こんにちは、CRMエバンジェリストの松原です。

「この人は何かなというグループが、分析するたびに出てくるんです」

関西を中心に14店舗を展開する和食チェーン・木村フードサービス（仮名・年間売上7.2億円）のマーケティング担当・木村マネージャー（仮名）は、EMOROCOを導入する前、この悩みを繰り返し語っていました。

「『お得意様』『一般客』『休眠客』という3分類でずっと管理してきた。でも実際には、この3つに入らない顧客が必ずいて、その人たちへの対応をどうすればいいかが、いつもわからなかった」

EMOROCOのSoI（System of Insight）機能を導入してから9ヶ月後、木村マネージャーはダッシュボードを見ながらこう言いました。

「あの『この人は何かな』という顧客が、実は最も重要なグループだったことがわかった」

※本記事は業界の実態と複数社の導入パターンをもとに構成した仮想の変革ストーリーです。上位製品EMOROCOのAI機能（顧客グルーピング自動検出・売上予測・施策サジェスチョン）をEMOROCO CRM Liteの文脈で翻訳・実践的に解説しています。

導入前の課題——「思い込み分類」が生んでいた3つの機会損失

課題①「手動の顧客分類」が現場の思い込みで歪んでいた

木村フードサービスは、ポイントカードとDM管理システムで顧客データを10年以上蓄積してきました。顧客数は累計4.8万人。しかし、その分析は「担当者が事前に決めた軸での分類」に依存していました。

「来店回数が多い顧客を『お得意様』と呼んで、優先的にDMを送っていた。でも実際には、来店回数が多くても一品しか頼まない顧客と、来店回数は少なくても来るたびに客単価が高い顧客を同じ『お得意様』として扱っていた」

単純な機械学習では事前に定義したグループへの分類しかできない——これが「旧来の分析」の限界です。

問題はさらに深いところにありました。担当者が「来店回数」という一軸で分類していたため、本来は異なる行動パターンを持つ顧客が同じグループに混在し、一括でDMを送っても効果が出ない状態が続いていました。

課題②「この人は何かな」という謎の顧客が対応できないまま放置されていた

分析するたびに、3つのグループのどれにも入らない顧客が出てきました。

「来店頻度は月1回程度で『一般客』扱い。でも来るときは必ず4〜5名のグループで、客単価が圧倒的に高い。忘年会・歓送迎会のシーズンだけ来る。このお客さんは何なんだろう、と思いながら、『一般客』のDMを送り続けていた」

この「謎の顧客」は、実は最も重要な「記念日・イベント購入タイプ」でした。しかし「来店頻度」という一軸での分類では、このパターンは見えなかったのです。

課題③「売上予測」が感覚ベースで月末まで不確実だった

「今月の着地予測を毎週月曜の朝に社長に報告するのが仕事だった。でも根拠は『先週の来店数×平均客単価×残り日数』という単純な計算だけ。天気・近隣のイベント・競合の動向は、計算に入っていなかった」

実際、近隣で大きなイベントがある週末は来店数が跳ね上がり、大雨の日は来店数が激減します。しかしこの「外的要因の影響」が売上予測に反映されていないため、予測の誤差が毎月大きく発生していました。

EMOROCOのSoI機能——飲食チェーン向けの設計

EMOROCOの飲食チェーン事例では、以下のデータを「インプット」として記録し、4つのアウトプットを自動生成する設計になっています。

【インプットデータ（記録対象）】

顧客行動：
・来店日（いつ来たか）
・注文履歴（何を頼んだか・客単価）

外的要因：
・近隣イベント情報（商店街イベント・スポーツ大会・花見など）
・天候（晴れ・雨・気温）

内部アクション：
・DM等の広告活動（送付日・種類）
・メニュー変更（新メニュー追加・季節メニュー）

【アウトプット（自動生成）】

①顧客グルーピング：顧客の特徴を検出して自動的に分類
②売上予測：施策から今後の売上をシミュレート
③施策サジェスチョン：指定したシチュエーションで効果が高い施策の候補
④感応度分析：影響原因と思われる因子とその影響度を分析

この設計の核心は「あらかじめ顧客グルーピングを算出してから分析を行う」点です。通常のAI分析では「人が思い込みで決めたグループ」への分類しかできませんが、EMOROCOは「思い込みなしに、データから自動でグループを発見する」ことができます。

「顧客グルーピング自動化」——3次元で見えた新しい世界

EMOROCOのSoIが使う顧客グルーピングの軸は、「平均購入単価×月別購入頻度×購入頻度微分（来店頻度の変化率）」の3次元です。

【3次元グルーピングの軸】

軸①：平均購入単価（縦軸）
  → 一回の来店でどれだけ使うか

軸②：月別購入頻度（横軸）
  → 月に何回来るか

軸③：購入頻度微分（深度軸）
  → 最近の来店頻度が増えているか・減っているかの「変化率」

この3次元で見ると、木村フードサービスの4.8万人の顧客データに、従来の「お得意様・一般客・休眠客」には収まらない新しいグループが浮かび上がりました。

自動検出された7つのグループ

【EMOROCOが自動検出した顧客グループ】

① 上得意様：
  平均購入単価「高」× 月別購入頻度「高」
  → 来るし、使う。ロイヤルカスタマー。
  → 全体の8%。売上の31%を占めていた。

② お得意様：
  平均購入単価「中」× 月別購入頻度「高」
  → 来るが、使いはほどほど。常連の主力層。

③ まとめ買い（イベント購入）タイプ ← 今回の最重要発見：
  平均購入単価「非常に高」× 月別購入頻度「低」
  × 来店日が特定シーズンに集中
  → 来店は少ないが、来るたびに大人数・高額。
  → これが「この人は何かな？」と思っていた謎の顧客群。
  → 全体の7%。しかし売上の18%を占めていた。

④ 記念日購入タイプ：
  平均購入単価「高」× 月別購入頻度「非常に低」
  × 購入頻度微分「停滞（変化なし）」
  → 誕生日・記念日など特定の日だけ来る。
  → DMのタイミングが「記念日前」でなければ効果がない。

⑤ 日常ファン：
  平均購入単価「低〜中」× 月別購入頻度「高」
  × 購入頻度微分「安定」
  → ほぼ毎週来るが、注文は定番ランチのみ。
  → 新メニューのDMへの反応が低い。

⑥ 様子見：
  平均購入単価「低」× 月別購入頻度「低」
  × 購入頻度微分「やや低下」
  → 来始めたが、まだ定着していない。
  → ここへのフォローが「リピート定着」の鍵。

⑦ 離脱傾向：
  平均購入単価「下落」× 月別購入頻度「急低下」
  × 購入頻度微分「マイナス（急減）」
  → 来なくなりつつある。今すぐ手を打つべき。

木村マネージャーが「この人は何かな」と思っていた顧客は、**グループ③「まとめ買い（イベント購入）タイプ」**でした。

来店頻度は月1回未満で「一般客」に分類されていましたが、実際は来るたびに5〜8名のグループで来店し、客単価は平均の3.2倍。歓送迎会・忘年会・新年会・花見のシーズンに集中して来店するパターンを持っていました。

グルーピング後の「売上予測」——外的要因が加わると予測精度が変わった

グルーピングが完成した後、EMOROCOは各グループの来店パターンに「外的要因」を掛け合わせた売上予測を生成しました。

【売上予測の精度改善：週次予測の誤差比較】

グルーピング前（単純な来店数×客単価計算）：
  予測誤差 平均18.3%（週によっては25%以上）
  → 「大雨の週末に予測を大きく外した」が頻発

グルーピング後（外的要因込みの予測）：
  予測誤差 平均8.1%（56%の誤差削減）
  → 大雨予報の週：「日常ファン層の来店が30%減」を事前予測
  → 近隣でスポーツ大会がある週末：「まとめ買い層の来店が増加」を事前予測

特に「感応度分析」——いくつかの項目につき、影響原因と思われる因子とその影響度を分析する機能——が売上予測の精度向上に直結しました。

【感応度分析の例：売上に影響を与える因子の重みづけ】

①天候（雨）の影響：
  「日常ファン」来店数 −28%
  「まとめ買い（イベント）タイプ」への影響：ほぼなし（予約来店のため）
  → 雨の日は「日常ファン」向けのテイクアウト施策が有効

②近隣イベント（花見・祭り）の影響：
  「まとめ買いタイプ」来店数 +45%
  「記念日購入タイプ」来店数 +12%
  → イベント前週にこの2グループへの案内を送ると効果的

③新メニュー追加の影響：
  「様子見」グループの来店頻度 +22%
  「日常ファン」への影響：ほぼなし（定番しか頼まない）
  → 新メニュー告知DMは「様子見」グループに集中送付が最効率

この感応度分析から、「どの施策が誰に効くか」が定量的にわかるようになりました。

「施策サジェスチョン」——EMOROCOが毎月の施策を提案する

EMOROCOのSoI機能は、売上予測と感応度分析をもとに、指定したシチュエーションで効果が高い施策の候補を自動生成します。

【3月・花見シーズン前の施策サジェスチョン例】

シチュエーション：「3月第3週〜4月第1週（花見シーズン）」を指定

EMOROCOが提案した施策候補：

優先度A（今すぐ実施：最大効果）：
  「まとめ買いタイプ」へのグループ予約案内DM送付
  → 対象：1,823名　推定効果：+142万円
  → 推奨送付タイミング：3週前（予約を先に取るため）
  → 感応度：イベントシーズン前DMに最も高反応のグループ

優先度B（次善策：コスパ高）：
  「記念日購入タイプ」への「春の特別コース」案内
  → 対象：924名　推定効果：+58万円
  → 推奨送付タイミング：2週前

優先度C（中長期施策）：
  「様子見」グループへの「初回グループ来店10%オフクーポン」
  → 対象：2,107名　推定効果：+33万円（うちリピート定着は+12万円）
  → グループ来店のきっかけにしてもらい、定着を促す

実施しない施策（効果が低いと予測）：
  「日常ファン」グループへのグループ来店促進DM
  → 感応度分析で「グループ来店への転換率が極めて低い」と判定
  → DMコスト対効果：−（損失）

この施策サジェスチョンを見た木村マネージャーは、驚きを隠せませんでした。

「これまで『日常ファン』にもグループ来店促進のDMを送っていた。でも、このグループには全く効かなかったことが、感応度分析で初めて証明された」

「DMコストが年間400万円かかっていたが、施策サジェスチョンに基づいてターゲットを絞ったことで、DM費用を230万円削減しながら、売上は逆に8.3%増加した」

導入9ヶ月後——数字が語る変化

EMOROCO CRM Liteで「今日から始めるSoI的顧客分析」

上位製品EMOROCOのAI機能は本格的なSoI分析を自動で実現しますが、EMOROCO CRM Liteでも「SoIの思想に基づく顧客分析」を今日から実践できます。

実践①「3次元の視点」でカスタムフィールドを設計する

EMOROCOが使う「平均購入単価×月別購入頻度×購入頻度微分」という3次元の視点を、EMOROCO CRM Liteのカスタムフィールドで設計します。

【飲食業向けカスタムフィールド設計】

定量フィールド（SoI分析の素材）：
・累計来店回数
・平均客単価（直近3ヶ月）
・最終来店日 ← 頻度の変化を追跡する起点
・来店サイクル（通常の来店間隔：1週間/2週間/月1/シーズン）

定性フィールド（グループ特定の手がかり）：
・来店パターン（選択式）：
  毎日ランチ / 週1回以上 / 月2〜3回 / 季節のみ / 記念日のみ
・来店形態（選択式）：一人 / ペア / 少人数3〜4名 / グループ5名以上
・注文パターン（選択式）：定番のみ / 季節メニュー試す / 高額コース / アルコール多め
・来店きっかけ（選択式）：常連 / 近隣イベント / 記念日 / 誰かの紹介 / クーポン

手動グルーピングフィールド：
・推定顧客タイプ（選択式）：
  ロイヤル / 日常ファン / イベント来店 / 記念日 / 様子見 / 離脱傾向 / 不明
・このフィールドを蓄積することで、
  将来のAI自動グルーピングの「教師データ」になる

実践②「外的要因メモ」を記録して感応度の感覚をつかむ

完全自動の感応度分析は上位製品の機能ですが、EMOROCO CRM Liteでも「外的要因の記録」を蓄積することで、感応度の感覚をデータで把握できます。

【週次の外的要因記録テンプレート（担当者が週1回入力）】

記録日：___________
天候（その週の土日）：晴れ / 曇り / 雨 / 雨の日が多かった
近隣イベント：なし / 小規模あり / 大規模あり（内容：___）
実際の来店数（土日）：___名（予測比 ___%）
特記事項：___________

この記録を3ヶ月蓄積すると、「雨の土曜日は来店数が平均○%減る」「近隣でイベントがある週末は○%増える」というパターンが見えてきます。これが「手動の感応度分析」の始まりです。

実践③「施策×グループ」の効果を記録して精度を上げる

DM・クーポン・新メニュー告知を実施した後、その施策のターゲットグループと効果を記録します。

【施策効果記録フィールド】

・施策名：_______________
・対象グループ：ロイヤル / 日常ファン / イベント来店 / 記念日 / 様子見
・施策実施日：___________
・対象顧客数：___名
・来店した顧客数：___名（反応率___%）
・平均客単価（施策後）：___円

この記録が蓄積されると、「日常ファンへのグループ来店促進DMの反応率は1.2%」「イベント来店タイプへの季節前DM反応率は14.7%」という「施策×グループの効果データ」が形成されます。これが将来的なAI学習データの基盤です。

木村マネージャーの「最大の気づき」

導入9ヶ月後、木村マネージャーはこう語ります。

「一番変わったのは、『思い込みに気づけるようになった』こと」

「以前は、全部のお客さんに同じDMを送れば誰かには刺さるだろう、という発想だった。でも感応度分析を見たとき、DM費用の40%が『全く効果のないグループへの送付』に使われていたことがわかった」

「EMOROCOが自動検出した『まとめ買いタイプ』は、私が10年間気づいていなかった。でも彼らは、来るたびに数万円を使ってくれていた。この人たちに毎年3月に案内を送るだけで、何十万円もの売上が増えた」

単純な機械学習では事前に定義したグループへの分類しかできない旧来の分析に対し、EMOROCOなら顧客グループの自動検出が可能——この一文が示す価値が、木村フードサービスの現場で実証されました。

まとめ——飲食チェーンがSoI機能で変えた3つのこと

① 「思い込み分類」から「データ発見型グルーピング」へ

「お得意様・一般客・休眠客」という人間の思い込みによる3分類から、平均購入単価×月別購入頻度×購入頻度微分という3次元のデータが自動検出する7グループへ。「謎の顧客」が「最重要グループ」として可視化された。

② 「感覚の売上予測」から「外的要因込みの予測」へ

天候・近隣イベント・DM活動・メニュー変更という外的・内的要因を感応度分析で定量化し、週次売上予測の誤差を18.3%→8.1%に削減。

③ 「一律DM」から「グループ別・タイミング別の施策」へ

施策サジェスチョンにより「誰に・いつ・何を」が自動提案される。DM費用を57%削減しながら売上8.3%増という「少ない投資で大きな成果」を実現。
EMOROCO CRM Lite 製品ページ

関連記事：[CRMとAIはなぜ相性が良いのか——定量×定性データを持つSoIが顧客行動を予測する仕組みとEMOROCO CRM Liteの活用]

関連記事：[【DXとCRM連載 第2回】なぜCRMだけがSoIを担えるのか——CRM1.0から4.0への進化と「洞察の深化」]

関連記事：[顧客データは「資産」か「負債」か——蓄積するだけで終わるCRMと、活かせるCRMの差]