RFM 分析｜最近性×頻度×金額で“使える”顧客セグメント

RFM 分析｜顧客価値を 3 指標で直感的にセグメント（実務テンプレ付き）

RFM は「最近性（R）」「頻度（F）」「金額（M）」の 3 指標で顧客価値を直感的に可視化し、施策の優先順位を付けるための定番手法です。

TL;DR

• 目的: R（最近性）× F（頻度）× M（金額）で顧客をスコア化し、施策対象を即決
• 手順: 期間定義 → 分位点スコア（R は逆符号）→ 合成スコア → セグメント施策
• 注意: 業種の購買周期・キャンペーン影響・外れ値に敏感（期間と分位点を調整）

まずはここだけ（やさしい導入）

• 何をする？: 「最近買ったか」「よく買うか」「いくら買うか」で顧客をざっくり分ける
• いつ使う？: 休眠復帰、ロイヤル育成、クーポン配布、CRM 優先度付け
• どう読む？: R は小さいほど良、F/M は大きいほど良。合成スコアで上位から順に見る

用語ミニ辞典（1 行で）

• 最近性（R）: 最終購買からの経過日数（小さい＝最近買った）
• 頻度（F）: 一定期間の購買回数（多い＝よく買う）
• 金額（M）: 一定期間の購買金額（大きい＝高単価）
• 分位点スコア: データを等しい人数のグループに分け、順位を 1–5 などで表す方法
• 合成スコア: R/F/M を 3 桁で並べたり加重合算した総合指標

指標の定義（テンプレ）

• R: 最終購買日からの経過日数（小さいほど良い）
• F: 一定期間の購入回数（多いほど良い）
• M: 一定期間の購買金額（多いほど良い）

スコアリング設計

• 分位点（例: 五分位）で 1–5 を割当（R は逆符号に注意）
• 合成スコア = 100×R + 10×F + M（表現はプロジェクトで統一）

最小コード（ダミーデータ）

import pandas as pd
import numpy as np

df = pd.DataFrame({
  'customer':['A','B','C','D','E','F','G','H'],
  'recency':[10,45,5,120,60,15,200,8],  # 日
  'frequency':[6,3,10,1,2,5,1,8],
  'monetary':[52000,18000,98000,3000,8000,42000,1500,76000]
})

def qcut_score(x, q=5, reverse=False):
    s = pd.qcut(x.rank(method='first'), q, labels=False) + 1
    return (q - s + 1) if reverse else s

df['R_score'] = qcut_score(df['recency'], reverse=True)
df['F_score'] = qcut_score(df['frequency'])
df['M_score'] = qcut_score(df['monetary'])
df['RFM'] = 100df['R_score'] + 10df['F_score'] + df['M_score']
print(df.sort_values('RFM', ascending=False)[['customer','R_score','F_score','M_score','RFM']])

読み方の例:

• RFM 高: ロイヤル顧客。LTV 拡大型の施策
• R 高 F/M 低: 直近来訪だが軽量。育成施策/クロスセル
• R 低 F/M 高: 休眠危険の大口。復帰クーポン/リマーケ

可視化（表・ヒートマップ）

import matplotlib.pyplot as plt
import pandas as pd

# R×F の件数ヒートマップ
rf_table = pd.crosstab(df['R_score'], df['F_score']).sort_index().sort_index(axis=1)
plt.imshow(rf_table.values, cmap='Blues', origin='lower')
plt.xticks(range(len(rf_table.columns)), rf_table.columns)
plt.yticks(range(len(rf_table.index)), rf_table.index)
plt.xlabel('F_score'); plt.ylabel('R_score'); plt.title('R×F count heatmap')
plt.colorbar(); plt.tight_layout(); plt.show()

# RFM セグメント件数の棒グラフ
df['segment'] = df['R_score'].astype(str)+df['F_score'].astype(str)+df['M_score'].astype(str)
ax = df['segment'].value_counts().sort_index().plot(kind='bar', figsize=(6,3), title='RFM segment counts')
ax.set_xlabel('RFM'); ax.set_ylabel('count')
plt.tight_layout(); plt.show()

実務ケーススタディ（休眠危険を“先回り”で復帰）

目的: 直近の大口顧客（F/M 高）だが最近性が悪化した層に、期限付き復帰オファーを配布し LTV を守る。

1. 期間とルール

• 直近 6 か月を評価期間。キャンペーン期間は除外 or 別期間として評価
• 外れ値（超大口）には Winsorize などで上限クリップ

1. スコアと選定

• 分位点で R/F/M のスコアを作成（R は逆符号）
• ターゲット: R_score ≤ 2 かつ F_score ≥ 4 または M_score ≥ 4

1. オファー設計

• 14 日期限の復帰クーポン + パーソナライズ（過去カテゴリ）
• テスト: 送信有無の A/B（回帰 to mean を避けるため無作為抽出）

1. 評価指標

• 復帰率、復帰後 60 日の累積粗利、オファーコスト差引の増分

target = df[(df['R_score'] <= 2) & ((df['F_score'] >= 4) | (df['M_score'] >= 4))]
print(len(target), '件を対象に復帰施策を検討')

落とし穴と対策

• F/M の偏り（ヘビーユーザー依存）→ ロバスト指標や Winsorize
• 業種差（購買周期）→ セグメント別に分位点を分ける
• 一時的キャンペーン効果 → 期間設計を分けて比較

練習問題（理解を定着）

1. R は日数なので「小さいほど良い」。分位点スコアをどう割り当てる？

• ヒント: R は逆符号（最近買った人に高スコア）

1. セール月を含むと F/M が急増した。何を調整する？

• ヒント: 期間を分けて評価 or キャンペーンフラグで分位点を別計算

1. 高単価だが頻度が低い VIP と、低単価だが頻度が高い常連。施策は同じで良い？

• ヒント: 目的別（LTV 拡大 vs 滞在時間/来店頻度）で分ける

よくある質問（FAQ）

• Q: 分位点の段階数は固定？
• A: データ量と施策解像度に応じて 3–7 段階で調整。比較可能性を優先
• Q: 外れ値はどう扱う？
• A: Winsorize などロバスト化や上限クリップで安定化。業務観点で上限設定
• Q: R/F/M の重みは？
• A: まず等重み。目的に応じて A/B テストや回帰で最適化