3行でわかるこの記事

「30代女性へ配信する」は分かりやすいセグメントですが、飲食・食品小売では同じ30代女性でも朝食、家族夕食、手土産ではニーズがまったく違います。購買履歴があるなら、属性より先に行動で顧客を分ける方が施策につながります。

属性は「誰か」、購買は「何を必要としたか」

年齢・性別・居住地などの属性情報には意味があります。しかし販促施策に直結しやすいのは、「何を買ったか」「いつ買ったか」「どの店舗で買ったか」「何回買ったか」です。

たとえば「モンブランを2回買ったが60日買っていない人」は、単なる40代女性より、次の提案が明確です。

食のミカタの見方

顧客セグメントは「分類すること」が目的ではありません。違う行動を取るべき顧客を見つけるための道具です。特に重視したいのは、年齢や性別よりも、どんな状況で、何を、どの頻度で、どのチャネルから買ったか。そこには次の利用場面を推測できる情報があります。

顧客理解のレベルを上げるときは、次の順で考えると整理しやすくなります。

1. 個人を識別できる。

2. 閲覧・クリックなど行動が分かる。

3. 本人の好みやアンケートが分かる。

4. 実際の購買商品が分かる。

5. 購入頻度や関係の変化が分かる。

6. 次の行動を予測し、自動で施策を実行する。

特に4以降は、飲食・食品小売のCRMで強力です。意向ではなく「実際にお金を払った行動」を起点にできるためです。

最初に作りたい5セグメント

• 初回購入者

• 直近30日で2回以上購入した人

• 特定カテゴリを複数回買った人

• 平日夕方だけ購入する人

• 以前は購入していたが、購入間隔が通常より伸びた人

ここまでなら、複雑なAIがなくても作れます。

データを増やしすぎない

取れるからといって属性を何十項目も集める必要はありません。個人情報は利用目的を具体的にし、必要な範囲で扱うことが基本です。施策に使わないデータを集め続けるより、少ない購買データを継続して正確に取る方が価値があります。

セグメントは固定せず、育成の流れで見る

顧客を「ライト・ミドル・ヘビー」と分類する場合も、ラベルを付けて終わりではありません。どの行動が次の段階への兆候なのかを探します。たとえば月1回購入から月2回購入へ移る直前に、特定カテゴリの購入や複数店舗利用が増えるなら、その行動を施策のトリガーとして使えます。

デモグラフィックは「分かりやすい」が、行動を説明しきれない

年齢や性別はマーケティングで使いやすい属性です。しかし「30代女性」という情報だけでは、何を買いたいか、いつ買うか、どの店舗を使うかまでは分かりません。同じ30代女性でも、平日の昼に一人分の弁当を買う人と、週末に家族4人分を買う人では必要な提案が違います。

飲食・食品小売では、購買行動そのものが強いシグナルになります。誰であるかより、何をしたかを見るという考え方です。

まず使える5つの行動軸

1. 購入商品

甘い物、惣菜、ギフト、ファミリーセットなど、実際に選んだ商品カテゴリからニーズを捉えます。

2. 購入頻度

月4回買う人と年2回買う人では、同じ商品購入者でも関係性が違います。

3. 購入タイミング

平日昼、平日夕方、週末、イベント前など、時間には利用シーンが反映されます。

4. 利用店舗

オフィス街の店舗を使う人と住宅地の店舗を使う人では、同じブランドでも目的が異なる可能性があります。

5. 購入間隔の変化

普段30日ごとに買う人が60日来ていない場合、休眠予兆として扱えます。絶対的な購入回数だけでなく「その人の通常周期から外れたか」を見る考え方です。

セグメントは「送るため」ではなく「違う行動をするため」に作る

マーケティングではセグメントを細かく作ること自体が目的になりがちです。重要なのは、そのセグメントごとに施策が変わるかどうかです。

たとえば「過去60日以内にモンブランを2回買った人」というセグメントを作っても、全顧客と同じメールを送るなら意味がありません。新作モンブランの先行案内をする、売切前に予約枠を案内する、という具体的なアクションがあるときにセグメントを作ります。

行動データのレベルを段階的に上げる

最初から高度なAI分析をする必要はありません。

レベル1は「誰が買ったか」が分かること。レベル2は「いつ、何を買ったか」。レベル3は「どのくらいの頻度・金額で買っているか」。レベル4は「最近その行動がどう変化したか」。レベル5は「次に何をしそうか」を予測することです。

多くの企業では、レベル2〜3をきちんと使うだけでも十分に施策が変わります。高度化を急ぐより、まずデータを施策へ使う習慣を作る方が重要です。

具体的なセグメント例

• 30日以内に初回購入したが2回目がない人

• 同じカテゴリを3回以上買っている人

• 平日夕方の購入が多い人

• A店舗利用者だが近隣B店舗を使ったことがない人

• 平均購入間隔を30日以上超過している人

• 高単価ギフトを購入したことがある人

これらは年齢や性別が分からなくても作れます。そして施策へ直結しやすいのが特徴です。

行動データにもバイアスがある

購買履歴は強い情報ですが、「オンラインで買った人だけ」「会員登録した人だけ」のデータである可能性があります。POS、EC、LINE、自社アプリ、テイクアウト注文では取得できる顧客層が異なります。

データを見たときは、「このデータに入っていない顧客は誰か」を必ず考えます。ヘビーユーザーだけを見て全顧客の好みだと解釈すると、商品戦略を誤ることがあります。

個人情報は必要以上に集めない

行動ベースのマーケティングは、必ずしも年齢・性別・住所など大量の個人情報を集めることを意味しません。施策目的に必要な情報だけを扱い、利用目的と管理方法を明確にします。

「何を知れるか」ではなく「何を知る必要があるか」からデータ設計を始めるのが基本です。

最初の一歩

顧客を100種類に分類する必要はありません。まずは「新規」「2回目未達」「リピーター」「休眠予兆」「休眠」の5分類程度から始め、それぞれに一つずつ違う施策を置いてみます。

分類が施策へつながり、成果が測れることを確認してから、商品カテゴリや時間帯などの軸を加えていくと、CRMが複雑になり過ぎません。

仮想ケース：同じ「スイーツ購入者」を分ける

100人のスイーツ購入者を、年齢ではなく行動で見ると、毎週金曜夕方に自宅近くの店舗で買う人、月1回高単価ギフトを買う人、新商品の発売日にだけ買う人などに分かれます。

前者には週末の新商品、ギフト層には予約・包装情報、新商品層には先行案内が有効かもしれません。同じ「スイーツ好き」でも、必要な情報が違います。

セグメントの寿命を決める

一度「休眠顧客」と分類した人が、再購入後もずっと休眠セグメントに残ると誤配信が起きます。セグメントは固定名簿ではなく、条件に応じて自動的に出入りする状態が理想です。

「最終購入60日超」「過去180日で3回以上購入」など、条件を明確にし、更新頻度も決めます。

セグメントを作る前のチェック

そのグループに対して、全体とは異なる商品・タイミング・メッセージを出せるか。対象人数は十分か。成果を測れるか。この3つに答えられなければ、細分化し過ぎている可能性があります。

顧客理解は分類数の多さではなく、分類によって行動が変わることに価値があります。

店舗をまたぐ顧客行動を見る

多店舗企業では、A店の顧客がB店も利用するかを見ると、商圏重複やブランドへのロイヤリティが分かります。同じ顧客が平日は駅前店、週末は住宅地店を使っているなら、店舗単位だけでは見えない利用シーンがあります。

複数ブランド企業ではさらに、ラーメン、寿司、菓子など異なるブランド間を移動するかを見ることで、企業全体の顧客資産を捉えられます。

「予測」より先に「変化」を見る

AIで次回購入を予測する前に、購入間隔が伸びた、単価が下がった、特定カテゴリを買わなくなったなど、過去との変化を見るだけでも十分有効です。

個人ごとの通常パターンから外れた行動は、休眠や嗜好変化のサインになります。

セグメント運用の棚卸し

半年に一度、実際に使われていないセグメントを削除します。作っただけで配信や施策に使われていない分類は、データ管理を複雑にするだけです。

「セグメント数」ではなく、「異なる施策へつながっているセグメント数」をKPIにするくらいが実務的です。

行動データは顧客理解の出発点

購買履歴だけでは、なぜその商品を選んだかまでは分かりません。必要に応じてアンケート、レビュー、店舗スタッフの声を組み合わせます。定量データで「誰に変化が起きたか」を見つけ、定性情報で「なぜ起きたか」を理解する流れです。

データ分析と顧客インタビューを別活動にせず、相互に行き来すると、セグメントが単なる数字の分類から実在する顧客像へ近づきます。

行動セグメントを経営判断にも使う

行動データはメール配信だけでなく、商品開発や出店にも使えます。夕方に家族向け商品を買う顧客が増えているなら夕食商品の強化、複数店舗を横断利用する顧客が多いなら共通会員施策など、顧客行動から事業仮説を作れます。

CRM担当だけがセグメントを見るのではなく、月1回でも商品企画、営業、店舗運営と共有すると、データの使い道が広がります。顧客データを「配信先リスト」から「経営が顧客を理解する共通基盤」へ変えることが、CRM高度化の本質です。

行動データで見たいのは「この人は誰か」より「次に何が起きそうか」

30代女性という属性だけでは、その人が次に何を買うかはほとんど分かりません。同じ30代女性でも、平日朝にパンを買う人、誕生日ケーキだけ買う人、毎週家族分の惣菜をまとめ買いする人では必要な提案が全く違います。

だから飲食・食品小売のCRMでは、属性を捨てるのではなく、購買行動を先に置き、属性を補助情報として使う方が実務的です。

「2回目を取りやすい人」を見つけるセグメント

顧客化を進めるなら、まず全顧客を細かく分類する必要はありません。初期には、次のようなセグメントだけでも十分です。

• 初回購入から14日以内

• 同じ商品を2回以上購入

• 受取予約を利用

• 家族・まとめ買い商品を購入

• ギフト商品を購入

• 以前は頻繁だったが、購入間隔が伸びている

これらはすべて「次に何を提案するか」が比較的明確です。

たとえば受取予約利用者には「次回も待たずに受け取れる」、家族セット購入者には週末夕食、ギフト購入者には次の季節行事を提案できます。

購入チャネルも行動の一部として見る

同じ商品購入でも、デリバリープラットフォーム、自社WEB、店頭では顧客行動の意味が違います。

プラットフォームから来た初回客は「店を探していた」のかもしれません。自社WEBから来た人は、最初から店を指名していた可能性があります。店頭常連が初めてWEB予約したなら、購入チャネルの変更そのものが大きな行動変化です。

このためセグメントに、

• 初回チャネル

• 直近チャネル

• チャネル移行

を持つと、「新規獲得」と「顧客化」を分けて分析できます。

状況のキューをデータにできるか

人は「この商品が好きだから」だけでなく、「雨だから」「忙しいから」「家族が集まるから」といった状況で買います。すべてをアンケートで聞く必要はありません。

曜日、時間帯、気温、受取店舗、購入点数、商品構成などから、利用場面をある程度推測できます。たとえば平日17〜19時に家族セットを繰り返し買う人は、夕食の解決手段として利用している可能性が高いでしょう。

こうした状況ベースのセグメントは、次回想起を作る配信と相性が良くなります。

セグメントを増やすより「動かす」

データ分析でありがちな失敗は、20、30とセグメントを増やし、誰も施策を実行できなくなることです。

セグメントを作る前に、必ず「この人たちには何を変えるのか」を決めます。

• 商品を変える

• 配信タイミングを変える

• チャネルを変える

• 特典を変える

• 受取店舗を変える

何も変えないなら、分ける意味はありません。

顧客理解とは、詳しいプロフィールを持つことではなく、次の適切な行動を選べることです。

まとめ

セグメントは細かいほど良いのではなく、「誰に何をするか」が変わる単位で分けるのが基本です。最初は属性ではなく、購入商品・頻度・時間・店舗の4軸から始めてみてください。

食のミカタの問い：自社の顧客を、年齢を使わずに5種類へ分けるとしたら、どう分けますか。

参考情報

• 個人情報保護委員会｜個人情報保護法ガイドライン 通則編

• 個人情報保護委員会｜仮名加工情報・匿名加工情報編