フレームワーク活用ガイドひとことで言うと#
カスタマーアナリティクスとは、顧客の行動・属性・取引データを統合的に分析し、「誰が」「なぜ」「どのように」自社のサービスを利用しているかを深く理解する手法。顧客を一括りにせず、データに基づいてセグメント化し、それぞれに最適な施策を打つことで、顧客満足度と収益の両方を向上させる。
押さえておきたい用語#
- セグメンテーション（Segmentation）
- 顧客をデータに基づいて意味のあるグループに分類すること。施策が変わる単位で分けるのがポイントで、分けても施策が同じなら分ける意味がない。
- LTV（Life Time Value）
- 1人の顧客が生涯にわたって企業にもたらす累計の収益額のこと。高LTV顧客を特定し、維持・拡大することがカスタマーアナリティクスの主目的の一つ。
- コホート分析（Cohort Analysis）
- 同じ時期に獲得した顧客をグループ化し、時間経過に伴う行動変化を追跡する手法のこと。解約率や購買頻度の推移をコホート別に比較する。
- RFM分析（RFM Analysis）
- 直近性（Recency）・頻度（Frequency）・金額（Monetary）の3軸で顧客の価値を評価する手法のこと。シンプルながらセグメンテーションの基本として広く使われる。
- チャーン（Churn）
- 顧客がサービスを解約・離脱すること。チャーンレート（解約率）を下げることは、新規獲得よりコスト効率が5〜25倍高い。
カスタマーアナリティクスの全体像#
こんな悩みに効く#
- 顧客全員に同じ施策を打っていて、効率が悪い
- 優良顧客とそうでない顧客の違いが感覚的にしかわからない
- 顧客の離脱理由を体系的に把握できていない
基本の使い方#
散在している顧客データを1つのビューに統合する。
- 購買データ: いつ、何を、いくら購入したか
- 行動データ: Webサイトの閲覧、アプリの利用、メールの開封
- 属性データ: 年齢、地域、業種、契約プラン
- 対話データ: 問い合わせ履歴、NPS回答、レビュー
ポイント: データが複数システムに分散していると分析が難しい。まずは「顧客ID」で紐付けられるデータを統合することから始める。
データに基づいて顧客を意味のあるグループに分類する。
- RFM分析: 直近性（Recency）・頻度（Frequency）・金額（Monetary）で分類
- 行動ベースセグメント: ヘビーユーザー / ライトユーザー / 休眠ユーザー
- LTVベースセグメント: 高LTV顧客 / 成長途上顧客 / 低LTV顧客
- ニーズベースセグメント: 利用目的や課題の違いで分類
ポイント: セグメントはアクションが変わる単位で分ける。分けても施策が同じなら、分ける意味がない。
各セグメントの特徴と行動パターンを深掘りし、施策のヒントを見つける。
- 優良顧客の共通点: どんな経路で獲得され、初期にどんな行動を取ったか
- 離脱顧客の兆候: 解約前にどんな行動変化があったか（ログイン減少、利用機能の減少）
- 成長余地のある顧客: アップセル・クロスセルの可能性が高いのはどのセグメントか
ポイント: 分析結果を「で、どうする？」に結びつけることが重要。インサイト→施策仮説→実行のセットで考える。
セグメントごとに最適な施策を実行し、結果をデータで検証する。
- 優良顧客: ロイヤルティプログラム、限定オファーで維持・拡大
- 休眠顧客: リアクティベーションメール、特別割引で再活性化
- 離脱リスク顧客: カスタマーサクセスによる個別フォロー
- 効果測定: 施策前後でKPI（LTV、解約率、購買頻度）の変化を確認
ポイント: 全セグメントに一斉に施策を打たない。インパクトが大きいセグメントから優先的に取り組む。
具体例#
課題: 月額制の動画配信サービス（会員12万人）。会員数は増えているが、解約率が月間8%で収益が安定しない。
セグメンテーション結果（行動ベース）:
- コアファン（20%/24,000人）: 週5日以上視聴、複数ジャンル、年間継続率95%
- ジャンル特化型（35%/42,000人）: 特定ジャンルのみ視聴、新作時にアクティブ、年間継続率70%
- ライトユーザー（30%/36,000人）: 月に2〜3回視聴、継続率50%
- 休眠予備軍（15%/18,000人）: 直近30日間ログインなし、継続率20%
施策と結果:
- コアファン: 年間プラン割引提案 → 30%が移行（LTV向上）
- ジャンル特化型: お気に入りジャンルの新作通知強化 → 視聴頻度1.3倍
- ライトユーザー: パーソナライズおすすめ配信 → 月間視聴回数2回→4回
- 休眠予備軍: 「見逃し話題作」メール → 15%が再アクティブ化
全体の解約率が月間8%→5.5%に改善。年間で約3,600万円の収益改善効果。
状況: 法人向けSaaS（顧客数800社）。上位20%の顧客がARR（年間経常収益）の65%を占めるが、その特性が明確でない。
顧客データ統合:
- 契約情報: プラン、契約月数、ユーザー数
- 利用データ: DAU、利用機能数、API連携の有無
- サポートデータ: 問い合わせ頻度、NPS
上位20%（160社）の共通点:
- 導入後30日以内にAPI連携を設定（一般顧客の3.2倍の確率）
- 3つ以上の機能を利用（一般は平均1.8機能）
- 社内の利用ユーザー数が10名以上
アクション: オンボーディングプログラムを改訂し、導入初月にAPI連携と3機能の利用を促すチェックリストを導入。新規顧客の6ヶ月後LTVが平均32%向上、年間プラン契約率が40%→58%に改善。
状況: 会員数20万人のアパレルEC。過去6ヶ月間に購入がない「休眠顧客」が4万人（20%）存在。
休眠顧客の分析:
- 休眠直前の購買パターン: 平均購入単価8,500円、購入頻度は月1回→3ヶ月に1回に低下
- 休眠理由の推測（行動データから）: セール時のみ購入→セール通知を受けていない層が35%、サイズ合わず返品後に離脱した層が20%
セグメント別施策:
- セール未通知層（14,000人）: パーソナライズセール通知 → 購入復帰率18%
- 返品離脱層（8,000人）: サイズ診断ツール案内＋送料無料クーポン → 復帰率12%
- その他休眠層（18,000人）: 「お帰り割引」15%OFFクーポン → 復帰率8%
**結果: 4万人のうち約5,200人（13%）が購入復帰。3ヶ月間の売上回収額は約8,000万円。**施策コスト（メール配信＋クーポン原価）は約900万円で、ROIは約8.9倍。
やりがちな失敗パターン#
- セグメントを細かくしすぎる — 20個も30個もセグメントを作ると、施策が追いつかない。最初は3〜5セグメントに絞り、施策を回せる粒度にする
- 過去のデータだけで顧客を理解しようとする — データだけでは「なぜ」がわからないことが多い。定量分析と定性調査（インタビュー、アンケート）を組み合わせる
- 分析結果を一度出して終わりにする — 顧客は変化する。去年の優良顧客が今年も優良とは限らない。最低でも月次でセグメントを更新し、施策を見直す
- 全セグメントに同時に施策を打つ — リソースが分散して効果が薄くなる。インパクトが最大のセグメント1〜2つに集中し、成果を確認してから横展開する
まとめ#
カスタマーアナリティクスは、顧客データを統合・分析し、セグメントごとに最適な施策を打つためのフレームワーク。顧客を一括りにせず、データに基づいて「誰に、何を、いつ」を最適化することで、顧客満足度と収益の両方を向上させる。まずは自社の顧客データを1つのビューに統合し、最もインパクトの大きいセグメントから施策を始めよう。