RFMとCLV（顧客生涯価値）を
組み合わせる方法
「誰に投資すべきか」を科学的に判断する

CLV（顧客生涯価値）とは何か

CLV（Customer Lifetime Value）とは、一人の顧客が取引を開始してから終了するまでの期間に、企業にもたらす利益の総額を指します。日本では「LTV（Life Time Value／顧客生涯価値）」と呼ばれることも多く、基本的には同じ概念です。

CLVの基本的な計算式は以下のとおりです。

• 簡易式：CLV = 平均購買単価 × 平均購買頻度 × 平均継続期間
• 利益ベース：CLV = (平均購買単価 × 粗利率) × 平均購買頻度 × 平均継続期間 - 顧客獲得コスト

たとえば、平均購買単価が5,000円、月1回購入、平均継続期間が2年の顧客のCLVは「5,000円 × 12回 × 2年 = 120,000円」と計算できます。

CLVが重要な理由は、顧客一人ひとりの「将来的な価値」を見積もることで、マーケティング投資の最適配分が可能になるからです。新規顧客獲得コスト（CAC）がCLVを上回っていれば、そのビジネスモデルは持続不可能です。

RFMスコアとCLVの相関関係

RFM分析の3つの指標は、実はCLVを構成する要素と深く関連しています。

• Recency（最終購買日）→ 継続期間の代理指標。最近購入している顧客は、まだ関係が継続していることを示す
• Frequency（購買頻度）→ CLV計算式の「購買頻度」にそのまま対応する
• Monetary（購買金額）→ CLV計算式の「平均購買単価」にそのまま対応する

つまり、RFMスコアが高い顧客は、CLVも高い傾向にあります。ただし、完全には一致しません。以下のような「ズレ」が発生するケースがあります。

RFMが高いがCLVが低いケース

• セール時のみ大量に購入する顧客（高F・高Mだが、粗利が低い）
• 最近始めたばかりの新規顧客（高Rだが、継続するかは未知数）
• 返品率が極端に高い顧客（見かけ上のMonetaryは高いが、実質的な利益は少ない）

RFMが低いがCLVが高いケース

• 年に1回だけ高額商品を購入する顧客（低Fだが、累計金額は大きい）
• たまたま最近購入していないだけの長期顧客（一時的にRが低い）
• 紹介経由で新規顧客を連れてくる「インフルエンサー的」顧客（間接的なCLV貢献）

このようなズレを認識した上で、RFMとCLVの両方を活用することが、精度の高い顧客戦略につながります。

CLV予測にRFMデータを活用する方法

RFMデータは、CLVを「予測」するための有力なインプットになります。過去のRFMスコアの推移パターンから、将来のCLVを推計する方法を紹介します。

方法1：RFMセグメント別のCLV実績値を基準にする

最もシンプルな方法は、RFMセグメントごとの過去CLV実績値を算出し、同じセグメントに属する顧客の将来CLVを推計するアプローチです。

• 過去3年間のデータから、RFMセグメント別の平均CLVを計算する
• 現在のRFMスコアに基づいて、各顧客を該当セグメントに分類する
• セグメントの平均CLVを、その顧客の「予測CLV」として割り当てる

この方法はExcelでも実行可能で、特別な統計知識は不要です。ただし、個別の顧客ごとの精度はやや粗くなります。

方法2：RFMスコアの変動パターンで予測する

より高度な方法として、RFMスコアの「変動トレンド」を分析に取り入れます。たとえば、過去6ヶ月でRecencyスコアが5→4→3と下がっている顧客は、将来的にさらに低下する可能性が高いです。

• 月次でRFMスコアを記録し、3〜6ヶ月のトレンドを追跡する
• スコアが上昇傾向の顧客は「成長中」、下降傾向の顧客は「離脱リスクあり」と分類する
• トレンドを加味してCLV予測を上方・下方修正する

方法3：確率モデル（BG/NBDモデル等）の活用

統計的な手法としては、BG/NBDモデルやPareto/NBDモデルなど、顧客の「生存確率」と「購買頻度」を同時にモデル化する手法があります。これらのモデルは、RFMデータ（最終購買日、購買回数、初回購買からの経過期間）をインプットとして使用します。Pythonの「lifetimes」ライブラリなどで比較的容易に実装可能です。

高CLV顧客の特徴をRFMで可視化する

自社の「高CLV顧客」がどのようなRFMプロファイルを持っているかを可視化することで、次の高CLV顧客候補を早期に発見できます。

高CLV顧客のRFMプロファイル分析手順

1. 全顧客のCLV（過去累計購買金額）を算出し、上位20%を「高CLV顧客」と定義する
2. 高CLV顧客のRFMスコア分布を可視化する（ヒートマップやバブルチャート）
3. 高CLV顧客に共通するパターンを特定する

多くのECサイトでは、高CLV顧客に以下の共通パターンが見られます。

• 初回購入から2回目購入までの期間が短い：F2転換が早い顧客ほど、長期的にCLVが高くなる傾向がある
• 初回購入金額が一定以上：初回から平均単価以上を購入した顧客は、ロイヤリティが高い傾向がある
• 購買カテゴリが複数：1カテゴリだけでなく、複数カテゴリにまたがって購入する顧客はCLVが高い
• 定期的な購買リズムがある：不規則な購買ではなく、一定間隔で購入する顧客は継続率が高い

これらの特徴を「高CLV予備軍の検知シグナル」として定義し、現在のRFMデータから該当する顧客を抽出しましょう。まだCLVが低くても、これらのシグナルを持つ顧客は、将来の高CLV顧客に育つ可能性が高いです。

CLVベースの投資判断（広告費・施策コスト配分）

CLVとRFMを組み合わせる最大のメリットは、マーケティング投資を「科学的に」配分できるようになることです。

投資配分の基本原則

顧客セグメントごとの「予測CLV」に対して、投資すべきコストの上限を設定します。一般的なルールとして、マーケティングコストは予測CLVの10〜30%以内に抑えることが推奨されます。

• 高CLV × 高RFM（VIP層）：最もROIが高い層。ロイヤリティプログラムや特別体験に投資。コスト許容度は高い
• 高CLV × 低RFM（休眠VIP）：復帰させれば大きなリターンが期待できる。Winback施策に積極投資
• 低CLV × 高RFM（成長候補）：まだCLVは低いが、アクティブに購入中。クロスセルやアップセルで成長を促す
• 低CLV × 低RFM（低優先度）：投資対効果が最も低い層。過度なコストをかけない

広告費配分への応用

リターゲティング広告やSNS広告の予算配分にもCLV×RFMは活用できます。

• 高CLVセグメントに類似するオーディエンス（Lookalike）への新規獲得広告に最大予算を配分
• 休眠VIP層にはリターゲティング広告の入札単価を高めに設定
• 低CLVセグメントへの広告配信は抑制し、無駄な広告費を削減

施策コストの上限設定

クーポンやポイント付与などの施策コストも、CLVに基づいて上限を設定します。たとえば、予測CLVが50,000円の顧客に対しては、5,000円相当のクーポンを発行しても投資対効果が合いますが、予測CLVが5,000円の顧客に同じクーポンを発行すると赤字になります。

このように、CLVとRFMを組み合わせることで、「感覚」ではなく「データ」に基づいた投資判断が可能になります。

RFM×CLVの具体的な運用フロー

最後に、RFMとCLVを組み合わせた分析を実務に落とし込むための運用フローを紹介します。

ステップ1：月次でRFMスコアを更新する

最低でも月に1回、全顧客のRFMスコアを再計算します。購買データが日次で取得できる場合は、週次での更新が理想的です。前月との差分を追跡し、スコアが変動した顧客を検出しましょう。

ステップ2：四半期ごとにCLV実績を更新する

CLVは短期間では大きく変動しないため、四半期に1回の更新で十分です。全顧客の累計購買金額・購買回数・最新のRFMスコアを集計し、セグメント別のCLV実績値を更新します。

ステップ3：セグメント×施策の対応表を運用する

RFMセグメントとCLVランクの掛け合わせで施策を定義した「対応表」を作成し、チームで共有します。

• 高CLV×高R：VIP限定施策（先行セール、限定商品案内）
• 高CLV×低R：Winback施策（パーソナライズドメール、特別クーポン）
• 中CLV×高F：アップセル施策（上位商品の提案、まとめ買い割引）
• 低CLV×高R：F2転換施策（2回目購入促進、レビュー依頼）

ステップ4：施策効果をCLVの変動で測定する

施策の効果は、短期的な売上だけでなく、CLVの変動で評価します。たとえば、Winback施策で復帰した顧客のその後のRFMスコア推移を追跡し、一時的な購入で終わったのか、継続的な購買に戻ったのかを確認します。

ステップ5：半年に1回、CLV予測モデルを見直す

ビジネス環境や商品ラインナップの変化に合わせて、CLVの予測基準を定期的に見直します。新商品のリリースや価格改定があった場合は、セグメント別のCLV実績値が変動するため、施策の対応表も合わせて更新しましょう。

RFMとCLVの組み合わせは、最初は手間がかかるように感じるかもしれません。しかし、一度フローを構築すれば、感覚的な判断に頼らない「再現可能な顧客戦略」が手に入ります。まずはRFMセグメント別のCLV実績値を算出するところから始めてみましょう。