予測セグメント

従来のセグメントでは、年齢、性別、所在地などで顧客を分類します。一方、予測セグメントでは、将来起こりそうな行動で顧客を分類します。

問いは「この顧客は誰か」から「この顧客は次に何をするか」へと変わります。この将来志向により、予測セグメントはマーケティングでより実行に移しやすくなります。

RFMスコアリングでは、最終購入からの経過期間（Recency）、購入頻度（Frequency）、購入金額（Monetary）という3つの軸で顧客を評価します。

各軸は通常、五分位に基づいて1〜5点で評価するため、最も優良な顧客にはR5 F5 M5のようなコードが付与されます。RFMは、行動セグメンテーションの古典的で解釈しやすい基盤です。

RFMの生のコードは、具体的な施策を示す名前のセグメントに対応付けることで役立つようになります。

優良顧客は最近、頻繁に購入しています。解約リスク顧客は、以前は多く購入していましたが、最近は購入していません。新規顧客は最近購入したものの、購入回数は1回だけです。それぞれの名前から、異なるキャンペーンが導かれます。

顧客ごとのLTVを予測できるようになると、顧客をプラチナ、ゴールド、シルバー、ブロンズなどの価値階層に分けられます。

これにより、リテンション予算を効果の高い顧客に集中できます。上位20%の顧客が利益の大半を生み出すことは多いため、こうした顧客を守ることが優先されます。

解約モデルは、利用中の各顧客について、次の期間に離脱する確率を割り当てます。解約リスクと予測価値を組み合わせると、強力な2×2マトリクスを作成できます。

高価値かつ高リスクの顧客は、最優先で引き留める対象です。低価値かつ高リスクの顧客は、リテンション費用をかける価値がない場合もあります。

行動確率モデルは、次回購入、アップセルの受け入れ、カテゴリーのクロスセルなど、特定の将来行動が起こる可能性を予測します。

行動確率が基準値を超える顧客だけをターゲティングすると、キャンペーンの効率が高まります。オファーにかかわらずコンバージョンする可能性が低い顧客への支出を止められるためです。

k-meansのような教師なし手法では、多数の特徴量を一度に比較し、顧客を類似性に基づいてグループ化します。これにより、事前に定義していなかったセグメントが見つかることがあります。

クラスタから、「週末にセールを探す顧客」や「プレミアム商品のアーリーアダプター」といったグループが見つかるかもしれません。一方で、解釈しやすさには課題があります。施策に活用するには、クラスタの特徴を分析して名前を付ける必要があります。

優れた予測特徴量は購入履歴だけにとどまりません。メールへのエンゲージメント、サポートチケット、アプリセッションの頻度、注文間隔なども将来の行動を示します。

予想される購入時期と実際の購入時期の差が広がることは、解約を示す最も強力な初期警告の一つです。顧客が正式に休眠扱いになる数週間前に現れることもよくあります。

顧客は常にセグメント間を移動します。購入をやめた優良顧客は解約リスク顧客になり、新規顧客がゴールド層に昇格することもあります。

予測セグメントは定期的に再計算する必要があり、多くの場合は毎日または毎週更新します。登録時の状態で凍結されたセグメントはすぐに実態とずれ、無関係なメッセージ配信を引き起こします。

セグメントは、他の顧客と異なる行動を取る場合にのみ役立ちます。予測LTVが高い顧客が、実際に時間の経過とともにより多くの売上を生み出しているか確認してください。

リフトチャートとホールドアウト群を使えば、モデルが顧客を意味のある形で分類できているのか、それとも平均値を並べ替えているだけなのかを確認できます。分離の不十分なセグメントは、ターゲティングの手間を無駄にします。

各予測セグメントは、明確なマーケティング対応に結び付ける必要があります。たとえば、解約リスク顧客には呼び戻しフロー、プラチナ顧客にはVIPプログラム、新規顧客にはオンボーディングシリーズを設定します。

この対応付けがなければ、セグメンテーションは単なる分析にすぎません。次のレッスンでは、これらの予測を具体的なキャンペーンと予算の意思決定に変えていきます。

最優先で対応すべきセグメントを特定します。

予測セグメントでは、RFM、予測LTVの階層、解約リスク、行動確率スコア、クラスタリングを使って、将来の行動に基づいて顧客を分類します。

優れた特徴量と頻繁な再計算によって精度を保ち、検証によって実際のリフトを確認します。また、すべてのセグメントを施策に結び付ける必要があります。次は、これらの予測に基づいて行動します。