「RFM分析」とは
RFM分析は、3つの指標で顧客の「質」を見極める手法です。 R=Recency（最新購買日：最後にいつ買ったか）、F=Frequency（購買頻度：どれくらいの頻度で買うか）、M=Monetary（購買金額：いくら使っているか）の頭文字を取っています。この3軸を組み合わせて顧客をグループ分けし、それぞれに最適な施策を打ち分けます。
似た分析手法との違いを整理します。ABC分析は、売上や利益への貢献度で商品や顧客をA・B・Cの3ランクに分ける手法です。購買金額の1軸だけで判断するため、「最近来なくなった高額顧客」を見落とす可能性があります。デシル分析は、顧客を購買金額順に10等分する手法です。こちらも金額が基準のため、購買頻度や直近の来店状況は考慮しません。RFM分析は3軸を同時に評価するため、顧客の「今の状態」をより立体的に捉えることができます。
「RFM分析」の重要性
顧客の離反を早期に発見できます。 RFM分析の最大の強みは、R（最新購買日）の軸を持つ点です。たとえば、購買金額も頻度も高い優良顧客でも、Rの値が悪化すれば「離反の兆候あり」と判断できます。ある食品スーパーの事例では、R値が60日以上開いた優良顧客に対して早期にクーポンを配信したところ、離反率を約25%低減できたと報告されています。
限られた販促予算を効率的に配分できます。 すべての顧客に同じDMやクーポンを送ると、コストがかさむ一方で効果は薄まります。RFM分析で顧客をセグメント（グループ分け）すれば、優良顧客には感謝の特典を、休眠顧客には再来店の動機づけをと、施策を使い分けられます。一般的に、RFM分析を活用した販促は一律配信と比べてROI（投資対効果）が2〜3倍に向上するといわれています。
業態ごとに注目すべき軸が異なります。 スーパーマーケット（SM）では、日常的な来店が多いためF（購買頻度）の変化が離反の早期シグナルになります。ドラッグストア（DgS）では、化粧品や健康食品など高単価カテゴリのM（購買金額）を重視すると、クロスセル（関連商品の提案）の余地が見えてきます。コンビニエンスストア（CVS）では、来店頻度が高い反面1回の購買金額が小さいため、R×Fの組み合わせで常連客の行動変化を捉えることが有効です。
「RFM分析」とIT活用
ID-POSデータが分析の土台になります。 RFM分析を行うには、「誰が・いつ・いくら買ったか」を紐づけたデータが必要です。通常のPOSデータは購買時点の情報のみですが、ID-POSならポイントカードやアプリのIDを通じて顧客単位の購買履歴を蓄積できます。
CRMとの連携で施策を自動化できます。 RFM分析の結果をCRMシステムに連携すれば、セグメントごとの施策を自動実行できます。たとえば、「R=30日以上・F=高・M=高」の顧客が発生したら自動でクーポンをプッシュ通知する、といった仕組みです。データドリブンな意思決定を現場レベルで実現できます。
AIを組み合わせることで精度が向上します。 従来のRFM分析は、R・F・Mそれぞれを5段階にスコアリングして125パターンに分類する方法が一般的です。しかし、AIの機械学習を活用すれば、3軸に加えて購買カテゴリや来店時間帯などの変数を組み込み、より精緻な顧客セグメントを生成できます。売上予測モデルとの組み合わせで、将来のLTV（顧客生涯価値）予測にも展開が可能です。
ロイヤルティプログラムの設計根拠にもなります。 RFM分析で明らかになった優良顧客の行動パターンを基に、特典の内容やランク基準を設計できます。KPIとしてRFMスコアの推移をモニタリングすれば、プログラムの効果測定も定量的に行えます。
まとめ
RFM分析は、最新購買日・購買頻度・購買金額の3軸で顧客を立体的に評価する手法です。ABC分析やデシル分析では見落としがちな「離反の兆候」や「優良顧客の変化」を早期に捉えられる点が強みです。まずはID-POSデータを用いて自社の顧客をRFMでスコアリングし、優良顧客と休眠顧客の特徴を把握するところから始めてみましょう。DXの推進においても、顧客理解の出発点として活用できます。
関連用語: