顧客分析で年10億円超の利益：「買い回るお客様」は幻想だった

顧客セグメンテーションとは、顧客を似た者どうしのセグメント（群）に分けることです。分け方は、大きく3つの段階を経て進んできました。

• ペルソナ：典型的な顧客像を描く。傾向はつかめるが、そんな人が実在するのかをデータで確かめられない
• ランクとクロス分析：購買金額や回数で分け、別の軸と掛け合わせる。RFM分析（最後にいつ・どれくらいの頻度で・いくら買ったかで分ける方法）もこの仲間。基礎の理解には役立つが、同じランクの顧客が同じ買い方をしているとは限らない
• 機械学習による分類：買い方そのもので分ける。誰がどんな買い方をしていて、どうすれば上位の顧客になりやすいかまで分かる。ただし、作るのに手間がかかる

ランクとクロス分析までは、マーケティングに携わる人の基本です。そこで見えない顧客の違いを捉えるのが、機械学習による分類です。

大手商業施設で、マーケティングの改革を主導したときの話です。

着手したときの状態

会員カードの購買データは、すでにたまっていました。ところが、顧客をめぐる議論は「20代の女性」のような大まかな顧客像か、どの店の売上が高いかで止まっていました。

調査をすれば、顧客の傾向は見えます。ただ、それを具体的な施策に落とし込めない。施設は「服を買い、食事をし、雑貨も買って帰る」顧客を思い描き、館内の買い回りを促していました。

最初にしたこと：分析の前に、顧客を見に行く

分析の切り口は、人が決めます。最初にしたのは、データを開くことではなく、館を歩き、販売スタッフに話を聞くことでした。どんな顧客が、どの店とどの店を一緒に使っていそうか。その仮説を先に立てました。

分析の計画がずれていると、何度もやり直すことになります。分析には数か月かかりましたが、その大半はデータの処理ではなく、こうして顧客の感覚をつかみ、切り口を試し直す時間でした。どのデータを使い、どれを捨てるかも、顧客への肌感で決めるしかありません。

分析：買い方そのもので分ける

年代や購買金額ではなく、どんな種類の店で、何回買っているかで顧客を分けました。使ったのは機械学習です。

手法は一つに頼りませんでした。全体を特徴で上から分けていく手法と、似た買い方の顧客を下から束ねていく手法の両方を試しています。上から分ける手法は、手元のデータに合わせすぎてしまい、データが更新されると使えませんでした。複数の手法で一貫して出てくる分かれ方を採りました。

違和感：「買い回るお客様」は幻想だった

分けてみると、思い描いていた顧客像とは違う結果が次々に出てきました。

顧客ごとに、使う店の種類は大きく偏っていました。服を中心に買う顧客、服は買わずに食品や雑貨を買う顧客、飲食と本の店に立ち寄る顧客。服も食事も雑貨もまんべんなく買い回る顧客は、ほとんどいなかったのです。

館の中のいろいろな種類の店を使ってもらおう、という発想そのものが、顧客の側には立っていなかったことになります。それまで顧客をひとくくりに捉えていた私たちには、大きな衝撃でした。

解釈：分けた群に名前を付ける

分析は、解析と解釈の2つでできています。データから群を見つけるのが解析、その群が何者なのかを読み取って名前を付けるのが解釈です。

解釈には、業態への理解が要ります。分析の担当者だけでは、群に名前を付けられません。そこで、分析の結果を現場と見比べ、違和感はないか、抜けている顧客はいないかを確かめる作業を数回繰り返しました。

最後の基準は、現場が腹落ちするかどうかでした。最初に出た結果が、いちばん良いとは限りません。

打ち手：買い回りの促し方を変え、主要顧客の離脱を防ぐ

打ち手は2つに絞りました。

一つは、買い回りの促し方を変えることです。服も食事も雑貨も、と館全体を回ってもらうのではなく、顧客がすでに使っている種類の店の中で、似た店をもう一つ使ってもらう。よく行く店では、来店の回数や1回の買い物の額を上げてもらう。顧客の買い方に沿った販促に切り替えました。

もう一つは、主要顧客を守ることです。分けてみると、売上を支えている群は限られていました。利益を支える主要顧客を定義し、その顧客の離脱の兆しを捉えて引き止める施策に力を集めました。

振り返り：施策の反応を群ごとに並べる

群を分けただけでは、分析で終わってしまいます。そこで、施策ごとに、どの群が反応したかを○×で並べる帳票をつくりました。たとえば、次のような問いに答えられるようにしています。

• 割引の期間によく買うのは、どの群か
• バーゲンで買っているのは、どの群か
• 新しい店の開業で来たのは、どの群か
• 飲食のチケットは、服を買う顧客にも響くか

狙った群に届いたかを振り返れるようになり、反応のない群への無駄打ちが減りました。浮いた販促費は、反応する群への施策に回しました。

結果

主要顧客の離脱を防ぐ施策に集中した結果、年間10億円超の利益創出につながりました。

やってみて分かった落とし穴

• 分析のための帳票をつくっても、使われない。施策の仮説がすぐに出てくる帳票にする
• 群を細かく分けすぎると、群どうしが近くなり、顧客が群の間を行き来しやすくなる。議論に使える数にとどめる
• 分析を外に任せきりにすると、現場の感覚とずれた群になる。解釈は、現場と一緒にする

主要顧客を決めるときは、線をどこで引くかがすべてです。ここがぶれると、誰も結果を理解できません。私が使っている目安は次のとおりです。

• 大きな数字を、一つの軸で、まず見る。いきなり2つ以上の軸を掛け合わせない
• 線は、売上の8割ほどを占めるところで引く
• 経営が追う指標は、上位の数群の顧客数と、その売上にする

この指標さえ見ていれば方向を決められる、という数字が見つかれば、戦略と施策を一本でつなげられます。

当時は、手法の選定からプログラムを書き、クラウドで計算を回すまで、専門の分析チームが数か月をかけました。

今は、購買データをAIに読ませれば、分け方の試行錯誤を数日で回せます。空いた時間は、現場の聞き取りと顧客像の仮説づくりに回せます。主要顧客の離脱の兆しも、AIが毎週集計して知らせます。

ただし、何で分けるかと、分けた群が何者かを決めるのは、人の仕事のままです。

1. 顧客への問いを決める：事業を支えているのは誰か、その人たちで売上の何割か、その人たちが何を求めているか。
2. 現場で仮説を立てる：店や営業の現場を見て、スタッフに聞き、どんな顧客がどう買っていそうかを書き出す。
3. 買い方で分ける：複数の手法で試し、一貫して出てくる分かれ方を採る。
4. 名前を付け、現場と確かめる：違和感と抜けがなくなるまで、数回繰り返す。
5. 帳票にして使う：施策ごとに群の反応を振り返り、使いながら分け方を磨く。

• 年代と性別だけで分ける：同じ30代の女性でも、買い方はまるで違う。
• 商品の分析だけをする：どの商品が何個売れたかだけを追うと、値下げのような判断に流れやすい。
• 細かく分けすぎる：群が多すぎると議論できず、施策にも結びつかない。
• 一度つくって終わりにする：施策の振り返りに使いながら磨く。
• 分析を外に任せきりにする：現場の感覚を通らない群は、現場で使われない。

顧客分析は、データの作業である前に、顧客を知る作業です。データを見る前に、顧客を見る。

まずは、自社の売上の8割をつくっている顧客が誰かを、言葉で説明できるかを確かめてみてください。