世界の企業では、マス・マーケティングの段階から個別の顧客に対して精密化された施策を実行するCRM（顧客関係性マネジメント）の段階へと移行を遂げています。そして、その技術的基盤がデータマイニングです。
残念ながら日本の企業は、間違ったCRMの導入により、この１０数年の間に世界から大きく後れをとってしまいました。とくに日本の企業が絶望的なほど理解できていないことの１つが顧客セグメンテーションです。
顧客セグメンテーションとは何か？
顧客セグメンテーション（顧客セグメント分析）とは、企業が自社の顧客を類型化することです。個々の顧客に対して、適切な施策（打ち手）を実行するためには、まずその顧客がどのようなタイプの顧客であるかを判断することが必要であり、顧客セグメンテーションは、その判断の枠組みを構築することです。
したがって、顧客セグメンテーションは、次の４つの要件を満たさなければなりません。
① ビジネスの観点から有用な分類であること
② 各顧客セグメントの特徴が明確化されていること
③
各顧客セグメントへの施策が明確に定義されていること
④ 個々の顧客がどのセグメントに属するかを正確に判断（クラス分類）できること
ただし、ＣＲＭにおける顧客セグメンテーションは、従来の顧客セグメンテーションとは事情が大きく異なります。従来は、性別や年齢、職業などの属性により比較的単純なセグメンテーションが採用されてきたのですが、近年においては顧客のニーズや嗜好性が多様化し、そしてそれが絶えず変化していることにより、従来の顧客セグメンテーションが通用しなくなってきたことが、ＣＲＭが必要とされている理由です。
多様化し変化し続ける嗜好やニーズに対応する顧客セグメンテーションを実現するには、高度なデータマイニング技術が不可欠です。ここでいうデータマイニングは「新しい価値の発見」であり、世間で誤解されているような「後ろ向きのデータ分析」なんかではありません。新しいセグメント、つまり、顧客の類型＝概念を発見することがデータマイニングに求められます。
しかも、それを発見だけで終わらせるのではなく実際のビジネの場面での「実行」に結び付けるには、数あるデータマイニング技術の中でも、ある特別な技術を採用する必要があります。つまり、CRMは先端技術と一体となった２１世紀型のビジネス革新手法です。
しかしながら、企業内でCRMを担当した人々がマーケティング部門など率直に言って技術には明るくない人々だったため、多くの人々がまんまとCRMブームへの便乗ビジネスの餌食になってしまいました。「高度な分析技術は宝の持ち腐れになるだけだ」という甘言に乗せられて、旧式の顧客分析に「CRM」という新しい流行語を冠しただけのシステムを導入してしまった例も少なくありません。
日本でのＣＲＭの議論は絶望的なほどデタラメです。その最たるものが、「収益性と顧客ロイヤルティの２つの軸で顧客を４分類する」という顧客セグメンテーション法です。これがＣＲＭでの顧客セグメンテーションとして紹介されることが多いので、人々がそれを信じ込んで、本質的なことが丸ごと覆い隠されてしまいました。
これも顧客を評価（スコアリング）する場合の重要な視点の１つではありますが、これを顧客セグメンテーションというのはあまりにも単純すぎます。これでターゲット顧客を選定することはまったく不可能です。
|
他社CRMコンサルタントがよく説明している顧客セグメンテーション |
顧客セグメンテーションにはトップマネジメントの参加が不可欠
本物のＣＲＭでは、個々の顧客が「いつ」「どの商品を」「どれだけ」購入しているか？という購買行動そのものからセグメンテーションを行います。２軸（つまり２次元）ではなく、きわめて多次元の情報をもとにしたセグメンテーションです。たとえば商品が１００種類あれば１００次元、１０００種類あれば１０００次元、１万種類あれば１万次元といった具合です。そのような多次元な情報からセグメンテーションを作成するには、従来の技術ではない特殊な技術を必要とします。
したがって、顧客セグメンテーションはきわめて技術的な問題ですが、それと同時に経営的・戦略的な問題でもあります。「従来的な単純なセグメンテーションではなく、高度なデータマイニングを用いる必要がある」というところまでは気づいている企業様もたくさんあるのですが、残念ながらそれでも不十分なのです。若手のスタッフにデータマイニング・ツールをあてがって顧客セグメンテーションをやらせてみる、という間違いを多くの企業様がされています。
何が間違いか？というと、顧客セグメンテーションというのは、一定の手順を踏んでデータ分析すれば、誰にでも同じ結果が得られるというわけには行かないからです。顧客セグメンテーションは、経営トップの高度な戦略的判断が反映されるべきものであって、一般社員が決めるべきものではありません！
我々人間が一瞬一瞬あらゆる物事を認識して、その価値判断をし続けているのと同様に、企業の活動も判断の連続です。個々の顧客がどのようなタイプの顧客であるかを判断して、適切な施策（打ち手）を適用することがCRMの目的ですが、その判断はきわめて高度で複雑なものです。このような判断をコンピュータ・システムの上で実装するには、いわゆるソフト・コンピューティング（柔軟な情報処理）とかリアルワールド・コンピューティング、非線形情報処理と呼ばれる先端技術が必要です。
残念ながら多くの企業で採用されているルールベースやディシジョン・ツリー（決定木）などは旧式の技術であり、CRMに必要とされる高度で複雑な判断は行えません。現在利用できる最も進んだ技術には、自己組織化マップやベイジアンネットワークがあります。
じつはデータマイニング・システムの導入でも、多くの企業が失敗しています。たくさんの分析技術（アルゴリズム）が搭載された総花的なデータマイニング・システムを購入されます。たくさんの技術が搭載されているといういことは、その１つひとつについて深みがないということです。この種のシステムは、科学者が使えばそれなりに役立つかもしれませんが、ビジネス用のツールではありません。何でもできそうでいて何もできないシステムです。
マインドウエア総研は、自己組織化マップとベイジアンネットワークについて、世界レベルの先駆的な開発企業の技術を採用しています。これらの優れた実用技術を用いて、顧客に対するトップマネジメントの判断をマインドウェア化して、企業様の業務プロセスに組み込むことをお手伝いをします。
マインドウエア総研が提供する顧客セグメンテーション適正化プロジェクトには、企業様の経営トップにご参加頂きます。先端のデータマイニング技術を用いますが、それは一般的に抱かれている「データマイニング」のイメージとは一線を画するものです。けっして「データマイニング技術者」というような人が勝手にデータを分析して、普通の人には理解できないような数式でできたモデルを導きだすというようなものではありません。
我々のプロジェクトは、伝統的な手法のなかで言えば、KJ法に最も近いかもしれません。KJ法は定性的な（自然言語の）情報から仮説を構築する手法ですが、我々のデータマイニング・アプローチは定量的データから仮説（モデル）を構築します。もちろん、我々の手法はKJ法とは異なり、モデルを検証し、それを実際のビジネスに適用し、最終的な効果を検証するところまでカバーされている科学的方法です。
セグメンテーション・モデルの構築過程では、
誰でもが理解できる視覚的なマップを手助けとして、大勢で「ワイワイ、ガヤガヤ」と対話を進めます。
経営層をはじめ、マーケティング部門の責任者、商品開発部門の責任者、システム部門など組織の各部門から横断的にメンバーが集まって、自社の顧客について理解を深め合います。
このプロジェクトには、Viscovery社が開発した先端のデータマイニング・システムを用いますが、他社のデータマイニング・システムとは異なり、単なる分析ツールではなく、組織内のコミュニケーション・ツールであり、また実行（モデル展開）ツールでもあります。
したがって、Viscovery Software Suiteを導入される企業様におかれましては、「データマイニング・システムの購入」というように問題を矮小化するのではなく、ぜひ顧客セグメンテーションのビジネス手法について我々のコンサルティングを受けてください。
総合的なプロジェクト支援
セグメンテーションの問題は、きわめて高度な技術的問題であり、同時に経営的・戦略的な問題です。従来のマーケティングやCRM分野のコンサルタントは、技術的側面を軽視しすぎているし、一般的なデータマイニング・システムは経営トップには縁遠いものです。マインドウエア総研のアプローチは、セグメンテーションに関するしっかりした技術的な解決方法(ソリューション）を提供しながら、かつ技術者ではない人々とのコミュニケーションをも可能にします。
マインドウエア総研のコンサルタントは、もともと先端技術分野の新規事業開発調査のコンサルタントとして長年のビジネス経験を経て現在の仕事をしており、単に統計解析やデータマイニング技術だけに従事しているわけではありません。豊かな経験に基づいてバランスのとれたサポートをお約束します。
事業特性と顧客セグメンテーションの診断： 貴社の関係部門の責任者および担当者様との面談により、貴社事業の特性を十分の理解した上で、これまで採用してこられた顧客セグメンテーションの妥当性を診断します。そして、今後のマーケティングまたはCRMの課題を明確化し、顧客セグメンテーションの適正化の方向性（たとえば、製品ポートフォリオの最適化、販路・広告・キャンペーンの最適化、ダイレクトメールの最適化、潜在顧客の抽出、取引リスクの回避、離反顧客の低減、不正の発見など）を定義します。（無償）
POC(Proof of Concept：概念実証）プロジェクト： どのようなデータを準備したら、どのような結果が得られるかについて、概略的にご理解頂けるような小規模プロジェクトを実行します。(有償）
パイロット・プロジェクト： 実際のプロジェクトと同じ手順でモデルを構築し、今後、更新されたデータを用いて、貴社の担当者が自力でモデルを構築できるようにします。（有償）
顧客セグメンテーション・プロジェクトの中身は、
(1) データ獲得： 顧客セグメンテーション適正化プロジェクトを実行するために、どのようなデータを準備するべきか詳細な情報をお伝えして、貴社データベースからそのデータを準備して頂きます。準備して頂いたデータをViscoveryシステムに取り込んで、データマイニングを行うためのデータマートを構築します。
(2) モデル作成： 自己組織化マップによりデータの要約モデルを作成し、クラスタ分析、プロファイル分析を行い、有用なセグメンテーションを作成します。さらに顧客セグメントごとにアクション（適用キャンペーン種別や値引きなど）を定義します。
(3) モデルの適用： (2) で作成されたモデルを適用して、データベース中の各顧客に適切なアクションを割り当てて、キャンペーンなどを実行します。
(4) モデルの評価： キャンペーンの実施結果などモデルを適用した後のデータからモデルの有効性を評価します。
システム統合： 作成されたモデルを実行系システム（業務システム）に統合し、リアルタイムで顧客を判断するシステムを構築します。（有償）
継続的コンサルティング： モデルを適用したキャンペーンの結果を評価し、さらに最新のデータからモデルを更新し、顧客セグメンテーションをメンテナンスしていくプロセスを継続的にコンサルティングします。（有償）
ご参考までに：
従来の顧客分析の問題点
従来的な顧客分析をＣＲＭの手法として偽って提供するコンサルタントやシステム・ベンダーがはびこっていて、そのためにCRMの論点がぼやけてしまったのが日本での状況です。以下にＣＲＭ以前の顧客セグメンテーションの問題点とその解決方法をまとめます。
（１）顧客属性によるセグメンテーション
年齢、性別、家族構成、職業、所得、地域などのいずれかの属性で顧客を分類する方法は、もっとも単純な顧客・消費者のセグメンテーションの方法で、過去に最も多く採用されてきました。たとえば、ある製品の主要な顧客セグメントは若年層であるとか、また別の製品の顧客セグメントは高額所得者層である、といったような分類法です。
しかしながら、もはやこのような切り口で分類された顧客が均一な購買行動を取らないことは明白で、無力であるばかりか、間違った意思決定にさえつながりかねません。
例えばアンケート調査データをクロス集計して、ある商品の購買意向を分析したとして、「未婚女性が強い購買意向を示した」という分析結果が得られたとします。そのこと自体は間違いのない事実ですが、しかし、それは事実の特定の側面だけに注目しているに過ぎません。もしこの分析結果から「未婚女性」のみをターゲット顧客としてキャンペーンを展開して、その商品の潜在顧客の何パーセントを開拓できるか？というと、それは意外とごくわずかでしかなかったりするのです。
（２）ABC分析・デシル分析・RFM分析などによるセグメンテーション
市場調査データや分析力の乏しい中小企業などでよく使われる方法です。売上高または収益性の高い順に顧客を並べて、３段階に分類したものがABC分析であり、１０段階に分類したものがデシル分析です。RFM分析は、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。
これらの手法は、多くの場合、「セグメンテーション」として紹介されているのですが、いずれも離散値による（つまり情報の切り捨ての多い）スコアリング手法であると捉えるべきかと思います。いずれも「金額」などの連続量を3段階、10段階、5段階などに離散化（区分化）します。しかしながら、いずれも「どの値を各区間の境界にするのが妥当か？」ということについて統計的に処理がなされていません。
これらの分析は、「何もしないよりはマシ」という程度のものとして考えるべきです。収益性の高い顧客やアクティブな顧客を識別することは、無意味ではありませんが、単純な後ろ向きの分析であり、今後の事業機会に対する有効な施策を打ち出すことにつながりません。
理数系に弱い人は、RFM分析を精緻な分析であるかのように誤解しやすいようです。通常のRFM分析の分類は、まったくデータの分布を無視してしまっているので、本来は１つのグループに属するべき顧客が別々に分類されたり、またはその逆になることが起きます。はじめから5段階の境界を決めてしまうよりも、R、F、Mを実測値のままで3次元プロットして、自分の目でクラスタを発見するほうがよっぽどマシな結果が得られます。
RFM分析について、さまざまなコンサルタントが、「どのセグメントにはどのような施策を講じるべきか？」について、いろいろな議論を展開していますが、彼らの方法では、そもそも5段階の分類（スコア）に合理的根拠がないので、無意味な深読みにしかなっていません。通常のRFM分析は根拠のない線引きによる弊害を起こします。つまり「お役所仕事」と本質的に同じ判断ミスを犯します。
ABC分析、デシル分析、RFM分析は、ＣＲＭ以前の古典的な顧客分析の手法であってＣＲＭの手法ではありません。CRMでは多様化し変化する嗜好やニーズに対応するように顧客をセグメンテーションすることが求められていますが、これらの手法をどのように使っても、そんなことは不可能なのです。にもかかわらずＣＲＭブームに便乗して、これらをＣＲＭの手法と偽って売り物にする業者が多数発生して混乱を招いてしまいました。まったく困ったことです。
（３）データベース/OLAPによるセグメンテーション
このほかにも、上記の分類法に購買意向調査の結果を組み合わせるなど、見かけ上改良された分類方法はいくらでも考えられるのですが、それがデータベース技術のみに頼る方法であれば要注意です。近年、OLAPやBIツールの普及に伴い、この間違いに陥っている企業が急増中です。
データベース技術を駆使した分析だと、いかにも先端技術による高度な分析のような気がしてしまうのですが、データベースだけではデータの統計的な分布を考慮できない点で限界があります。
大量のデータを扱うにはデータベースは不可欠ですが、データベース技術は分析の技術ではありません。近年、分析データベース（Analytic DB)という技術も出ていますが、あれは分析のためのデータをデータベースから抽出するために、複雑なクエリーを高速に実行できるように改良したものです。今後、分析用のインフラとして不可欠になりますが、それでもデータベースだけで完全な分析ができるわけではないことを理解するのは、ますます重要になります。
 |
データベースによるセグメンテーションとクラスタ分析の違い |
（４）購買行動データのクラスタ分析によるセグメンテーション
従来的な手法の中でもっとも科学的な方法は、実際の購買行動データ（いつ、どの商品を、どれだけ購入したかなど）を用いてクラスタ分析を行うことです。クラスタ分析とは、データを多次元空間に点在するポイントと捉えて、そのポイント間の距離を計算して、データ・ポイントが形成している“塊り”を検出（クラスタリング）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、どの属性をクラスタリングの計算に含めるか（属性選択）によって結果が異なります。それらのたくさんの可能なクラスタリングの結果のうち、どれが自社にとって有用であるかを判断するのは人間（＝経営トップ）の判断であるべきなのです。
したがって、各クラスタの統計的特徴を評価するプロファイル分析を行って、クラスタリングを解釈し、条件を変えて何度かクラスタリングを行って、よりよいモデルを探索するべきなのです。しかしながら、従来はそれを実行するには途方もない労力が必要となり、実際的には実行が困難でした。少なくとも大企業の経営者がそのような作業を行うことは不可能です。（問題点１：煩雑な分析手順）
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ないという技術的問題もありました。（問題点２：非線形性の問題）
また数１０万件、数１００万件もの大規模なデータを階層的にクラスタリングするには莫大な計算量となってしまうという問題もありました。（問題点３：大規模データの階層クラスタリング）
そして、従来のクラスタ分析の最大の欠点は、それが分析だけで終わってしまうことです。すなわち、クラスタ分析でセゲメンテーションが発見できたとして、その計算には用いなかった新しい顧客データの個々の顧客がどの顧客に属するかを知ることができませんでした。すなわち、それはクラス分類であり、クラスタ分析とは別にモデルを作成する必要があり、新たな技術的問題に直面します。（問題点４：モデル適用の困難）
CRMのための顧客分析には、クラスタ分析が最も重要な手法なのですが、従来の総花的なデータマイニング・システムに搭載されているクラスタ分析には、依然として以上のような問題が残されています。
自己組織マップによる顧客セグメンテーション
マインドウエア総研では、上記の問題を解決するために、最先端の自己組織化マップ・テクノロジーに基づくViscoveryによる顧客セグメンテーション手法を提供します。これにより、従来の顧客セグメンテーションの問題をすべて克服して、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。
しかも、有用なセグメンテーションが発見できるだけではく、各セグメントへの施策を定義して、個々の顧客に対してその判断を実行できます。すなわち、セグメンテーション・モデルの構築に使用しなかった顧客の集合についても、個々の顧客がどのセグメントに属するのかを瞬時に判断することができ、実行系CRMシステムに簡単に組み込むことができます。
Viscoveryの本当の威力は、クラスタリング→プロファイル分析（グループの特徴分析）→セグメンテーション→施策の定義→クラス分類（モデル適用）のプロセスを統一的に行えることです。マップ上で構築した
セグメンテーションのモデルをそのままクラス分類のモデルとしても使用できますので、他社システムのようにディシジョン・ツリーやサポートベクタ・マシンなどを用いてクラス分類モデルを別個に構築する必要がありません。
データマイニング・プロジェクトがとてもスマートになり、ユーザーは創造的な部分のみに注力できます。
|
