ecom-rfm-analysis

RFM分析

概要

RFMは、顧客を3つの行動指標で分類します。Recency（最後に購入した時期）、Frequency（購入頻度）、Monetary（購入金額）です。生の取引データを、ターゲットを絞ったマーケティングに活用できる顧客セグメントに変換します。

フレームワーク

IRON LAW: RFM Uses ACTUAL Behavior, Not Demographics

RFM is behavioral segmentation — it classifies by what customers DO,
not who they ARE. A 25-year-old and a 65-year-old in the same RFM segment
should receive the same treatment. Never mix RFM with demographic
assumptions.

3つの指標

指標	測定内容	計算方法
Recency（R）	最終購入からの日数	今日 - 最終購入日
Frequency（F）	期間内の購入回数	個別の取引数をカウント
Monetary（M）	期間内の合計購入金額	取引金額の合計

スコアリング方法（五分位ベース）

1. 各指標について、すべての顧客を順位付けし、5つの同じ規模のグループ（五分位）に分けます
2. 5（最良）から1（最悪）までのスコアを付けます。R=5は最も最近の購入、F=5は最も高い購入頻度、M=5は最も高い購入金額を意味します
3. 3桁のRFMスコアにまとめます（例：R5-F4-M5 = 最近購入し、購入頻度が高く、購入金額も高い）

注：Recencyでは、日数が少ないほどスコアが高くなります（購入時期が最近であるほど良い）。

主なセグメント

セグメント	RFMパターン	説明	戦略
Champions	R5, F5, M5	購入時期が最近で、購入頻度と購入金額が高い最優良顧客	特典、ロイヤルティプログラム、先行アクセス
Loyal	R4-5, F4-5, M3-5	安定して購入する顧客	アップセル、クロスセル、紹介プログラム
Potential Loyalists	R4-5, F2-3, M2-3	購入時期が最近で、購入頻度は中程度	購入頻度を高めるために育成
At Risk	R2-3, F3-5, M3-5	以前は購入頻度または購入金額が高かったが、最近は購入していない顧客	呼び戻しキャンペーン、特別オファー
Hibernating	R1-2, F1-2, M1-2	長期間休眠状態で、購入金額も低い顧客	低コストで再活性化するか、対象から外す
New Customers	R5, F1, M1-2	初回購入を済ませたばかりの顧客	オンボーディング、2回目の購入特典

実施手順

フェーズ1：データの準備

• 必須項目：顧客ID、取引日、取引金額
• データの整理：返金、テスト注文、社内注文を除外
• 分析期間を設定（通常12～24か月）

フェーズ2：RFMスコアの算出

• 各顧客のR、F、Mを算出
• 各指標に五分位スコア（1～5）を割り当て
• セグメントにまとめる

フェーズ3：セグメント化と施策の実行

• 各顧客を名前付きのセグメント（Champions、At Riskなど）に分類
• セグメントごとにターゲットを絞った施策を設計
• 結果を測定：ターゲットにした顧客の行動に違いがあったか？

出力形式

# RFM Analysis: {Business}

## Data Summary
- Customers analyzed: {N}
- Analysis window: {start} to {end}
- Transactions: {N}

## Segment Distribution
| Segment | Count | % | Avg R (days) | Avg F | Avg M |
|---------|-------|---|-------------|-------|-------|
| Champions | {N} | {%} | {days} | {count} | ${X} |
| At Risk | {N} | {%} | ... | ... | ... |
| ... | ... | ... | ... | ... | ... |

## Key Findings
- Top 20% customers contribute {X%} of revenue
- {N} customers at risk of churning (were high-value, now dormant)
- {N} new customers need second-purchase nurturing

## Recommended Actions
| Segment | Action | Channel | Expected Impact |
|---------|--------|---------|----------------|
| Champions | {loyalty reward} | {email/app} | Increase AOV by X% |
| At Risk | {win-back offer} | {email/SMS} | Recover X% of dormant revenue |

注意点

• RFMは過去を振り返る指標です：顧客が何をしたかは分かりますが、これから何をするかは分かりません。将来を見通すインサイトを得るには、予測モデル（CLV予測）と組み合わせてください。
• 五分位を均等に分けても意味がない場合があります：顧客の80%が1回しか購入していない場合、五分位の1～4はすべて「単発購入者」になります。ビジネスの状況に応じて、独自の区切り値を検討してください。
• サブスクリプションではMonetaryが誤解を招く場合があります：全員が同じサブスクリプション料金を支払う場合、Mの指標からは情報が得られません。これを除外して、RFのみを使用してください。
• B2BとB2Cでは購入頻度の基準が異なります：四半期ごとに購入するB2B顧客は「高頻度」と見なされますが、四半期ごとに購入するB2C顧客は「リスクあり」と見なされることがあります。ビジネスの状況に合わせて調整してください。
• At Riskの顧客にメッセージを送りすぎないでください：休眠顧客にメールを大量に送ると、配信停止が増える可能性があります。毎週メールを送るより、よく練られた呼び戻しキャンペーンを1回実施する方が効果的です。

スクリプト

スクリプト	説明	使用方法
scripts/rfm_score.py	R/F/Mに基づいて顧客をスコアリングし、セグメントラベルを割り当てます	python scripts/rfm_score.py --help

python scripts/rfm_score.py --verifyを実行すると、組み込みのサニティテストを実行できます。

参考資料

• Python/SQLの実装コードについては、references/rfm-implementation.mdを参照してください
• RFMを拡張したCLV予測については、references/clv-prediction.mdを参照してください