|
|
|
| 顧客データから戦略ターゲットを定義して、キャンペーンを実施・検証します。 |
顧客セグメンテーションは、マーケティングやCRMを方向づける重要な基礎です。しかしながら、多くの日本の企業が採用している顧客セグメンテーション手法は、データマイニングによらない旧式で、数理的・理論的観点から決定的な欠陥があることが指摘されています。また、すでにデータマイニング・システムを導入している企業でさえ、もっとも肝心な顧客セグメンテーションの段階で、データマイニングが活かされていないことがほとんどです。マインドウエア総研が、自己組織化マップによる21世紀の顧客セグメンテーション手法をコンサルします。
従来の分析方法との違い
従来のセグメンテーション方法
(1)既成概念（思い込み）による分類
たとえば、若年層とか高齢者、男性・女性、低所得者・高所得者といったデモグラフィック属性やその他の属性から、分析者がとくに自社の製品・サービスにおいて決定要因となると考えている数個程度の属性を基準にして分類するのが、もっとも一般的と考えられます。分析者の分類基準が、実際のビジネス経験に裏付けられているなら、当然、彼の視点から見る限り、そのセグメンテーションは妥当です。しかしながら、それが妥当であればあるほど、一定の視点のみが強化され、その裏で、新しい可能性はバサバサと切り捨てられています。結果的に、気がつけば、変化を見逃して、競争優位性が失われています。
また、オタクとかセレブといったような、より抽象的な概念を先行させている場合もあります。分析者が定性調査からの独自の仮説としてこうした視点を持っている場合もあれば、ただ単にマスコミなどのオピニオンに踊らされている場合もあります。前者の場合は、まだプロフェッショナルな分析者として評価できますが、それでも実際には、定性的な仮説と定量データの分析とをうまくつなぐことが容易ではありません。定性調査→仮説→定量調査→仮説の検証という従来の教科書的アプローチは、実際には正しく機能しておらず、仮説がそのままバイアスとなり、こじつけの結果を導き、かえって科学性を損なわせている場合すらあります。
もっともよく使われていて危険なのは、いきなり2つの属性を持ち出して、その2軸によって平面を4分割する分類法です。顧客分析に限らず、あらゆる場面で、プロのコンサルタントが好んでこの手法を用います。定性的なざっくりした分析には便利な手法で、またプレゼン・テクニックとしても有効な場合も多いのですが、偏った分析になりやすく、たいへん危険な手法でもあります。とくに顧客セグメンテーションに限って言えば、これを用いるのは完全に誤りです。俗流のCRMでは、各顧客の「収益性」と「ロイヤルティ」の２つの軸だけにしか目を向けない「にわかCRMコンサルタント」が大量発生しています。もちろん、それも１つの分類法ですが、特定の認知枠にこだわりすぎて、物事の見方が偏ることは、たいへんに危険なことですからよく注意してください。
(2)ソーティングによる分類
これも本質的には(1)とほぼ同じですが、コンピュータを用いてやや科学的・技術的な方法をとっているかのような演出がなされる方法です。簡単なところから行けば、売上高や収益性の高い順から顧客をソーティングする方法で、ABC分析（パレート図）と呼ばれます。またこれを10段階に分けたものをデシル分析とも言います。最近では、顧客ロイヤリティなどの指標も使われるようになっています。これらは一定の根拠があるという意味で、一応「分析」の名に値しますが、側面的な情報として活用するべきです。例えば、収益性の高い顧客のグループがあったとして、そのグループの顧客が類似した購買行動をとっている保証はどこにもありません。
さらに巧妙な演出で悩ましい手法としてRFM分析というものがあります。これは、Recency（最新購買日、最後の利用日）、Frequency（累計購買回数）、Monetary（累計購買金額）に注目して、セグメンテーションを行なうものです。3軸でそれぞれ5段階に分類すると、全体で顧客が125個のセルに分類されることになります。使用しているデータは、概ね顧客のアクティブさの度合いを表しており、まったく根拠がないわけではありませんが、１つの側面的な指標に過ぎません。この結果にこだわりすぎるのは危険です。軸が少なく、データの分布と無関係な分類法で、しかも分類数が多いので、たいへん効率の悪いモデルです。ズバリ言うと理系の人間なら、こんな下手な分析をやる人はいませんが、数理に弱い人がこれに引き込まれています。ご注意ください。
残念ながら、日本のマーケティング、CRM、顧客分析は、上記のような似非科学手法に支配されており、諸外国との間に競争力の差が生じています。
(3)クラスタ分析
従来の手法の中でもっとも科学的な方法は、クラスタ分析というものです。多数の属性を持つデータは、その属性の数だけの次元数を持った高次元の空間に分布しています。そのようなデータレコード間の距離を計算することによって、データレコードがどのように“塊り”を形成しているかを検出する手法です。
ただし、クラスタリングの結果というのは、あくまでも数理的な結果に過ぎません。クラスタリングは、データ空間の定義（すなわち、どの属性をクラスタリングの計算に含めるか）によって結果は変わります。したがって、どのクラスタリングを採用するかは人間の判断です。本当は、データ空間の定義を変えて何度もクラスタリングを行い、よりよいモデルを探索するべきなのですが、従来は技術的な制約から、実際にはそれを実行するのが困難でした。
また、さまざまなクラスタリングの計算方法があるのですが、従来のクラスタ分析の計算方法では、データレコードが多次元空間内で曲がって分布している（非線形性を持つ）場合は、自然な結果が得られません。
じつは欧米でも、まだクラスタ分析が主流です。それでも欧米人は持ち前の粘りでこれを使いこなすのですが、日本ではクラスタ分析の本当の目的が理解されていない（教えられていない）のと、粘り強い作業が苦手なのとで、クラスタ分析が正しく行われていません。結局、クラスタ分析を正しく実行し、その結果をさらに分析したり、活用したりするのが難しいので、日本では前出のさまざまな手法が代替的に用いられているのが現状です。
自己組織マップによる顧客セグメンテーション
先端技術分野のデータマイニングに採用されている自己組織化マップ（Viscoveryマップ）を顧客セグメンテーションに適用することで、以上のような従来の顧客セグメンテーションの欠点をすべて克服して、ROIの高いソリューションが実現できます。
Viscoveryマップを用いると非線形データの自然なクラスタリングを見つけることができるだけでなく、マップの任意の領域の統計的特徴をインタラクティブに調べることができ、何度でもクラスタリングをやり直したり、分析者の知見を加味してクラスタリングの結果を修正することによって、有用なセグメンテーションを効率的に探索できます。通常のクラスタ分析と統計解析の組み合わせでの作業に較べると、数時間（あるいは数日も）かかっていた作業がワンクリックになります。
(1) 顧客セグメンテーション＆プロファイリング･･･自己組織化マップ・テクノロジーを用いて、顧客データから顧客の購買行動パターンの中に潜在する戦略的顧客セグメンテーションを発見します。このフェーズは、結果の創造性を左右する最も重要なフェーズですので、とくに入念に行ないます。
(2)
マーケティング・アクションの定義･･･顧客セグメントごとのマーケティング・アクションを定義して、顧客データに適用します。
(3)
結果の評価/モデル更新・・・マーケティング・アクションを適用した結果から、モデルの有効性を検証し、最新のデータを用いてモデル更新を行います。モデル構築のプロセスをスクリプト化して、自動でモデル更新を実行することもできます。
(4)
システム統合（オプション）･･･自己組織化マップで構築した顧客セグメンテーション・モデルを業務システムに統合することもできます。
|
|
使用システム： Viscovery Profiler
コンサルタント： Viscovery Software社、マインドウエア総研
|
|
|
