1. HOME
  2. ブログ
  3. データ分析
  4. 効果的な会員施策を立案する!顧客視点でのデータ分析

KUROCO NOTE

データ分析・活用ノウハウや調査報告などを発信しています

データ分析

効果的な会員施策を立案する!顧客視点でのデータ分析

どのビジネスにおいても商品なりサービスを買ってくれている「顧客」がいるからこそ成り立っています。

この顧客を分析することで、新規顧客を増やしていくためのキーとなるポイントや、顧客ロイヤリティを高める(ヘビー顧客としていく)ためのポイントが把握されます。

そこでこの記事では、顧客視点でのデータ分析において、実施すべき分析を解説します。

売上を顧客視点で分解する

カード会員など、顧客情報を取っている企業であれば、販売ローデータにも顧客IDが紐づいています。そうすることで、会員と非会員の売れ方の違いを把握することができます。

図表1は3年間における会員と非会員の客数や来店頻度、購買点数などの推移を示したものになります。

図表1

こうすることで、各年においてどんな顧客層が増減しているのか分かるため、力を入れるべき層と打ち手の内容が定まってきます。

ちなみに、顧客の囲い込み施策として、ポイントカードを作っている企業は多いと思いますが、LINE@やメールアドレスを登録するなどオンラインでのアプローチができる方法での会員化をしていきましょう。

一度店舗で購入してくれたお客様が、次いつ来てくれるか分かりません。電話番号や住所だけですと、アプローチするのにもコストや手間がかかりますが、LINEやメールですとコストも手間も大きく省くことができます。また、店舗だけでなくネットショップへの誘導にも活用できます。

今では当たり前になっているオムニチャネル戦略を実行する上でも、店舗にて購入経験のある顧客をデジタル上でもコミュニケーション取れるような会員化の仕組みは重要です。

スマホアプリを作ることで、プッシュ通知などで追いかけたりオフライン(店舗)とオンラインの顧客データの統合も検討してみましょう。

会員分析で新規とリピーターの傾向を確認する

図表2,3は、会員の登録年別の客数推移になります。

図表2 会員の登録年度別の客数推移

図表3 会員の登録年度別の客数推移(構成比)

このグラフは、会員を登録した年度別に分解して、客数(ユニークユーザー数)の推移を表したものになります。

こちらを見ると、一目瞭然で、毎年会員の半数以上を新規会員として獲得できている一方、その8割以上は翌年度には購入しなくなっていることが分かります。

新規顧客はしっかりと獲得できている一方で、その顧客をファンにするまでの育成が全くできていない、というのがこの企業の顧客に対する最も大きな問題となります。

もともとは新規の顧客をどう増やしていくのかの施策が中心でしたが、この分析結果を踏まえ、いかに一度接点を持ったお客様をファンにしていくのかという戦略・施策に舵を切り替えました。

顧客プロフィール込みでの会員データを取得していると、上記のような新規会員登録日を起点とした分析以外にも、エリア別や性別、年齢別などの分析も可能となります。

また、先ほどお伝えしたように、アプリやWeb等によるデジタルでのコミュニケーションを可能としていた場合、定期的にアンケートを取ることで、来店方法や知ったきっかけ、普段使っているブランドや読んでいる雑誌等、自社の顧客のデモグラフィック情報だけでなくライフスタイルも把握していくことで、より詳細な分析も可能となります。

このように、マーケティングも含めた会員施策を実行していくことも必要でしょう。

顧客分析に欠かせない「RFM分析」

顧客視点でのデータ分析において、必ず行うのがRFM分析になります。

ご存知の方も多いと思いますが、お客様の購入状況に応じた打ち手を考えるには、RFM(Recency frequency monetary analysys )分析という「よい顧客を見分ける」方法が便利です。

誰が一番最近購入した顧客か、頻繁に購入する顧客は誰か、一番お金を使ってくれている顧客は誰か、という3つの側面から分析します。

RFM分析を行うには、データベースに購買履歴が記録されていることが前提となりますので、会員情報を取っている企業であれば行えます。

細かい説明は省きますが、RFMのRはRecency(リセンシー)で、「最新購買日」になります。ある顧客が最後に商品を購入した日を判断材料とするもので、最近購入した顧客のほうが、何年も前に購入した顧客よりよい顧客と考えるものです。

FはFrequency(フリークエンシー)です。「購買頻度」になります。フリークエンシーは、顧客がどの程度頻繁に購入してくれたかを判断材料とするもので、頻度が高いほどよい顧客と考えます。

MはMonetary(マネタリー)です。「購買金額」になります。

マネタリーは、顧客の購買金額の合計で、一般的にこの金額が大きいほどよい顧客と考えることができます。

RFMそれぞれの指標の見方は以下のようになります。

① Rが高いほど将来の企業収益に貢献してくれる可能性が高い
② Rが低ければFやMが高くても他社に奪われている可能性が高い
③Rが同じならFが高いほど常連顧客
④Rが同じならFやMが高いほど購買力がある顧客
⑤RやFが高くてもMが少ない顧客は購買力が低い
⑥Fが低くMが高い顧客はRの高いほうがよい顧客
⑦ Fが上がらないか下がっている顧客は他社に奪われている可能性が高い

このRFMでは、その名前の通りの順番で優先順位が高くなります。

重要なのは活用の仕方になります。

自社なりにRFMそれぞれにランクを付けていきます。大体5段階評価をすることが多いです。

例えば、Rであれば、1ヶ月以内の購入者は「5」、1〜3ヶ月の間であれば「4」というようにランクを付けていきます。同じようにFとMも付けます。

最終的にそれぞれ3つを組み合わせ、「555」となった顧客が最もロイヤリティの高い顧客になり、「111」がその反対で一元客あるいは休眠となってしまっている顧客となります。

そしてそれぞれのランクに応じて施策を変えていくのですが、「111」~「555」それぞれで分けてしまうと125通りにもなってしまうので、ある程度の塊にマージして、それぞれのセグメントで施策を打っていきます。

例えば、図表4はある小売業の企業においてRFMのうち、RFを使って顧客ランクを作ったものになります。

図表4 RFM 分析例

顧客リストに対して一斉にDMを送る、という施策を打つ企業を今でもよく見ますが、図表4を見ると、異なるランクの顧客に対して同じ施策をしてもあまり効果がない(正確に言えば一部の顧客にした効果が出ない)ということが分かるでしょう。

Eランクの休眠している顧客に対しては、割引クーポンなどの再度来店してもらうような施策が必要な一方、Aランクの上得意客に対しては密なコミュニケーションや特別なイベントへの招待などが必要な施策でしょう。

このように、顧客ランクに応じてエンゲージメントの高め方が異なるので、RFM分析をした上で施策をすることはとても有効なのです。

売上・利益を伸ばすデータ活用 3つの事例

この資料では、私たちが様々な業態の企業に対して行ってきたデータマーケティングの結果や、実際に行っているデータ分析のノウハウをご紹介します。是非参考にしてみてください。

関連記事