RFM 顧客セグメンテーション

購買行動に基づいて顧客ベースを自動的にセグメント化し、すべてのキャンペーンを適切なタイミングで適切なオーディエンスに届けます。

Treasure AIの機械学習プラットフォーム（AI Signal）のRFM AI Signalsは、取引履歴から各顧客を3つのディメンションでスコアリングして、顧客ベースを自動的にセグメント化します。Recency（最終購入からの日数）、Frequency（購入回数）、Monetary value（合計支出額）の3つでスコアリングし、それらのスコアをChampions、Loyal Customers、Lost Customersなど10の業界標準セグメントにマッピングします。セグメントはMaster Segmentに直接連携され、パーソナライゼーション、抑制、ウィンバックキャンペーン、ロイヤルティプログラムに活用できます。マーケティングチームやCRMチームに対して、SQLを書いたりカスタムモデルを構築したりすることなく、離反しつつある顧客や再購入の可能性が高い顧客を素早く把握できるビューを提供します。

一般的なユースケース：

• 競合に奪われる前に、トップのChampions顧客をVIPオファーで特定し、報酬を提供する
• 活動が停滞した「Cannot Lose Them」顧客に対して、自動ウィンバックキャンペーンをトリガーする
• 高コストの有料メディアから優先度の低い「Lost Customers」を除外し、無駄な支出を削減する
• メール配信頻度を調整する — Championsには毎週、Hibernatingセグメントには主要キャンペーンのみ
• RFMスコアをダウンストリームのCLTVおよびチャーン傾向モデルの入力特徴量として活用する

最も効果的な対象者：データサイエンスチームを常駐させることなく、迅速で実用的な顧客セグメントを必要とするマーケティングアナリスト、CRMマネージャー、ライフサイクルマーケティングチーム。

RFM AI Signalsは、事前集計された顧客レベルのテーブルを受け入れます。各行は1人の顧客を表し、すべての取引にわたって集計済みです。

モデルは各顧客レコードに対して、以下のカラムを出力テーブルに書き込みます。

モデル実行後のRFM予測テーブルのサンプル：

出力の読み方：rfm_score は3つの四分位値の算術平均です。スコア4.0はChampion、1.0はLost customerを表します。rfm_quartile 文字列は各ディメンションを明示的にエンコードします — R2F1M1 はRecencyが中程度、Frequencyが低い、支出額が低いことを意味します。audience_name が設定されている場合、rfm_quartile はMaster Segmentの属性カラムとしても書き込まれ、CDPセグメントビルダーで直接フィルタリングが可能になります。

チューニングのヒント：

• use_sql: true — 1,000万行を超える行動データには有効にしてください。Pythonのメモリオーバーヘッドを解消し、実行時間を大幅に短縮します。ベンチマークについてはスケーラビリティセクションを参照してください。
• mv_threshold — 取引データにフリーティアのサインアップや四分位の境界を歪める可能性のある少額購入が含まれる場合に設定してください。
• output_mode: append — 各実行がスコアリングされたスナップショットを追加するため、スケジュール実行に安全です。最新の状態のテーブルのみが必要な場合は replace を使用してください。

RFM AI SignalsはML Batch API経由で実行され、Treasure Workflowから呼び出されます。以下のワークフローは完全なコピー＆ペースト可能な例です。

# rfm_signal_workflow.dig
# Treasure Workflow: RFM AI Signals (PrecisionML)
# RFMスコアリングジョブをML Batch APIに送信し、
# ダウンストリームステップに進む前に完了をポーリングします。

# ステップ1: RFMジョブをML Batch APIに送信
+run_rfm:
  http>: https://ml-batch-api.treasuredata.com/v1/runs/
  method: POST
  headers:
    - authorization: ${secret:td.apikey}
    - X-TD-ML-SESSION-ID: ${session_id}
    - X-TD-ML-ATTEMPT-ID: ${attempt_id}
  store_content: true
  content:
    input_table: your_database.aggregated_customers
    output_table: your_database.rfm_output
    solution_name: rfm
    solution_arguments:
      user_column: user
      use_sql: true
      # mv_threshold: 0.05   # 実質ゼロのmonetary valueを抑制するにはコメントを外してください

# ステップ2: APIレスポンスをログに記録（ポーリングに使用するジョブID）
+print_response:
  echo>: "Job submitted. Response: ${http.last_content}"

# ステップ3: ジョブが完了するまでポーリング
# APIはジョブ実行中にHTTP 408を返します — Treasure Workflow
# がHTTP 200を受信するまで自動的にリトライします。
+poll_status:
  http>: https://ml-batch-api.treasuredata.com/v1/runs/${JSON.parse(http.last_content)['id']}/status
  method: GET
  headers:
    - authorization: ${secret:td.apikey}

# ステップ4: 完了の確認
+finished:
  echo>: "RFM scoring complete. Results written to your_database.rfm_output"

このワークフローの動作： ワークフローはRFM設定をML Batch APIに送信し、レスポンスでジョブIDを受け取ります。その後、ステータスエンドポイントをリトライループでポーリングします — APIはジョブ実行中にHTTP 408を返し、Treasure WorkflowはHTTP 200を受信するまで自動的にリトライします。完了すると、スコアリングされた出力テーブルはダウンストリームのアクティベーションまたはオーディエンス作成に使用できます。

RFM AI Signalsは四分位の組み合わせを10の業界標準セグメントにマッピングします。四分位値が高いほど、そのディメンションでのパフォーマンスが良いことを示します。

RFM AI Signalsはエンタープライズ規模のデータセットを処理できるように設計されています。以下の表は、さまざまなデータセットサイズでの実測ランタイムを示しています。1,000万行を超える行動データには use_sql: true を有効にしてください。

非常に大規模なデータセットの場合、8タスクの並列処理（アカウントあたりの最大同時実行数）により、実行時間を大幅に短縮できます — 8億行のケースでは、並列実行により約445分から約96分に短縮されました。データセットが定常的に5億行の行動データを超える場合は、インフラストラクチャオプションについてTreasure AIアカウントチームにお問い合わせください。

• 少なくとも12か月の取引履歴で最適に機能します。 短い期間ではRecencyシグナルが圧縮され、新規顧客とリピート顧客の区別が困難になります。
• 四分位ランキングは相対的であり、絶対的ではありません。 低活動期間の「Champion」は、高活動期間の「Loyal Customer」よりも支出額が少ない場合があります。セグメントラベルはモデル実行時のコンテキストで解釈してください。
• サブスクリプションやSaaS製品向けには設計されていません。 Monetary Valueが顧客間で均一な場合（例：固定価格サブスクリプション）、Mディメンションの予測力が低下します。代わりに、エンゲージメントメトリクス（ログイン、機能使用状況）を事前集計入力として使用することを検討してください。
• 将来の行動を予測しません。 RFMは過去のパターンを記述します。将来を見据えたCLTV予測には、RFMスコアをダウンストリームの特徴量として確率モデル（BG/NBD、Gamma-Gamma）と組み合わせてください。
• データの鮮度に敏感です。 入力テーブルが最新に保たれていない場合、Recencyスコアがドリフトし、セグメントが古くなります。キャンペーンの頻度に合わせてワークフロー実行をスケジュールしてください — 動きの速い小売業では毎週、低頻度カテゴリでは毎月。
• 事前集計入力にはクリーンなデータが必要です。 欠損値の処理は自動的に行われません。recency、frequency、monetary_value のnull値や負の値は不正確なスコアを生成するため、上流で処理する必要があります。