※この記事は R Advent Calendar 2014 - Qiita の 11 日目の記事です。 はじめに RFM 分析は、マーケティングの顧客分析でよく使われる手法です。 Recency(いつ買ったか)、Frequency(何回買ったか)、Monetary(いくら使ったか)を指標として、顧客をグループ化します。 RFM 分析が何なのか、何に使えるのかは、次のサイトの記事を読めば理解できると思います。 顧客分析の手法 #RFM分析 しかし、実際のデータにこの手法を適用しようと思ったとき、困ったことになります。 どのようにランクを区切ったら良いのか分からないのです。 上記のサイトにもこう書いてあります。 ランクをどこで区切るかは重要な問題で、業種、業界、商品や分析を行なう時期や、用いるデータの期間などによって、分けかたを慎重に検討する必要があります。 このランクを区切るという重要かつ難
RFM分析は、直近、高額、そして良く購入されるお客様を見つけるとともに、どういったお客様の構成で売上が成り立っているかを把握する分析です。 CRM Insightでは、RFMのそれぞれの顧客数だけでなく、売上の内訳や、クロスによる結果も一度に見ることができます。 分析一覧へ RFM分析は、以下の3つの観点を用いてお客様を分類します。 R（Recency：直近購買日） F（Frequency：期間内購買回数） M（Monetary：期間内購買金額） それぞれの頭文字を取って、RFM分析と呼ばれます。 各観点R・F・Mを段階（ランク）に切り分け、その段階の高いお客様ほど、ありがたいお客様（優良顧客）と見ます。 また、R・F・Mそれぞれのランクだけでなく、それぞれの組み合わせによるスコア付けを行い、判断します。 一般的には、「R」が最も重要とされますが、おおむね下記の基準で判断します。 Rのラン
入力データを用意する サンプルデータを確認する 前回はセグメンテーション分析の理論編として、セグメンテーション分析と代表的なクラスタリングアルゴリズムであるK-MeansとCanopyクラスタリングについて解説しました。 今回は、実践編として、K-MeansとCanopyクラスタリングによるセグメンテーション分析をMahoutを用いて実際に行います。 なお、本連載の3回目同様、Mahoutのバージョンは現時点の最新版である0.7を対象とします。 今回利用するサンプルデータは、ARFF形式[1]で顧客のRFMが記載されています。@DATA以降が、実際のデータです。 サンプルデータ 今回のデータは、以下のような構造になっています。 1行が顧客1人のデータを意味する カンマ区切りで、左から「R（最終購買日）」「F（購買頻度）」「M（購入金額）」を表す （省略） @DATA 顧
先日、この「マーケティングis.jp」のWikiで、RFM分析が取り上げられていました。その更新をお知らせする公式アカウント（@marketingis）のツイートに気軽にRTをしていましたら、「このRFM分析の問題点について記事を書いていただけると……」なんていう難題（笑）をご提示されましたので、今回こうして記事を書かせていただきました。 では、さっそく本題に入っていきたいと思います。 RFM分析の隠れた問題点 この「RFM分析とは何ぞや？」ということに関しては、すでに概要がWikiにもまとまっておりますので詳細は割愛させていただきますが、簡単に言うと、R（Recency：最終購買日）、F（Frequency：購買頻度）、M（Monetary：累計購買金額）の3点を切り口に、これら3つの指標を掛け合わせて顧客をランク付けするというものです。そして、R・F・Mを掛け合わせた指標が高いほど、優
ヘアサロンXは，200人のポイント会員のここ1年の利用記録を集計しました。具体的な集計項目は利用回数および利用金額の2つで，あわせて直近の利用日も抽出すると下の表(一部のみ)のようになりました。 Xはこの結果をもとにRFM分析をおこなうため，RFM分析表を作成します。このとき，R, F, M各クラス分けの基準については，事前にPOSデータからパレートの法則に従って統計的に作成しておいた以下の基準を用いることとします。 【クラスの数】 3つ(上位クラス:「3」～下位クラス:「1」) R基準(R:Recency, 直近利用日からの経過日数) R3クラス ―R≦45日 R2クラス ―45日＜R≦100日 R1クラス ―100日＜R F基準(F:Frequency, 利用回数(累積)) F3クラス ―F≧9回 F2クラス ―9回＞F≧3回 F1クラス ―3回＞F M基準(M:Monetary, 利
デシル分析 このお客様がお店を支えている デシル分析表 お客様を累積購買額の多い順から並べ、１０等分して１０のグループに分けます。 このお店場合、登録した総客数は1,503人です。 よって、各デシルグループに属する人数は、150人です。 購入金額 ： その150人の総購入金額 平均購入金額 ： 各デシルグループの一人当たりの購入金額 平均購入単価 ： お客様一人当たり１回来店で購入する購入金額の平均値 デシル分析表を見て分かる事 上位１０％（順位１）のお客様でお店全体の売上の約４０％ 上位４０％（順位１～４）のお客様で約８０％を占めている つまり、全顧客1,500人をリピートさせて得られる売上と上位600人をリピートさせて得られる売上は、そんなに変わらないということです。 だったら、上位に絞った方が、販売コストと労力を抑えることになります。 お客様全体の平均の購入単価が1,973円なの
データ分析から導き出されたインサイト無しにAI（人工知能）の活用は始まりません。私たちは、各業界知識とデータ・アナリティクス技術を駆使しデータドリブン経営を強力に支援します。 データ、アナリティクス、AIは企業にとって競合他社との差別化を図るかつてないほど大きな要因になっています。今日の経営幹部が効率を向上しながら新たな収益源を開拓し、新しいビジネスモデルをタイムリーに構築する方法を模索する中、価値を生み出し成長を続ける企業には「データ活用」という共通項があります。私たちは、無数のデータから企業にとって本当に必要なデータを活用するための方法を知っています。 将来を見据えたオペレーション体制を備えている企業の半数以上（52％）は、すでにデータとアナリティクスを大規模に活用しています。データとAIに関する取り組みをビジネス戦略に沿って実施することで投資利益率を迅速に最大化し、最終的にはAIをビ
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
