今回は、「運営管理 ～R3-39 POSシステム（9）RFM分析･FSP～」について説明します。
運営管理 ～令和3年度一次試験問題一覧～
令和3年度の試験問題に関する解説は、以下のページを参照してください。
優良顧客の識別と効率的なプロモーション活動
店舗のPOSデータやECサイトの取引データなどの蓄積データ（トランザクション）から、「RFM分析」により優良顧客を識別して、「FSP」により優良顧客に対してプロモーション活動（販売促進）を展開するという流れは「既存顧客の囲い込み」に有効なプロモーション活動（販売促進）であり、二次試験の事例Ⅱの解答に使える便利なフレーズです。
RFM分析
「RFM分析」とは、店舗のPOSデータやECサイトの取引データなどの蓄積データ（トランザクション）を用いて顧客を分析する手法であり、「最新購買日（Recency）」「購買頻度（Frequency）」「購買金額（Monetary）」という3つの指標で顧客をランク付けして、「優良顧客」「非優良顧客」「新規顧客」「安定顧客」「離反顧客」などの顧客セグメントに分類することをいいます。
Recency（最新購買日）
「最新購買日（Recency）」とは、顧客が最後に商品を購入したりサービスを利用した日であり、「最新購買日（Recency）」が最近であるほど優良な顧客であることを示しています。
Frequency（購買頻度）
「購買頻度（Frequency）」とは、一定期間内に顧客が商品を購入したりサービスを利用する回数であり、「購買頻度（Frequency）」が高いほど優良な顧客であることを示しています。
「購買頻度（Frequency）」が高い顧客が少ない場合は、何らかの理由で顧客が商品やサービスに満足していないことを表しており、「購買頻度（Frequency）」が高い顧客の割合が多すぎる場合は、既存顧客の囲い込みには成功しているが新規顧客を獲得できていないことを表しています。
Monetary（購買金額）
「購買金額（Monetary）」とは、顧客が購入している商品や利用しているサービスの金額の合計であり、「購買金額（Monetary）」が高いほど優良な顧客であることを示しています。
デシル分析
「デシル」とはラテン語で「10分の1」という意味であり、「デシル分析」とは「購買金額（Monetary）」で顧客を10段階にランク分けして、各ランク（デシル1～デシル10）における購買比率や売上高構成比から、売上への貢献が高い優良顧客層を分析する手法のことをいいます。
FSP（Frequent Shoppers Program）
「FSP（Frequent Shoppers Program）」とは、長期的な視点で店舗やECサイトに対する顧客のロイヤルティ（愛顧）を高めることを目的として展開される、優良顧客に対するプロモーション活動（販売促進）のことをいいます。
全ての顧客に対して、同じプロモーション活動（販売促進）を展開するのではなく、RFP分析などにより分類された顧客セグメントごとに異なるプロモーション活動（販売促進）を展開することで、効率的に店舗やECサイトの売上を拡大することができます。
マーケットバスケット分析
「マーケットバスケット分析」は、マーケティングで利用される代表的なデータ分析手法であり、店舗のPOSデータやECサイトの取引データなどの蓄積データ（トランザクション）から、顧客が商品を購入するパターンを分析して、一緒に購入されやすい商品（商品Xと商品Yの関連性）を明らかにしていくことをいいます。
「マーケットバスケット分析」では、大量のデータから有用なパターンやルールを見つけ出すデータマイニングの分析手法である「アソシエーション分析」が用いられます。
なお、「商品Xと商品Yの関連性」とは、「相関関係」ではなく「因果関係」のことを示しています。
相関関係と因果関係の違い
「マーケットバスケット分析」では「相関関係」ではなく「因果関係」を分析していきます。
ここでは、「相関関係」と「因果関係」の違いを以下に説明します。
相関関係
「相関関係」とは、2つのデータが存在する場合において、片方のデータが変動すると、それに応じて他方のデータも変動する関係のことをいい、パターンに応じて「正の相関」「負の相関」と呼ばれます。
- 正の相関
片方のデータが変動すると、他方のデータもそれに応じて同じ方向に変動する。 - 負の相関
片方のデータが変動すると、他方のデータはそれに応じて逆の方向に変動する。
相関係数
2つのデータの「相関関係」は「相関係数」を用いて表されます。
「相関係数」は２つのデータの「相関関係」を表す数値であり「ρ（ロー）」で表されます。
「相関係数」は「－1 ≦ ρ ≦ 1」の範囲で推移し、その数値は以下の意味を示しています。
| 相関係数 | 説明 |
| ρ＝１ | ２つのデータは、片方のデータが変動すると他方のデータもそれに応じて完全に同じ方向に変動する。 |
| ０＜ρ＜１ | ２つのデータは、片方のデータが変動すると他方のデータもそれに応じて同じ方向に変動する。「１」に近いほど「正」の相関関係が強い。 |
| ρ＝０ | ２つのデータの変動には、全く関連性がない。 |
| －１＜ρ＜０ | ２つのデータは、片方のデータが変動すると他方のデータもそれに応じて逆の方向に変動する。「－１」に近いほど「負」の相関関係が強い。 |
| ρ＝－１ | ２つのデータは、片方のデータが変動すると他方のデータもそれに応じて完全に逆の方向に変動する。 |
マーケティングにおいて「相関係数」は2つの商品の売上金額の共分散と標準偏差から求められ、2つの商品の売上金額の「相関関係」を確認するために用いられます。
ここからは、「2つのデータ」という表記を「2つの商品の売上金額」に置き換えて「相関係数」の「符号」と「絶対値」が示す内容について確認していきます。
相関係数が「プラス」の場合
「相関係数」が「プラス」の場合、2つの商品の売上金額には「正の相関」があるといい、片方の商品の売上金額が変動するともう1つの商品の売上もそれに応じて同じ方向に変動します。
例えば、商品Aの売上金額が増加すれば、商品Bの売上金額も増加します。
逆に、商品Aの売上金額が減少すれば、商品Bの売上金額も減少します。
相関係数が「マイナス」の場合
「相関係数」が「マイナス」の場合、2つの商品の売上金額には「負の相関」があるといい、片方の商品の売上金額が変動するともう1つの商品の売上金額もそれに応じて逆の方向に変動します。
例えば、商品Aの売上金額が増加すれば、商品Bの売上金額は減少します。
逆に、商品Aの売上金額が減少すれば、商品Bの売上金額は増加します。
相関係数の絶対値
「相関係数」の「絶対値」は、2つの商品の売上金額に関する「相関関係」の強さを表しています。
2つの商品の売上金額に「相関関係」がない場合は「相関係数」の値は「0」であり、2つの商品の売上金額の増減に関する「相関関係」が強くなるにつれて「相関係数」の「絶対値」は徐々に大きくなっていきます。（最大値は「1」です。）
因果関係
「因果関係」とは「原因」と「結果」であり、片方の事柄が原因となって他方の結果が発生するという関係のことをいいます。
「マーケットバスケット分析」では「商品Xを購入した顧客は商品Yも購入する」という「因果関係」から、2つの商品の売上金額の関連性を分析していきます。
なお、「原因（条件）」と「結果（結論）」は、以下のように表現します。
マーケットバスケット分析の評価指標
「マーケットバスケット分析」では、以下の3つの評価指標を用いて2つの商品の売上金額に関する「因果関係」を分析していきます。
- 信頼度（コンフィデンス／確信度）
- 支持度（サポート）
- リフト値
「信頼度（コンフィデンス／確信度）」「支持度（サポート）」「リフト値」の数値が高い商品の組み合わせが「因果関係」が強く有用な組み合わせであると判断することができます。
アソシエーションルール
「アソシエーションルール」は「条件（原因）」と「結論（結果）」を関連付けることをいいます。今回の説明では、「商品Xを購入した顧客は商品Yも購入する」という「アソシエーションルール」について説明を進めていきます。
信頼度（コンフィデンス／確信度）
「信頼度」は「条件」が発生した場合に「結論」が発生する割合を示しており、その数値が高いほど「因果関係」が強く有用な組み合わせであることを表しています。
支持度（サポート）
「支持度」は、「全ての購買データ」の中で「条件」と「結論」の「因果関係」が成立した割合を示しており、その数値が高いほど全顧客の売上データの中で「因果関係」が成立する確率が高いことを表しています。
「支持度」の数値が低い場合は、店舗やECサイト全体の売上データにおいて、その2つの商品を同時に買う顧客が少ないことを表しています。
つまり、「支持度」が低い商品の組み合わせは、「信頼度」が高い商品の組み合わせであったとしても、店舗やECサイト全体の売上に占める割合が低く、たとえその商品の組み合わせの売上を伸ばせたとしても店舗やECサイト全体の効率的な売上拡大にはつながらないため、有用な組み合わせではないと判断することができます。
リフト値
「リフト値」は「結論」が「条件」と無関係に発生していないかを確認するための指標であり、その数値が高いほど「因果関係」が強く有用な組み合わせであることを表しています。一般的に、リフト値は「1」より大きくなる必要があります。
店舗やECサイト全体で最も売れている商品は、どの商品と組み合わせてもよく売れる組み合わせとなってしまうため、このような商品は一緒に購入されやすい商品を検討する対象から除外する必要があります。
「リフト値」では「結論」が発生する割合を分母に設定するため、店舗やECサイト全体で最も売れている商品を「結論」に設定すると「リフト値」が低くなり、有用な組み合わせではないと判断することができます。（この場合「結論」に設定している商品は、他の商品と関係なく単独で売れていることを示しています。）
価格政策
小売業における「価格政策」とは、個々の商品に対して価格を設定していくための前提となる条件であり、企業としての基本方針を示しています。
販売促進的価格政策
「販売促進的価格政策」とは、販売促進の視点から商品の価格を設定する方法です。
ロスリーダー政策（おとり価格政策）
「ロスリーダー政策」とは、特売用の目玉商品を設定して、仕入れ価格を下回る価格で商品を販売することであり、来店した顧客に他の商品も合わせて購入してもらうための「おとり」として利用されます。
「ロスリーダー」は、次に説明する「ハイ・ロー・プライシング」などの政策において、消費者に低価格をアピールするために設定する特売品のことをいいます。
ハイ・ロー・プライシング政策
「ハイ・ロー・プライシング政策」とは、一定期間だけ通常よりも安い価格（ロープライス）で特売品を提供して、その低価格をアピールして来店客数の増加を狙う政策です。
チラシ広告などによって来店客を増やし、他の商品も合わせて購入してもらうことによって売上を伸ばすことができます。
ただし、「ハイ・ロー・プライシング」については、以下に示すデメリットもあります。
- 特売品以外の商品を購入してもらえないと店舗全体の利益率が下がる。
（※）特売品だけを買う顧客を「バーゲンハンター」「チェリーピッカー」といいます。 - 特売の期間が終了して通常価格（ハイプライス）に戻した後、売上が減少する
- 特売の前後において、チラシなどの広告を作るための費用が発生する。
- 特売の前後において、商品の陳列方法を変更するための労力が発生する。
- 商品の需要変動が大きく、在庫管理が複雑となる。
- 価格変動により消費者が不信感を抱く可能性がある。
EDLP政策（Everyday Low Price）
「EDLP政策（Everyday Low Price）」は「恒常的低価格政策」とも呼ばれ、毎日いつでもすべての商品を低価格で販売することで、恒常的な低価格販売を実現することをいいます。
毎日いつでもすべての商品が安いことが消費者に知れ渡ることによって、消費者が他店へ行く動機をなくすため、店舗への来店客数を伸ばし売上を拡大させることができます。
基本的に、毎日いつでもすべての商品が安いので、チラシ広告は行いません。
「EDLP政策（Everyday Low Price）」により利益を上げるためには、高収益低価格商品の開発、オペレーションコストの削減といった徹底的なコスト削減が必要となるため、実現が非常に難しい政策です。
心理的価格政策
「心理的価格政策」とは、消費者の心理に働きかけて購入を促進させる方法です。
プライスライン政策
「プライスライン政策」は「値頃政策」「価格段階政策」とも呼ばれ、商品ごとに細かく価格を設定するのではなく、それぞれの品目を「よく売れる値頃」の価格帯で段階的に価格設定することをいいます。
例えば、お歳暮コーナーなどのように、「2,000円」「3,000円」「5,000円」「7,000円」のコーナーに分けて商品を販売するようなイメージです。
いくつかあるプライスラインのうち、最も売上・販売数量の多いプライスラインを「プライスポイント」といい、プライスラインの上限と下限の幅のことをプライスゾーン（価格帯）といいます。
「プライスライン政策」では、仕入れた商品をプライスラインに分けるのではなく、プライスラインに合った品揃えを行っていきます。
試験問題
それでは、実際の試験問題を解いてみます。
【令和3年度 第39問】
小売業におけるCRMと、それに関連する分析方法や手法に関する記述として、最も適切なものはどれか。
ア CRMにおいて、RFM分析などを利用して、優良顧客層のような着目すべき顧客層を識別することは重要である。
イ FSPは、EDLPにとっては有効な手法の1つであるが、CRMには関係がない。
ウ RFM分析のＦの評価値は、顧客の購買額の分散値が大きな値であることによって、高い評価値と判断することができる。
エ 顧客の購買機会ごとの購買額と購買商品数の相関係数が大きければ、RFM分析におけるＲの評価値も高いと考えられる。
オ 優良顧客層を特定するために、顧客の年齢や性別などの属性データを説明変数としてクラスター分析を行うことは、CRMにとって重要である。
中小企業診断協会Webサイト（https://www.j-smeca.jp/contents/010_c_/shikenmondai.html）
考え方と解答
CRMに関連する分析方法に関する知識を問う問題です。
（ア） 適切です。
店舗のPOSデータやECサイトの取引データなどの蓄積データ（トランザクション）から、「RFM分析」により優良顧客を識別して、「FSP」により優良顧客に対してプロモーション活動（販売促進）を展開するという流れは「既存顧客の囲い込み」に有効なプロモーション活動（販売促進）です。
したがって、CRMにおいて、RFM分析などを利用して、優良顧客層のような着目すべき顧客層を識別することは重要であるため、選択肢の内容は適切です。
（イ） 不適切です。
「FSP（Frequent Shoppers Program）」とは、長期的な視点で店舗やECサイトに対する顧客のロイヤルティ（愛顧）を高めることを目的として展開される、優良顧客に対するプロモーション活動（販売促進）のことをいいます。
全ての顧客に対して、同じプロモーション活動（販売促進）を展開するのではなく、RFP分析などにより分類された顧客セグメントごとに異なるプロモーション活動（販売促進）を展開することで、効率的に店舗やECサイトの売上を拡大することができます。
また、「EDLP政策（Everyday Low Price）」は「恒常的低価格政策」とも呼ばれ、毎日いつでもすべての商品を低価格で販売することで、恒常的な低価格販売を実現することをいいます。
毎日いつでもすべての商品が安いことが消費者に知れ渡ることによって、消費者が他店へ行く動機をなくすため、店舗への来店客数を伸ばし売上を拡大させることができます。
基本的に、毎日いつでもすべての商品が安いので、チラシ広告は行いません。
つまり、「EDLP政策」は、顧客セグメントを識別して、顧客セグメントごとに異なるプロモーション（販売促進）を展開するのではなく、すべての顧客に毎日いつでもすべての商品を低価格で販売することにより消費者が他店へ行く動機をなくす「価格政策」です。
したがって、FSPは、EDLPにとっては有効な手法の1つではないため、選択肢の内容は不適切です。
（ウ） 不適切です。
「RFM分析」とは、店舗のPOSデータやECサイトの取引データなどの蓄積データ（トランザクション）を用いて顧客を分析する手法であり、「最新購買日（Recency）」「購買頻度（Frequency）」「購買金額（Monetary）」という3つの指標で顧客をランク付けして、「優良顧客」「非優良顧客」「新規顧客」「安定顧客」「離反顧客」などの顧客セグメントに分類することをいいます。
「購買頻度（Frequency）」とは、一定期間内に顧客が商品を購入したりサービスを利用する回数であり、「購買頻度（Frequency）」が高いほど優良な顧客であることを示しています。
「購買頻度（Frequency）」が高い顧客が少ない場合は、何らかの理由で顧客が商品やサービスに満足していないことを表しており、「購買頻度（Frequency）」が高い顧客の割合が多すぎる場合は、既存顧客の囲い込みには成功しているが新規顧客を獲得できていないことを表しています。
また、「購買金額（Monetary）」とは、顧客が購入している商品や利用しているサービスの金額の合計であり、「購買金額（Monetary）」が高いほど優良な顧客であることを示しています。
RFM分析のFの評価値は、顧客の購買額の分散値ではなく顧客の購買頻度が適度に大きな値であることによって、高い評価値と判断することができるため、選択肢の内容は不適切です。なお、顧客の購買額の分散値は、RFM分析のMの評価値です。
（エ） 不適切です。
「RFM分析」とは、店舗のPOSデータやECサイトの取引データなどの蓄積データ（トランザクション）を用いて顧客を分析する手法であり、「最新購買日（Recency）」「購買頻度（Frequency）」「購買金額（Monetary）」という3つの指標で顧客をランク付けして、「優良顧客」「非優良顧客」「新規顧客」「安定顧客」「離反顧客」などの顧客セグメントに分類することをいいます。
「最新購買日（Recency）」とは、顧客が最後に商品を購入したりサービスを利用した日であり、「最新購買日（Recency）」が最近であるほど優良な顧客であることを示しています。
また、「購買金額（Monetary）」とは、顧客が購入している商品や利用しているサービスの金額の合計であり、「購買金額（Monetary）」が高いほど優良な顧客であることを示しています。
なお、「相関関係」とは、2つのデータが存在する場合において、片方のデータが変動すると、それに応じて他方のデータも変動する関係のことをいい、パターンに応じて「正の相関」「負の相関」と呼ばれます。
2つのデータの「相関関係」は「相関係数」を用いて表されます。
「相関係数」は２つのデータの「相関関係」を表す数値であり「ρ（ロー）」で表されます。
「相関係数」は「－1 ≦ ρ ≦ 1」の範囲で推移し、その数値は以下の意味を示しています。
「相関係数」の「絶対値」は、2つの商品の売上金額に関する「相関関係」の強さを表しています。
2つの商品の売上金額に「相関関係」がない場合は「相関係数」の値は「0」であり、2つの商品の売上金額の増減に関する「相関関係」が強くなるにつれて「相関係数」の「絶対値」は徐々に大きくなっていきます。（最大値は「1」です。）
したがって、顧客の購買機会ごとの購買額と購買商品数の相関係数が大きければ、RFM分析におけるＲの評価値ではなくMの評価値も高いと考えられるため、選択肢の内容は不適切です。
（オ） 不適切です。
統計学において、複数の独立変数の関連性を分析する手法のことを「多変量解析」といい、「重回帰分析」「主成分分析」「因子分析」「クラスター分析」などの様々な手法があります。
「クラスター分析」とは、大きな集団を似たもの同士で構成されるグループ（クラスター）に分類する分析方法のことをいいます。
したがって、優良顧客層を特定するために、顧客の年齢や性別などの属性データだけではなく購買履歴などのデータも加えて説明変数としてクラスター分析を行うことは、CRMにとって重要であるため、選択肢の内容は不適切です。
答えは（ア）です。
コメント