RFM 顧客セグメンテーション

どの顧客がアクティブで、どの顧客が離れつつあり、どの顧客がすでに離脱したのかを把握できます。

顧客の行動は一人ひとり異なります。頻繁に購入する顧客もいれば、昨年は多額の購入をしたもののその後は戻ってきていない顧客もいます。RFMは、すでに手元にある3つの情報 — 各顧客が最後に購入したのはいつか、どのくらいの頻度で購入するか、どのくらいの金額を使っているか — を使って、これらの顧客を見分けます。この3つの答えによって顧客リストが実行可能なオーディエンスグループに分類され、評価すべき顧客、育成すべき顧客、呼び戻すべき顧客、そしてすでに離れてしまった顧客が明らかになります。

仕組みとしては、RFM AI Signalsはこの分析を顧客プロファイル全体に対して実行し、すべての顧客をChampionsからLost customersまでの業界標準の10セグメントのいずれかに分類します。ランキングは自社の顧客データから算出されるため、「頻繁に購入する顧客」の基準は自社のビジネスによって定義されます。各顧客にはラベルとその根拠となるスコアが付与され、そのままオーディエンスの構築に利用できます。

主なユースケース

• 競合からの働きかけが強まる前に、優良顧客を特定してVIPオファーで還元する
• 離反リスクのある高価値顧客に対して、自動化された再エンゲージメントキャンペーンを実施する
• 優先度の低い顧客をコストの高い有料チャネルから除外し、マーケティング効率を高める
• 顧客ティアに応じてコミュニケーションの頻度を調整する
• RFMスコアをCLTV、プロペンシティ、類似オーディエンスの各モデルの入力特徴量として活用する

特にメリットが大きい方: データサイエンスチームの支援を待たずに、迅速で実行可能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とCLTVのどちらを使うべきか? この2つは、どちらも顧客の価値を扱うため混同されやすい組み合わせです。RFMは記述的で過去を振り返るものです。顧客がすでに行ったことを要約し、他の顧客と相対的に並べます。CLTVは予測的で将来を見るものです。任意に設定した期間における支出を予測します。RFMは「これまで最も優良だった顧客は誰か」を、CLTVは「これから優良になる顧客は誰か」を教えてくれます。トレーニングなしで今すぐセグメントが必要な場合はRFMを、将来価値に基づいて予算を配分する場合はCLTVを選んでください。

これらのシグナルは競合するものではなく、互いを補完します。RFMのクォータイルは、CLTV、プロペンシティ、類似オーディエンスの各モデルにとって有力な入力特徴量になります。

RFMは、Treasure AI ML Batch API上の単一の関数として実行されます。トレーニングと予測が別ステップに分かれていることはありません。rfm が集計済みテーブルを読み込み、顧客基盤全体でクォータイルを算出し、スコアリング結果を1回の実行で書き出します。

入力は顧客ごとに1行、4つの列で構成されます。識別子に加えて、recency、frequency、monetary_value です。RFMはトランザクションの集計を代行しないため、これら3つの指標はあらかじめ算出しておく必要があります。名前を自由に設定できるのは識別子のみで、user_column を使用します。残り3つの名前は固定のため、テーブルを作成するクエリ内でエイリアスを設定してください。完全なスキーマとデータ要件についてはデータ準備を参照してください。

設定が必要なパラメータは2つだけです。 input_table と output_table が必須です。識別子の列名が user でない場合のみ user_column を追加してください。このドキュメントに記載されているそれ以外のパラメータには、すべて実用的なデフォルト値が設定されています。

# rfm_workflow.dig
# 入力テーブル内のすべての顧客をスコアリングし、クォータイル、
# RFMスコア、名前付きセグメントを書き出します。
+run_rfm:
  http>: https://ml-batch-api.treasuredata.com/v1/runs
  method: POST
  headers:
    - authorization: "TD1 ${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.rfm_aggregated
    output_table: your_database.rfm_output
    solution_name: rfm
    solution_arguments:
      user_column: user
      use_sql: true
      # mv_threshold: 0.05   # 金額の下限を設定する場合はコメントを解除します

+print_response:
  echo>: "RFM job submitted. Response: ${http.last_content}"

# ジョブが完了するまでポーリングします。ジョブの実行中、APIはHTTP 408を返します。
# Treasure WorkflowはHTTP 200を受け取るまでリトライします。
+poll_status:
  http>: https://ml-batch-api.treasuredata.com/v1/runs/${JSON.parse(http.last_content)['id']}/status
  method: GET
  headers:
    - authorization: "TD1 ${secret:td.apikey}"

想定される出力: your_database.rfm_output に顧客ごとに1行が出力され、入力した3つの指標に加えて r_quartile、f_quartile、m_quartile、rfm_quartile、rfm_score、rfm_segment が含まれます。

user     recency  frequency  monetary_value  r_quartile  f_quartile  m_quartile  rfm_quartile  rfm_score  rfm_segment
61612    3181     4          4115            3           1           4           R3F1M4        2.6667     Promising
39408    3290     9          4893            2           4           4           R2F4M4        3.3333     Cannot lose them
21495    3326     6          2770            1           2           3           R1F2M3        2.0        High Value Sleeping

このワークフローの作成とスケジュール設定については、Treasure Workflowを使ってみるを参照してください。

RFM AI Signalsは2種類の入力を受け取ります。指定する集計済みテーブルと、渡すパラメータです。どちらも以下のデータ準備とワークフローパラメータで説明します。

rfm は3つの各軸ですべての顧客をランク付けし、そのランクをスコアとラベルに統合して、1回の実行で結果を書き出します。

顧客ごとに1行の集計済み顧客テーブルです。CLTVとは異なり、RFMはトランザクションの集計を代行しません。recency、frequency、monetary valueを算出済みの状態で用意する必要があります。

行の例:

user     recency  frequency  monetary_value
61612    3181     4          4115
39408    3290     9          4893
21495    3326     6          2770
45110    3818     2          133

顧客ごとに1行が出力されます。入力した3つの指標はそのまま引き継がれ、その後にスコアリング列が続きます。

行の例:

user     recency  frequency  monetary_value  r_quartile  f_quartile  m_quartile  rfm_quartile  rfm_score  rfm_segment
61612    3181     4          4115            3           1           4           R3F1M4        2.6667     Promising
39408    3290     9          4893            2           4           4           R2F4M4        3.3333     Cannot lose them
21495    3326     6          2770            1           2           3           R1F2M3        2.0        High Value Sleeping
45110    3818     2          133             1           1           1           R1F1M1        1.0        Lost customers

出力の活用方法。 このテーブルを顧客テーブルに結合すると、rfm_segment、rfm_score、rfm_quartile がマスターセグメントのルールで利用可能な属性になります。これらから直接オーディエンスを構築できます。VIPオーディエンスは rfm_segment = 'Champions'、ウィンバックオーディエンスは rfm_segment IN ('Cannot lose them', 'High Value Sleeping')、抑制リストは rfm_score < 1.5 のように定義します。ワークフローで audience_name を設定すると、マスターセグメントとセグメントごとの子セグメントを自動的に作成できます。これらのセグメントは、標準のCDPアクティベーションワークフローを通じて下流のアクティベーション先に連携でき、Journey、トリガー、パーソナライゼーションにも利用できます。

各軸は、スコアリング対象の顧客基盤全体でクォータイルにランク付けされます。クォータイル4が上位25%、クォータイル1が下位25%です。recencyはランク付けの前に反転されるため、最近購入した顧客はrecencyの生の数値が小さくても r_quartile 4を獲得します。

3つのクォータイルは2通りの方法で統合されます。rfm_quartile はそれらを R3F1M4 のようなラベルに連結したもので、正確なパターンマッチングに役立ちます。rfm_score はそれらを平均した (r + f + m) / 3 で、1.0から4.0までの単一の数値となり、ランキングやしきい値の設定に使えます。

セグメントは、このクォータイルのパターンから割り当てられます。クォータイルは自社の顧客基盤に対する相対値であるため、どの実行でも各クォータイルにおおよそ4分の1ずつの顧客が入ります。ただしセグメントの構成比は固定ではなく、データ内で3つの軸がどのように相関しているかによって変わります。

2つのセグメントは、オーディエンスとしてよりも診断指標として注視する価値があります。

Cannot lose themとHigh Value Sleeping は、リテンション投資の効果が最も大きい層です。どちらもかつて価値が高く、購入が止まってしまった顧客を表しており、最も回復可能な形の離反にあたります。

Lost customersセグメントが極端に大きい場合、それはビジネス上の問題ではなくデータの問題を示していることがほとんどです。まずrecency列の最大値を確認してください。想定よりはるかに大きい場合、入力テーブルが古くなっており、全員がrecencyの低い方向に偏っています。データが最新であれば、そのセグメントは実態を反映しており、獲得の質や一度きりの購入比率の高さを示しています。

RFM AI Signalsは、計算を3つの方法で実行できます。デフォルトはPythonで、小〜中規模の顧客基盤には十分です。

出力スキーマは3つのモードで同一のため、モードを切り替えても安全であり、下流の変更は不要です。

mv_threshold は支出額の下限を設定します。monetary_value がこの値を下回る顧客は、相対的なランクにかかわらず金額クォータイル1に割り当てられます。

これが重要なのは、クォータイルが相対値だからです。無料プランの登録者や低額の単発注文など、支出がごくわずかな顧客が顧客基盤の大きな割合を占めている場合、それらの顧客も下位のクォータイルを埋めて境界値を押し下げ、本当に価値のある顧客を区別できる範囲を圧縮してしまいます。下限を設定すると、そうした少額層をクォータイル1に固定でき、残り3つのクォータイルを実際に差のある顧客に割り当てられます。

monetary_value と同じ単位で設定してください。デフォルト値はありません。設定しない場合、すべての顧客が純粋に相対的にランク付けされます。

どのようなデータが必要ですか? 顧客ごとに1行で、recency、frequency、monetary_value の3つの指標を算出済みの集計テーブルが必要です。12か月以上の履歴を確保してください。

しきい値の設定やトレーニングは必要ですか? 不要です。クォータイルは実行のたびに自社の顧客基盤から算出されるため、区切り値はご自身のデータから決まります。

モデルはどのくらいの頻度で再実行すべきですか? 購買サイクルに合わせてください。離反のシグナルが早く現れるEコマースや小売では週次が適しています。旅行や自動車など購入頻度の低いカテゴリでは月次で十分です。入力データが古いと全員が非アクティブに見えてしまうため、スケジュールは見た目以上に重要です。

欠損値はどう扱われますか? 現時点でRFM AI Signalsは欠損値を補完しないため、実行前にnullを削除するか補完してください。

入力の列名は変更できますか? 変更できるのは user のみで、user_column を使用します。recency、frequency、monetary_value の名前は現時点では固定のため、集計済みテーブルを作成するクエリ内でエイリアスを設定してください。

顧客が1回しか購入しない場合でもRFMを使えますか? 実行自体は可能ですが、全員が同じ値の場合frequencyの軸は情報を持たないため、実質的に2次元のスコアになります。行動エンゲージメント指標での補完を検討するか、特定の成果に対するPropensity Scoringの使用を検討してください。

Lost customersに分類される顧客が非常に多いのはなぜですか? まずデータの鮮度を確認してください。recency列の最大値を確認し、想定よりはるかに大きい場合は入力テーブルが古くなっています。データが最新であれば、そのセグメントは実態であり、獲得の質や一度きりの購入比率の高さを反映しています。構成比の読み方を参照してください。

use_sql: true はいつ有効にすべきですか? 行動データがおおよそ1,000万行を超える場合です。実行モードを参照してください。

use_hive は何をしますか? 計算をTrinoではなくHiveで実行します。use_sql: true と併せて設定する必要があります。環境上の制約でHiveが必要な場合にのみ使用してください。

RFMは顧客が次に何をするかを予測できますか? できません。RFMは記述的な手法であり、すでに起きたことを要約します。将来を見る用途には、将来価値であればCLTV AI Signalsを、特定の成果であればPropensity Scoringを使用してください。

クォータイルは実行間で比較できますか? できません。クォータイルはその実行でスコアリングされた顧客基盤に対する相対値のため、周囲の母集団が変化すれば、顧客自身の行動が変わらなくてもクォータイルが変わることがあります。セグメントを経時比較する際はこの点に留意し、絶対的な指標が必要な場合は生の recency、frequency、monetary_value を使用してください。

RFMはサブスクリプションに適していますか? 適していません。定額プランのように顧客間で金額が実質的に一定の場合、monetaryの軸は識別力を失い、RFMはrecencyとfrequencyの2軸に縮退します。多くの場合、解約に対するPropensity Scoringの方が適しています。

セグメントをキャンペーンツールでアクティベートするにはどうすればよいですか? 出力テーブルの rfm_segment、rfm_score、rfm_quartile からオーディエンスを構築します。ワークフローで audience_name を設定すると、マスターセグメントと分類ごとの子セグメントを自動的に作成できます。これらのセグメントは、標準のCDPアクティベーションワークフローを通じて下流のアクティベーション先に連携されます。