分析力をコアとする情報最適化企業・株式会社ALBERT（アルベルト）

「CRM」ということばに、ネガティブな印象をもつ人が少なからずいるようです。1990年代後半にブームを起こしましたが、システムに大変な投資をしても、それを使いこなすことができない、コンサルタントに高額な報酬を支払ったり、分析ツールを導入したものの具体的なソリューションに落とし込めなかったりと、沢山の失敗があったからです。ところが、昨今またCRMに注目が集まっています。ALBERTでは高額で使いこなせないようなシステムではなく、誰でも使えるCRM、真に役に立つCRMを「カジュアルなCRM」と名付け、提唱しています。

CRM（Customer Relationship Management）には色々な定義や説明がありますが、一般的には『顧客1人ひとりの深い理解に基づく企業と顧客の長期的かつ良好な関係を形成する手法、戦略』などといわれます。 CRMに関して、『IT-supported Communication』という定義もあります。町の八百屋さんや電気屋さんが、地元の顧客を深く理解することによって良好な関係を築いているのがCRMかといえばそうではありません。大量の顧客に対してのOne to one戦略こそがCRMの本質であり、ITによるサポートなくしてはCRMは実現しないのです。

近年、『CRM』の他にも、経営資源の有効活用という視点で企業活動を統合しようとする『ERP』、調達から製造・流通・販売という、生産から消費にいたる商品供給の流れを「供給の鎖」（サプライチェーン）ととらえ、情報を共有・管理することで、ビジネスプロセスの全体最適を目指す『SCM』、営業支援のために用いる情報システム『SFA』などが提案されてきましたが、アルファベット3文字の統合ソリューションは、その違いがわかりにくいと思います。そこで以下にこれらの概念をまとめてみました。

他のアルファベット3文字のソリューションとCRMとの大きな違いは、CRMが顧客起点の概念だということです。SFAとCRMを同義であるように取り扱う場合もありますが、SFAはどちらかといえば社内の営業向けのソリューションであり、必ずしも顧客起点となっているわけではありません。それに対し、CRMは企業の商品データだけではなく、顧客データも活用することで、顧客と商品・情報の最適なマッチング、最適化を行なうという戦略であり概念なのです。

それでは、顧客と商品の最適なマッチングはどのようにすれば実現できるのでしょうか。たとえば人材を企業に紹介することを考えてみましょう。応募者がどんなスキルを持っていて何をやりたいのか等をよくヒアリングし、かつその企業がどんな人材を募集していてどんな社風なのかを充分理解した上で紹介しなければ、幸せな転職、採用になりません。このように、顧客と商品・情報への深い理解が最適なマッチングを可能にするわけです。CRMが顧客起点であるということから、最も重要なのが顧客への深い理解です。中でも行動履歴データの活用が、現在最も注目されています。こちらに関しては、「顧客理解の方法」のページで詳しく説明します。

1982年、セブン-イレブンが日本で初めて導入したPOS（Point of Sales）システムは、商品に印刷されたバーコードをレジのバーコードリーダーで読みとると、購入品目、点数、購入時刻などが瞬時に本部に送られるという仕組みでした。在庫管理や売れ筋分析などに活用され、定番商品の決定に大きな影響力を持っていたといわれます。その日の天候や気温などの情報も同時に取得され、さらに購入時にレジで店員が購入者の性別年代を予測して入力を行なったことで、どんな顧客がどんな商品をいつ購入したか、また何と何を一緒に買ったかなどのマーケットバスケット分析も盛んに行なわれました。

しかしPOSシステムも万能ではありませんでした。確かに購入した顧客のことはわかるのですが、購入しなかった顧客や商品のことはわかりません。また、昨日購入したAさんが今日購入したかどうか、過去に来店したかもわからず、個人の購買履歴を継続的に追うことはできません。従って、POSによるOne to oneのマーケティングの実現は難しく、この欠点を解決する方法としてFSP（Frequent Shoppers Program）が登場しました。

インターネットでは個人の行動ログ（アクセス履歴や購買履歴）を簡単に取得することができます。商品を見たが買わなかった、何と何を比較して結局どの商品を買った、何と何を同時に買ったという情報なども自動的に蓄積されます。POSシステムでは個人を紐づけるID付行動ログが取得できなかったわけですが、最近では会員登録してログインしなくてもクッキー等の技術を使って、しかも個人情報を取得することなく、個人に紐付いた購買履歴情報が入手できるようになったのです。

One to oneという言葉はよく使いますが、One to oneの「One」は何を指すのでしょうか。後のOneは顧客だということの異存のある人はいないようですが、前のOneに関しては様々な考え方があります。「企業」「商品」「販売店」などですが、ALBERTでは「販売機会」ととらえています。

ALBERTでは、お客様が買いに来られたときに”あたかも実際の店舗の商品知識が豊富で気配りのできる店員さんのように、そのお客様の好みを知っており、好みのものを提供してくれること。おもてなしの心を持った対応をすること”が、One to oneマーケティングの本質だと考えています。

POSシステムでは「何を買ったか」はわかりますが「誰が買ったか」を個人レベルで把握することは難しいということを先に述べました。通信販売の場合、基本的には決済や配送のために住所やメールアドレスなどの個人情報を取得することになるので、購買データに個人を特定する情報が紐付いています。従って、ダイレクトマーケティングとの親和性が非常に高く、One to oneマーケティングを実現しやすいといってよいでしょう。 しかし、１人ひとりに異なったカタログを送付したり、その人専用のダイレクトメールを送ったりすることは印刷コスト等の問題があり、現実的には顧客をいくつかのセグメントに分けグループとしての対応をせざるを得ず、真のOne to oneが実現できているわけでありません。

ところがインターネットを活用したCRMの場合、カタログ印刷やDM印刷等の紙のコストがかかるわけではないので、１人ひとりに異なった商品を案内するメールを送ることも可能ですし、マイページのような個別対応のページ作りもできるようになっています。さらに、昨今のWeb技術の進化により、消費者が能動的に登録作業をしなくても、「Cookie」の活用で顧客の購買行動を個別に把握できるようになりました。Cookieの登場は、インターネットマーケティングにおけるOne to oneを実現する上で、極めて大きなブレークスルーです。顧客がどのような経路でそのサイトにたどり着いたのか、どのような商品に興味を持ち、どのような商品と比較検討したのか、一度カートに入れたけれど購入しなかった商品は何なのかなどの詳細な行動履歴データが取得できるわけです。

『CRMの実施に関する具体的最終課題は、取引履歴として自動的に蓄積される消費者行動に関する大量データを利用して“異質”な顧客を理解し、個別対応することである ※』といわれるように、CRMそのものの課題が、”異質”な顧客を理解することから始まります。では、”異質”とはどういうことでしょうか。日本人は皆”同質”であると考えることは、日本人を分割しないで1つの同質、すなわち「同じ商品を発売して同じようにプロモーションをすれば同じように売れる人間である」と考えるという意味です。同質ではないとして、日本人をマーケティング的に最も有効な切り口で2つにわけるとしたらどうすればよいでしょうか。アイデアはいくつでもあります。例えば、成人と未成年、関東と関西、都会人と田舎の人などですが、分類する場合にはわける基準や理由がある程度明確である必要があり、かつ「特殊な集団とそれ以外」というようなわけ方にはあまり意味がありません。そういう観点で考えると、やはり男女でわけるのが最も合理的でしょう。マーケティング的には、2つにわけるだけでは不十分であり、より細かく分けなくては顧客の異質性に対応できません。

3つに分けるとしたら、子供を別区分にする方法もあるでしょう。TV、広告業界では、さらに細かい8区分がよく用いられます。こういった、「性別」と「年代」は、デモグラフィック属性などと呼ばれる最もベーシックな分類要素です。

顧客を理解するためのデータを4つに分けてみました。1番目が、デモグラフィック属性とかハードな属性といわれる「人口統計的データ」です。性別、年代のほかに、居住地、職業、年収などのように比較的変化の少ないデータです。顧客を理解する上で、最も基本的なデータであり、POSデータにおいてもコンビニの店員が性別年代を購入商品データとともに記録しています。 2番目のデータは「心理的データ」で、サイコグラフィック属性などともいわれます。価値観やライフスタイル、商品カテゴリ関与度など、外的な要因ではなく内的な要因で決まるデータです。同じ性別、年代、居住地、職業でも、その人の価値観やライフスタイルによって好みも違えば購入する品目やデザインなども変わるであろうという考え方です。 ここまでは、従来のマーケティング手法として盛んに活用されてきたものですが、3番目の行動履歴データからは特にインターネットの普及により、その活用が加速され、歴史的にも新しいものです。行動履歴データは、サイトの検索、閲覧データや購買履歴データなど現実の行動データです。いわゆる結果データといってもよいかもしれません。顧客を深く理解する上で、人口統計的データや心理的データも重要ですが、この2つだけで精度の高い行動予測はできません。靴の裏から足をかくようなものなのです。
『CRMの実施に関する具体的最終課題は、取引履歴として自動的に蓄積される消費者行動に関する大量データを利用して"異質"な顧客を理解し、個別対応することである』といわれますが、"自動的に蓄積される・・・"とあるように、様々なログデータが自動的に大量に蓄積されるようになって、行動履歴データが、現在最も注目されかつ活用されるようになりました。 4番目のコミュニケーションデータは、CGMの普及などによって無視できなくなっている主にテキストデータです。どんなワードで検索をしたのか、どんな質問をし、どんな感想を持ったか、どんな問い合わせやクレームをしたかなどの顧客と企業のコミュニケーションデータを分析することで、より深い理解ができます。購買データからは、買ったことはわかりますが、満足したのかどうか、満足したとしてもどこに満足したかまではわかりません。コミュニケーションデータにより、見た見ない、買った買わないの1/0データではなく、評価データが収録できます。まだまだ充分な活用ができていないコミュニケーションデータですが、今後の技術革新によって、極めて重要な位置づけになることは間違いありません。

顧客はデモグラフィックな属性や価値観などで分類するだけではなく、同じクラスターの中でも、どういう順番で買ってくれそうかという順位付けをする必要があります。では、顧客の順位付けはどのようにして行なうのでしょうか。すべての顧客にDMを出すのは非効率であり、よりターゲットを絞って送るのが効率的です。たくさん買ってくれそうな優良顧客を発見しバーゲンなどのＤＭを送り、見込みのない顧客にはDMを送るのをやめようという発想から誕生したのが「RFM分析」です。RFM分析とは、Recency（最新購入日）、Frequency（購入頻度）、Monetary（購入金額）の3つの指標で顧客を分類する方法で、具体的なアクションプランを実行するために用いられます。それぞれの指標を何段階かに分け、R×F、R×Mといったようにクロス集計して顧客を分析します。

たとえば、R×Fのクロス集計結果で「購入頻度は多いが直近の来店がずいぶん前である」という顧客には来店を促すメール配信を行なう、といったようにセグメント別に顧客コミュニケーションの課題と施策を明確化することができます。一般的には、顧客をそれぞれの項目について5段階で評価し、すべての評価が低い場合は企業にとって良い顧客ではありません。このように、RFM分析を使えば顧客をシンプルに順位付けることができます。

確かにRFM分析は、優良顧客、不満顧客、不信顧客、他店顧客、無関心顧客などに分類することで、セグメント毎のプロモーションを効率化することができました。しかし、RFM分析は「ある瞬間の顧客分析」であり、時期が変われば顧客も入れ替わり継続性がありません。また、金額のみで優良顧客かどうかを分類しているので、「何を買ったか」という点について顧客の特性を把握しているとはいえません。そこで、RFMにカテゴリを加えた「RFMC分析」や、アイテムを加えたMRFI（マーフィー）で分析されることも多くなりました。

※参考文献：　照井：CRM特集号にあたって；マーケティングサイエンス，Vol.16,No.1･2

ALBERTでは、効果の高い購買予測手法として「CTB分析」を提唱しています。CTB分析とは、Category（カテゴリ）、Taste（テイスト）、Brand（ブランド）の3つの指標で顧客を分類する方法で、顧客がどんな商品を購入するかを高い精度で予測できます。カテゴリはレディース、メンズ、子供、生活、食品などの大分類や、ファッション、アンダーウエア、インテリア、キッチンなどの中分類、さらに細分化した小分類などを用います。テイストとしては、色、模様、形、風合い、サイズなども含まれ、ブランドにはキャラクターなども含めます。

POSデータや購買履歴データは、一般的にはSKU単位、品番単位で分析されます。しかし、品番単位での分析では、例えば1年前に購入した冬物衣料の品番がわかったところで、今年どの品番の冬物を購入するかを予測することはできません。しかし、もしその商品がどのようなカテゴリの商品で、色や風合いがどのようなものであったかというデータがあれば、その人の好みがわかり、新商品の購買予測もできるわけです。
データマイニングの教科書には、必ずといっていいほど、米国で発見されたというおむつとビールの事例が出てきます。顧客のレシートをデータマイニグ（マーケットバスケット分析）したら「おむつを買った人はビールを買う傾向がある」という法則が見つかったということで、1990年代からデータマイニングの成功事例として一躍有名になりました。調査の結果、「赤ちゃんのいる母親はかさばる紙おむつを父親に買ってくるよう頼み、店に来た父親はついでに缶ビールを購入していた。そこでこの2つを並べて陳列したところ、売り上げが上昇した」といわれています。この話が事実であったかどうかに対しては多くの異論があるようですが、もう一つの大きな問題がはらんでいます。
レシートの分析は一般にはPOSコードで行われるので、あるメーカーの特定のおむつと、あるメーカーの特定のビールが同時に購買されていたという結果は出るものの、おむつというカテゴリの商品とビールというカテゴリの商品が同時に購買されていたという結果は出ないのです。

顧客をセグメントする上で、品番単位での購買履歴や共起分析にはあまり意味がありません。残念ながら、購買履歴として、先に述べたCTBが管理できている企業は多くありません。商品データベースが整備されていないというのが大きな理由です。品番からその商品のCTBが分かるデータはほとんどないのです。
ALBERTでは、これらの問題を解決するために、色や模様や形を自動的にデータベース化するシステム『SUDACHI』を徳島大学の北研究室と共同で開発しました。詳細は、類似画像検索システム『SUDACHI』の説明ページをご覧いただきたいのですが、購買履歴にCTBを残すことは、顧客のクラスタリング、真のOne to oneマーケティングの実現に極めて重要です。

CTBを用いてカスタマープロファイリングを行なった事例を紹介しましょう。こちらはある総合通販会社の購買履歴を用いて顧客を6つのクラスタに分類したものです。

クラスター1には25%の顧客が属し、Ｔシャツやパンツを多く買っています。男性ものや子供用品などをあまり購入していないことから、比較的若い女性が多いクラスターだと思われます。続いてクラスター2は、7%と最も少数派ですが、補正下着やボディケア商品などを購入しており、靴やサンダル、服のほか子供服も時々購入しているので、子供がいるけど働いていて外見に気を使っている女性のクラスタではないかと思われます。クラスター3はちょっと太めの奥様で、大きめサイズの部屋着、インナーなどのほか、最も購入数が多いのがメンズの下着、インナーとなっており、ご主人用に多く購入している層だと思われます。クラスター4は、男児女児用の商品全般を多く購入しており、ご自身のサンダルや服なども時々購入している、ヤングミセス層です。クラスター5は、ベッドやメンズ小物やデスク、家具などを多く購入しており、比較的若い夫婦や男性層がここに属すると思われます。最後のクラスター6は、28%と最大クラスターを形成していますが、カーテン、マットレス、カーペット、カバー類、バッグが多いことが特徴で、あまりアパレル関係を購入しない層です。服はあまり通販で購入せず、実用品は通販でという比較的若い女性が中心になっているクラスターと言えるでしょう。

このように顧客をクラスターに分類しておくことで、どのカテゴリの商品は買いやすいか、逆にほとんど買わないカテゴリは何かなどがわかります。顧客がWEBを訪れた時に、その顧客のクラスターが分かっていれば、WEBサイトをパーソナライズし最適化することも可能になります。実際にはさらに細かいクラスタリングをし、購買予測の精度を上げています。