マーケティング分析再現：RFM/CLV/キャンペーン効果｜“意思決定に効く数字”を90分で出す実務テンプレ

-- 返品を控除し、顧客×日で集計（SQLite想定）
CREATE VIEW IF NOT EXISTS v_txn_daily AS
SELECT customer_id,
       DATE(order_date) AS d,
       SUM(amount) AS revenue,
       COUNT(DISTINCT order_id) AS orders
FROM transactions
GROUP BY 1,2;

import pandas as pd

TX = pd.read\_csv("transactions.csv", parse\_dates=\["order\_date"], dtype={"customer\_id":"string"})
TX = TX.assign(d=TX\["order\_date"].dt.date)
ref = TX\["d"].max()  # 参照日（最新日）

agg = TX.groupby("customer\_id").agg(
recency   = ("d", lambda s: (ref - s.max()).days),
frequency = ("order\_id", "nunique"),
monetary  = ("amount", "sum")
).reset\_index()

# スコア化（五分位）

for c, asc in \[("recency", True), ("frequency", False), ("monetary", False)]:
agg\[c+"\_q"] = pd.qcut(agg\[c].rank(method="first", ascending=asc), 5, labels=\[1,2,3,4,5]).astype(int)
agg\["RFM"] = agg\[\["recency\_q","frequency\_q","monetary\_q"]].astype(str).agg("".join, axis=1)

# pip install lifetimes
import pandas as pd
from lifetimes.utils import summary_data_from_transaction_data
from lifetimes import BetaGeoFitter, GammaGammaFitter

TX\['date'] = pd.to\_datetime(TX\['order\_date'])
sumdata = summary\_data\_from\_transaction\_data(
TX, 'customer\_id', 'date',
monetary\_value\_col='amount',
observation\_period\_end=TX\['date'].max()
)

# 単価が0以下は除外

sumdata = sumdata\[sumdata\['monetary\_value'] > 0]

bgf = BetaGeoFitter(penalizer\_coef=0.001)
bgf.fit(sumdata\['frequency'], sumdata\['recency'], sumdata\['T'])

# 90日先の購入回数期待値

sumdata\['freq\_90'] = bgf.conditional\_expected\_number\_of\_purchases\_up\_to\_time(
90, sumdata\['frequency'], sumdata\['recency'], sumdata\['T']
)

ggf = GammaGammaFitter(penalizer\_coef=0.001)
ggf.fit(sumdata\['frequency'], sumdata\['monetary\_value'])

# 期待平均単価とCLV（粗利率=0.4の例）

sumdata\['avg\_value'] = ggf.conditional\_expected\_average\_profit(
sumdata\['frequency'], sumdata\['monetary\_value']
)
margin = 0.4
sumdata\['CLV\_90'] = sumdata\['freq\_90'] \* sumdata\['avg\_value'] \* margin

import numpy as np
from statsmodels.stats.proportion import proportions_ztest

# 例：A,Bのコンバージョン

conv = np.array(\[xA, xB])
nobs = np.array(\[nA, nB])
stat, pval = proportions\_ztest(conv, nobs, alternative='larger')

# pval < 0.05 なら「BがAより有意に高い」

# CUPED（分散削減）：プレ指標を共変量に使う
import numpy as np
X_pre = df['rev_pre']; Y = df['rev_exp']
theta = np.cov(Y, X_pre, bias=True)[0,1] / np.var(X_pre)
Y_adj = Y - theta * (X_pre - X_pre.mean())

# 差分の差（店舗/期間比較）
# uplift = (treat_after - treat_before) - (ctrl_after - ctrl_before)

月間増分予算 = Σ セグメントi { 予測CLV_i × 到達数_i × 期待反応率_i × マージン − 配布コスト_i }

# マーケティング分析サマリ（YYYY-MM-DD）
## 結論
- RFM上位2セグメント（555/551）でCLV中央値は全体比+2.1倍。今月は**限定先行×レビュー**を実施。
- キャンペーンBのCRはA比+0.8pt（p=0.03）、増分売上は**+¥12.3M**見込み。

## 根拠

* RFMヒートマップ、CLV分布、CR差分の95%CI、ウォーターフォール。

## アクション

* 上位20%へメール/アプリPUSHを**週1**、低CLV×高返品へは**値引き停止**。
* 次回は**CUPED**導入で分散削減、**A/A**で基準線更新。