「全顧客に同じメッセージを届けても響かない」「LTVの高い顧客と低い顧客で施策を変えたいが、どう分けるべきか分からない」——CRMやマーケティングオートメーションが普及した今、施策の成否を分けるのは”誰に届けるか”の精度です。本記事では、データ駆動で顧客を分類する技術＝カスタマーセグメンテーションを、4軸の分類フレーム、RFM/コホート/クラスタリングといった分析手法、CDP×AIによる動的セグメンテーション、Amazon/Netflix/Sephoraの実装事例、そして過剰分類のリスクまで体系的に解説します。

1. カスタマーセグメンテーションとは？STPとの関係

カスタマーセグメンテーション（Customer Segmentation）とは、自社の顧客（または見込み顧客）を、属性や行動、ニーズなど共通の特徴によって意味のあるグループに分類する技術・プロセスを指します。マスマーケティングの限界が叫ばれて久しい今、すべての顧客を一律に扱うのではなく「誰に・何を・どう届けるか」を最適化するための土台となる工程です。

1-1. STPの「S」を担う中核プロセス

マーケティング戦略の基本フレームであるSTP分析（Segmentation／Targeting／Positioning）において、カスタマーセグメンテーションは最初の「S」を担います。Tのターゲット設定、Pのポジショニングは、いずれもSegmentationの精度に依存します。つまりセグメンテーションが粗ければ、ターゲティングもポジショニングもブレるということです。

1-2. ペルソナ・インサイトとの違い

似た概念にペルソナやターゲットインサイト、消費者インサイトがありますが、役割が異なります。

概念	目的	粒度	主なデータ
カスタマーセグメンテーション	顧客を「群」として分類する	数千〜数百万人の集合	行動ログ、購買データ、属性
ペルソナ	群を「人」として可視化する	1人の架空人物	インタビュー、定性データ
インサイト	行動の裏にある本音を発見する	課題・欲求の単位	観察、エスノグラフィー

セグメンテーションは”分類”、ペルソナは”擬人化”、インサイトは”動機の解読”。三位一体で機能します。

1-3. 2026年の潮流：「動的セグメント」への進化

従来のセグメンテーションは年1回程度の静的な定義で運用されてきましたが、2026年の主流はリアルタイムに更新される動的セグメンテーションです。CDP（Customer Data Platform）と機械学習を組み合わせることで、顧客の状態変化を即座にセグメントへ反映し、施策を自動で出し分けるのが当たり前になっています。

2. セグメンテーション4軸：デモグラ／ジオグラ／サイコグラ／行動

カスタマーセグメンテーションの分類軸は、伝統的に4つに整理されます。それぞれの特性を理解し、組み合わせて使うことが鉄則です。

2-1. 4軸の比較表

軸	分類例	データ取得難易度	施策との結びつき	弱点
デモグラフィック（人口統計）	年齢、性別、年収、家族構成、職業	低	中	同属性でも嗜好は多様
ジオグラフィック（地理）	国、地域、都市規模、気候	低	中（実店舗/物流で高）	オンライン購買では希薄化
サイコグラフィック（心理）	価値観、ライフスタイル、性格	高	高	取得・更新コスト大
ビヘイビアル（行動）	購買頻度、利用シーン、ロイヤルティ	中	非常に高	ログ基盤が必要

2-2. デモグラフィック：基礎にして罠

最も古典的な軸ですが、「30代女性」という括りが意味を持つ商材は、今や限定的です。可処分所得や価値観の分散が進み、デモグラ単独でセグメントを切ると施策のヒット率が大きく下がります。他軸と掛け合わせる前提で使うのが原則です。

2-3. ジオグラフィック：実店舗・物流の鍵

ECでもラストワンマイル、配送時間、店舗送客で重要性が再評価されています。気候・都市規模・住宅事情まで含めると、季節商材や家具・家電で高い説明力を発揮します。

2-4. サイコグラフィック：差別化の源泉

「健康志向」「サステナブル意識が高い」「ガジェット好き」などの軸は、価格弾力性やブランド選好と強く相関します。アンケート、SNS分析、会員アンケートで取得しますが、鮮度が落ちやすいため定期的なアップデートが必要です。

2-5. ビヘイビアル：2026年最強の軸

実購買・サイト行動・アプリ利用などの実データに基づくため精度が高く、施策と直結します。RFM、コホート、エンゲージメントスコアなど、後述する分析手法の多くがこの軸に属します。

3. 分析手法：RFM／コホート／クラスタリング／予測モデル

ここからは、実際にデータを操作してセグメントを抽出する代表的な分析手法を見ていきます。

3-1. RFM分析：CRMの王道

RFMは「Recency（最終購買日）」「Frequency（購買頻度）」「Monetary（購買金額）」の3指標で顧客を採点する手法です。各指標を5段階に区切り、5×5×5=125セグメントに振り分けます。

実務では125すべてを扱うのは煩雑なため、以下の代表セグメントに集約します。

• Champions（R:5, F:5, M:5）：VIP。新商品先行案内、紹介プログラム
• Loyal Customers（R:4-5, F:4-5）：継続化施策、定期購入提案
• At Risk（R:1-2, F:4-5, M:4-5）：離反前夜。ウィンバックメール、割引
• Lost（R:1, F:1）：再獲得困難。コスト低い再エンゲージのみ
• New Customers（R:5, F:1）：オンボーディング設計が肝

RFMは即効性が高く、SaaSやEC、サブスクリプションで最初に手をつけるべき手法です。

3-2. コホート分析：時間軸で見る

コホート分析は、同じ時期に獲得した顧客群（コホート）が時間経過とともにどう変化するかを追う手法です。リテンションカーブ、月次LTV、累積購入金額をコホート別に並べることで、「2025年Q3獲得層は離反が早い」「特定キャンペーン経由のコホートはARPUが高い」といった構造的な差を可視化できます。

ライフサイクルマーケティングを設計する際の地盤となる分析です。

3-3. クラスタリング：機械学習で群を見つける

人間が事前にルールを決めず、データから自然に出現する顧客群を発見するのがクラスタリングです。

• K-means法：あらかじめクラスタ数Kを指定し、各顧客を最も近い重心に割り当てる反復処理。大規模データに強いが、Kの決定（エルボー法、シルエット係数）と、変数のスケーリングが鍵
• 階層的クラスタリング：距離が近い顧客同士を順に統合してデンドログラム（樹形図）を作る。クラスタ数を後から決められる一方、計算コストが高く数万件規模が限界
• DBSCAN：密度ベース。外れ値に強く、ロイヤルティが極端な顧客を別クラスタとして抽出しやすい
• Gaussian Mixture Model：確率的所属。「Aクラスタに70%、Bに30%」のように曖昧な所属を扱える

クラスタリングは”発見”の手法で、解釈は人間が担います。出力されたクラスタの中心値や代表顧客を見ながらネーミングし、ペルソナへ落とし込みます。

3-4. 予測モデル：機械学習×セグメンテーション

近年は生成AI／予測モデルを組み合わせ、「次に解約しそうな顧客」「次に高単価商品を買う顧客」をスコアリングしてセグメント化するアプローチが主流です。

• 解約予測（Churn Prediction）：ロジスティック回帰、勾配ブースティング（XGBoost、LightGBM）
• LTV予測：BG/NBDモデル、Gamma-Gammaモデル、ディープラーニング
• 次購買予測：協調フィルタリング、Transformerベースのレコメンド

これらのスコアを既存セグメントに重ねることで、「Loyal × 解約リスク高」など二次元・三次元のセグメントが定義可能になります。

4. CDP×AIによる動的セグメンテーション

4-1. CDPとは

CDP（Customer Data Platform）は、オンライン／オフラインの顧客データを統合し、個人単位で一元管理する基盤です。ID統合（決済ID、アプリID、メール、Cookie）、リアルタイム更新、外部ツール連携（MA、広告、CS）が標準機能で、データドリブンマーケティングの中枢を担います。

4-2. 動的セグメンテーションの仕組み

動的セグメンテーションは以下の流れで動きます。

1. イベント検知：購買、サイト訪問、メール開封などのイベントをCDPがリアルタイムで受信
2. 特徴量更新：RFM、エンゲージメントスコアなどの指標が即時再計算
3. セグメント再判定：ルールベース（IF条件）またはMLモデルが顧客をセグメントへ振り分け
4. 施策起動：マーケティングオートメーション、広告、LINE、アプリプッシュなど各チャネルでメッセージを発火

「カゴ落ち発生」→「3時間以内に未復帰」→「リマインドメール」のような分単位の動作が、当たり前に運用される時代です。

4-3. 生成AIによるセグメント自動命名・施策提案

2026年時点では、LLMによるセグメント自動命名・施策提案も一般化しています。「30代後半・週末EC利用・サステナブル志向・Champions」というクラスタに対し、「グリーン志向のロイヤル休日層」と命名し、推奨クリエイティブやチャネル組合せまでLLMが提案するワークフローが運用されています。

5. 国内外の実践事例：Amazon／Netflix／Sephora／楽天

5-1. Amazon：行動セグメント×レコメンドの極致

Amazonは閲覧履歴、購買履歴、検索キーワード、再生履歴（Prime Video／Music）まで横断的に統合し、個人単位＝N=1セグメントでレコメンドを最適化します。協調フィルタリング、コンテンツベース、ハイブリッド、Transformerモデルを併用し、トップ画面・メール・広告でクリエイティブを動的生成。「セグメント＝1人」まで微細化したケースのリファレンスです。

5-2. Netflix：マイクロクラスタによる作品推薦

Netflixは2,000以上のマイクロクラスタを内部で運用しているとされ、視聴ジャンルだけでなく視聴の文脈（平日夜、週末ビンジ、子供と同視聴）まで考慮してホーム画面を構築します。サムネイルすらクラスタ別にABテストされ、最適パターンが配信されます。

5-3. Sephora：Beauty Insiderの階層ロイヤルティ

化粧品大手Sephoraは、Beauty Insider／VIB／Rougeの3階層ロイヤルティと、購買カテゴリ（スキンケア／メイク／フレグランス）×購買頻度の二次元セグメントを組み合わせ、メール・アプリ・店頭の体験を出し分けています。各セグメントの限定イベントや早期アクセス権がCRM戦略の柱です。

5-4. 楽天：エコシステム横断のスーパーセグメント

楽天は楽天市場、楽天モバイル、楽天カード、楽天証券などのIDを統合し、70以上のサービス横断データでセグメントを構築。SPU（スーパーポイントアッププログラム）の利用状況と消費ジャンルから、家族構成や購買力を推定し、広告配信とポイント施策へ反映しています。

5-5. 国内D2C：手堅いRFM＋LINE運用

リソースが限られる国内D2Cでも、RFM×CRM×LINEのシンプル運用で大きな成果を出している事例が増えています。RFMの代表5セグメントごとにLINEメッセージのトーン・頻度・オファーを最適化するだけで、解約率10〜30%の改善を達成するケースが珍しくありません。

6. 過剰分類のリスクとPrivacy by Design

セグメンテーションは”切れば切るほど良い”わけではありません。設計を誤ると、ビジネスにも顧客にも悪影響を及ぼします。

6-1. 過剰分類（Over-segmentation）の3大リスク

1. 運用破綻：100セグメント×10チャネル=1,000パターンのクリエイティブ管理は現実的でない
2. 統計的有意性の喪失：1セグメントの母数が小さくなり、ABテストや効果検証が成立しない
3. 施策のサイロ化：セグメント間で矛盾するメッセージが顧客に届き、ブランド一貫性を毀損

経験則として、実運用に耐えるのは10〜20セグメント程度。それ以上はAI／レコメンドエンジンによる自動化に委ねるべきです。

6-2. プロキシ差別とバイアス

ジオやデモを過度に使うと、収入・人種・性別へのプロキシ差別が発生するリスクがあります。「特定エリア在住者には保険料を上げる」のようなロジックが、結果的に保護属性に紐づく場合、法的・倫理的リスクが極めて高くなります。

6-3. Privacy by Design：設計段階からの配慮

GDPR、改正個人情報保護法、AI法（EU AI Act）などの規制が強まる中、Privacy by Design——設計段階からプライバシーを織り込む——が必須です。

• 目的明示：取得時にセグメンテーション利用を明示し、同意を取得
• 最小収集：施策に必要な変数のみ収集（過剰なサイコグラ取得は控える）
• 匿名化／仮名化：分析時は識別可能性を低減
• 保持期間：定義した期間で自動削除
• オプトアウト：いつでも除外できる導線を確保

セグメントの精度と倫理は二者択一ではなく、設計の問題として両立を図る時代です。

7. KPI設計とプロセス：セグメンテーションを成果に繋げる

7-1. セグメント別KPIの設計

セグメンテーションが施策に紐づかなければ意味がありません。各セグメントに固有のKPIを設定します。

セグメント	主要KPI	副次KPI
New	初回購入後30日継続率	オンボーディングメール開封率
Loyal	クロスセル率	NPS、紹介数
At Risk	ウィンバック復帰率	離反前接触回数
Champions	LTV、紹介売上	コミュニティ参加率
Lost	再獲得CPA	復帰後LTV

セグメント別にKPIを切ることで、施策の効果検証が可能になり、PDCAが回り始めます。

7-2. 推奨プロセス（7ステップ）

1. 目的定義：何のためにセグメント化するか（離反防止、LTV最大化、新規獲得）を明確化
2. データ棚卸し：保有データを4軸で整理、不足を特定
3. 仮説セグメント設計：ビジネス知見からまず5〜10セグメントを仮置き
4. データ分析：RFM／コホート／クラスタリングで仮説を検証・修正
5. セグメント命名・物語化：ペルソナ化してチームで共有
6. 施策設計とMA連携：各セグメントに具体施策を割り当て
7. モニタリングと再分類：四半期ごとに精度を見直し、年1回は構造そのものを再評価

7-3. カスタマージャーニーとの統合

セグメントは”静的な分類”であると同時に、”ジャーニーの各ステージ”とも捉えられます。認知→興味→検討→購入→継続→推奨というジャーニー軸と、ロイヤルティ・行動軸をマトリクスで掛け合わせることで、施策設計はさらに精緻化します。

8. まとめ：セグメンテーションは「分類技術」から「経営インフラ」へ

カスタマーセグメンテーションは、もはやマーケ部門だけの技術ではありません。CDP・MA・AIを統合し、リアルタイムに顧客状態を把握して施策を出し分ける——その基盤は、経営判断・商品開発・カスタマーサクセスまで波及する経営インフラです。

要点を整理します。

• STPのSを担う中核プロセス。ペルソナ／インサイトと役割を区別して併用する
• 4軸（デモグラ／ジオグラ／サイコグラ／ビヘイビアル）を組み合わせて使う。単独軸は弱い
• RFM／コホート／クラスタリング／予測モデルを目的別に使い分け、CDPで動的化
• 過剰分類とプロキシ差別は意図的に避け、Privacy by Designを徹底
• セグメント別KPIを設計し、四半期で見直すサイクルを作る

「データはあるが顧客が見えない」「セグメントを作ったが施策に活きていない」——もし当てはまるなら、セグメンテーションの設計から見直す価値があります。レイロでは、ブランド戦略とデータマーケティングを統合した支援を提供しています。

セグメンテーション設計の相談はこちら（無料）

FAQ

カスタマーセグメンテーションとSTP分析の違いは？

STP分析（Segmentation/Targeting/Positioning）の最初のS＝Segmentationを担うのがカスタマーセグメンテーションです。STPはマーケティング戦略全体のフレームであり、その中で「市場を意味のある群に分ける」工程が本記事のテーマです。詳しくはSTP分析の記事で全体像を解説しています。

セグメントは何個くらい作るのが適切？

実運用に耐える数として10〜20セグメントが目安です。それ以上に細かくしたい場合は、ルールベースで人が管理するのではなく、CDPとレコメンドエンジン・MLモデルによる自動化に委ねるべきです。母数が小さすぎるとABテストや効果検証が成立しなくなり、運用も破綻します。

RFM分析はサブスクリプションでも使える？

使えますが調整が必要です。Monetary（金額）は月額固定の場合に差が出にくいため、利用頻度・利用機能数・アップセル金額に置き換えます。SaaSではRFMよりも、エンゲージメントスコア、解約予測スコア、Health Scoreの方が一般的です。

クラスタリングのKはどう決める？

エルボー法（クラスタ内分散の減少率が鈍化する点）、シルエット係数（最大化）、Gap統計量などの統計的指標と、ビジネス側の解釈可能性を併用します。統計的に最適でも事業上意味がないKは避け、5〜10程度に収めて運用性を担保するのが実務的です。

個人情報保護法の改正で気をつけるべきポイントは？

利用目的の明示と同意取得、最小収集の原則、保持期間の明確化、オプトアウト導線の確保が必須です。サイコグラフィックや行動データを使ったセグメンテーションは「個人関連情報」として扱われる場面が増えており、Cookie同意管理（CMP）の導入と、Privacy by Designの設計が標準になっています。