レッスン6：POS データ・ID-POS データ分析と CRM——顧客を「見える化」する

このレッスンで学ぶこと

POS の役割と進化（バーコード→POS→ID-POS→マーケティングプラットフォーム）
RFM 分析（Recency／Frequency／Monetary）とデシル分析
バスケット分析と相関ルール、「ビールとおむつ」事例の真偽の検討と教訓
ID-POS の到来（T ポイント 2003／d ポイント／楽天ポイント／Ponta）
CRM とロイヤルティプログラム、F2 転換率、休眠顧客の復活率、会員ランク
ID-POS データから何がわかるか（併売・時間帯・曜日・天候依存）
データ駆動 MD の限界（外れ値と季節要因の罠）

前回の振り返り

レッスン 5 では、在庫の役割、適正在庫と安全在庫、自動発注の仕組みと誤発注リスク、棚卸（実地 vs 循環）、棚卸資産回転日数、CCC、消化率、欠品率、VMI／Consignment、3PL／4PL の選定を学びました。今回は、「顧客を見える化する」ためのデータの世界——POS と ID-POS のデータ分析、CRM、ロイヤルティプログラムを扱います。

POS の役割と進化

POS（Point Of Sales、販売時点情報管理）は、商品が売れた瞬間にレジで情報を記録するシステムです。日本での本格普及は 1980 年代、セブン-イレブンが世界に先駆けて POS と発注システムを連動させた仕組みを構築したのが起点とされます。

POS の進化を 4 段階で整理します。

第 1 段階：バーコードと POS の登場（1980 年代）。商品にバーコード（JAN コード）が付与され、レジで読み取ると商品名・価格・カテゴリーが自動記録されるようになりました。「何が・いつ・いくつ・いくらで売れたか」が記録される革命でした。

第 2 段階：POS と発注の連動（1980 〜 90 年代）。売れた商品の情報が即時に在庫から差し引かれ、発注点を下回ると自動発注が起動する仕組みが確立しました。レッスン 5 で扱った自動発注の基盤です。

第 3 段階：ID-POS の到来（2000 年代〜）。ID-POSは、ポイントカードや会員アプリで顧客を識別し、「誰が・何を・いつ・どれだけ買ったか」を記録する仕組みです。POS は「何が売れたか」までで顧客は匿名でしたが、ID-POS は顧客 ID と購買履歴が紐づきます。日本では T ポイント（2003 年 10 月開始、CCC ＝カルチュア・コンビニエンス・クラブ運営）、Ponta（2010 年 3 月開始、ロイヤリティマーケティング運営）、d ポイント（2015 年 12 月開始、NTT ドコモ）、楽天ポイント（2002 年 10 月の楽天スーパーポイント開始）といった共通ポイントが ID-POS の普及を加速させました。

第 4 段階：マーケティングプラットフォームへの進化（2010 年代〜）。ID-POS データに、店舗の在庫データ、EC 購買データ、Web 閲覧履歴、SNS のログ、店舗内の位置情報（カメラ AI・センサー）などが統合されたマーケティングプラットフォームへ進化しています。Amazon・楽天・セブン&アイ・イオンなどは、自社プラットフォームを統合的に運用するレベルに到達しつつあります。

💡 ポイント POS から ID-POS への進化は、「商品を見る」から「顧客を見る」への発想転換です。顧客 ID と購買履歴が結合した瞬間、小売業は「商品を売る業」から「顧客を理解する業」へと進化しました。

RFM 分析——顧客の重要度を測る

RFM 分析は、顧客を 3 つの軸で評価する手法です。米国の通販業界で 1960 〜 70 年代に発達し、現在も小売・EC の顧客分析の標準ツールとして使われています。

3 つの軸は次のとおりです。

R（Recency、直近購入日）：最後に購入したのはいつか。日付が近いほどスコアが高い
F（Frequency、購入頻度）：期間内に何回購入したか。回数が多いほどスコアが高い
M（Monetary、購入金額）：期間内にいくら購入したか。金額が大きいほどスコアが高い

各軸を 5 段階（1 〜 5）で評価し、3 軸の組合せ（5 × 5 × 5 ＝ 125 セグメント）で顧客を分類するのが古典的な使い方です。実務では、もっと粗いセグメント（優良顧客・準優良・離反予兆・休眠・新規）に集約することが多いです。

flowchart LR
  RFM[顧客 RFM スコア]
  Loyal[優良顧客<br/>R 高 F 高 M 高<br/>店の核 守る]
  Risk[離反予兆<br/>R 低 F 高 M 高<br/>急ぎ復活施策]
  Sleep[休眠顧客<br/>R 低 F 低 M 中<br/>掘り起こし対象]
  New[新規顧客<br/>R 高 F 低 M 低<br/>F2 転換が鍵]

  RFM --> Loyal
  RFM --> Risk
  RFM --> Sleep
  RFM --> New

図1：RFM 分析の代表的セグメントと打ち手の例

RFM 分析の使い方の例を示します。

優良顧客（R 高・F 高・M 高）：店の収益を支える核。離反防止と感謝施策が重要。会員ランクの上位特典、限定イベント案内など
離反予兆（R 低・F 高・M 高）：以前は優良だったが最近来店していない。急ぎ復活施策が必要。個別のクーポン送付、店長からの DM など
休眠顧客（R 低・F 低・M 中）：長期間来店していない。掘り起こし対象。久しぶり来店クーポン、新商品案内
新規顧客（R 高・F 低・M 低）：初回購入直後で、これから定着するかどうかが分岐。2 回目購入（F2 転換）を促す施策が鍵

デシル分析——顧客を 10 等分して見る

デシル分析（Decile Analysis）は、顧客を購入金額の高い順に並べ、10 等分して各グループの売上構成比を見る手法です。

例えば、上位 10 %（デシル 1）の顧客が売上の 30 % を占め、上位 20 %（デシル 2 まで）で売上の 50 %、上位 50 %（デシル 5 まで）で売上の 85 %、下位 50 % で売上の 15 % という構造が典型的です。「売上の半分が上位 20 % の顧客から生まれる」というパレートの法則（80:20 の法則）が、デシル分析でも確認できます。

デシル分析の使い方は、上位デシルへの集中施策、下位デシルからの上位化、休眠デシルの覚醒といった顧客戦略の優先順位付けに活用します。

バスケット分析と相関ルール

バスケット分析（Market Basket Analysis）は、レシート（買い物カゴ）に入った商品の組合せを分析する手法です。「商品 A と商品 B が同時に買われる確率」を計算し、関連性の強い組合せを発見します。

代表的な指標は次の 3 つです。

支持度（Support）：商品 A と商品 B が同時に買われる確率
信頼度（Confidence）：商品 A を買った顧客のうち、商品 B も買った確率
リフト（Lift）：信頼度を商品 B の単独購入確率で割った値（1 を超えると関連性が強い）

バスケット分析の最も有名な逸話が「ビールとおむつ」事例です。1990 年代初頭の米国 Walmart のデータ分析で「金曜夜にビールとおむつが同時に購入される」という相関ルールが発見され、「妻におむつを頼まれた若い父親が、ついでにビールを買って帰る」というストーリーで広まりました。この発見は 1992 年に Teradata 関係者の Thomas Blischok が NCR の会議で語ったのが最初とされます。

ただし、この逸話は後に「都市伝説的に膨らんだ」と再検証されています。実際のデータがどの程度有意だったか、ストーリーがどこまで実証されたかは諸説があり、ビジネス書の世界で「データ分析の象徴」として独り歩きしてきた面があります。本コースでは、「データから意外な相関を発見する重要性」を伝える事例として紹介しつつ、「相関は因果ではない」「都市伝説と実証の区別が必要」という両面の教訓も伝えます。

⚠️ 注意 バスケット分析は「相関」を発見する手法で、「因果」を示すものではありません。「A と B が同時に買われる」のと「A を売れば B も売れる」は別の話です。実務では、相関の発見をきっかけに、棚配置の変更や販促のテストを行って因果関係を検証するステップが必要です。

CRM とロイヤルティプログラム

CRM（Customer Relationship Management、顧客関係管理）は、顧客との長期的な関係を管理する経営手法・システムです。小売・流通の CRM の中核がロイヤルティプログラム（顧客の継続的な購買を促す仕組み）です。

代表的な仕組みは次のとおりです。

ポイントカード・スマホアプリ：購入金額に応じてポイント付与、次回購入時に値引きや特典に交換
会員ランク制度：年間購入金額や購入頻度でランク区分（一般・シルバー・ゴールド・プラチナなど）、上位ランクほど特典を増やす
会員限定特典：会員限定価格、限定商品、誕生月特典、会員限定イベント招待
共通ポイント：T ポイント・d ポイント・楽天ポイント・Ponta は複数の小売・サービスを横断して使える共通ポイントで、顧客にとって貯まりやすく、加盟店にとっては集客の入口になる

ロイヤルティプログラムの設計で重要なのが、「F2 転換率」と「復活率」です。

F2 転換率は、「初回購入した顧客のうち、2 回目購入に至った顧客の比率」です。新規顧客の獲得コスト（CAC）が高い時代、F2 転換が新規顧客の LTV（生涯顧客価値）を大きく左右します。F2 転換率は業態によって異なりますが、EC では 20 〜 40 %、SM・GMS で 50 〜 70 % が一般的な目安です。

復活率は、「休眠顧客（一定期間来店なし）が再度来店した比率」です。休眠の閾値は業態によって異なりますが、SM では 3 ヶ月、GMS では 6 ヶ月、EC では 12 ヶ月が一般的な定義です。復活率は 10 〜 30 % が業界の目安で、これより低い場合は顧客流出が止まらない構造を疑います。

💡 ポイント 「顧客データは持つだけでは何も生まない、解釈してこそ価値が出る」——ID-POS データやポイントカードデータが社内に蓄積されているだけでは利益にはなりません。RFM 分析・デシル分析・F2 転換・復活率の指標で顧客を見える化し、上位顧客の囲い込み・離反予兆への対応・休眠顧客の掘り起こしの施策につなげて初めて価値が出ます。

ID-POS データから何がわかるか

ID-POS データの真価は、「顧客 ID × 購買履歴」の組合せでさまざまな分析ができることです。代表的な分析を整理します。

併売分析（クロス購買分析）：「商品 A を買う顧客は、ほかに何を買っているか」を見る分析。バスケット分析の顧客 ID 拡張版です。例えば、「健康食品を買う顧客は野菜の購買が多い」「ペット用品を買う顧客はおもちゃも買う」など、棚割や販促の設計に活用できます。

時間帯別購買分析：朝の出勤前は飲料・パン、昼は弁当・サンドイッチ、夕方は惣菜・ビール、夜は冷凍食品・スイーツ、というように時間帯で需要が変わります。時間帯別の品揃え・在庫補充・人時配置に活用できます。

曜日別購買分析：平日と土日で購買パターンが大きく異なります。平日は単身者の少量買い、土日はファミリーのまとめ買い、という構造が典型です。販促・チラシ・特売の曜日設計に活用できます。

天候依存分析：気温・降水量・湿度と購買の関係を分析します。SM では「気温 30 度を超える日は冷麺・冷やし中華が前日比 2 倍売れる」「雨の日は来店客数が 15 % 減る」といったパターンが見えます。気象データを連動した自動発注に進化しています。

会員ランク別購買分析：プラチナ会員と一般会員でどう購買が違うかを分析。プラチナ会員は「高単価品・PB を選ぶ傾向」「定期的に同じ商品を買う傾向」など、ランク特性に応じた施策設計に活用します。

📝 補足 ID-POS データの活用には、個人情報保護法・GDPR・改正個人情報保護法（2022 年施行）への対応が必要です。顧客の同意取得、データの匿名化・仮名化、データ削除権の保証、目的外利用の禁止など、法令遵守と利活用のバランスを取る運用が求められます。

データ駆動 MD の限界

ID-POS データの分析は強力ですが、限界も明確にしておきます。

外れ値（アウトライアー）の罠：データ平均は外れ値に引きずられます。例えば、月 1 回のまとめ買いで 50,000 円購入する顧客と、毎週 1,000 円ずつ購入する顧客を平均すると、購買行動の実体が見えなくなります。中央値・分位数・セグメント分析を組み合わせる必要があります。

季節要因の罠：前年同月との比較は重要ですが、季節要因（気温・カレンダーの曜日配置・祝日の位置）を補正しないと判断を誤ります。「3 月の売上が前年比 5 % 減」と聞いても、その年は土日が 1 日少なかったかもしれません。

過去パターンへの依存：データ分析は「過去から学ぶ」手法で、過去にない需要変動（新型コロナ・震災・社会的トレンド）には弱いです。AI も例外ではなく、現場の感覚・人間の判断との組合せが必要です。

相関と因果の混同：レッスンで紹介したように、相関は因果ではありません。データから相関を発見しても、実際に施策を打って効果を検証するステップが必要です。

データの背景文脈の見落とし：「平日昼にエナジードリンクの売上が伸びている」というデータの背景に、何があるか。近隣のオフィスビルでの会議増、テレビでの紹介、競合店の臨時休業——理由を現場で確認しないと、施策が空振りに終わります。

講師の現場メモ

私が EC モール時代に食品カテゴリーマネジャーをしていたとき、最も印象的だったのは ID-POS データから見える「顧客の二極化」でした。生鮮 EC を利用する顧客は、(1) 仕事の忙しさで時間がない単身者・共働き世帯、(2) 高齢で店舗まで行けない方、の 2 つに大きく区分されていました。両者の購買行動は全く異なり、前者は「時短のための便利志向」、後者は「定期注文の安心志向」でした。一律のメッセージングではなく、セグメントに応じたコミュニケーションが必要だと痛感しました。

中堅 SM のコンサル時代に、ロイヤルティプログラムの設計改革を支援したことがあります。それまで「全顧客にポイント 1 % 還元」の一律設計だったところを、会員ランク制度（ゴールド：購入金額月 1 万円以上、シルバー：5,000 〜 1 万円、ブロンズ：5,000 円未満）に切り替え、ゴールド会員は 2 %、シルバーは 1.5 %、ブロンズは 1 % の段階還元としました。同時に、ゴールド会員には誕生月の特別クーポンと会員限定セール案内を強化しました。結果、半年でゴールド会員数が 40 % 増加し、ゴールド会員一人あたりの月間購入金額が 25 % 増加しました。「お客様の重要度に応じた特典」が、顧客のロイヤルティを引き上げました。

バスケット分析でよく相談を受けるのが、「データを見ても意外な発見がない」というケースです。確かに、データを淡々と眺めるだけでは意外な発見は少ないです。重要なのは「仮説を持ってデータを見る」ことです。「この季節にこの商品の関連購買は何か」「このイベント期間に何が売れるか」と問いを立て、データで検証する姿勢が必要です。データ分析は「答え探し」ではなく「問いの精度を上げる」活動です。

「ビールとおむつ」の話は本コースでも紹介しましたが、私が EC モール時代に新人マネジャーに最初に教えたのは、「都市伝説と実証の区別を持て」ということでした。データから発見された相関も、施策に転換するときには小規模なテストで因果を検証する。「データを見たら気づきが必ずある」と過信せず、「データから問いを立てて、施策で検証する」サイクルを回すのが、データ駆動 MD の本道です。

独立後の中堅 GMS のクライアントで、ID-POS データ × 天候データの自動発注 AI を導入したプロジェクトがありました。導入半年で生鮮の廃棄ロスが 25 % 改善、欠品率も 10 % 改善しました。一方、AI が予測できなかったのが「テレビ番組での突然の紹介」「SNS でのバズり」「近隣の競合店の臨時休業」などの外的要因でした。AI 自動発注の精度は確実に上がっていますが、現場の店長の経験と判断は依然として重要です。「データと現場の両輪」が、ここでも変わらないテーマです。

まとめ

このレッスンでは、以下のことを学びました。

POS は 4 段階で進化（バーコード→POS／発注連動→ID-POS→マーケティングプラットフォーム）
RFM 分析（Recency／Frequency／Monetary）は顧客の重要度を測る標準ツール、5 × 5 × 5 で 125 セグメントに分類できる
デシル分析は顧客を購入金額順に 10 等分し、上位顧客の集中度を見る手法
バスケット分析は支持度・信頼度・リフトで商品の関連性を見る、「ビールとおむつ」事例は都市伝説的に膨らんだ事例
ID-POS の到来（T ポイント 2003／d ポイント／楽天ポイント／Ponta）が共通ポイント時代を作った
CRM とロイヤルティプログラムの設計で重要なのは F2 転換率（初回→ 2 回目）と復活率（休眠→再来店）
ID-POS データから併売・時間帯・曜日・天候依存・会員ランク別の購買パターンが見える
データ駆動 MD には限界があり、外れ値・季節要因・過去依存・相関と因果・背景文脈の罠を意識する

次のレッスンでは、オムニチャネル・EC・D2C と顧客体験を扱います。オムニチャネルの 4 段階進化、OMO、D2C、ライブコマース、BOPIS、店舗と EC の在庫・顧客 ID 統合、組織統合の壁などを順に学びます。

確認クイズ

このレッスンの理解度をチェックしましょう。