RFMスコア 計算ツール｜Recency・Frequency・Monetary 3軸の顧客セグメント分析
最終購入からの経過日数(Recency)、年間購入頻度(Frequency)、年間購入金額(Monetary)の3軸それぞれを1-5にスコア化し、顧客セグメントを判定するRFM分析ツール。EC・小売・サブスクの優良顧客抽出・休眠掘り起こし・パーソナライズマーケで40年以上使われている古典的手法を、経済産業省「電子商取引に関する市場調査」や日本DM協会の統計に照らして解説します。
RFMスコア 計算機
RFMの3軸とスコアリング基準
3軸の意味
R(Recency:最新性)=直近購入からの経過日数。短いほど高評価。
F(Frequency:頻度)=一定期間内の購入回数。多いほど高評価。
M(Monetary:金額)=一定期間内の購入総額。多いほど高評価。
本ツールのスコアリング基準
| スコア | R:最終購入 | F:年間回数 | M:年間金額 |
|---|---|---|---|
| 5 | 14日以内 | 12回以上 | 10万円以上 |
| 4 | 15-30日 | 6-11回 | 5-10万円 |
| 3 | 31-60日 | 3-5回 | 2-5万円 |
| 2 | 61-120日 | 2回 | 1-2万円 |
| 1 | 121日以上 | 1回 | 1万円未満 |
基準値は業界により大幅に異なるため、実務では自社の平均・分布から五分位(Quintile)で分割するのが標準的です。当ツールは一般EC(客単価数千円〜3万円)を想定した固定基準ですが、高単価商材(BtoB・不動産・宝飾)や低頻度耐久財(家電・家具)は基準を再設定してください。
セグメント分類(9〜11区分)
スコア組み合わせでよく使う11セグメントの目安。EC実務では下記のようにマーケ施策を差配します。
| セグメント | RFM条件 | 特徴 |
|---|---|---|
| チャンピオン | R:5 F:5 M:5 | 直近購入・高頻度・高金額の最優良客 |
| ロイヤル | R:4-5 F:4-5 M:3-4 | 安定リピーター・LTV高 |
| 期待の新星 | R:5 F:2-3 M:2-3 | 直近購入・伸長中 |
| 新規 | R:5 F:1 M:1-2 | 初回購入・育成対象 |
| 離脱リスク | R:2-3 F:4-5 M:3-5 | 過去優良だが最近購入なし |
| 関心低下 | R:2-3 F:2-3 M:2-3 | 中頻度で購入間隔が伸びている |
| プロミス | R:3-4 F:1 M:2-3 | 単発高額・リピート化候補 |
| スリープ寸前 | R:2 F:1-2 M:1-2 | 離脱に近づいている |
| 休眠 | R:1 F:1-2 M:1-2 | 1年近く未購入 |
| 失客(過去優良) | R:1 F:4-5 M:3-5 | 過去は優良だが1年以上未購入 |
| 失客(過去低額) | R:1 F:1 M:1 | 単発購入から離脱 |
RFMと類似手法(CLV/NPS/Persona)の比較
| 手法 | 入力データ | 強み | 弱み |
|---|---|---|---|
| RFM | 購買履歴のみ | 実装容易、直感的、短期施策に強い | 顧客の嗜好・属性を無視 |
| CLV/LTV | 購買+チャーン率+粗利 | 投資対効果を直接算定 | 予測モデルが必要 |
| NPS | 推奨意向アンケート | 顧客体験の質を測る | 行動につながる指標ではない |
| ペルソナ | 属性+定性調査 | 訴求メッセージ設計 | 定量的でない、恣意性大 |
| クラスタリング(k-means等) | 多次元数値 | データ主導のセグメント発見 | 実装難、解釈難 |
| ジャーニーマップ | 行動ログ | 接点最適化 | 個人差の吸収困難 |
RFMは1980年代にダイレクトマーケティング業界で確立され、40年以上使われている古典的手法。実装コスト・解釈容易性・即効性の三点で今も第一選択です。より高度な分析ではRFMを起点にCLV・機械学習クラスタリングへ発展させる流れが主流です。
セグメント別の推奨施策
| セグメント | 推奨施策 | 期待効果 |
|---|---|---|
| チャンピオン | VIP招待、新商品先行案内、レビュー依頼 | ロイヤリティ強化・口コミ拡散 |
| ロイヤル | 限定商品案内、ステータスバッジ付与 | 維持と紹介促進 |
| 新規 | ウェルカムメール、初回サポート、2回目クーポン | 2回目購入率アップ |
| 離脱リスク | 限定オファー、アンケート、電話フォロー | 離脱防止 |
| 休眠 | 復活クーポン、新商品案内、リマーケ広告 | 復帰率5-15% |
| 失客 | Exit Survey、ブランドリセット | 要因分析 |
業界別のRFM閾値の目安
RFMのスコアリング閾値は業界により大きく異なります。目安を整理します。
| 業界 | R:優(スコア5) | F:優(スコア5) | M:優(スコア5) |
|---|---|---|---|
| 一般EC(食品・雑貨) | 14日以内 | 年12回以上 | 年10万円以上 |
| アパレル(SPA) | 30日以内 | 年6回以上 | 年15万円以上 |
| 化粧品定期便 | 30日以内(継続中) | 年10回以上 | 年8万円以上 |
| 飲食・カフェ | 7日以内 | 年24回以上 | 年5万円以上 |
| ジム・フィットネス | 7日以内(週次利用) | 年48回以上 | 年12万円以上 |
| 不動産賃貸 | 取引が稀のためRは重視せず | — | 賃料150万円/年以上 |
| 高級時計・宝飾 | 90日以内 | 年2回以上 | 年500万円以上 |
| BtoB SaaS | ログイン30日以内 | 月次連続12ヶ月 | ARR 500万円以上 |
| BtoB卸 | 30日以内 | 年24回以上 | 年1000万円以上 |
あくまで目安。自社の顧客分布上位20%を「スコア5」に相当させる五分位分割が実務のスタンダードです。
データ整備と分析頻度
RFM分析の実装には、以下のデータ・システムが最低限必要です。
- 会員ID・顧客識別子 ― 匿名購入者を統合するID体系(メールアドレス・電話番号・購買履歴の名寄せ)。
- 購買履歴テーブル ― 顧客ID・購入日・購入金額の最小3列。カテゴリ・商品ID・チャネル(店舗/EC/アプリ)が付くとより深い分析可能。
- データ集計基盤 ― Excelでも可(数千行まで)。数万行以上はBigQuery/Snowflake/RedshiftのDWH。
- 可視化ツール ― Looker/Tableau/Power BI/Metabase等。RFMヒートマップやセグメントピボットで日次モニタリング。
- 実行系連携 ― CRM/MAツール(HubSpot・Salesforce・KARTE・Braze)へのセグメント出力。
更新頻度はEC・小売で月次、BtoBサブスクで四半期、高頻度アプリで週次が実務標準。ダッシュボードで日次自動更新すると、施策効果が即時に確認できます。
現場での活用例
ECサイトのメール配信最適化
全顧客に同じメールを送るのではなく、RFMセグメント別に件名・オファー・頻度を出し分け。開封率2〜3倍、CVR1.5〜2倍が実務典型値。KARTE・SATORI・Marketo等のMAツールで実装が容易。
アパレル小売の店舗接客
POS・会員データからチャンピオン層に近い会員が来店した際、ベテラン販売員がスタイリング提案。顧客単価が通常客の2-3倍。RFM上位10%が売上40-60%を占める店舗も多い(パレートの法則)。
サブスク型サービスの解約防止
「離脱リスク」セグメント(=Rが低下している優良顧客)を月次で抽出し、CS担当が個別フォロー。休眠化前の介入で解約率20-40%削減の事例あり。
飲食業のリピーター育成
飲食店POSと会員アプリを連携させ、RFMセグメント別にクーポン配信。3ヶ月来店なしの休眠顧客への「久しぶり割」で復帰率20%達成の事例が実務で多数。
BtoB企業の商談優先度づけ
過去購買実績のRFMで営業リソースを優先配分。「離脱リスク」の主要取引先に営業活動を集中させ、他社転出を防ぐ。カスタマーサクセス部門の標準ツール。
不動産・金融の休眠掘り起こし
数年前に住宅ローンや投資商品を購入した顧客のうち、直近アクション(問合せ・資産運用相談等)が途絶えている層をRFM抽出。ライフイベント想定でリターゲ営業。
セグメント別プレイブック(実務テンプレ)
RFMセグメント別に、実務で使えるメール・LINE・広告のトーン&マナー例を示します。
| セグメント | メッセージ例(件名) | チャネル | 頻度 |
|---|---|---|---|
| チャンピオン | 「あなただけの限定コレクションを先行公開」 | メール+LINE+DM | 月2-3回 |
| ロイヤル | 「ポイント2倍キャンペーン開催中」 | メール+アプリPush | 月2回 |
| 新規 | 「はじめての方へ:2回目20%OFFクーポン」 | メール(自動配信) | 1回のみ |
| 離脱リスク | 「◯◯様、最近お忘れではないですか?」 | メール+営業電話 | 四半期1回 |
| 休眠 | 「久しぶりの方へ:復帰特典30%OFF」 | メール+リマーケ広告 | 四半期1回 |
| 失客 | 「サービス改善のためのアンケートご協力を」 | メール(Exit Survey) | 1回のみ |
チャネル併用・頻度・オファーの3点を、セグメント別に設計するのが実務ベストプラクティス。休眠顧客に月次で高頻度接触すると、逆に嫌悪感を持たれるリスクがあります。
RFMから機械学習セグメントへの発展
RFMは3変数だけの単純な手法ですが、購買行動データを拡張することで機械学習ベースの高度なセグメンテーションに発展できます。
| 手法 | 入力変数 | ライブラリ・ツール |
|---|---|---|
| RFM(基本) | 3変数(R/F/M) | Excel、SQL |
| RFM+カテゴリ | 3変数+購入カテゴリ | SQL+ピボット |
| k-meansクラスタリング | 多次元数値 | Python scikit-learn |
| 階層クラスタリング | 類似性距離 | Python scipy |
| DBSCAN | 密度ベース | Python scikit-learn |
| ロジスティック回帰 | 解約予測特徴量 | Python statsmodels |
| ランダムフォレスト | 非線形特徴量 | Python xgboost/lightgbm |
| 深層学習 | 時系列行動ログ | TensorFlow/PyTorch |
いきなり深層学習に飛びつくのではなく、まずRFMで顧客理解の基盤を作り、次にk-meansで自然セグメントを発見し、必要に応じて予測モデルを構築する段階的アプローチが推奨されます。
よくある間違い・注意点
- スコア基準を業界平均に合わせない — 一般ECの基準を高単価BtoBに使うと全員M:5になり、識別能力ゼロ。自社データの分布から五分位で自動分割するのが原則です。
- 3軸の重要度を等価扱い — 業種によりR・F・Mの重要度は異なります。定期便サブスクはFが最重要、高額耐久財はMが最重要、SPA(トレンドファッション)はRが最重要。目的別に重み付けを。
- 期間定義が曖昧 — 「頻度」を年で見るか半年で見るかで結果が変わります。分析期間はビジネスサイクル(季節性・購入間隔)に合わせる必要があります。
- チャンピオン層に施策集中しすぎ — 上位10%への過度な特別扱いはブランドの排他感を生み、中位層のモチベーションを下げる場合があります。全セグメントに適切な体験設計を。
- 1回だけの分析で終える — RFMは動的な指標。月次〜四半期で再計算しないと、セグメント遷移(チャンピオン→離脱リスク等)を見逃します。
- ゼロパーティデータの軽視 — RFMは購買履歴のみで、顧客の意向・嗜好情報を反映していません。アンケート・レビュー等ゼロパーティデータと組み合わせて活用しましょう。
- 個人情報保護法との整合 — セグメント別施策はプロファイリングに該当する場合があり、個人情報保護法・GDPRのオプトアウト権に配慮する必要があります(2022年改正法対応)。
関連する規格・実務基準
- RFM分析 ― 1980年代米国ダイレクトマーケティング業界(Direct Marketing Association)で確立。40年以上の実績を持つ古典的手法。
- 個人情報保護法(2022年改正) ― 顧客セグメント施策はプロファイリング規制の対象。個人情報の適切な取扱いが必要。
- GDPR(EU一般データ保護規則) ― 欧州顧客のプロファイリングにはオプトアウト権保障が必要。
- 特定電子メール法 ― マーケティングメール送信には事前同意(オプトイン)が必要。
- Jマーケティング協会 顧客分析ガイドライン ― 日本国内のダイレクトマーケティング実務基準。
参考文献・公的資料
より正確なRFM分析・CRM運用については、以下の公的機関・業界団体資料を参照してください。
- 経済産業省 電子商取引に関する市場調査 ― 日本のEC市場規模・BtoB/BtoC統計の公式資料。
- 総務省 情報通信白書 ― SNS・EC・キャッシュレス・SaaSの利用実態統計。
- 個人情報保護委員会 ― プロファイリング・行動ターゲティングに関する公式ガイドライン。
- 消費者庁 消費者政策 ― 消費者保護の観点からの企業マーケティング規制。
- 日本ダイレクトメール協会(JDMA) ― ダイレクトマーケティング業界団体。RFM他の実務基準を公開。
- 日本マーケティング協会 ― マーケティング全般の業界標準情報。
- EU GDPR公式サイト ― 欧州の顧客プロファイリング規制。
- 日本貿易振興機構(JETRO) ― 海外CRM/MarTech動向レポート。
よくある質問（FAQ）
RFM分析とは？
最終購入日(Recency)・購入頻度(Frequency)・購入金額(Monetary)の3軸で顧客をスコアリングし、セグメント分類する古典的マーケティング分析手法です。1980年代の米国ダイレクトマーケティング業界で確立され、実装容易性と即効性から現在もEC・小売・サブスクの標準ツールとして使われています。
スコアの基準はどう決める？
自社データの分布から五分位(Quintile)で分割するのが基本。R・F・M各軸を上位20%ごとにスコア5〜1に割り当てます。当ツールは一般EC想定の固定基準ですが、実務では自社の顧客分布に合わせて再設定してください。
3軸で最も重要なのはどれ？
業種によります。定期便サブスクはF(頻度)、高額耐久財はM(金額)、トレンドファッションはR(最新性)が最重要。均等重み付けが標準ですが、目的別に加重を変えるとより実務的な判定になります。
RFMとCLV/LTVはどう違う？
RFMは過去の購買履歴だけを使うシンプルな指標、CLV/LTVは未来の予測値を含むより高度な指標。RFMは即実装・即施策決定に強く、CLVは投資対効果を厳密に算定できます。両者を組み合わせるのが実務のベストプラクティスです。
チャンピオン顧客はどれくらいの割合？
パレートの法則で「上位20%が売上80%を生む」と言われますが、実務では上位10%が売上40-60%を占めるケースが多いです。RFMスコア555(全て5)の完全チャンピオンは全顧客の1-3%程度が業界平均です。
休眠顧客の掘り起こしはどのくらいの復帰率？
業界により3-20%程度が典型的。BtoC EC・飲食・美容で復活クーポン+リマーケ広告を組み合わせると10-15%、BtoBで営業訪問併用だと20-30%達成する事例もあります。ただし休眠期間が2年を超えると復活率は急落します。
RFM分析はどのくらいの頻度で更新すべき？
ビジネスサイクルにより異なりますが、EC・小売は月次、BtoBサブスクは四半期が実務標準。年1回だと季節性・キャンペーン効果を捉え切れず、施策判断が遅れます。ダッシュボードで日次更新できると理想です。
個人情報保護法との関係は？
RFMセグメントは購買履歴に基づく分析で、個人情報のプロファイリングに該当する場合があります。2022年改正個人情報保護法では、こうした分析結果に基づく個別マーケ施策には、顧客への通知・オプトアウト権保障が求められる場合があります。
チャンピオン層以外への投資は必要？
上位10%への集中は短期的売上に効きますが、中長期的にはブランドの排他感を生み、中位層のロイヤリティを下げる場合があります。全セグメントに応じた体験・オファー設計が持続成長には不可欠です。
RFMを実装するにはどんなツールが必要？
Excel/Googleスプレッドシートでも実装可能。データが多い場合はBigQuery・Snowflake等のDWH、施策実行にはKARTE・Salesforce・HubSpot・Braze等のMAツール。オープンソースならPython(pandas)でも数百行で実装できます。
BtoBでもRFM分析は有効？
有効ですが、購買サイクルが長く、購買決定者が複数(意思決定関与者マップ)であるため、単純適用は困難。BtoBでは「取引企業」単位でスコアリング、営業訪問頻度・提案件数などをF軸に含める修正が必要です。
フリー会員はRFMに含める？
有料購買履歴ゼロのフリー会員はRFM対象外。「潜在顧客」として別枠で「エンゲージメントスコア」(サイト訪問頻度・機能使用量・メール開封率)で管理するのが実務標準です。