顧客セグメント分析の実務

現場で使える指標とデータ設計のコア

セグメント分析の目的は「誰に・何を・いつ・いくらで」を決め、粗利と在庫回転を同時に押し上げることです。まずはデータの形を整えます。ユーザー軸、イベント軸（view、add_to_cart、purchase など）、商品軸、チャネル軸を分け、event_time、user_id、session_id、product_id、revenue、margin、channel などの最小カラムを揃えます。期間は30・60・90日の窓を用意し、季節品は前年同週比を併記します。匿名IDと会員IDは結合優先順位を明記し、重複・Bot・社内トラフィックを除去します。

RFMとLTVを同じ座標に置く

R（直近性）F（頻度）M（購買金額）は分位点でスコア化し、粗利ベースのLTVは取得原価と返品コストを控除して算出します。RFMは短期の反応、LTVは中長期の価値を見る鏡です。両者を同じ座標にプロットすると、「今月売れるが価値は低い層」「今すぐは動かないが価値が高い層」など、打ち手の順番が決まります。コホートでLTVの伸びと回収期間を確認し、回収前の深い割引は避けるルールを置きます。

セグメントの作り方：ルールと学習を併用

最初はルールベースが強いです。例として、過去90日購入あり、平均客単価が上位40%、返品率が下位70%、チャネル反応率が平均以上を「アクティブ優良」と定義。分位点で閾値を決め、在庫・粗利・出荷キャパの制約で最終調整します。頻度キャップ（週2通・月6通）とクールダウン（購入後7日間配信停止）を設け、顧客疲労を抑えます。

閾値は分位点で始める

VIPは上位15〜20%、育成は中位30〜40%、休眠予備軍は下位40〜50%といった分位点での出発が実務的です。季節変動には移動平均で補正し、カート放棄などイベントは24時間以内を「熱い」シグナルと定義します。所与の在庫や粗利率でセグメントサイズを収める「上限数」も明記します。

機械学習は次の段で導入します。k-means や階層クラスタリングで連続値（R、F、M、粗利率、返品率、チャネル反応）を標準化し、シルエット係数や安定性でクラスタ数を決定します。レビューや問い合わせ文は埋め込み化してトピック別にクラスタリングし、商品関心や不満の軸を追加します。要約やカテゴリ付けはChatGPTやGeminiで下書きを作り、人がサンプリング検証します。データリークを避けるため、学習は施策前の期間で固定し、効果検証は別期間で行います。配信優先度が競合する場合は相互排他フラグと優先度タグを必ず持たせます。施策最適化にはアップリフトモデリング（CATE）を検討し、最初はRFM×チャネルの二次元で差分効果を推定すると実装が軽いです。

施策設計と検証：配信条件からダッシュボードまで

セグメントは施策とセットで意味を持ちます。VIPには新作先行と限定色、育成には同梱で単価を上げるセット提案、休眠には1回だけ強い復帰オファーを設定。チャネルはメール、プッシュ、サイト内、広告の順でコストと即時性を見極めます。ガードレールはメール解約率、ブロック率、苦情率、粗利率、在庫逼迫度で、しきい値を超えたら自動停止します。

最小パターンの検証手順

• オーディエンスをスナップショットで凍結（抽出日を記録）
• セグメント内でランダム割付（地域や在庫でブロック化）
• KPI（粗利、CVR、在庫回転）と帰属窓（7日、28日）を合意
• イベントログを連結し、重複配信とカニバリをフラグ化
• 効果推定は差の差分、連続検定は避け、中間解析は閾値を事前定義

施策文面のA/BはClaudeでバリエーション生成、SQLやPythonの保守はCopilotで補助し、レビューで安全弁を置くと速度が出ます。ダッシュボードは「誰に・何を・いつ・いくら増えたか」の5W1Hを1画面で見せ、メモ欄に仮説と在庫制約を書き残すと再現性が上がります。

身近な企業活用例：小規模アパレルECの失敗と改善

CRMで週次一斉配信と常時10%OFFを続けたところ、メール解約率が2.5%、返品率が上昇し、粗利が前年同期比で-8%に悪化。RFMや在庫連動がなく、在庫過多品の押し込みが顧客離れを招いたのが失敗でした。

改善では90日RFMの分位でVIP（上位15%）、ミドル（中位35%）、休眠（下位50%）を定義。VIPには限定色と先行案内、在庫は希少SKUのみを紐づけ。ミドルには送料無料の閾値提案と関連コーデ提案。休眠には過去購入カテゴリの1回限り15%OFF、反応がなければ2週間の冷却。レビュー文はGeminiで埋め込みクラスタリングし「サイズ不安」クラスタを発見、商品ページのサイズ表とチャット導線を改善。クレーム自由記述はChatGPTで要約しFAQを更新。SQLのユニットテスト雛形はCopilotで作成。結果、CVR+18%、メール解約率-30%、返品率-12%、粗利+12%、在庫回転+9%を3ヶ月で達成。学びは、セグメントはモデルで作って終わりではなく、在庫・粗利・頻度キャップと一体で回すことでした。

セグメント分析が機能するかは、イベントスキーマとID解決、特徴量管理、オーディエンス配信、実験管理という土台に依存します。データ解析プラットフォーム事業では、この土台を標準化し、ChatGPTやClaudeでのテキスト要約、Copilotでの開発補助など周辺ツールも含めて運用しやすく束ねる設計が要点になります。分析と施策が同じ配線で流れると、セグメントは意思決定のスピードを上げ、現場に根づきます。