クラスタリング・顧客セグメンテーションの基礎｜k-means・階層クラスタリング・RFM分析

「全顧客にメールを一斉送信したが反応が薄い」「優良顧客と離反しかけの顧客に同じクーポンを配っている」――こうした打ち手のぼやけは、顧客をひとかたまりとして扱っていることから生まれます。顧客セグメンテーションは、似た行動の顧客をグループに分け、グループごとに施策を変えるための土台です。その分け方を支えるのが、クラスタリングという教師なし学習の手法と、購買履歴から実務的にセグメントを作るRFM分析です。

01.まず結論：クラスタリングは『似た者同士をまとめる』教師なし学習

手元に1万人ぶんの購買履歴があるとします。このうち「よく買う人」「もう買わなくなった人」「買い始めたばかりの人」を見分けたい――しかし、誰がどのタイプかという正解ラベルは付いていません。クラスタリングは、この「答えのないデータから、似た者同士のかたまりを見つける」ための手法です。

セグメンテーションの方法は、大きく2通りあります。1つは、RFM分析のように「最終購入が90日以上前なら離反」といった人が決めたルールで分ける方法。もう1つは、クラスタリングのようにアルゴリズムにデータの構造から自動でグループを見つけさせる方法です。前者は解釈しやすく説明もしやすい、後者は人が気づかない切り口も拾える、という違いがあります。本記事は両方を扱い、使い分けまで整理します。

02.教師なし学習とクラスタリングの考え方

機械学習は、学習の仕方で大きく分けられます。教師あり学習は「この顧客は解約した／しなかった」という正解（ラベル）付きのデータで予測を学びます。回帰や分類がこれにあたります。これに対し教師なし学習は、正解を与えず、データそのものに潜む構造を見つけます。

教師なし学習の代表が、似た者同士をまとめるクラスタリングと、多数の特徴を少数の軸に圧縮する次元削減です。クラスタリングが「データを行方向にグループ分けする」のに対し、次元削減は「データを列方向に要約する」と捉えると違いが掴めます。

クラスタリングで「似ている」を判断するには、2つの顧客がどれだけ近いかを数値で測る距離・類似度が必要です。購入回数や金額のような数値データではユークリッド距離がよく使われます。距離や類似度の選び方そのものは、類似度・距離の指標と使い分けで詳しく扱っています。

03.k-meansの仕組み｜重心を動かしながらグループを決める

k-meansは、クラスタリングで最も広く使われる手法です。「k個の平均（mean）」という名前のとおり、k個のクラスタの重心（中心点）を動かしながら、各データ点をいちばん近い重心のグループに割り当てていきます。

手順は単純で、「各点を最寄りの重心に割り当てる」と「割り当て結果から重心を計算し直す」の2つを交互に繰り返すだけです。繰り返すうちに重心の移動は小さくなり、やがて割り当てが変化しなくなります。これが収束で、そこでクラスタが確定します。重心が実際にどう動くかを、散布図で見てみます。

# 顧客を k-means で3グループに分ける（scikit-learn）
import numpy as np
from sklearn.preprocessing import StandardScaler
from sklearn.cluster import KMeans

X = features  # 例: 各顧客の [購入回数, 購入金額合計] など

# 軸ごとに尺度が違うので、まず標準化する（後述）
X_scaled = StandardScaler().fit_transform(X)

km = KMeans(n_clusters=3, n_init=10, random_state=0)
labels = km.fit_predict(X_scaled)  # 各顧客のクラスタ番号(0,1,2)
print(labels)

k-meansは高速で大規模データにも向きますが、得意・不得意があります。重心からの距離でグループを切るため、丸いかたまり状のクラスタは得意な一方、細長い形やリング状のクラスタはうまく分けられません。また、グループ数kを人が事前に指定する必要があり（決め方は次章）、初期の重心の置き方にランダム性があるため実行ごとに結果が少し変わることもあります。なお、scikit-learnの既定は重心を散らして置くk-means++という初期化方式で、純粋なランダム配置よりばらつきは抑えられます。

04.クラスタ数の決め方｜エルボー法とシルエット係数

k-meansは「いくつのグループに分けるか」を人が決めなければなりません。やみくもに選ぶのではなく、データから目安を出す代表的な方法がエルボー法とシルエット係数です。

エルボー法は、クラスタ数kを変えながらクラスタ内平方和（各点と重心の距離の二乗和。小さいほどクラスタが密）を計算し、グラフに描く方法です。kを増やせば平方和は必ず下がりますが、ある点から下がり方が緩みます。その曲がり角（肘）が、「これ以上分けても密さがあまり改善しない」境目で、kの目安になります。

シルエット係数は、各点について「同じクラスタ内の点との近さ」と「最も近い別クラスタとの近さ」を比べ、-1〜1の値でクラスタの分離の良さを測ります。1に近いほどよく分かれており、全体の平均が最も高くなるkを選びます。

# エルボー法とシルエット係数でクラスタ数を探る（scikit-learn）
from sklearn.cluster import KMeans
from sklearn.metrics import silhouette_score

for k in range(2, 9):
    km = KMeans(n_clusters=k, n_init=10, random_state=0).fit(X_scaled)
    wcss = km.inertia_                            # クラスタ内平方和（小さいほど密）
    sil = silhouette_score(X_scaled, km.labels_)  # -1〜1（大きいほど分離が良い）
    print(f"k={k}: クラスタ内平方和={wcss:.0f}, シルエット係数={sil:.3f}")

どちらの指標も「正解のk」を一意に教えてはくれません。エルボー法の肘は曖昧なことが多く、シルエット係数が最大のkが運用上は多すぎることもあります。最後は「そのセグメント数で実際に施策を打ち分けられるか」というビジネス上の制約と突き合わせて決めます。10個のクラスタに分かれても、10通りの施策を運用できなければ意味がありません。

05.階層クラスタリングとの使い分け

クラスタリングにはk-means以外の手法もあります。実務でよく比較されるのが階層クラスタリングです。これは、最初は全データ点をそれぞれ1つのクラスタとみなし、近いもの同士を順に併合していく方法（凝集型）です。併合の過程はデンドログラムと呼ばれる樹形図で表され、どの高さで切るかで最終的なクラスタ数を後から選べます。

使い分けの目安はシンプルです。データが大きく、分けたいグループ数の見当がついているならk-means。データが小さめで、いくつに分かれるか・どんな入れ子構造かをまず探りたいなら階層クラスタリングです。実務では、階層クラスタリングでデンドログラムを見て構造とkの当たりを付け、本番の大規模データはk-meansで回す、という併用もよく行われます。

06.RFM分析｜購買履歴から顧客を実務的にセグメントする

ここまでのクラスタリングは「データから自動でグループを見つける」手法でした。これに対しRFM分析は、人が決めた3つの指標で顧客をスコア化する、解釈しやすいルールベースのセグメンテーションです。マーケティングの現場で長く使われてきた、実務の定番です。

RFMは、購買履歴さえあれば計算できる次の3指標の頭文字です。

• Recency（最新性）：最後に購入してから何日経ったか。期間が短いほど「今アクティブ」で高評価になります。
• Frequency（頻度）：対象期間に何回購入したか。回数が多いほど「定着している」と見ます。
• Monetary（金額）：対象期間の購入金額の合計。金額が大きいほど「事業への貢献が大きい」と見ます。

実務では、各指標を顧客全体の中での順位で5段階などにスコア化します。たとえばRecencyが上位20%なら5点、次の20%なら4点、というように分位で区切ります。3指標それぞれにスコアが付くと、その組み合わせで顧客を分類できます。

# 購買履歴から RFM スコアを作る（pandas）
import pandas as pd

snapshot = pd.Timestamp("2026-05-17")  # 集計の基準日

rfm = orders.groupby("customer_id").agg(
    recency=("order_date", lambda s: (snapshot - s.max()).days),
    frequency=("order_id", "count"),
    monetary=("amount", "sum"),
)

# 5分位でスコア化。Recency は日数が短いほど良いので逆順にする
# 同値が多い指標は rank(method="first") を挟み、分位の境界が重複するのを防ぐ
rfm["R"] = pd.qcut(rfm["recency"].rank(method="first"), 5,
                   labels=[5, 4, 3, 2, 1]).astype(int)
rfm["F"] = pd.qcut(rfm["frequency"].rank(method="first"), 5,
                   labels=[1, 2, 3, 4, 5]).astype(int)
rfm["M"] = pd.qcut(rfm["monetary"].rank(method="first"), 5,
                   labels=[1, 2, 3, 4, 5]).astype(int)
print(rfm[["R", "F", "M"]])

07.セグメントを施策に落とす流れ

セグメンテーションは、分けること自体がゴールではありません。セグメントごとに違う施策を当て、その効果を測って初めて投資が回収されます。実務の流れは、次の4ステップに整理できます。

1. 目的を1つに絞る。「離反を防ぐ」「優良顧客を育てる」「新規の2回目購入を増やす」など、何のために分けるかを先に決めます。目的が変われば、注目すべき指標も切り方も変わります。
2. データを用意し、セグメントを切る。購買履歴からRFM、または行動データを加えてクラスタリングでグループを作ります。
3. セグメントごとに施策を割り当てる。下表のように、状態に合った打ち手を1セグメント1施策で対応づけます。
4. 効果を測り、見直す。施策の前後比較ではなく、同じセグメント内で施策ありとなしを比べるA/Bテストで効果を確かめます。

ここで重要なのは、施策の効果検証です。「離反しかけの顧客にメールを送ったら半数が復帰した」という結果だけでは、メールを送らなくても復帰した分が切り分けられません。施策を当てる群と当てない群を分けて比べる発想は、コホート分析・リテンション・LTVのリテンション測定や効果検証の考え方と地続きです。セグメントごとの施策が本当に効いたかは、検証の枠組みとセットで判断します。

08.よくある質問（FAQ）

09.まとめ

顧客セグメンテーションは、ひとかたまりに見ていた顧客を「優良層」「離反しかけ」「新規」のように分け、グループごとに施策を変えるための土台です。その分け方には、正解ラベルなしでデータの構造を見つけるクラスタリングと、購買履歴の3指標で顧客を測るRFM分析があります。

実務で押さえる要点は3つです。第一に、クラスタリングには正解がない――アルゴリズムは必ずグループを出力しますが、それが使えるかを解釈し採否を決めるのは人です。第二に、k-meansを使うなら標準化が必須で、クラスタ数はエルボー法・シルエット係数と「運用できる数」の両面から決めます。第三に、分けることはゴールではない――セグメントごとに違う施策を当て、A/Bテストで効果を確かめて初めて、セグメンテーションは投資に見合います。最初はRFMの分かりやすいセグメントから始め、扱う行動データが増えた段階でクラスタリングに広げる順序が、現実的な進め方です。