顧客分析フレームワークの選び方｜目的別の使い分けと実践手順
「顧客分析をしよう」と決めたとき、最初に直面するのが「どのフレームワークを使えばいいのか分からない」という問題です。RFM分析、デシル分析、LTV分析……名前は聞いたことがあっても、自社の課題に対してどれが適切なのかを判断できず、結果として「とりあえずRFM分析」で終わってしまうケースは少なくありません。
フレームワークは目的に応じて使い分けるものです。同じ顧客データを持っていても、「優良顧客を絞り込みたいのか」「休眠顧客を掘り起こしたいのか」「新規獲得の精度を上げたいのか」によって、最適な手法はまったく異なります。目的とフレームワークが噛み合っていれば、分析の精度と施策の効果は大幅に変わります。
本記事では、代表的な顧客分析フレームワークを体系的に整理し、目的別の選び方・組み合わせ方・実践手順まで解説します。フレームワークの説明だけでなく、「どの場面で使い、何に気をつけるか」という実践的な判断基準も示すので、BtoBとBtoCそれぞれの状況に引き寄せながら読み進めてみてください。
顧客分析とは何か、なぜ今重要なのか
顧客分析とは、顧客の属性・行動・購買履歴などのデータを収集・整理・解釈し、顧客理解を深めるプロセスです。単なるデータ集計ではなく、「なぜその顧客はそう動いたのか」という問いに答えることが本質的な目的になります。
この概念自体は古くから存在しますが、重要性が増している背景には、デジタル化によるデータ量の爆発的増加があります。ECサイトのクリックログ、アプリの行動履歴、CRMに蓄積された商談メモ……かつては取得すら困難だったデータが、今は膨大に手元にある時代です。しかし「データがある」ことと「データを活かせている」ことは別の話であり、むしろデータが増えるほど分析の方針が定まらず、担当者が迷子になるケースが増えています。
顧客分析に力を入れる企業が増えているもう一つの理由が、既存顧客維持のコスト効率です。既存顧客の維持コストが新規獲得コストの5分の1程度に抑えられるという経験則（「1:5の法則」）が広く知られているように、既存顧客を深く理解して再購買・アップセルを促すほうが、広告費をかけて新規を獲得し続けるよりも収益効率が高い場合が多いです。顧客分析は、こうした「守りながら育てる」戦略を実行する上での土台になります。
では、顧客分析で具体的に何を明らかにできるのでしょうか。主な分析対象は四つに整理できます。
デモグラフィック情報は年齢・性別・職業・居住地といった基本属性です。BtoCでは購買傾向との相関を探る起点になり、BtoBでは業種・規模・役職が対応を分けるための指標になります。ただしデモグラフィックだけで顧客行動を説明しようとすると、実態と乖離しやすい点に注意が必要です。同じ年代・収入層でも購買行動は大きく異なることが多く、あくまで仮説を立てるための補助情報として位置付けるのが適切です。
購買データは購入金額・回数・頻度・商品カテゴリなど、実際の取引から得られる定量情報です。この領域で機能するのがRFM分析やデシル分析であり、数字として比較しやすい分、施策への落とし込みがしやすい特徴があります。
行動データはWebサイトの閲覧履歴・メール開封率・アプリ操作ログなど、購買の前後を含む広い行動の記録です。コホート分析や行動トレンド分析が有効に機能するのはこの領域です。購買前の行動を分析することで、「何が購買の引き金になったか」を把握できるため、広告やコンテンツの設計に直接活かせます。
定性情報はアンケート回答・問い合わせ内容・営業担当者のメモなど、数値化されていないテキスト系データです。定量分析だけでは見えない「なぜ」を補完する役割を持ちます。特に購買決定に至るまでの感情的な動機や、競合との比較検討のプロセスは、定性情報からしか読み取れないことが多くあります。
顧客分析フレームワークの選び方
競合記事の多くは「フレームワーク○選」という形でリストを並べますが、実際の現場で困るのは「何を使えばいいか分からない」という判断の部分です。まずは選び方の軸を整理した上で、各フレームワークを見ていきます。
フレームワーク選定の3つの軸
軸1：何を知りたいのか（分析目的）
顧客分析の目的は大きく三つに分けられます。「顧客を分類・ランク付けしたい」「顧客の行動変化を時系列で追いたい」「顧客の特性・ニーズを構造化したい」の三つです。目的が定まれば、自ずと使うべきフレームワークが絞り込まれます。「全部やりたい」という発想は現実的ではなく、まず一つの問いに答えることに集中するほうが成果につながりやすいです。
軸2：どんなデータがあるか（データ制約）
優れたフレームワークでも、必要なデータがなければ動かせません。たとえばRFM分析には最終購買日・購買頻度・累計金額が必要ですが、単品販売しかしていないビジネスでは「頻度」が意味をなしません。コホート分析には時系列で揃った行動ログが必要で、データが断片的な場合は成立しません。手持ちのデータと照合することが先決です。
軸3：BtoBかBtoCか（ビジネスモデル）
BtoCは母数が多く統計的な分析に向いている一方、BtoBは取引先ごとの関係性や商談プロセスが重要になります。同じ「顧客分析」という言葉でも、両者では適切なフレームワークが異なります。この違いは後のセクションで詳しく扱います。
定量分析系フレームワーク
デシル分析
全顧客を購買金額の高い順に10等分し、各グループの売上構成比を把握する手法です。「上位10%の顧客が売上の○%を占めている」という事実を可視化するのに有効で、優先的にアプローチすべき顧客層を特定する起点になります。シンプルな構造ゆえに導入しやすく、顧客分析を初めて行う組織のファーストステップとして適しています。
実務での活用例としては、上位デシルへの集中的なロイヤルティ施策（限定セール優先案内や専任担当者の設置）と、中位デシルへのアップセル施策を分けて設計するケースが一般的です。ただし購買金額だけで顧客を評価するため、「最近買い始めたばかりで金額はまだ低いが将来性が高い顧客」を見落とすリスクがあります。頻度や直近性を加味できないのがこの手法の限界であり、デシル分析はあくまで「今現在の売上貢献度の分布を知る」ための入口として捉えるのが適切です。
RFM分析
Recency（直近購買日）・Frequency（購買頻度）・Monetary（購買金額）の三軸で顧客をスコアリングする手法です。三つの軸を組み合わせることで、「最近買っていないが以前は頻繁に大量購入していた顧客」を離反予備軍として識別するなど、一軸だけでは見えない顧客の複雑な状態を捉えられます。
リピートが発生する商材、つまりサブスクリプションサービスや日用品EC、化粧品・食品の定期購入との相性が特に良く、メールマーケティングのセグメント設定に活用されることが多い手法です。スコアリングの設定次第で顧客の分類が変わるため、「何点以上を優良とするか」という基準は自社の事業特性に合わせて調整する必要があります。業種によっては購買サイクルが1〜2年単位になることもあり、Recencyのしきい値を一般的な設定のまま使うと、健全な顧客を「離脱リスク」と誤判定するケースが起きます。
LTV分析（顧客生涯価値）
顧客一人が生涯を通じて企業にもたらす累積収益を算出する考え方です。「今期の購買金額」ではなく「長期的な価値」で顧客を評価することで、短期的に購買額が低くても継続率の高い顧客を正当に評価できます。広告費の上限設定（CPA設計）や顧客維持施策の優先度判断に直結するため、マーケティング投資対効果を考える上での基準値になります。
LTVを算出するには「平均購買単価×購買頻度×継続期間」が基本式ですが、チャーン率（解約率）や粗利率を組み込んだより精緻な計算式を使う場合もあります。SaaSビジネスではMRR（月次経常収益）ベースでのLTV計算が一般的で、チャーン率が1%改善するだけでLTVが大きく変動することが多いため、LTV分析は解約防止施策の優先度づけにも活用されます。注意点は、LTVはあくまで予測値であり、市場環境や競合状況の変化によって実績が大きく乖離する可能性がある点です。
CTB分析（カテゴリ・テイスト・ブランド分析）
どのカテゴリ・テイスト・ブランドの商品を好む顧客かを分析する手法で、アパレルや食品など商品の好みが顧客ごとに分かれる業種で効果的です。「このブランドを買う人は別のブランドも買う傾向がある」というパターンを掴むことで、レコメンデーションやクロスセル施策に活用できます。
ECの商品アルゴリズム改善や、メルマガのパーソナライズに使われるケースが代表的です。アパレルECでは「カジュアル系を好む顧客」と「フォーマル系を好む顧客」に対して異なる商品提案を行うことで、クリック率や購買率が改善しやすい傾向にあります。分析の精度はタグ設計（カテゴリ・テイスト・ブランドの粒度設定）に大きく依存するため、分析を始める前にタグ体系を整備しておくことが重要です。
コホート分析
同じ時期に初回購買・登録などを行った顧客グループを「コホート」として、その後の行動変化を時系列で追う手法です。「4月に初購買した顧客の3ヶ月後の継続率」「1年前に登録したユーザーの現在のアクティブ率」といった観点で、顧客がどのタイミングで離脱するかを特定できます。
施策の効果測定にも有効で、「施策Aを打ったコホートと打っていないコホートで継続率がどう変わったか」を比較する使い方もよく行われます。特にSaaSや会員制サービスでは、コホート別のリテンションカーブを追うことが定番です。チャーンが発生しやすい時期（たとえばサービス登録から30日後に急落するケースが多い）を特定できれば、その直前にオンボーディング施策を集中させるといった具体的な介入設計に落とし込めます。
構造・プロセス分析系フレームワーク
セグメンテーション分析
顧客を何らかの共通特性によってグループ分けする分析です。RFMのようなスコアリング型と異なり、「地域」「職種」「購買チャネル」「利用サービス」など多様な軸でのセグメント設計が可能です。重要なのは「誰がどのセグメントに入るか」よりも「そのセグメントに対してどんな施策が有効か」という仮説をセットで持つことです。セグメントを作ること自体が目的化すると、分析の結果が施策につながらず、工数だけが積み上がる事態になります。
有効なセグメントの条件として「測定可能であること」「十分な規模があること」「施策で差別化できること」の三つが挙げられます。たとえば「関東在住の30代女性」というセグメントは測定可能で規模もあるが、施策の差別化軸として弱い場合があります。一方「初回購買から90日以内に2回目の購買をした顧客」は行動ベースのセグメントであり、施策設計に直結します。
行動トレンド分析
時系列で顧客の行動変化を把握する手法です。季節変動・曜日傾向・時間帯傾向といったパターンを発見し、「いつ・どんな顧客が・どんな行動を取るか」を整理します。特にリピート購買の多い業種では、購買サイクルの把握が在庫管理やキャンペーン時期の最適化に直結します。
分析の粒度を細かくすることで、「平日昼間にアクセスするユーザーは購買率が低いが、週末夜間は高い」といった行動パターンが見えてくることがあります。これを広告の配信時間帯設定に反映させたり、プッシュ通知のタイミング設計に使うといった応用が可能です。
パイプライン分析
主にBtoB営業で使われる分析で、商談のフェーズごとに案件数・金額・転換率を可視化するものです。「初回商談から提案まで転換するのは何%か」「提案から契約に至る確率はフェーズ別でどう違うか」を把握することで、営業プロセスのどこにボトルネックがあるかを特定できます。CRMに蓄積されたデータを活用することが前提になるため、日常的な情報入力の精度がそのまま分析品質に影響します。
パイプライン分析が機能している組織では、担当者別・業種別・案件規模別の転換率を比較することで、「特定の担当者だけ提案フェーズの転換率が低い」「中規模案件の成約率が想定より低い」といった問題を数字として浮かび上がらせられます。勘と経験で動いていた営業組織が、データドリブンな営業管理に移行する際の第一歩になる分析です。
ペルソナ分析
定量データから浮かび上がった顧客像を、具体的な人物像として記述する定性的なアプローチです。「35歳・都市部在住・フルタイム勤務・週2回のジム通い・仕事後の疲れを癒す時間を重視」といった形で顧客を具体化することで、コンテンツ制作や商品企画の担当者が意思決定の基準を持ちやすくなります。
注意点は、ペルソナはあくまで「代表的な傾向の人物化」であり、実在の顧客の平均値ではないという点です。恣意的なペルソナ設定は、むしろ判断の精度を下げる可能性があります。また、一度作ったペルソナを更新せずに使い続けると、実際の顧客層の変化に気づけなくなるリスクもあります。定期的にデータを照合し、ペルソナの前提が実態と合っているかを確認する運用が理想的です。
CPM分析（顧客購買マネジメント）
RFM分析をさらに発展させた手法で、顧客を購買行動の変化パターンによって「新規」「リピーター」「優良」「離脱予備軍」「復活」など複数のステータスに分類するものです。顧客が時間の経過とともにどのステータスを遷移しているかを追うことで、ライフサイクル全体を通じた施策設計が可能になります。
たとえば「新規顧客を早期にリピーターに育てる施策」「優良顧客が離脱予備軍に落ちる前にフォローする施策」「一度離脱した顧客を復活させる施策」をそれぞれ分けて設計できるため、施策の網羅性と効率性が上がります。RFM分析よりも複雑なデータ整備が必要になりますが、継続的な顧客管理を本格的に取り組む段階で導入を検討する価値があります。
目的別、フレームワークの組み合わせパターン
単一のフレームワークで全課題を解決しようとするのは、一本のレンズで全体像を把握しようとするのに似ています。現場で効果を出している企業の多くは、複数のフレームワークを組み合わせて使っています。
優良顧客の解像度を上げたい場合
まずデシル分析またはRFM分析で上位顧客を抽出し、その顧客層に対してCTB分析や行動トレンド分析を重ねて「何を買うか」「いつ買うか」の傾向を掴みます。さらにペルソナ分析で顧客像を具体化し、それを起点にコンテンツやオファー設計を行う流れが有効です。
定量的な分類（RFMで上位20%を抽出）と定性的な人物像の把握（ペルソナ分析）を組み合わせることで、「数字の上での優良顧客」と「施策設計に使えるリアルな顧客像」を両立できます。ユニクロを展開するファーストリテイリングは、会員データをもとに顧客セグメントを細かく設定し、RFM的なスコアリングとCTB的な好み分析を組み合わせてパーソナライズされたメール配信を実施していることで知られています。
休眠顧客を再活性化したい場合
RFM分析でRecencyスコアが低下している顧客を抽出した後、コホート分析で「いつ離脱が始まったか」を時系列で確認します。離脱タイミングと照らし合わせて、当時の施策やサービス変更との相関がないかを調べることで、「なぜ離れたか」の仮説が立てやすくなります。
休眠顧客の再活性化施策は獲得施策と比較して費用対効果が高いと言われますが、過去に離脱した顧客は何らかのネガティブな体験を持っている可能性が高いため、アプローチのトーン設計が重要です。「お得な情報をお知らせします」よりも「ご無沙汰しています」という寄り添い型のコミュニケーションが効果的な場合が多い傾向にあります。また、全休眠顧客に同じ施策を打つのではなく、CPM分析を使って「離脱直前の優良顧客」と「長期離脱の低頻度購買者」を分けてアプローチを変えることで、施策の精度が上がります。
新規獲得施策の精度を上げたい場合
既存の優良顧客データからペルソナやセグメントを定義し、その特性に近い見込み顧客を新規獲得ターゲットに設定するアプローチです。これはLAL（Look-alike）ターゲティングの考え方に近く、デジタル広告との組み合わせで活用されることが多い手法です。セグメンテーション分析で「どんな属性・行動パターンを持つ人が優良顧客になりやすいか」を特定することが前提になります。
注意したいのは、過去の優良顧客の特性が将来の優良顧客に当てはまるとは限らない点です。市場構造や消費者行動が変化している業界では、過去データをそのまま新規獲得ターゲットに投影すると、施策の効果が落ちる場合があります。定期的に優良顧客の定義と特性を見直す運用が必要です。
BtoBとBtoCで異なる顧客分析の視点
顧客分析の解説記事の多くがBtoCを前提に書かれているため、BtoBの営業・マーケティング担当者は「自分たちに使えるのか」という疑問を持ちやすいです。両者の違いを整理しておきます。
BtoCにおける顧客分析は、取引件数が多く母数が確保できるため、統計的なアプローチが有効です。RFM分析やコホート分析のように数百・数千のサンプルを前提とした定量手法との相性が良く、施策の効果測定にもABテストが使いやすい環境があります。一人一人の取引規模が小さい分、自動化されたCRM連携やパーソナライズ配信との組み合わせが施策の中心になります。
一方、BtoBでは取引先の数が限られ、1社1社の取引規模が大きいという特性があります。そのため「顧客をスコアで並べる」よりも「各社の状況・課題・意思決定構造を把握する」定性的な深堀りが重視されます。パイプライン分析や定性情報の整理が特に重要になり、CRMへの情報蓄積が分析の前提になります。
BtoBで見落とされがちな視点が「顧客企業の動向分析」です。担当者が変わった、組織再編があった、新規事業に着手したといった変化が、追加受注や失注のシグナルになることがあります。こうした情報をいかに早く察知し、CRMに反映させるかが、BtoB顧客分析の精度を左右します。営業担当者が会話で得た定性情報を構造化してCRMに入力する習慣が根付いているかどうかが、BtoBでの顧客分析の成否を分ける大きな要因の一つです。
また「顧客分析 フレームワーク BtoB」という検索でよく辿り着く3C分析（自社・顧客・競合の三軸で市場を俯瞰する分析）は、どちらかといえば戦略立案フェーズのフレームワークで、個別の顧客を評価するものではありません。市場全体を俯瞰するためのフレームワークと、個別顧客を深掘りするためのフレームワークは役割が異なるため、混同しないよう整理しておくことが重要です。
顧客分析を実践するための手順
フレームワークの知識があっても、実際に走らせる手順を理解していなければ動けません。現場で実行可能なプロセスを、五つのステップで示します。
ステップ1：目的と問いを定める
「顧客分析をしよう」という漠然とした出発点は、途中で迷走する原因になります。「何を知れば、どんな意思決定ができるか」という形で問いを立てることが先決です。「優良顧客の特徴を掴んで、類似した新規顧客へのアプローチ精度を上げる」という問いであれば、使うべき手法と必要なデータが自ずと絞れます。問いの立て方が曖昧なまま分析を走らせると、結果が出ても「で、どうする？」という状態になります。
ステップ2：データの棚卸しと整備
多くの企業で「データはある、しかし使える状態ではない」という問題が起きています。重複した顧客IDの統合、購買データと会員データの紐付け、欠損値の補完など、いわゆるデータクレンジングは分析精度に直結します。地味な作業ですが、この工程をおろそかにすると分析結果への信頼が揺らぎます。特に複数のシステムに顧客データが分散している企業では、「同一の顧客が複数のIDで存在している」という問題が多く、名寄せ処理が最初の壁になります。
ステップ3：フレームワークの選定と分析の実行
前述の選定軸に基づき、目的・データ・ビジネスモデルに合ったフレームワークを選びます。一度に複数を走らせるのではなく、まず一つで結果を出し、その結果を踏まえて次の手法を検討するという反復が現実的です。最初から完璧な分析体制を構築しようとせず、「小さく始めて学びながら拡張する」サイクルが長続きします。
ステップ4：結果の解釈と仮説の構築
分析から出てくる数字は「事実」ですが、それ自体が施策になるわけではありません。「RFMスコアが中程度の顧客が最も多いが、その層への施策が薄い」という事実から「この層に対してフォローアップキャンペーンを打てば離反を防げるのではないか」という仮説を立てるプロセスが必要です。分析と施策の間にある解釈の工程を丁寧に行うことが、「分析して終わり」を防ぐ鍵になります。この解釈作業は数字だけを見ていても難しく、現場の感覚を持つ人間（営業担当者やカスタマーサポート担当者）を巻き込むことで精度が上がります。
ステップ5：施策の実行と検証
立てた仮説を施策として実行し、結果を測定します。ここで重要なのが「何をもって成功とするか」の基準を事前に設定しておくことです。メール開封率なのか、再購買率なのか、LTVの変化なのか。測定指標が曖昧だと、効果の有無を判断できず、次の分析サイクルに入れません。施策を打ちながら検証し、仮説を更新し続けることが顧客分析の本来の姿です。
顧客分析で陥りやすい失敗とその対策
顧客分析の実践者が繰り返し経験するつまずきポイントがあります。事前に把握しておくことで、同じ落とし穴を避けやすくなります。
分析のための分析になる
レポートは作られるが、誰も意思決定に使わないというケースは現場でよく見られます。原因は「誰のために・何のために分析するか」が不明瞭なまま着手することです。分析プロジェクトの立ち上げ時に「この分析結果を誰が見て、どんな判断に使うか」を明示することが重要です。分析担当者と意思決定者の間に情報のギャップが生まれないよう、定期的なレビューの場を設けることも有効です。
定量データだけに依存する
数字で語れる部分だけを分析しているうちに、顧客の行動の「理由」が見えなくなります。アンケートや顧客インタビュー、営業担当からのヒアリングといった定性情報を組み合わせることで、分析の解像度が上がります。定量分析が「何が起きているか」を教えるとしたら、定性情報は「なぜ起きているか」を補完する役割を担います。特に施策が期待通りの結果を出せなかったとき、定性情報を持っている組織と持っていない組織では、次の打ち手の精度に大きな差が出ます。
過去データで未来を読みすぎる
顧客分析は基本的に過去のデータをもとにします。市場環境の変化・競合の動き・消費者心理の変化が重なった状況では、過去パターンの延長で判断することが的外れになることがあります。特に外部環境の変化が大きい時期は、分析結果を「参考」と捉え、現場感覚との照合を欠かさないことが重要です。
フレームワークを覚えることが目的になる
フレームワークの名前を覚え、全て試してみることに労力を使いすぎるケースも見られます。フレームワークは「思考の補助道具」であり、それ自体に価値があるわけではありません。自社の問いに対して最小限のフレームワークで最大の示唆を得ることが、顧客分析の効率化につながります。
顧客分析を効率化するツールの選び方
分析の精度を上げ、継続的に実行できる体制を整えるには、ツールの選定も重要です。
CRM・SFAツールは顧客データの蓄積と管理の起点になります。SalesforceやHubSpotのような包括的なプラットフォームから、業種特化型のツールまで選択肢は広いですが、重要なのは「現場が日常的に入力し続けられるUI設計か」という点です。どれほど優れた分析機能があっても、入力が続かなければデータの鮮度が落ちます。導入前に現場担当者の操作感をテストすることが、長期運用の成否を分けます。
BIツールはTableauやLooker Studioのように、蓄積されたデータをダッシュボードで可視化するものです。分析担当者だけでなく、経営層や現場担当者がリアルタイムで状況を把握できる環境を作ることで、「分析結果を見てもらえない」という問題を緩和できます。ダッシュボードの設計は「見る人が何を意思決定したいか」から逆算することが重要で、情報を詰め込みすぎると結局誰も見ない画面になります。
CDPツール（カスタマーデータプラットフォーム）は、複数のチャネルに分散した顧客データを統合・管理するためのプラットフォームです。ECの購買データ、メールの行動データ、アプリのログ、実店舗のPOSデータなど、断片化した顧客接点を一つのIDに統合することで、より精緻な分析が可能になります。大規模な顧客データを扱う企業での導入が増えており、顧客分析を組織的に進める上での基盤インフラとして位置付けられています。
ツールを導入する前に確認したいのが「データがツールに届いているか」という上流の問題です。データの取得・蓄積・統合というパイプラインが整備されていない状態で高機能なBIツールを入れても、結局は「空のダッシュボード」になります。ツール導入の議論をする前に、データ基盤の状態を確認することを強く推奨します。
まとめ
顧客分析フレームワークは、それ単体が答えを教えてくれるものではありません。「なぜその分析をするのか」「その結果を誰がどう使うのか」という問いを持ち続けることで、初めて施策への橋渡しができます。
購買データを扱うデシル分析・RFM分析・LTV分析・CTB分析・CPM分析は定量分析の柱として機能し、行動変化を追うコホート分析・行動トレンド分析は顧客のライフサイクルを把握するのに有効です。そして営業プロセスを可視化するパイプライン分析や、顧客像を具体化するペルソナ分析・セグメンテーション分析を組み合わせることで、「顧客分析」という言葉の解像度が一段階上がります。
どのフレームワークを使うかよりも、「自社の課題に対して何を知れば前進できるか」という問いから出発することが、効果的な顧客分析への近道です。フレームワークは手段であり、目的ではありません。まず一つの問いを立て、最小限の分析で仮説を作り、施策に落とし込んで検証するというサイクルを回し続けることが、顧客理解を深める上で最も確実な道筋です。
