あるイタリアの中小企業のマーケティング担当者は、プロモーションを展開しようとしている。CRMシステムでは、顧客の年齢、性別、居住地域を確認できるが、どのカテゴリーを何度も閲覧した顧客や、チェックアウトを途中で放棄した顧客、割引が適用された時だけ購入する顧客が誰なのかは分からない。データベースには顧客のプロフィールは記載されているが、何が実際に購入につながっているのかまでは示されていない。
これが従来のセグメンテーションの限界です。すべての人に同じメッセージを送っても、多くのコンタクトには届くものの、実際に響くのはごく一部に過ぎません。行動ベースのセグメンテーションは、この視点を変えます。行動、頻度、直近の活動、購入額、さまざまなチャネルでのインタラクションを観察し、これらのシグナルを意思決定に役立つグループへと変換するのです。
始めるために、わざわざデータサイエンス部門を立ち上げる必要はありません。CRM、ウェブサイト、メール、ECサイトにすでに存在するデータと、AIを活用したプラットフォームを活用すれば、静的なリストから実用的なインサイトへと転換できます。ここでは、小売、金融、ECの各業界における具体例、プライバシーへの配慮、そしてセグメントを動的にする手法を含む、実践的な手順をご紹介します。
オンラインショップの責任者は、その月の売上高を把握しています。どの商品が売れているか、あるいは特定の地域にどれくらいの顧客がいるかといったことも分かっています。しかし、誰にプロモーションを送るかを決める際、多くの場合、「特定の年齢層の女性」や「北イタリアの顧客」といった大まかなカテゴリーを用いることがよくあります。
こうした情報は役立つかもしれませんが、その行動を説明するものではありません。同じ地域に住む2人の顧客でも、ニーズは正反対の場合があります。ある人は割引を待たずに毎月購入しますが、もう一人はサイトにアクセスして価格を比較し、プロモーション期間中にのみ購入を決定します。両者を同じように扱うことは、重要なシグナルを見逃すことにつながります。
行動セグメンテーションは、まさにこうしたシグナルを捉えるものです。リピート訪問、最近の購入、カート放棄、あるいはnewsletter への反応などは、顧客が購入プロセスにおいてどの段階にあるかを示しています。これにより、マーケティング担当者は、単なる顧客属性データだけに頼るのではなく、コンテンツ、チャネル、タイミングを柔軟に変更することができるようになります。
経験則：どのようなメッセージを送るか考える前に、まず、顧客のどのような行動を理解したいのか自問してみましょう。
中小企業にとって、最初のステップは単純明快です。購入履歴とデジタル上のやり取りを照らし合わせ、特別な対応が必要な顧客グループを特定することです。ELECTEの顧客インサイトを活用すれば、分析の複雑さと情報の価値を混同することなく、入手可能なデータをより明確な作業の基盤へと変えることができます。
行動セグメンテーションとは、顧客の行動に基づいて、顧客を均質なグループに分類する手法です。人口統計学的セグメンテーションは、年齢、性別、地理的エリアなどの要素を用いて、「彼らは誰か？」という問いに答えます。一方、行動セグメンテーションは、それよりも実践的な問い、「顧客は企業と関わる際、どのように振る舞うのか？」を加えます。
変数には、次のようなものが含まれます：
最もわかりやすい例えは、小売店の店主です。ある人が店舗の近くに住んでいるという情報だけでも参考になりますが、その人が毎週来店し、いつも同じ商品を求め、セールを利用しないことを把握しておけば、より良い接客が可能になります。行動データとは、観察結果と意思決定を結びつけるものです。
イタリアでは、食料品顧客に関する調査において、かねてより購入額のデシル、購入頻度、購入時期のデシルが用いられてきました。このアプローチは、RFMモデルに先駆けるものです。RFMモデルは、顧客を「レセンシー（購入時期）」、「フリークエンシー（購入頻度）」、「モネタリー（購入額）」に基づいて分類し、忠実な顧客、高価値顧客、あるいは離反リスクのある顧客を見分けるのに役立ちます。その経緯については、マルチチャネルにおける消費者行動に関する詳細記事でご覧いただけます。
記述的分類は、すでに知られている特徴をグループ分けするものです。一方、プロファイリングでは、相関関係やモデルを用いて将来の傾向を予測することができます。この違いは重要です。セグメントでは「これらの顧客は最近購入した」と特定できるのに対し、モデルを用いることで、新たな購入につながる兆候を示している顧客を特定するのに役立ちます。
セグメンテーションに関するイタリアの資料によると、最新性や頻度は、単なる人口統計学的特性よりも高い予測価値を持つ可能性があることが示されています。これは、それらがすでに表明されたニーズを反映しているためです。これにより、デジタルマーケティングにおける世代別セグメンテーションの分析で論じられたように、セグメンテーションはキャンペーンや営業上の優先順位をパーソナライズする上でより有用なものとなります。
有用なセグメンテーションは、構造化データ、デジタルイベント、そして企業の状況が組み合わさって生まれるものです。単に多くの情報を追加するだけでは不十分です。同じ顧客の行動を関連付け、一貫性のあるイベントを定義し、キャンペーンや営業上の意思決定を導くことができる変数を選択する必要があります。
クラスターを作成する前に、どのような成果を得たいのかを明確にしましょう。「顧客をより深く理解する」というのは、あまりにも漠然としています。「長期間購入していない顧客を再活性化させる」や「主力商品を購入した顧客にアクセサリーを提案する」といった表現であれば、データを選別するための具体的な基準となります。
中小企業の場合、初期の基盤としては、次のようなものが挙げられます：
RFMモデルは、過去のデータを理解しやすい3つの質問に落とし込んでくれるため、多くの場合、良い出発点となります。「最近購入した人は誰か？」「頻繁に購入する人は誰か？」「最も価値を生み出しているのは誰か？」。クラスタリングでは、これらの変数を、好みのカテゴリー、オファーへの反応、または閲覧行動などと組み合わせることができます。
CustomerMindingによるマルチチャネルセグメンテーションの分析によると、2020年のイタリアのマルチチャネル消費者は4,650万人で、これは14歳以上の人口（5,270万人）の88％に相当し、前年比で6％の増加となった。 同調査では、行動プロファイルごとに異なる決済手段の選好が見られた。「Digital Rooted」と「Digital Engaged」の両グループではPayPalが53％で最も好まれていたのに対し、「Digital Bouncers」と「Digital Rookies」はプリペイドカードを好んでおり、それぞれ41％と44％を占めた。
この事例の価値は、支払いそのものにあるわけではありません。観察可能な行動こそが、一般的な人口統計学的カテゴリーよりも、オファーやチャネル、メッセージの direction を決める上でより効果的であることを示しているのです。
クラスターとは、誰かが何かを行う手助けとなるものでなければなりません。「グループ4」という表現だけでは、マーケティングチームには何も伝わりません。一方、「新規顧客、リピーター、プロモーションに反応しやすい顧客」という表現は、コミュニケーションの指針や、追跡すべき指標を示唆しています。
データベースを一元管理し、一貫性のある識別子を定義し、自動化を行う前にデータの品質を確認してください。企業データ分析ガイドを活用すれば、データの収集、クリーニング、解釈を、技術に詳しくないチームにも理解しやすいプロセスとして統合することができます。
セグメントは、ワークフローを起動して初めて価値を発揮します。このプロセスは、ビジネス上の目標から始まり、関連するイベントの選定を経て、キャンペーン、営業担当者のアクション、あるいはサービスに関する決定で終了します。
あるECサイトが、チェックアウトの放棄率を低減したいと仮定しましょう。その場合、考えられるあらゆる行動を分類する必要はありません。そのサイトは、特定の商品を何度も閲覧し、商品をカートに追加したものの、購入前に購入プロセスを中断したユーザーに焦点を当てればよいのです。
以下の条件を満たす場合、そのセグメントは操作可能になります：
イタリア市場向けの技術ガイドでは、RFM指標と、リピート訪問、クリックパス、メールとのやり取り、チェックアウト放棄といったナビゲーションイベントを組み合わせて、きめ細かくて測定可能なマイクロセグメントを作成することを推奨しています。その原則は単純です。装飾的なラベルを減らし、具体的な行動に関連付けられたグループを増やすということです。
コンバージョン率は、そのセグメントがキャンペーンに反応しているかどうかを示します。購入頻度は、顧客との関係が深まっているかどうかを把握するのに役立ちます。ライフタイムバリュー（LTV）は、顧客との関係から得られる経済的価値とマーケティング上の意思決定を関連づける指標であり、離脱率は顧客の関与が低下していることを示します。
これらの指標を、セグメントごとに分類したNPSと併せて活用することは可能です。ただし、そのデータは実際の行動と併せて解釈する必要があります。顧客は満足していると述べながらも購入頻度が低い場合もあれば、頻繁に接触しているものの注文を完了しない場合もあります。行動はフィードバックに代わるものではなく、それを補完するものです。
品質基準：KPIは、ダッシュボードを埋めるためではなく、意思決定を変えるときに有用である。
動的なセグメンテーションは、顧客の行動に変化があった際にそのグループを更新します。購入を完了した顧客は、「離脱者」のセグメントから外れます。常連客がサイトへの訪問を中断した場合、再活性化のプロセスに入る可能性があります。この管理を体系化し、一貫性のある指標を選択するには、企業のKPI分析に関するELECTEをご参照ください。
この論理は、業界によってその形が異なります。スーパーマーケットは、買い物頻度や購入金額に注目します。金融会社は、サービスの利用状況やリスクの兆候を注視します。ECサイトは、検索から商品選択、カート、決済に至るまでの流れを追跡します。
イタリアの小売業界において、支出のデシルおよび購入頻度・直近購入時期といった変数に基づくセグメンテーションは、食料品顧客に関する調査で明らかになっているように、RFMアプローチの歴史的な基盤となっています。したがって、店舗では、高価値顧客、購入頻度は高いが支出額は控えめな顧客、たまに購入する顧客、そして購入頻度を減らした顧客を区別することができます。
これらのグループには、必ずしも同じインセンティブが必要とは限りません。常連客には、より迅速なサービスや、関連する提案を提供することができます。たまに利用する顧客には、以前に購入した商品カテゴリーに関連したメッセージが必要かもしれません。利用頻度が低下した顧客に対しては、自動的なプロモーションではなく、まず状況の分析が必要です。
価格はデリケートな要素です。ある家庭が、プライベートブランドを愛用しているから、あるいはその時期の予算が限られているからという理由で、より安価な代替品を購入する場合があります。観察された行動だけでは、その理由を説明することはできません。
金融業界において、行動クラスターは、顧客がサービスをどのように利用しているか（利用頻度、取引の種類、好むチャネル、利用パターンの変化など）を明らかにすることができます。こうしたシグナルは、サービスのパーソナライズ、優先順位の管理、コンプライアンスプロセスのモニタリングに役立ちます。
ただし、分析は、適切に管理されていない影響の大きい自動化された意思決定とは区別される必要があります。モデルは確認すべき変化を指摘することはできますが、顧客の行動を完全に説明するものとして扱われるべきではありません。金融、与信、コンプライアンス業務においては、人によるチェック、文書化、および具体的な法的評価が必要です。本コンテンツは、金融アドバイスやコンプライアンス上の見解を構成するものではありません。
慎重な処理フローは、次のような順序で進めることができます：
オンラインショップは、ユーザーがどの段階で購入プロセスを中断したかに基づいて、ユーザーをセグメント化することができます。商品ページを何度も閲覧するユーザーと、決済画面まで進んだものの最終段階で離脱するユーザーでは、関心度が異なります。また、メールを開封しただけでクリックしないユーザーも、クリックして複数の商品を比較し、サイトに戻ってくるユーザーとは、ニーズが異なります。
キャンペーンはこの違いを反映すべきです。検討中のユーザーには、情報提供のメッセージが役立ちます。購入手続きを中断したユーザーには、リマインダーが適しているでしょう。すでに購入を完了したユーザーには、追加の提案が役立つかもしれません。目的は、単に連絡を増やすことではなく、ユーザーの行動とコンテンツとのギャップを埋めることです。
イタリアの家庭を対象とした調査によると、表明された意向と観察された行動との間に、さまざまな傾向の差が見られる。一貫性のあるグループもあれば、矛盾の多いグループもあり、したがって、個人が好むと口にするものと、実際に購入するものが必ずしも一致するとは限らない。
2024年半ば時点で、低所得のイタリア人消費者の85％は、すでに「トレードダウン」を行っており、より安価な代替品を選んでいた。これは、パルマ大学のアーカイブで入手可能な調査報告書に記載されたStatistaのデータによるものである。しかし、この事実が必ずしもブランドへの忠誠心の低下を示すわけではない。一時的な予算の逼迫を示している可能性もある。
そのため、小売業やEコマースでは、消費者の行動、価格、カテゴリー、チャネル、状況を総合的に考慮すべきです。価格への敏感さと実際の嗜好を混同してしまうと、誤ったキャンペーンにつながり、顧客に対する不当な結論を導き出す恐れがあります。
静的セグメントから動的セグメントへの移行は、アルゴリズムだけに依存するものではありません。中小企業であっても、優れたモデルを持っていても、CRMがウェブサイトと連携していなかったり、メールで同じ識別子が使用されていなかったり、営業チームとマーケティングチームでイベントの解釈が異なっていたりすれば、成果が伸び悩む可能性があります。
イタリアでは、AIの導入は中小企業よりも大企業の方が依然として広く普及している。インテサ・サンパオロが発表した「イタリア企業における人工知能」に関する年次報告書によると、大企業の53.1％がAIソリューションを導入しているのに対し、中小企業では15.7％にとどまっている。このデータは、インフラ、専門知識、データ品質における格差を示しており、AIという手法そのものの価値が欠如しているわけではない。
まずは限定的なユースケースから始めましょう。目標が休眠顧客の活性化である場合、自社ビジネスにおいて「休眠」とは何を意味するのか、それを裏付けるイベントは何か、どのチームが対応すべきかを定義します。次に、責任の所在を明確にします。誰がデータを管理し、誰がキャンペーンを承認し、誰が成果を測定するのかを決定します。
持続可能な取り組みには、以下の要素が含まれます：
最初から非常に複雑なセグメンテーションを行う必要はありません。明確に定義され、定期的に更新され、明確なアクションと結びついた小さなグループの方が、誰も利用しない数十のクラスターよりも大きな価値をもたらします。
GDPRでは、プロファイリングを、嗜好、関心、信頼性、行動、位置情報、移動履歴などの個人的な側面を評価するために用いられる自動化された処理の一形態と定義しており、これはイタリアの個人情報保護監督機関によるプロファイリングの定義でも明確にされている。イタリアでは、同監督機関はさらに、データの収集と、特定の目的のために対象者を同質のグループに分類するその後の処理とを区別している。
マーケティング目的のプロファイリングについては、原則として、プロモーション情報の送信に関する同意とは別個かつ具体的な同意が必要となる。プライバシーポリシーにはプロファイリングについて説明を記載し、その処理は処理記録簿に記録されなければならない。また、その活動が大規模に行われる場合は、GDPRに基づくプロファイリングに関するイタリアの慣行の概要に従い、影響評価が必要となる場合がある。
データ保護監督機関によるGoogleに関する事例は、事前の同意なしにデータをプロファイリングに利用することはできないことも示している。Googleに対するデータ保護監督機関の決定からも明らかなように、プライバシーポリシーには、フィンガープリントなどの手法を含め、広告目的でのデータの追跡および利用について明確に説明しなければならない。
単純なセグメンテーションでは、既知の特徴に基づくクエリを使用することができます。プロファイリングでは、プロファイリングとセグメンテーションの違いに関する分析に基づき、モデル、相関関係、推論を用いて、傾向や行動を推定します。
この区別によって、責任の所在が変わってきます。モデルを稼働させる前に、法的根拠、透明性、データの品質、およびセグメントの利用目的を説明できるかどうかを確認してください。ELECTEのような、中小企業向けのAI搭載データ分析プラットフォームは、データソースの連携、前処理や分析の自動化、パターン・異常・トレンドの検出、レポート作成を支援できますが、利用目的や処理に関するガバナンスの責任は、依然として企業側にあります。
行動セグメンテーションは、大企業だけの専売特許ではありません。これは、小売プロモーションからショッピングカートの管理、さらには金融サービスにおけるシグナルの読み取りに至るまで、観察可能な行動と日々の意思決定を結びつける手法です。
すでに持っているデータから始めましょう。目標を設定し、最も関連性の高い変数を特定し、CRM、ウェブサイト、メール、営業部門が連携できているかを確認した上で、解釈可能な最初のセグメントを作成します。一貫性のあるKPIを用いて反応を測定し、顧客の行動、経済状況、または企業の優先順位に変化があった際には、ルールを更新してください。
静的セグメンテーションと動的セグメンテーションの違いは、単に技術的なものだけではありません。それは、最近の購入や中断されたチェックアウトといったイベントを、プライバシーを尊重しつつタイムリーなアクションへと転換するチームの能力にあります。AIを活用したプロセスにより、手作業の負担を軽減し、データサイエンスチームがなくてもインサイトを活用できるようになります。
ELECTEは、御社のデータソースを連携させ、購買行動を自動的に分析し、セグメント、異常値、トレンドを実用的なレポートに変換するお手伝いをします。ELECTEのウェブサイトをご覧いただき、中小企業における日々の業務にダイナミックなセグメンテーションを取り入れる方法をご確認ください。
.svg)
.svg)
.svg)
