RFM分析を生成AIで進める方法｜優良顧客を見極める

展示会のお礼メールを送ろうと顧客リストを開いたものの、数百行の一覧を前に手が止まる——。全員に同じ文面でよいのか、値引き案内を送ってよい相手と逆効果な相手は誰なのか、そもそもどの顧客から優先すべきなのか。判断の物差しがないまま、結局「全員に一斉送信」で済ませてしまう。多くの現場で繰り返されてきた光景です。この物差しになるのが、顧客を最終購入日・購入頻度・購入金額の3指標で並べ直すRFM分析です。手法自体は古典的ですが、これまでは集計とスコアリングの手間が導入の壁でした。いまは生成AIや表計算ソフトのAI機能が集計作業を肩代わりしてくれるため、少人数のチームでも現実的に回せるようになっています。本記事では、RFM分析の基本から、AIを使った6ステップの実施手順、BtoBで使うときの指標の読み替えまでを解説します。

RFM分析とは：3つの指標で顧客を並べ直す

RFM分析は、顧客一人ひとりをRecency（最終購入日：どれだけ最近買ったか）、Frequency（購入頻度：どれだけ繰り返し買ったか）、Monetary（購入金額：累計でいくら買ったか）の3指標で評価し、スコアの組み合わせでグループ分けする顧客分析の手法です。すべてが高い顧客は優良顧客、かつては頻繁に買っていたのに最近途絶えている顧客は離反予備軍、というように、リストの中の「顔ぶれの違い」が数字で見えるようになります。

3指標の中でも、実務ではRを最も重視する見方が一般的です。FとMがどれだけ高くても、最後の購入から時間が空いている顧客は、すでに競合へ移っている可能性があるからです。逆にRが新しい顧客は、接点がまだ生きており、働きかけへの反応も得やすい。「累計でたくさん買ってくれた順」だけで顧客を見ていると、この時間軸の情報が抜け落ちます。過去の貢献度ではなく、いまの関係の鮮度から見る——これがRFM分析の視点です。

RFM分析は、ダイレクトメール全盛の時代に米国の通販業界で体系化されたとされる古典的な手法です。「反応しやすい顧客に絞って送るほうが、全員に送るより利益が残る」という、郵送コストの時代の知恵が原点にあります。指標が3つだけで判断基準を現場に説明しやすいことから、ECやCRMの時代になっても使われ続けてきました。数十年淘汰されずに残った枠組みだからこそ、集計の手間がAIで消えた今、最初に選ぶ顧客分析として合理的なのです。

コホート分析・LTV分析・デシル分析との違い

顧客分析には似た名前の手法が多く、混同すると「どれかをやれば全部わかる」という誤解につながります。当メディアではコホート分析・顧客分析・LTV分析をそれぞれ別記事で扱っていますが、RFM分析はこれらと目的も時間軸も異なる独立した手法です。違いを整理します。

手法	何を見るか	時間軸
RFM分析	個々の顧客の現在の状態（鮮度・頻度・金額）	現時点のスナップショット
デシル分析	購入金額だけで顧客を10等分し、売上の偏りを見る	現時点のスナップショット
コホート分析	獲得時期ごとのグループの定着・離脱の推移	時系列の変化
LTV分析	顧客が生涯にわたりもたらす収益の見立て	将来の予測

使い分けの目安はこうです。「いま誰に何を送るべきか」を決めたいならRFM分析、「どの時期に獲得した顧客が定着しているか」を知りたいならコホート分析、「顧客獲得にいくらまで投資できるか」を判断したいならLTV分析。RFM分析は今日の施策の宛先を決める道具であり、他の手法の代わりにはならず、代わりもされない——この位置づけを押さえておくと、分析の迷子になりません。

「まずはもっと簡単に始めたい」という場合は、Mの1軸だけで顧客を10等分するデシル分析から入る方法もあります。売上の大半が上位2割の顧客に集中している、といった構造が短時間で見え、RFMへ進む動機づけになります。デシルで全体の偏りをつかんでから、RFMで個々の顧客の状態を見る——この順番なら、分析に不慣れなチームでも段階的に深められます。

なぜ「全員に同じ施策」では機会損失が出るのか

RFM分析が解決するのは、一律施策の非効率です。たとえば優良顧客に一斉配信の値引きクーポンを送るケース。定価でも買い続けてくれる相手への値引きは利益を自ら削る行為で、実務では逆効果とされます。優良顧客に効くのは割引ではなく、限定案内や先行提供のような特別感です。一方、離反しかけの顧客には再訪のきっかけが要りますし、買ったばかりの新規顧客に休眠掘り起こしの文面が届けば、雑な会社だという印象を与えます。

さらに見逃せないのが、離反予備軍の見落としです。売上上位の常連が静かに離れ始めても、累計金額のランキングでは上位に居続けるため、異変に気づくのが遅れます。RFMでRの低下を捉えていれば、関係が冷え切る前に手を打てます。限られた予算と人手をどの顧客に振り向けるか——その優先順位づけこそが、RFM分析の本来の使い道です。

BtoBの現場に置き換えると、この機会損失は「展示会で集めた名刺への一斉メール」や「全顧客に同じ内容のメルマガ」という形で表れます。開封が鈍り、配信停止が増え、営業は誰から電話すべきか分からないままリストの上から順にかける。RFMのセグメント表が1枚あるだけで、マーケティングは出し分けの根拠を、営業は訪問優先度の根拠を、同じ表から得られます。部門間で顧客の見方を揃える共通言語になることも、実務では大きな価値です。

生成AIで何が変わったのか

RFM分析の理屈は簡単でも、実際にやろうとすると壁がありました。受注データから顧客ごとに3指標を集計し、スコアの区切りを決めて付与し、125通りの組み合わせを意味のあるグループにまとめる——関数やピボットテーブルを使いこなせる人でないと、最初の一歩が重かったのです。生成AIはこの集計とスコアリングの壁を大きく下げました。データを渡して日本語で指示すれば、集計からスコア付け、セグメント別の人数集計までを対話で進められます。

もう一つの変化は、分析の後工程までAIが伴走できることです。セグメントごとの施策のアイデア出し、メール文面の下書き、結果を上司に報告する資料の骨子——従来は分析とは別のスキルだった部分も、同じ流れの中で支援を受けられます。「分析はできたが施策につながらない」というRFM分析の典型的な失敗を避けやすくなった点は、集計の効率化以上に大きな変化かもしれません。

従来のやり方と比べると、変化の大きさが分かります。表計算ソフトで自力でやる場合、最終購入日の抽出、COUNTIF・SUMIF関数での回数と金額の集計、閾値ごとのスコア変換式、ピボットテーブルでのセグメント集計——と、数時間分の作業と関数の知識が必要でした。生成AIなら、この一連の流れを日本語の指示で進められ、途中でつまずいても「このエラーの意味を教えて」と聞き返せます。スキルの壁が「関数を書けるか」から「正しく指示して検算できるか」へ移ったのです。

全体の流れ：6つのステップ

実施の全体像を先に示します。以降のセクションで、各ステップを順に詳しく見ていきます。

一巡目から完璧を目指す必要はありません。まずは主要な商品・サービスの直近1〜2年分のデータで一度回し、セグメントの顔ぶれが実感と合っているかを確かめる——そこから精度を上げていくのが現実的な進め方です。着手前に、ステップ5で打つ施策を1つだけでも先に決めておくと、分析が実行につながりやすくなります。

手順1：データを3項目に整える

必要なデータは驚くほど少なく、顧客ID・購入日・購入金額の3列が並んだ取引明細があれば始められます。販売管理システムやECの受注履歴、会計データからの書き出しで十分です。ここで品質を左右するのが顧客IDの統一で、同じ会社が「株式会社アルファ」と「（株）アルファ」で別IDになっていると、優良顧客が2人の平凡な顧客に分裂して見えます。表記ゆれの検出はAIが得意とする作業なので、集計前に「同一顧客の可能性が高い組み合わせを挙げて」と依頼して名寄せの候補を洗い出すとよいでしょう。

集計期間も決めておきます。全期間を対象にすると、何年も前の実績がMを押し上げて現状を歪めるため、直近1〜2年など購買サイクルに見合った窓で区切るのが一般的です。購買間隔が長い商材なら窓を広げ、消耗品のように回転が速いなら狭める。この時点で「自社の顧客は平均するとどのくらいの間隔で買うのか」を確かめておくと、次のスコア設計にもそのまま活きます。

元データの置き場所は業態によって様々です。ECなら受注データ、SaaSなら請求システム、受託型のBtoBなら販売管理や会計ソフト、SFAの受注記録も使えます。複数のシステムに散らばっている場合でも、まず主要な1つのデータ源だけで始めて構いません。完全なデータを揃えようとして止まるより、主力事業の取引が入った1ファイルで一巡目を回すほうが、得られる学びは確実に大きくなります。書き出しはCSV形式にしておくと、チャットAIでも表計算AIでも扱いやすくなります。

手順2：個人情報を外してAIで集計する

集計をチャット型AIに任せる場合、最初に済ませるべきはデータの匿名化です。氏名・会社名・メールアドレス・電話番号は分析に不要なので、渡す前にすべて削除し、顧客はID番号だけにします。あわせて、入力データを学習に使わない設定（法人プランやオプトアウト）と、社内の生成AI利用ルールへの適合も確認してください。準備ができたら、次のような指示で集計を依頼します。

添付のCSVは取引明細です（列：顧客ID、購入日、購入金額）。
基準日を2026年6月30日として、顧客IDごとに次を集計してください。
(1)R：基準日から最終購入日までの経過日数
(2)F：期間中の購入回数
(3)M：期間中の購入金額合計
結果は顧客ID・R・F・Mの表にまとめ、それぞれの分布（最小・最大・中央値）も教えてください。

コード実行に対応したAIなら、数千行規模でも数分で集計表が返ってきます。ここで必ず検算をひとつまみ入れてください。任意の顧客IDを1つ選び、元データを目視で数えて、AIの集計値と一致するかを確かめます。AIはもっともらしい誤りを混ぜることがあるため、全件の正しさを1件の検算で保証はできないものの、集計ロジックの取り違え（期間の解釈ミスなど）は高い確率で発見できます。

• 顧客データは個人情報や取引上の機密を含む。匿名化・学習利用オフ・社内ルール確認の3点を渡す前に済ませる
• 無料プランのAIに顧客リストをそのまま貼り付けるのは避ける。不安があれば後述の表計算ソフト内のAI機能を使う
• AIの集計結果は必ず1件以上の手動検算で確かめてから次の工程に進む

手順3：スコアの閾値を決める

集計した3指標を、そのままでは比べにくいので5段階などのスコアに変換します。たとえばRなら「30日以内=5、31〜90日=4、91〜180日=3、181〜365日=2、それ以上=1」という具合です。この区切りに万能の正解はなく、自社の購買サイクルに合わせて決めます。顧客を人数で5等分する方法（五分位）から始めて、キリのよい境界に丸めるのが手軽です。分布を出したAIに「五分位の境界値を出して、実務で使いやすい区切りに丸める案も添えて」と相談すれば、たたき台はすぐに揃います。

注意したいのは、細かくしすぎないことです。10段階に刻んでも、後工程のセグメントが増えて施策が追いつかなくなるだけで、精度の向上は見かけ倒しに終わりがちです。まずは5段階、慣れないうちは3段階でも十分に機能します。決めた閾値は必ず記録しておきます。次回の分析で閾値が変わると、セグメントの人数変化が「顧客の変化」なのか「基準の変化」なのか区別できなくなるためです。

手順4：セグメントを定義する

5段階×3指標では、スコアの組み合わせは125通りにもなります。このまま125グループに施策を打つのは不可能なので、意味の近い組み合わせを数個の塊にまとめるのがこの手順です。定番の塊は、すべて高い「優良顧客」、FとMは高いのにRが低い「離反予備軍」、Rが高くFが低い「新規顧客」、すべて低い「休眠顧客」、その中間の「一般顧客」あたりで、まずは4〜6セグメントに収めるのが扱いやすい規模です。セグメントの名前も「休眠」より「呼び戻し待ち」のように次の行動が見える言葉にすると、施策の議論が進みやすくなります。

ここでもAIに「R・F・Mのスコア表から、優良・離反予備軍・新規・一般・休眠の定義案を作り、各セグメントの人数と売上構成比を集計して」と頼めば、定義のたたき台と規模感が一度に得られます。出てきた結果は必ず実在の顧客名（社内で照合）と突き合わせて確認してください。「この会社が離反予備軍？」という違和感は、閾値やセグメント定義のずれを教えてくれる貴重なシグナルです。定義が現場の肌感覚と合ってはじめて、分析は信頼されます。

手順5：セグメント別の施策を決める

セグメントが決まったら、それぞれに「目的」と「打ち手」を割り当てます。考え方の軸は、セグメントごとに変えるべきはメッセージであって、手間のかけ方は優先度で差をつけることです。代表的な組み合わせを示します。

セグメント	状態	施策の方向性
優良顧客	R高・F高・M高	値引きではなく限定案内・先行提供・個別の御礼で特別感を
離反予備軍	R低・F高・M高	最優先で個別フォロー。担当者からの連絡や近況ヒアリング
新規顧客	R高・F低	定着支援。活用ガイドや次の一歩の提案で2回目につなげる
一般顧客	中位スコア	定期的な情報提供で関係を維持し、上位セグメントへ育成
休眠顧客	R低・F低	再接点キャンペーンを試し、反応がなければ配信頻度を落とす

優先すべきは離反予備軍です。過去に実績のある顧客の呼び戻しは、新規獲得よりも成功率が高いとされる一方、放置すれば売上の柱を静かに失います。逆に休眠顧客に大きなコストをかけるのは費用対効果が合わないことが多く、軽い施策で反応を確かめる程度に留めます。セグメントごとのメール文面や電話トークのたたき台づくりは、AIに任せやすい仕事です。

文面の出し分けの例を挙げると、離反予備軍には「その後、ご状況はいかがですか」と関係の再開を促すトーン、新規顧客には「導入後の最初の1か月でよくある質問をまとめました」と定着を助けるトーン、という具合に、目的から逆算して依頼します。セグメント名・状態・施策の目的をAIに伝え、件名と本文のたたき台を複数案出させて、自社らしい言葉に人が整える。この分担なら、5セグメント分の出し分けも短時間で形になります。

手順6：効果を測り、閾値を見直す

施策を打ったら、セグメントごとに反応を記録します。見るべきは開封やクリックだけでなく、セグメント間の移動です。離反予備軍のうち何割が購入を再開して優良側に戻ったか、新規顧客の何割が2回目の購入に進んだか——この移動こそがRFM分析の成果指標になります。四半期に一度など決まった周期で再集計し、前回とセグメント人数を見比べる運用にすると、施策の手応えが定点観測できます。反応が取れなかった施策も、「このセグメントにこの打ち手は効かない」という知見として記録しておけば無駄になりません。

回を重ねる中で、閾値やセグメント定義の見直しも行います。ただし前述のとおり、基準を変えると過去との比較が崩れるため、変更は理由と日付を記録したうえで年1回程度に抑えるのが無難です。再集計のたびの作業はAIに手順ごと覚えさせる（前回のプロンプトを保存して使い回す）と、2回目以降は最初の数分の一の手間で回るようになります。

報告の場面でもAIが役立ちます。セグメント人数の推移表を渡して「前回からの変化と考えられる要因、次に取るべき打ち手の案を箇条書きに」と頼めば、定例会議向けの報告のたたき台が数分で整います。ただし、要因の解釈には値上げや大口の失注といった、データに表れない社内事情が絡みます。AIの推測をそのまま報告せず、現場の事実と突き合わせて修正する——ここでも最後のひと手間は人の仕事です。

表計算ソフトのAI機能で進める場合

顧客データを外部のチャットAIに渡すことに抵抗がある場合は、表計算ソフトに組み込まれたAI機能を使う選択肢があります。ExcelにはCopilot、GoogleスプレッドシートにはGeminiが統合されており、シート上のデータに対して「顧客IDごとに購入回数と合計金額を集計して」「R・F・Mのスコア列を作って」と自然言語で指示すれば、関数やピボットテーブルを自分で組まなくても集計が進みます。データがいつもの業務環境の中に留まるため、社内の承認も得やすい方法です。

ただし、これらのAI機能は契約プランによって利用可否が異なり、複雑な多段の集計では意図どおり動かないこともあります。うまくいかないときは、一気に頼まず「最終購入日の列を作る」「経過日数に変換する」と一段ずつ指示すると成功率が上がります。生成された数式が意図と合っているかを、やはり1件の手動検算で確かめる習慣はここでも同じです。チャットAI・表計算AIのどちらを使うにせよ、人が担うのは検算と、結果の解釈です。

どちらの環境でも、指示の書き方のコツは共通しています。列名を正確に伝える、基準日を明示する、出力してほしい表の形（列の並び）を指定する——この3点で精度が上がります。また、元データのシートを直接編集させず、集計結果は別シートに出させるようにすると、元データを壊す事故を防げます。うまくいった指示文はメモとして残しておき、次回の再集計でそのまま使い回すのが、定期運用を軽くする近道です。

BtoBに適用するときの読み替えと注意

RFM分析はもともと通販や小売で発達した手法のため、購買頻度が低いBtoBにそのまま当てはめると誤作動します。典型例が、年に数回の大型発注しかない大口取引先が「休眠顧客」と判定されてしまうケースです。月1回買うEC顧客と同じ物差しでFを測れば、当然そうなります。BtoBでは、指標を自社の商流に合わせて読み替えることが前提になります。

読み替えの実例として、SaaSであればRを最終ログイン日、Fを機能の利用頻度、Mを月額収益（MRR）で捉える定義が紹介されています。製造業や代理店モデルなら、Rは最終商談・接触日、Fは年間の案件数や定例会議の回数、Mは年間取引額が候補です。共通するのは、「購入」を「関係の動き」に読み替えるという発想です。問い合わせやセミナー参加、資料のダウンロードといった購買前の行動も、商流によってはFの材料になります。また、絶対値ではなく「自社の取引先平均と比べて多いか」という相対基準でFを評価する方法も有効とされます。読み替えた指標が営業現場の実感と合うか、定義の段階で営業部門と合意しておくことが、BtoBでの定着の分かれ目です。

読み替えた指標で回し始めたら、実行の連携も設計します。分析で「離反予備軍」と判定された取引先を実際にフォローするのは、営業やカスタマーサクセスの担当者です。セグメントごとに実行の担当部署を決め、フォローの結果（取引再開・継続・失注）をSFAやMAツールに記録して、次回の分析に返す。分析、実行、記録、再分析という循環まで作って、はじめてRFM分析は組織の仕組みになります。成果を出している企業ほど、指標の翻訳と実行体制の明確化をセットで行っているとされています。

RFM分析の弱点と補い方

RFM分析には構造的な弱点が3つあります。第一に、「何を買ったか」が見えないこと。同じ優良顧客でも、主力製品の顧客と周辺サービスだけの顧客では打つべき施策が違いますが、RFMは区別しません。第二に、購買サイクルが極端に長い商材（設備投資など）では、Rの変動が意味を持ちにくいこと。第三に、あくまで現時点のスナップショットであり、将来の行動を予測する手法ではないことです。

弱点は組み合わせで補います。購入内容の軸は、購買カテゴリを加えた分析や商品別のクロス集計で補強できます。時間軸の変化を追いたければコホート分析、将来の収益性を見立てたければLTV分析と、冒頭で整理した手法の出番です。RFMのセグメントに業種・企業規模といった属性を掛け合わせるだけでも、施策の解像度は一段上がります。RFM分析は入り口であって終着点ではない——1つの表で全部をわかろうとしないことが、結果的に分析を長続きさせます。

やりがちな失敗

最後に、RFM分析の現場でよく見る失敗を挙げておきます。

• 氏名や会社名入りの顧客リストをそのままAIに貼り付ける：個人情報・機密の観点で重大な事故になり得る。匿名化が先
• 分析して満足し、施策の担当を決めない：セグメント表は施策が動いて初めて価値になる。実行主体とセットで設計する
• 優良顧客に値引きクーポンを送る：定価で買う顧客の利益を削るだけ。優良層には特別感のある施策を
• 毎回違う閾値で集計する：過去と比較できなくなり、セグメントの変化が読めなくなる

いずれも手法の欠陥ではなく、運用の設計漏れです。逆に言えば、匿名化・実行主体・閾値の固定という3点を最初に決めておくだけで、RFM分析の失敗の大半は回避できます。特に1つ目の個人情報は、AIの便利さに慣れた頃に起きやすい事故です。匿名化済みの分析用ファイルをあらかじめ別に用意し、元の顧客リストは分析作業では触らない運用にしておくと、「新しく入ったメンバーが知らずに貼り付けた」という事態も防げます。

まとめ

RFM分析の要点は、最終購入日・購入頻度・購入金額という手元にあるデータだけで、今日の施策の優先順位を作れることです。生成AIと表計算のAI機能によって、これまで壁だった集計・スコアリング・セグメント分けは対話で進められるようになりました。人が担うのは、匿名化などデータの扱い、1件の検算、セグメント定義が実感と合うかの確認、そしてセグメントごとの打ち手の判断です。BtoBでは指標の読み替えを忘れずに。コホート分析やLTV分析とは役割の違う道具として使い分けながら、まずは顧客ID・購入日・購入金額の3列を書き出して、最初の集計を試してみてください。一巡目で見えた「意外な離反予備軍」が、来月の売上を守る一本の電話につながるかもしれません。

※本記事にはAIが活用されています。編集者が確認・編集し、可能な限り正確で最新の情報を提供するよう努めておりますが、情報の完全性、正確性、最新性、有用性等について保証するものではありません。本記事の内容に基づいて行動を取る場合は、読者ご自身の責任で行っていただくようお願いいたします。