ターゲティングとペルソナ設計｜マーケティングサイエンス

🎓 レベル：標準　|　重要度：B（標準）

📎 関連：第6章セグメンテーション目次　|　前提：RFM分析（リセンシー・フリークエンシー・マネタリー）・クラスタリングによるセグメンテーション（k-means）

要点（BLUF）

RFM分析（リセンシー・フリークエンシー・マネタリー）やクラスタリングによるセグメンテーション（k-means）で顧客を分けたあとに来るのが、**ターゲティング（どのセグメントを狙うか）とペルソナ設計（狙う層をどんな1人の人物像として捉えるか）**です。ここで狙うべきセグメントは「大きい（人数が多い）」でも「反応率が高い」でもありません。両者を価値とコストまで含めた1つの物差し——期待利益——で測り、それが大きい層を選びます。
セグメント $s$ に施策を打ったときの期待利益は、人数 $N_s$ ×（反応率 $r_s$ × 1件あたり価値 $v_s$ − 接触コスト $c_s$ ）です。1人あたりで見れば $r_s v_s - c_s$ 、つまり「反応で得られる期待価値」から「接触の費用」を引いたもの。これが正のセグメントだけ狙うのが基本で、負のセグメントは接触するほど損——狙わないことが最善手です。価値 $v$ は顧客生涯価値（LTV）で見積もり、コストとの比較は顧客獲得コスト（CAC）とLTV/CAC と同じ「採算で判断する」発想です。
4セグメント（優良客 $N{=}167$ ・離反予兆 $110$ ・新規 $126$ ・休眠 $203$ 、接触コスト $c{=}200$ 円）で計算すると、休眠だけが期待利益 $-28{,}420$ 円の赤字です。全員に一律で打つ（ブランケット）と総利益は $274{,}380$ 円ですが、期待利益が正の3セグメントだけ狙うと $302{,}800$ 円—— $+28{,}420$ 円の改善で、その差は休眠の赤字を回避した分にちょうど一致します。そして上位の優良客を平均RFM像・反応率・ニーズ・打ち手にまとめたものがペルソナ——セグメントを「具体的な1人の人物像」に翻訳した、チーム内の共通言語です。ペルソナは空想ではなくデータ（平均特徴）に根ざして作ります。

1. 分けた後の二つの問い：ターゲティング（どれを）とペルソナ（どんな人を）

セグメンテーションはゴールではなく出発点です。RFM分析（リセンシー・フリークエンシー・マネタリー）やクラスタリングによるセグメンテーション（k-means）で顧客を $k$ 個の層に分けたら、次に必ず二つの問いが来ます。

ターゲティング：分けた層のうち、どれを狙うか。全部に同じ予算を割くのか、一部に絞るのか。
ペルソナ設計：狙うと決めた層は、どんな人なのか。チームの誰もが同じ顔を思い浮かべられるように、1人の人物像へ翻訳する。

まずターゲティングです。素朴には「大きいセグメントを狙えばいい」「反応率が高い層を狙えばいい」と考えがちですが、どちらも単独では誤りです。人数が多くても1人あたりの儲けが薄ければ赤字になり得ますし、反応率が高くても1件の価値が小さく接触コストに負ければやはり損です。規模・反応率・価値・コストは別々に見ると判断を誤る——これらを1本に束ねた物差しが期待利益で、§2でその式を立てます。狙うべきは「期待利益が大きいセグメント」、より正確には「期待利益が正のセグメント」です。

次にペルソナです。ターゲティングが「どのセグメントか」を決めるのに対し、ペルソナは「そのセグメントは何者か」を肉付けします。 $555$ や「クラスタ0」という記号のままでは、現場のコピーライターやデザイナーは動けません。そこで、そのセグメントの平均的な特徴（平均RFM・典型的な買い方・推定されるニーズ）を持ち寄り、「最近も月1〜2回買う、新作に敏感な常連客」のような具体的な1人の人物像に翻訳します。これがペルソナで、その役割はチーム内の共通言語になることです。「このペルソナならどう感じるか」を全員が共有できれば、施策のトーンやチャネルの判断がぶれません。肝心なのは、ペルソナをデータに根ざして作ること——平均特徴という土台があるからこそ、空想ではなく「狙う層の代表」になります（§⚠️）。

flowchart LR
  SEG["セグメント（06-01 RFM / 06-02 クラスタリング）"] --> T["ターゲティング：どのセグメントを狙うか"]
  SEG --> P["ペルソナ：狙う層を1人の人物像へ翻訳"]
  T --> PI["期待利益 N×(r×v−c) が正のセグメントだけ"]
  P --> ACT["施策（打ち手）：誰に・何を・どう伝えるか"]
  PI --> ACT

2. 期待利益で狙うセグメントを選ぶ（数式）

セグメント $s$ に施策（クーポン送付・DM・広告など）を打つ場面を考えます。そのセグメントには $N_s$ 人いて、施策に反応する確率（反応率）が $r_s$ 、反応1件が生む価値が $v_s$ 、1人に接触するコストが $c_s$ とします。このとき期待利益 $\pi_s$ は次式です。

\pi_s = N_s\,\big(r_s\,v_s - c_s\big)

中身を読み解きます。1人に接触すると確率 $r_s$ で価値 $v_s$ を得る——期待値は $r_s v_s$ 。そこから接触コスト $c_s$ を引いた $r_s v_s - c_s$ が1人あたりの期待利益です。これに人数 $N_s$ を掛ければセグメント全体の期待利益になります。規模 $N_s$ ・反応率 $r_s$ ・価値 $v_s$ ・コスト $c_s$ の4つが、ここで初めて1本に束ねられるのがポイントです。どれか一つだけ大きくても $\pi_s$ が大きいとは限りません。

狙うかどうかの判断は単純です。1人あたりの期待利益が正なら狙い、負なら狙わない。

r_s\,v_s > c_s \;\Longrightarrow\; \text{狙う}, \qquad r_s\,v_s \le c_s \;\Longrightarrow\; \text{狙わない}

負のセグメントは、接触すればするほど損が積み上がるので、手を出さないことが最善です。ここから二つの戦略を比べます。全セグメントに一律で打つブランケットと、期待利益が正のセグメントだけ打つターゲティングです。

\Pi_{\text{all}} = \sum_{s} N_s\,(r_s v_s - c_s), \qquad \Pi_{\text{target}} = \sum_{s:\, r_s v_s > c_s} N_s\,(r_s v_s - c_s)

両者の差を取ると、ターゲティングが除外した（負の）セグメントの利益だけが残ります。

\Pi_{\text{target}} - \Pi_{\text{all}} = -\!\!\sum_{s:\, r_s v_s \le c_s}\!\! N_s\,(r_s v_s - c_s) \;\ge\; 0

右辺は負のセグメントの赤字を符号反転した正の量なので、つねに $0$ 以上。つまりターゲティングはブランケットを弱支配する（負のセグメントが一つでもあれば厳密に勝ち、無ければ引き分け）。「全員に配る」が最適になるのは、すべてのセグメントが黒字のときだけです。1つでも赤字セグメントがあれば、そこを外すだけで総利益は必ず増えます。

採算の物差しとしては、接触コストあたりの利益率＝ROI も併用します。

\text{ROI}_s = \frac{N_s(r_s v_s - c_s)}{N_s\,c_s} = \frac{r_s v_s - c_s}{c_s} = \frac{r_s v_s}{c_s} - 1

ROI は人数 $N_s$ に依存しない1人あたりの効率で、 $\text{ROI}_s>0$ は $r_s v_s > c_s$ と同値——狙う／狙わないの境界と一致します。総額（期待利益 $\pi_s$ ）で全体インパクトを、率（ROI）で効率を見るのが定石です。

3. ターゲティングとペルソナをコードで（コード）

pandas で4セグメントの表を作り、期待利益・1人あたり期待利益・ROI を計算して期待利益で降順ランキングします。次に**「期待利益が正のセグメントだけ狙う」ターゲティングと全員一律（ブランケット）の総利益を比べ、最後に上位セグメント（優良客）のペルソナ・サマリー**を表で示します。数式との対応：seg["期待利益"] が $\pi_s=N_s(r_s v_s-c_s)$ 、seg["1人利益"] が $r_s v_s-c_s$ 、seg["ROI"] が $\text{ROI}_s$ です。

import numpy as np
import pandas as pd

# === セグメント表：人数N・反応率r・1件あたり価値v（v は LTV で見積もる）===
# 接触コスト c は全セグメント共通（1件あたり 200円）。
c = 200
seg = pd.DataFrame({
    "セグメント": ["優良客", "離反予兆", "新規", "休眠"],
    "N":        [167, 110, 126, 203],     # 人数（06-01 のセグメント規模）
    "反応率r":  [0.30, 0.15, 0.20, 0.03],  # 施策に反応する確率
    "価値v":    [5000, 5000, 2000, 2000],  # 1件の反応が生む価値（円）
})

# === 期待利益＝N×(r×v − c)。1人あたり期待利益・ROI も計算 ===
seg["1人利益"] = seg["反応率r"] * seg["価値v"] - c        # r×v − c
seg["期待利益"] = seg["N"] * seg["1人利益"]               # N×(r×v − c)
seg["ROI"]    = seg["1人利益"] / c                       # 接触コストあたりの利益率

# === 期待利益で降順ランキング ===
ranked = seg.sort_values("期待利益", ascending=False).reset_index(drop=True)
print("=== セグメント別の期待利益ランキング（接触コスト c=200円／件）===")
print(ranked.to_string(index=False, formatters={
    "N": "{:.0f}".format, "反応率r": "{:.2f}".format, "価値v": "{:,.0f}".format,
    "1人利益": "{:,.0f}".format, "期待利益": "{:,.0f}".format, "ROI": "{:.0%}".format}))

# === 全員一律（ブランケット）vs 期待利益が正のセグメントだけ狙うターゲティング ===
blanket = seg["期待利益"].sum()                       # 4セグメント全員に接触
mask    = seg["期待利益"] > 0
targeted = seg.loc[mask, "期待利益"].sum()             # 期待利益>0 のセグメントだけ接触
excluded = seg.loc[~mask, "セグメント"].tolist()       # 狙わない（負利益）セグメント
improve  = targeted - blanket

print("\n=== 全員一律 vs ターゲティング（期待利益が正のみ）===")
print(f"全員一律（4セグメント全員に接触）   ：総期待利益 {blanket:,.0f}円")
print(f"ターゲティング（期待利益>0 のみ）    ：総期待利益 {targeted:,.0f}円"
      f"（除外＝{'・'.join(excluded)}）")
print(f"改善                                 ：{improve:+,.0f}円"
      f"（{'・'.join(excluded)}の赤字 {seg.loc[~mask,'期待利益'].sum():+,.0f}円 を回避）")

# === 上位セグメント（優良客）のペルソナ・サマリー：平均RFM像・ニーズ・打ち手 ===
# 平均RFMは 06-01 の優良客の値（R=107日・F=21回・M=124,680円）を起点にする。
top = ranked.iloc[0]["セグメント"]
persona = pd.Series({
    "セグメント":     top,
    "平均RFM像":      "R=107日・F=21回・M=124,680円（最近も高頻度・高額）",
    "反応率":         f"{seg.loc[seg['セグメント']==top,'反応率r'].iat[0]:.0%}（4セグメント中で最高）",
    "1人あたり期待利益": f"{seg.loc[seg['セグメント']==top,'1人利益'].iat[0]:,.0f}円",
    "ふるまい":       "月に1〜2回ペースで購入する常連（F=21回/年）",
    "ニーズ":         "特別扱い・新作の先行アクセス・上位グレード",
    "打ち手":         "ロイヤルティ特典・限定先行案内・アップセル",
})
print(f"\n=== ペルソナ・サマリー：{top}（最優先ターゲット）===")
print(persona.to_string())

出力：

=== セグメント別の期待利益ランキング（接触コスト c=200円／件）===
セグメント   N 反応率r   価値v  1人利益    期待利益  ROI
  優良客 167 0.30 5,000 1,300 217,100 650%
 離反予兆 110 0.15 5,000   550  60,500 275%
   新規 126 0.20 2,000   200  25,200 100%
   休眠 203 0.03 2,000  -140 -28,420 -70%

=== 全員一律 vs ターゲティング（期待利益が正のみ）===
全員一律（4セグメント全員に接触）   ：総期待利益 274,380円
ターゲティング（期待利益>0 のみ）    ：総期待利益 302,800円（除外＝休眠）
改善                                 ：+28,420円（休眠の赤字 -28,420円 を回避）

=== ペルソナ・サマリー：優良客（最優先ターゲット）===
セグメント                                       優良客
平均RFM像       R=107日・F=21回・M=124,680円（最近も高頻度・高額）
反応率                             30%（4セグメント中で最高）
1人あたり期待利益                                1,300円
ふるまい                  月に1〜2回ペースで購入する常連（F=21回/年）
ニーズ                       特別扱い・新作の先行アクセス・上位グレード
打ち手                       ロイヤルティ特典・限定先行案内・アップセル

出力の意味：

ランキングの読み方。期待利益で降順に並ぶと、優良客 $217{,}100$ 円 → 離反予兆 $60{,}500$ 円 → 新規 $25{,}200$ 円 → 休眠 $-28{,}420$ 円。注目は、人数では休眠が $203$ 人で最多なのに、期待利益では最下位（しかも赤字）という逆転です。休眠は反応率 $r{=}0.03$ ・価値 $v{=}2000$ 円と低く、1人あたり期待利益は $0.03\times2000-200=-140$ 円。 $200$ 円かけて接触しても期待で $60$ 円しか戻らず、 $1$ 人ごとに $140$ 円の損が出る——人数が多いぶん赤字も $203\times(-140)=-28{,}420$ 円と大きく膨らみます。「規模が大きい＝狙うべき」がいかに危ういかが、この1行に出ています。逆に離反予兆は人数こそ $110$ 人と少なめでも、 $v{=}5000$ 円と価値が高く、期待利益 $60{,}500$ 円・ROI $275\%$ で新規より上位。規模ではなく期待利益で並べ替えると、狙う順番が変わるのです。

ターゲティングがブランケットに勝つ。全員一律に打つと総期待利益は $274{,}380$ 円。ところが期待利益が正の3セグメント（優良客・離反予兆・新規）だけに絞ると $302{,}800$ 円で、 $+28{,}420$ 円の改善です。この改善幅は休眠の赤字 $-28{,}420$ 円を回避した分にちょうど等しい——§2で導いた「差＝除外した負セグメントの赤字の符号反転」が、数字でそのまま確認できます。やったことは「赤字の休眠に打たない」だけ。何も新しい施策を足さず、狙わない判断だけで総利益が増えるのが、ターゲティングの本質です。もし全セグメントが黒字なら差は $0$ で、そのときは全員に打つのが正解になります。

ペルソナ・サマリーの役割。最後の表は、ランキング1位の優良客を1人の人物像へ翻訳したものです。土台は数字——平均RFM像（ $R{=}107$ 日・ $F{=}21$ 回・ $M{=}124{,}680$ 円、RFM分析（リセンシー・フリークエンシー・マネタリー）の優良客の値）と反応率 $30\%$ 、1人あたり期待利益 $1{,}300$ 円。そこに「月に1〜2回買う常連」というふるまい（ $F{=}21$ 回/年から逆算）、推定されるニーズ、対応する打ち手を添えると、「最近も高頻度に買う、新作に敏感な常連客」という顔の見える1人になります。これがペルソナです。注意したいのは、ニーズや打ち手は平均特徴からの解釈であり、実務では定性調査（インタビュー等）で裏取りして肉付けすること。それでも出発点は必ずデータ——空想で年齢や趣味を盛るのではなく、観測された平均像に根を張らせるのが、使えるペルソナの条件です。

セグメント別の期待利益を1枚にまとめ、**正のセグメント（狙う）と負のセグメント（外す）**を色で分けます（このブロックはセグメント表を内部で再構築し、上のランキングと同じ値を描きます）。

import matplotlib.pyplot as plt
import japanize_matplotlib
import pandas as pd

# セグメント表を再構築し、セグメント別の期待利益を正負で色分けした棒グラフにする。
c = 200
seg = pd.DataFrame({
    "セグメント": ["優良客", "離反予兆", "新規", "休眠"],
    "N":        [167, 110, 126, 203],
    "反応率r":  [0.30, 0.15, 0.20, 0.03],
    "価値v":    [5000, 5000, 2000, 2000],
})
seg["期待利益"] = seg["N"] * (seg["反応率r"] * seg["価値v"] - c)
seg = seg.sort_values("期待利益", ascending=False).reset_index(drop=True)

fig, ax = plt.subplots(figsize=(8.2, 4.6))
colors = ["C2" if p > 0 else "C3" for p in seg["期待利益"]]   # 正＝緑（狙う）, 負＝赤（外す）
bars = ax.bar(seg["セグメント"], seg["期待利益"], color=colors)
for b, p in zip(bars, seg["期待利益"]):
    off = 6000 if p > 0 else -6000
    ax.text(b.get_x() + b.get_width() / 2, p + off, f"{p:,.0f}",
            ha="center", va="bottom" if p > 0 else "top", fontsize=10)
ax.axhline(0, color="black", lw=1)
ax.set_ylabel("施策の期待利益（円）")
ax.set_title("セグメント別の期待利益：正のセグメントだけ狙う（休眠は負＝外す）")
ax.grid(alpha=0.3, axis="y")
fig.tight_layout()
plt.show()

棒グラフは期待利益の降順で、緑が黒字セグメント（優良客・離反予兆・新規＝狙う）、赤が赤字セグメント（休眠＝外す）。ゼロ線が「狙う／外す」の境界です。優良客の棒が突出して高く、休眠だけがゼロ線の下に沈んでいるのが一目で分かります。ターゲティングとは要するに、この赤い棒を施策対象から取り除く操作——図の上で言えば「ゼロ線より上の棒だけ残す」ことに他なりません。人数の多さ（休眠 $203$ 人）に引きずられず、棒の高さ（期待利益）で判断するのが要点です。

⚠️ よくある誤解

規模や反応率「だけ」で狙わない：「人数が多いセグメントを狙う」「反応率が高いセグメントを狙う」は、どちらも単独では危険です。本ノートの休眠は人数最多（ $203$ 人）でも赤字、離反予兆は反応率が新規より低くても価値 $v$ が高くて上位でした。狙うかどうかは期待利益＝規模 $N$ × 反応率 $r$ × 価値 $v$ − コスト $c$ という1本の式で測ります。規模・反応率・価値・コストは別々に眺めると必ず判断を誤る——4つを束ねて初めて「狙う／狙わない」が決まります。
反応率が高い＝施策効果が高い、ではない：これは最も根深い誤解です。反応率 $r_s$ が高いセグメントには、「施策を打たなくても、どうせ買う人」が大量に混じり得ます。彼らに接触しても売上は変わらず、コストだけかかる無駄打ちです。本当に施策が効くのは「施策を打ったから態度が変わった人＝説得可能層（persuadables）」で、これは反応率そのものではなく「施策あり／なしの反応率の差」で測ります。この差（施策の因果効果）を顧客ごとに推定して狙うのがアップリフトモデリングで、本ノートの「反応率で狙う」を一段深めた話として**第7章（実験と因果推論）**で扱います。本ノートの期待利益はあくまで「反応率＝接触したときに買う確率」を所与とした採算計算で、反応率と因果効果は別物だと意識しておいてください。
ペルソナは空想ではなく、データ起点で作る：ペルソナの落とし穴は、いつのまにか「作り手の理想の顧客」や「なんとなくの思い込み」になることです。年齢・職業・趣味を空想で盛ると、施策が実在しない誰かに最適化されてしまいます。ペルソナの骨格は必ず**観測データ（セグメントの平均特徴＝平均RFM・典型的な買い方・推定ニーズ）**に置き、定性情報はその肉付けに留めます。「このペルソナの根拠データは何か」を常に言える状態にしておくこと——データに紐づかない属性は、ペルソナではなく願望です。
ターゲットの絞りすぎ・撃ちすぎ（疲弊と飽和）：ターゲティングは強力ですが、行き過ぎると逆効果です。期待利益が高い少数のセグメント（優良客・離反予兆）にばかり繰り返し接触すると、同じ人に何度もDMやメールが届き、疲弊（フリークエンシーの過多）で反応率 $r$ 自体が下がります。また狙いを絞りすぎると母数が枯れ、新規流入が細って将来のパイプラインが痩せます。本ノートの期待利益は「1回の施策」の静的な計算で、接触を繰り返すと $r$ が逓減する動学は織り込んでいません。実務では接触頻度に上限を設け、優良層への過剰接触と未開拓層の放置のバランスを取る必要があります。「正のセグメントを狙う」は出発点であって、撃ち方（頻度・タイミング・出し分け）の設計はその先の課題です。

要点（BLUF）

1. 分けた後の二つの問い：ターゲティング（どれを）とペルソナ（どんな人を）

2. 期待利益で狙うセグメントを選ぶ（数式）

3. ターゲティングとペルソナをコードで（コード）

⚠️ よくある誤解

関連ノート