分析とは

RFM分析はRecency（直近購買日）、Frequency（購買頻度）、Monetary（累計購買金額）の3指標を組み合わせた顧客分析手法であり、各指標にスコアを付与して顧客をグルーピングする。

3つの指標の意味はそれぞれ以下のとおりである。

• Recency（直近購買日）：最後に購買した日から現在までの経過日数。値が小さいほど（直近に購買しているほど）スコアが高い。
• Frequency（購買頻度）：一定期間内の購買回数。回数が多いほどスコアが高く、ロイヤルティの代理指標として機能する。
• Monetary（累計購買金額）：一定期間内の合計購買金額。金額が大きいほどスコアが高く、顧客の経済的貢献度を示す。

各指標を独立してスコアリング（一般的に1〜5の5段階）し、その組み合わせによって顧客セグメントを定義する点がRFM分析の構造的特徴である。

なお、RFM分析は「購買行動の過去履歴」を分析対象とするため、購買データが存在しないリードや新規獲得前のターゲット層には適用できない。

また、感情的ロイヤルティ（ブランドへの共感・推奨意向）や購買理由などの定性的情報は指標に含まれない点が境界条件として重要である。

具体例：RFMスコアによる顧客セグメント分類

RFM分析の実務では、各指標を5段階（または3段階）でスコアリングし、セグメントを命名・施策を設計する。以下は代表的な顧客タイプとその解釈例である。

• R高・F高・M高（優良顧客）：直近に購買し、頻度も金額も高い。維持・深耕のための特典提供やロイヤルティプログラムが有効。
• R低・F高・M高（離脱リスク優良顧客）：かつての優良顧客だが直近の購買が途絶えている。競合への流出を疑い、再活性化施策（Win-Back施策）を優先する。
• R高・F低・M低（新規顧客）：直近に初購買したばかりで頻度・金額はまだ低い。2回目購買を促すフォローアップが重要。
• R低・F低・M低（休眠顧客）：購買から時間が経過し、頻度・金額ともに低い。コストをかけた施策の優先順位は相対的に低く、コスト効率を意識したアプローチを検討する。

たとえば、商品のライフサイクルが6か月である場合、直近1か月以内に購入した顧客に同一商品のDMを送ることは非効率である。

この顧客のRスコアは高くとも、同商品の再購買需要はまだ発生していないため、クロスセル（Cross-sell：関連商品の提案）やアップセル（Up-sell：上位商品への誘導）を設計するほうが購買転換率の向上につながる。

類似手法との違い：RFM分析・デシル分析・コホート分析の比較

顧客セグメンテーション手法には複数の選択肢がある。RFM分析と混同されやすい手法との違いを整理する。

デシル分析（Decile Analysis）は購買金額の大きい順に顧客を10等分するシンプルな手法であり、RFM分析と目的が近い。

ただし、デシル分析は「今いくら使っているか」しか見ないため、直近に離脱しかけている高額顧客を見逃すリスクがある。RFM分析はこの弱点をRecencyとFrequencyで補完する構造になっている。

コンサルティング業務でのRFM分析の位置づけ

論点設計（イシュー出し）

CRM領域のコンサルティングプロジェクトでは、「どの顧客セグメントに注力すべきか」「離脱顧客の共通特性は何か」といったイシュー（Issue：解くべき問い）を設定する際にRFM分析が参照される。

3指標の組み合わせによって「優良顧客の定義」や「離脱危機顧客の検知条件」を定量的に議論できるため、クライアントとの論点合意を得やすい。

現状分析（As-Is整理）

既存顧客データをRFMスコアで可視化することで、顧客ポートフォリオの構造を明らかにする。「優良顧客が全体の何%を占めるか」「休眠顧客の割合と推移」「直近12か月でFスコアが下落しているセグメントはどこか」といったAs-Is（現状）の定量把握が可能になる。

このフェーズでは、CRMシステムから抽出したトランザクションデータを用いて分析を行うケースが多い。

施策設計（To-Be）

セグメント別の顧客特性が明確になった後、各グループに対するTo-Be（あるべき姿）の施策を設計する。たとえば以下のような施策ロジックが典型的である。

• R低・F高セグメント：Win-Back（再活性化）キャンペーンの優先対象に指定し、ロイヤルティプログラムへの再エントリーを促す
• R高・F低セグメント：2回目購買を促すステップメール・クーポン設計
• R高・F高・M高セグメント：VIPプログラムへの招待・アンバサダー化施策

施策のROI（Return on Investment：投資対効果）をセグメント別に試算することで、マーケティング予算の最適配分を支援する。

資料作成（スライド構造）

コンサルティング成果物としてRFM分析を報告する場合、スライド構成は一般に以下の流れになる。

• エグゼクティブサマリー：RFMスコア分布の全体像と主要インサイト1〜2点を1枚に凝縮
• セグメント別分析：各セグメントの顧客数・売上構成比・スコア分布をマトリクスまたは棒グラフで提示
• 施策提案：セグメントごとの推奨アクションとKPI（Key Performance Indicator：重要業績評価指標）設定
• 投資対効果試算：施策別のコスト・想定効果・優先順位

スライド内では「セグメント名→現状データ→施策→KPI」の流れを一貫させることで、意思決定者が判断しやすい構造になる。

導入メリットと注意点

導入メリット

• 施策の優先順位づけが定量化できる：感覚的な顧客分類をデータに基づく客観的セグメントに置き換えることで、マーケティング投資の配分根拠を持てる。
• 実装コストが低い：購買トランザクションデータがあればExcelやBIツールでも構築可能であり、機械学習や高度な統計モデルを必要としない。
• CRMシステムとの親和性が高い：主要CRMツールにはRFMスコアリング機能が標準または拡張機能として搭載されていることが多く、既存インフラへの統合がしやすい。
• 施策のパーソナライゼーション基盤になる：セグメント別の施策設計が可能なため、画一的なマスマーケティングから脱却し、顧客体験の個別最適化を進める基盤として機能する。

注意点・適用限界

• 商品・サービス特性との整合が必要：購買サイクルが長い商材（不動産・自動車・保険等）ではRecencyのスコア基準を業種特性に合わせて設定しなければ、分析結果が実態を反映しない。
• 新規顧客は過小評価されやすい：新規顧客はFrequencyとMonetaryが低いため総合スコアが低くなりやすいが、潜在的な優良顧客である可能性もある。新規顧客向けには別途ナーチャリング（顧客育成）指標を補完することが望ましい。
• 定性的顧客理解の代替にはならない：購買行動の数値だけでは、なぜ顧客がその行動をとったかの理由や感情的なロイヤルティは把握できない。VOC（Voice of Customer：顧客の声）調査やNPS（Net Promoter Score：顧客推奨度）との併用が推奨される。
• スコア基準の恣意性：各指標の分位点（スコア境界値）をどこに設定するかによって、セグメント構成が大きく変わる。設定根拠を明示しないと、分析結果の再現性・説明責任が担保されない。

コンサル採用面接でRFM分析の知識が活きる理由

コンサルティングファームの採用面接では、RFM分析の定義そのものを問う設問が出ることは多くない。

しかし、マーケティング戦略・CRM改善・顧客セグメンテーションを題材にしたケース面接において、RFM分析の考え方を内面化しているかどうかは解答の質に影響する。

たとえば「クライアントのEC事業の売上を改善するにはどうするか」というケース問題で、顧客を「優良・通常・休眠」に分類し、それぞれに異なる施策を提案する論理展開は、RFM分析の構造的思考と本質的に同じである。

データドリブンな顧客分類と施策優先順位づけという発想を持っていると、ケース解答に具体性と説得力が生まれる。

また、マーケティング・小売・EC・金融領域のコンサルプロジェクト経験を問うバックグラウンド面接では、CRMやデータ分析の文脈でRFM分析を話題にする機会が生じることもある。概要と考え方の骨格をおさえておけば十分な知識基盤となる。

よくある質問（FAQ）

Q1. RFM分析とはどのような手法か

RFM分析は、顧客の購買行動を「直近購買日（Recency）」「購買頻度（Frequency）」「累計購買金額（Monetary）」の3指標でスコアリングし、顧客を複数のセグメントに分類するデータ分析手法である。

各指標を一般的に1〜5の5段階で評価し、その組み合わせから「優良顧客」「離脱リスク顧客」「休眠顧客」などのセグメントを定義する。

マーケティングや販促施策の対象顧客を絞り込むことで、限られたリソースを最も効果が高い顧客層に集中投下できる。

購買トランザクションデータさえあれば比較的シンプルに実装できる点から、CRM戦略の基礎分析手法として業種を問わず広く活用されている。

デジタルマーケティングが普及した現在では、BIツールやCRMシステム上でのリアルタイム分析も一般的になっている。

Q2. デシル分析とRFM分析はどう違うか

デシル分析は購買金額の大きい順に顧客を10等分する手法であり、RFM分析の「Monetary（購買金額）」に相当する単一指標のみで分類を行う。

一方のRFM分析は直近性・頻度・金額の3軸を組み合わせる点で多次元の顧客評価が可能である。

デシル分析は計算が単純で導入しやすいが、「高額購買をしているが直近では購買していない顧客（離脱リスクあり）」と「安定的に繰り返し購買している中額顧客（ロイヤル層）」を区別できない欠点がある。

RFM分析はこの弱点をRecencyとFrequencyで補完するため、施策設計の精度が高まる。ただし、設定するスコア基準や分位点によって結果が変わるため、分析設計時の基準の明確化が重要である。

Q3. RFM分析はどのように実施するか

実施の手順は大きく4ステップに整理できる。

第1ステップはデータ準備であり、顧客ID・購買日・購買金額を含むトランザクションデータを抽出・クレンジングする。

第2ステップは各指標のスコアリングで、分析対象期間を設定（例：直近1年）し、各顧客のR・F・Mの値を計算したうえで5段階等に分位する。

第3ステップはセグメント定義であり、RFMスコアの組み合わせから顧客グループを命名・定義する。

第4ステップは施策設計で、各セグメントの特性に応じたアプローチ（メール・クーポン・ロイヤルティプログラム等）と測定KPIを設定する。

ExcelやTableau、Pythonを用いた実装が一般的であり、Salesforce等のCRMプラットフォームでは自動スコアリング機能を持つものもある。

Q4. コンサルティングプロジェクトでRFM分析はどう活用されるか

コンサルティングの現場では、RFM分析はCRM改善・マーケティング効率化・顧客戦略の再設計といったプロジェクトの現状分析フェーズで活用される。

クライアントの購買データをRFMスコアで可視化することで、「売上の何%が上位何%の顧客から生まれているか」「直近1年で離脱した優良顧客の規模」といった定量的な現状把握が可能になる。

この分析結果は施策の優先順位づけに直接活用され、予算配分の根拠となるROI試算にも組み込まれる。

また、CRMシステムの導入・刷新を支援するプロジェクトでは、新システムでのRFMスコアリング自動化設計がデリバラブル（成果物）の一部となるケースも多い。

Q5. RFM分析に関するよくある誤解は何か

最も多い誤解は「RFM分析は万能な顧客評価手法である」というものである。RFM分析はあくまで購買行動の過去データに基づくスコアリングであり、購買の理由・顧客満足度・競合利用状況・ライフイベントによる需要変化など、購買データに現れない要因は一切考慮しない。

また「スコアが高い顧客に施策を集中すれば必ず効果が出る」という誤解もある。RFMスコアが高くても、そのセグメントに対して送るコンテンツや提案内容が顧客ニーズと合っていなければ施策は機能しない。

さらに「すべての業種・商材に同一の基準を適用できる」という誤解も実務ではよく見られる。購買サイクルの長短や客単価の水準によって、各指標の分位点設定は業種・商材ごとにカスタマイズが必要である。

Q6. RFM分析と機械学習による顧客セグメンテーションはどう使い分けるか

RFM分析はルールベースのセグメンテーション手法であり、解釈が容易でビジネス担当者が直感的に理解しやすい点が強みである。

一方、機械学習を用いたクラスタリング（k-meansやDBSCANなど）は、RFM以外の多変量データ（閲覧履歴・チャネル・商品カテゴリー等）を組み込んだより精緻な分類が可能だが、結果の解釈や施策への落とし込みに専門性が求められる。

実務では、まずRFM分析で全体の顧客構造を把握し、特定セグメントに対してより精緻な分析が必要な場合に機械学習モデルを補完的に適用するという二段階アプローチが採られることが多い。分析の目的・データ量・組織のリテラシーに応じて使い分けることが重要である。

まとめ：RFM分析の実務的意義

RFM分析は、購買行動データを直近性・頻度・金額の3軸で定量化し、顧客セグメントを可視化する実務的な分析手法である。

シンプルな構造ながら、マーケティング投資の優先順位づけや離脱顧客の早期検知、施策のパーソナライゼーション設計において高い実用性を持つ。

CRM領域のコンサルティングプロジェクトでは、現状分析から施策設計・投資対効果試算に至るプロセスの基盤として機能することが多い。

商品特性や購買サイクルとの整合、定性情報との組み合わせといった適用上の注意点を理解したうえで活用することが、分析の実効性を高める。

コンサルティング業界への転職・就職を検討している場合、RFM分析の詳細な実装技術よりも、「顧客をデータで分類し、施策の優先順位を定量的に設計する」という思考の骨格を理解しておくことが、マーケティング・CRM領域のケース設問や業務文脈での論点整理に役立つ。

出典

• 経済産業省「限定提供データと利活用」（顧客購買データを含むデータ利活用の政策・事例解説ページ）
  https://www.meti.go.jp/policy/economy/chizai/chiteki/data.html
• Salesforce Japan「CRM（顧客関係管理）とは」（CRMの定義・機能・活用方法の公式解説ページ）
  https://www.salesforce.com/jp/crm/
• NECソリューションイノベータ「RFM分析とは？顧客分析の基本手法と施策例を解説」
  https://www.nec-solutioninnovators.co.jp/sp/contents/column/20220218b.html