「そろそろ離れてしまいそうな顧客を、離れる前に見つけたい」。多くのマーケターが抱えるこの願いに応えるのが、使い慣れたRFM分析とAIの組み合わせです。前回の記事「AIで「未来のLTV」を予測する｜予測型LTVのメリットとマーケティング活用法」では未来のLTVを予測する方法を紹介しましたが、本記事ではその守りの一手として、RFM分析をAIで自動化・予測型へと進化させ、顧客の離脱（チャーン）を先読みする方法を解説します。
ノーコードで使えるAIプラットフォームの一例としてDataikuを取り上げ、初心者にもイメージしやすい形で全体像を追っていきます。
1. RFM分析とは｜基本のおさらいと、いま抱える課題
まずはRFM分析のおさらいから始めます。広く使われている手法ですが、運用のなかで見えてくる限界も整理しておきましょう。
1-1. RFMの3指標（Recency・Frequency・Monetary）
RFM分析は顧客を3つのものさしで評価する手法です。Recency（最終購入からの経過）は最近買ってくれたか、Frequency（購入頻度）はどれくらいの回数買ってくれたか、Monetary（購入金額）はいくら使ってくれたか。この3点で顧客を点数化し、「優良顧客」「新規」「離れかけ」などのグループに分けていきます。
RFMの具体的な計算方法
各指標は次のように算出するのが一般的です。
- Recency＝「基準日（分析実行日）～ 最終購入日」の日数
- Frequency＝分析対象期間内の購入回数（または注文件数）
- Monetary＝同期間の購入金額の合計（または平均単価）
スコア化は五分位がよく使われます。各指標を全顧客で5等分し、良い順に5～1点を付与。RFMそれぞれ5段階なら理論上 5×5×5＝125 セグメントが作れます。「R5・F5・M5＝最優良」「R1・F5・M5＝優良だったが離脱中」のように3桁の組み合わせで顧客像を読み解きます。
1-2. 手作業・Excel集計の限界
RFM分析そのものは有効ですが、手作業やExcelで運用すると3つの壁にぶつかります。
- データを更新するたびに集計をやり直す工数がかかること
- 出てくるのはある時点のスナップショット（静的）で、顧客の変化にすぐには追従できないこと
- グループの区切りを人が決めるため、担当者の経験に左右され、複雑なパターンを取りこぼしやすいこと
いずれも「手動運用である」ことに起因する壁であり、自動化によって解消できる課題です。
1-3. 「過去のグルーピング」から「未来の予測」へ
もう一つ見落とされがちなのが、RFMは「いまどんな顧客か」は教えてくれても「この先どうなるか」までは示さない点です。とりわけRecencyが伸びている（＝しばらく買っていない）顧客は離脱の予兆を抱えています。この「予兆を先読みする」余地にAIを重ねることで、RFMは過去のグルーピングから未来の予測へと進化します。
2. RFM×AIでできる2つの進化｜自動化と予測
RFMにAIを掛け合わることで「セグメンテーションの自動化」と「離脱の予測」をより高精度でできるようになります
2-1. セグメンテーションの自動化（クラスタリング）
従来のRFMでは点数の区切りを人が決めてグループを作るのに対し、AIを使うと似た行動の顧客をデータから自動でグループ化。人の思い込みに縛られず、実際のデータが語る自然な顧客のかたまり（セグメント）を見つけることができます。
クラスタリングとK-Means
クラスタリングは「似たもの同士を自動でまとめる」教師なし学習の一種です。代表的な手法がK-Means法で、あらかじめ決めたクラスタ数 k に向けて、各データを最も近い重心（クラスタの中心）に割り当てる操作を繰り返し、グループを収束させます。
注意点として、RFMは単位もスケールもバラバラ（Recencyは日数、Monetaryは金額）なので、標準化（例：平均0・分散1にする）を行わないと、金額など数値の大きい指標だけが結果を支配してしまいます。
2-2. Recencyの変化から離脱の予兆を捉える
もう一つのAIによる進化が「離脱予測」です。AIはRecencyという1つの指標だけを見るのではなく、購入頻度の落ち込みやログイン間隔、問い合わせ履歴など複数の変数を組み合わせて「離脱確率」を数値で算出。単純な「最終購入から○日で離脱とみなす」というルールより、はるかに精度の高い先読みが可能になります。
離脱予測モデルの入力（特徴量）にはRFMに加えて次のような変数がよく効きます。
- 直近の購入間隔の変化（例：平均購入間隔に対して現在のRecencyが何倍か）
- Frequencyのトレンド（直近3か月と過去3か月の購入回数の比較）
- ログイン頻度・サイト訪問頻度の低下
- 問い合わせ・クレーム・返品の有無
- 会員ランクや契約プラン、初回購入からの経過月数
このように顧客の変化に目を向けることが重要です。
3. AIプラットフォームの活用｜Dataikuを例に
「自動化も予測も、専門知識がないと無理では？」と感じるかもしれません。そのハードルを下げてくれるのがノーコードで使えるAIプラットフォームです。ここでは代表的なツールの一つであるDataikuを例に、無理なく実現できることを見ていきます。
3-1. ノーコードのビジュアルフローとレシピ
Dataikuでは処理の流れをビジュアルで組み立てられます。データの読み込み・集計・スコア計算といった各工程を「レシピ」と呼ばれる処理ブロックとして作成し、それらをつなぐだけで、RFMスコアを自動計算するパイプラインをノーコードで構築できます。
3-2. 面倒なデータの前処理を自動化
分析の成否を左右するのが前処理ですが、手間のかかる工程でもあります。AIプラットフォームなら表記の揺れや欠損の補完、形式の統一を画面上の操作で組み立てられ、一度作った手順は新しいデータにも繰り返し使えます。属人的な手作業を減らし、品質の安定したデータを用意できます。
3-3. クラスタリング／AutoMLで分析を高度化
Dataikuにはクラスタリングや予測モデルづくりを支援する機能も備わっています。K-Meansによる顧客セグメンテーションや、離脱予測モデルの構築を専門家でなくても簡単に実現し、試すことができます。「まず動かして結果を見る」ところから始められるのがノーコードの利点です。
4. 実践：AIでRFM自動化から離脱予測までの4ステップ
ここからは、実際の流れを4ステップで見ていきます。手元に購買データがあれば、おおむねこの順序で組み立てられます。以下はDataikuを例にした流れですが、考え方は他のAIプラットフォームでも共通です。
4-1. ステップ1：購買データの統合とRFMスコアの自動計算
まず購買履歴と顧客属性を1つのフローに統合し、顧客ごとにRFMを自動計算します。ここをレシピでパイプライン化しておくと、以降はデータを差し替えて再実行するだけでスコアが自動更新されます。
RFMスコア自動計算の組み方（Dataiku例）
- Joinで購買データと顧客マスタを顧客IDで結合
- Prepareで購入日をdate型に変換、金額の欠損・異常値を処理
- Group（キー＝顧客ID）で、Frequency＝count、Monetary＝sum(金額)、最終購入日＝max(購入日) を集計
- FormulaでRecencyを計算。「date_diff(基準日、最終購入日)」
- 各指標を五分位でスコア化（Dataikuの「Analyze」やFormulaで分位点を求めて1～5に割当）
4-2. ステップ2：K-Meansによる顧客セグメンテーションの自動化
次に算出したRFMをもとに、AIが顧客を自動グループ分けします。それぞれのグループに「優良」「離れかけ」「休眠」などの名前を付ければ、そのまま施策の土台になります。
K-Meansを使うときの実務ポイント
- 標準化は必須：RFMをそのまま入れず、標準化してから投入します（Dataikuの Clustering 設定で前処理を指定できます）。
- クラスタ数ｋの決め方：エルボー法（クラスタ内誤差平方和SSEの減り方が緩くなる点）やシルエット係数（クラスタの分離度、1に近いほど良い）を目安に。実務では解釈しやすい 4～6 程度に落ち着くことが多いです。
- Dataiku操作：Lab →「Clustering」→ アルゴリズムに K-Means を選択 → 特徴量にRFM（標準化）を指定 → 学習。各クラスタの平均RFMを見て命名します。
4-3. ステップ3：Recencyの変化を捉える離脱予測モデルの構築
セグメントが見えたらいよいよ離脱予測です。
過去のデータから「離脱した顧客」と「継続した顧客」のパターンをAIに学習させ、いまの顧客一人ひとりに離脱確率を付けます。ここでRecencyの変化やFrequencyの落ち込みが強いヒントになります。
離脱予測モデルの作り方と評価
- 目的変数（ラベル）の定義：非契約型なら「基準日からさかのぼる観測期間の後、一定期間（例：90日）購入がなければ離脱＝1」と定義。契約型なら解約フラグをそのまま使用。定義次第で結果が変わるため最初に固めます。
- 特徴量：RFMに加え、2-2のメモで挙げた変化・トレンド系の変数をモデルに含めます。
- アルゴリズム：まずはロジスティック回帰（解釈しやすい）や勾配ブースティング（XGBoost/LightGBM）（精度が高い）。DataikuのAutoMLで複数を自動比較できます。
- 評価指標：正解率だけでは不十分。AUC、適合率（Precision）・再現率（Recall）、混同行列で確認します。
- クラス不均衡：離脱者は少数派になりがち。クラス重み付けやアンダー／オーバーサンプリング（SMOTE等）で対処します。
- 時間軸のリーク防止：予測時点より未来の情報を特徴量に混ぜないよう、観測期間と予測期間を明確に分けます。
- 解約までの「時期」まで知りたい場合は生存分析（Coxハザードなど）も選択肢です。
4-4. ステップ4：離脱確率スコアを施策につなげる
最後に、離脱確率を実際の施策へ反映します。
確率の高さで顧客を分け、予兆が表面化する前に再来店を促すクーポン、関心に合わせた情報提供、サポートからの能動的な声かけなど、それぞれに合った打ち手を割り当てます。多くのAIプラットフォームはスコアを外部ツールへ書き出せるため、分析結果をメール配信や広告、CRMの現場まで先回りで届けることができます。
5. RFM×AIを活かしたマーケティング施策例
RFMを起点にした分析は、離脱防止以外にも役立ちます。
5-1. 優良顧客（高スコア層）の維持・ロイヤルティ強化
スコアの高い優良層には特別感のある体験で関係を深めます。限定特典や会員ランクの優遇などで満足度を保ち、離脱の芽を作らないことがLTV最大化の近道です。
5-2. 休眠顧客の再活性化キャンペーン
Recencyが大きく伸びた休眠層には再活性化のきっかけを用意します。カムバック特典やおすすめ商品の提案で眠っている関係を呼び戻します。一律の一斉配信ではなく、休眠に至った経緯を踏まえた出し分けが効果を高めます。
6. 離脱を防ぐカギは「精度」｜キーウォーカーの支援
離脱防止の施策を打っているのに効果が出ない――そう感じたとき、多くの企業がまず「打ち手の数が足りないのでは」と考えます。しかし実際には、施策の量よりも「誰が、いつ離れそうか」を見抜く精度こそが成否を分けています。経験則に頼ったRFM分析やルールベースの区切りでは、複雑化する顧客行動を捉えきれず、離脱の予兆を見逃してしまうのが現実です。
本記事で紹介したRFM×AIによるセグメンテーションの自動化や離脱予測は、まさにこの「誰が・いつ離れそうか」の精度を高める手段です。AIを活用することで、顧客の自動グループ化から離脱確率の算出、施策の出し分けまで、担当者の勘に頼らずデータで実行できます。
私たちキーウォーカーは、購買データの統合からRFMスコアの自動計算、AIによる離脱予測モデルの構築、施策への実装まで、一連のプロセスを一気通貫で支援します。「まず何から手をつければいいかわからない」という段階からでも、お客様の課題に合わせて最適なアプローチをご提案します。離脱を減らして顧客との関係を長く保ちたいとお考えでしたら、ぜひお気軽にご相談ください。
まとめ｜RFM分析×AIで離脱を防ぎ、LTVを高める
RFM分析は多くの企業で使われてきた実績のある手法ですが、手作業のままでは工数がかかり、過去のグルーピングにとどまりがちです。ここにAIを重ねると、セグメンテーションが自動化され、Recencyの変化から離脱の予兆までも先読みできるようになります。
DataikuのようなノーコードのAIプラットフォームを使えば、高度なプログラミングスキルがなくても、RFM自動化から離脱予測までの仕組みを構築できます。まずは手元の購買データを読み込ませ、RFMスコアの自動計算から始めてみませんか。
