顧客データ分析とは？BtoBで成果につなげる6つの手法と施策設計への接続手順

顧客データ分析とは、自社が保有する顧客の属性情報・購買履歴・行動データを集計・考察し、マーケティング施策の精度を高める取り組みです。

本記事では、分析手法の選定からBtoB固有の指標設計、さらにスコアリングや営業連携への接続まで、商談を生むための「分析後のアクション設計」を含めて解説します。

顧客データ分析とは？「記録を集める」だけで終わらせないために

「CRM（顧客関係管理システム）にデータは入っているが、それを見ても次の施策が決まらない」と、BtoBマーケティング担当者からよくご相談をいただきます。

データを「記録」として扱っている限り、この状況は変わりません。分析によって初めて、データは「判断の材料」に変わります。

重要なのは、目的を先に設定すること、BtoBに合った指標を使うこと、そして分析結果を施策に接続する仕組みを持つことです。

分析はあくまで手段であり、商談創出・LTV（顧客生涯価値）向上・解約率の低下といった事業上の目的に接続されて初めて意味を持ちます。

セグメンテーション分析で「誰をターゲットにするか」を決め、RFM（Recency/Frequency/Monetary）分析で「今の顧客状態」を把握し、その結果をMA（マーケティングオートメーション）のスコアリングに落とし込む流れが、BtoBでの基本的な活用サイクルです。

本記事は「分析手法の入口」として機能する設計になっています。各手法の詳細な実装手順は、それぞれの専門記事へ内部リンクを記載しますので、目的に応じて読み進めてください。

なぜBtoBでは「分析の設計」がBtoCと異なるのか

BtoBで顧客データ分析が難しい理由は、購買プロセスに複数の意思決定者が関わり、検討期間が数ヶ月から1年以上になることがあるからです。

BtoCでは個人が比較的短い期間で購買を決めることが多く、購入回数・金額・最終購入日というRFMの3指標をそのまま使えます。一方、BtoBでは論理的な根拠が重視される傾向があり、次の3点が異なります。

• 検討期間の長さ：1回の接触でコンバージョンしません。数ヶ月にわたる関係構築が必要です
• 複数関与者の存在：担当者・課長・役員など複数人が意思決定に関与します
• 法人属性の重要性：個人属性ではなく、業種・企業規模・部門予算という「ファームグラフィック変数」が購買確度に影響します

RFM分析の「F（購入頻度）」をBtoBで使う場合、「購入回数」ではなく「案件化回数」や「契約更新回数」に読み替えて設計する必要があります。この「指標の再定義」が、BtoBで分析精度を高めるための第一歩です。

顧客データ分析の目的：ターゲット特定・ニーズ把握・施策検証の3つとは何ですか？

顧客データ分析の目的は、ターゲットの特定・顧客ニーズの把握・既存施策の検証の3つに集約されます。

• ターゲットの特定：どの業種・規模・部署の企業が受注に至りやすいかを数値で特定します
• 顧客ニーズの把握：どのコンテンツに反応し、どの課題を抱えているかを行動データから読み取ります
• 既存施策の検証：現在のナーチャリングシナリオや広告施策が本当に有効かをデータで確認します

弊社の支援事例では、「展示会で名刺を100枚獲得しても商談化が3件しかない」という課題を持つBtoB企業が、既存受注顧客のデータを分析した結果、「従業員数100名以上・IT部門が窓口・初回接触から45日以内に資料請求を行った企業」という受注パターンを特定し、同パターンへの集中アプローチによって商談化率を改善したケースがあります。

分析に使う顧客データの2種類：定量データと定性データ

顧客データ分析で扱うデータは、定量データと定性データの2種類です。どちらが優れているわけではなく、組み合わせが重要です。

数値だけでは顧客の意思決定の背景にある心理が見えず、質的情報だけでは施策の優先順位がつけられません。定量データで「何が起きているか」を把握し、定性データで「なぜ起きているか」を理解することで、分析の精度が上がります。

定量データとは：数値で把握できる行動・属性・取引履歴

定量データは、明確に数値化できるデータです。BtoBで特に重要な定量データは以下のとおりです。

• 企業属性：業種・従業員数・資本金・設立年数
• 取引履歴：受注金額・案件化回数・契約更新回数・失注日
• 行動データ：Webサイト訪問ページ・滞在時間・資料ダウンロード回数・メール開封率
• プロセスデータ：初回接触から商談化までの日数・商談から受注までのリードタイム

定量データは、CRM（顧客関係管理）やMA、SFA（営業支援システム）に蓄積されます。各ツールの役割分担については後の章で整理します。

顧客データをツールに正しく蓄積する方法については、顧客データ管理の仕組みと実践ステップで詳しく解説しています。

定性データとは：アンケート・インタビューで得る「なぜ」の情報

定性データは、数値では表しにくい質的な情報です。BtoBで特に価値が高いのは、失注理由・導入目的・課題感のヒアリング結果です。

主な収集手段は次の3つです。

• 受注時のヒアリング：「なぜ弊社を選んだか」「他社と何を比較したか」
• 失注後のヒアリング：「なぜ採用しなかったか」「どの要素が不足していたか」
• 展示会・ウェビナー後のアンケート：自由記述欄から潜在ニーズを抽出します

定性データを活用することで、定量分析では見えなかった受注パターンの背景が理解できます。たとえば、定量データで「IT業界・従業員100名以上が受注しやすい」とわかっても、「なぜその層が選ぶのか」はヒアリングなしには判明しません。

BtoBで使える顧客データ分析の6つの手法

BtoBで顧客データ分析に使える代表的な手法は、セグメンテーション分析・RFM分析・デシル分析・バスケット分析・コホート分析・行動トレンド分析の6つです。

手法の定義を知るだけでなく「いつ・何の目的で使うか」を理解し、BtoB固有の指標再定義を行った上で複数手法を組み合わせることが、分析精度を高めるポイントです。

BtoCで設計された手法をそのままBtoBに適用すると、「購入回数が多い顧客が優良」という誤った判断を招くことがあります。手法ごとのBtoB向け読み替えが重要です。

手法1：セグメンテーション分析｜「誰をターゲットにするか」を数値で決める

セグメンテーション分析は、顧客を共通属性でグループ分けし、施策の対象を明確にする手法です。

BtoBでは次の4軸を組み合わせて使います。

• 地理的変数：国・地域・都市規模
• ファームグラフィック変数（BtoB特有）：業種・従業員数・売上規模・資本金・上場区分
• 行動変数：訪問ページ・資料ダウンロード履歴・スコアリング段階
• テクノグラフィック変数：導入しているITツール・MA活用度

「従業員50〜300名・SaaS業界・マーケ部門が窓口」というセグメントと「従業員300名以上・製造業・IT部門が窓口」というセグメントでは、訴求すべきメッセージもナーチャリングの間隔も異なります。セグメントを定義することで、一斉配信ではなく「このグループにはこのコンテンツ」という出し分けが可能になります。

セグメント設計の具体的な実装手順については、BtoBセグメンテーション分析の実践手順で詳しく解説しています。

手法2：RFM分析｜既存顧客の「今の状態」を3指標で立体的に把握する

RFM分析は、R（Recency：最終購入日）・F（Frequency：購入頻度）・M（Monetary：購入金額）の3指標で顧客を分類する手法です。

BtoBでは指標の再定義が重要です。次のように読み替えて使います。

この再定義によって、「直近で商談化し、複数回の取引があり、累計金額が高い顧客」を優良顧客として特定できます。特にサブスクリプション型のBtoB SaaSでは、解約率の低減とアップセル機会の特定に有効です。

ExcelでのRFM分析の実践手順については、BtoB向けRFM分析のExcel手順で詳しく解説しています。

手法3：デシル分析｜売上貢献度の高い顧客層を10分割で可視化する

デシル分析は、全顧客を購入金額の多い順に10等分し、各グループの売上構成比率を算出する手法です。

「どの顧客層に営業リソースを集中すべきか」を判断したいフェーズに向いています。特に、営業部門が担当顧客を多数抱えている企業で、優先度の整理に使われます。

たとえば、上位20%の顧客が売上全体の80%を占めているとわかれば、そのグループへの優先対応とロイヤルティ強化施策が合理的な判断になります。

RFM分析との使い分けは次のとおりです。

• デシル分析：まず現状の売上貢献度を大まかに把握したいときに使います（シンプル・導入しやすい）
• RFM分析：購入頻度・最終購入日も含めた多角的な顧客状態を把握したいときに使います（複雑・精度高い）

デシル分析の計算手順とMAとの連携方法については、デシル分析の計算手順とMA活用法で詳しく解説しています。

手法4：バスケット分析｜「一緒に選ばれるサービス」の組み合わせを発見する

バスケット分析は、同時に購入・契約されたサービスの組み合わせパターンを分析する手法で、受注データが一定量（目安として100件以上）蓄積された段階でクロスセル機会を探りたいときに向いています。

担当するのはマーケティング部門か、営業戦略を担う部門です。「MA導入企業の多くがインサイドセールス構築支援も同時に依頼している」といったパターンを発見し、追加提案のタイミング設計に活用できます。

受注データからサービスの組み合わせ傾向を抽出し、「このサービスを契約した企業は、3ヶ月後に追加でこのサービスを検討しやすい」という仮説を立て、MAのシナリオに組み込みます。

手法5：コホート分析｜特定の時期に獲得した顧客の長期的な行動傾向を追う

コホート分析は、同じ時期に獲得した顧客グループ（コホート）の行動を時系列で追い、継続率や離脱パターンを比較する手法で、BtoB SaaSやサブスクリプション型ビジネスで特に有効です。

たとえば、「2024年1月に獲得した顧客コホートは、6ヶ月後の継続率が72%だったが、2024年7月コホートは58%に低下している」という傾向が見えると、特定の時期に何が起きたか（オンボーディング品質・担当者変更など）を特定し、解約防止施策の優先順位を決定できます。

LTV分析との連携については、LTV分析のBtoB向け計算方法も合わせて参照してください。

手法6：行動トレンド分析｜「いつ・どこで」顧客が動くかを時系列で把握する

行動トレンド分析は、顧客の行動データを時系列で集計し、季節・イベント・施策別の反応パターンを把握する手法です。

BtoBでの活用は、「期末の2ヶ月前から資料請求が増加する傾向がある」「特定キャンペーン後の数週間はWebサイト訪問数が増える傾向が観測される（自社調査）」といったパターンの特定です。

これをMAのスコアリング設計に接続することで、「行動が活発化するタイミングで自動的に営業通知が届く」仕組みが構築できます。

例えば、期末前2ヶ月に特定ページを訪問したリードのスコアに時間的な重み付けを加えるルールを設定する、などです。

手法選定の判断基準｜自社の「分析目的」で選ぶべき手法が変わります

使用する手法は、「何を明らかにしたいか」という分析目的によって決まります。

目的を先に決めてから手法を選び、複数手法を組み合わせる。まずシンプルな手法から着手するのが、現実的なアプローチです。

弊社の支援事例では、まずデシル分析で「上位20%の顧客層の共通属性」を特定し、その属性をセグメンテーション設計に反映させるアプローチが、初期の費用対効果の観点で機能するケースが多いです。

分析結果を「施策」に落とし込む4つの接続手順

どれだけ精度の高いセグメント分析を行っても、その結果がMAのスコアリングルールや営業連携フローに反映されなければ、施策は変わりません。

セグメントやスコアの設計結果をMAのルール・シナリオ・営業連携フローに変換する、この4ステップが商談創出には不可欠です。

Step.1：分析結果をスコアリング設計に落とし込む

顧客データ分析で得た「受注しやすい顧客の特徴」をMAの採点ルールに変換する作業です。手順は次のとおりです。

1. 受注顧客データを分析し、「どの属性・行動を持つリードが商談化しやすかったか」を特定します
2. 属性スコア（業種・規模・役職）と行動スコア（訪問ページ・資料DL・メール開封）の2軸を設計します
3. 閾値（商談化基準点）を設定し、達成したリードを営業に自動通知する仕組みを作ります

弊社の支援事例では、受注データとスコアリング項目の統計的な相関分析を行い、「感覚的な重み付け」ではなく「受注確率に基づく客観的な点数配分」を実現しました。

スコアリング設計の具体的な手順とテンプレートについては、スコアリング設計の実践テンプレートで詳しく解説しています。

Step.2：MAシナリオとセグメントを紐づける

セグメント分析で定義したグループごとに異なるナーチャリング内容を自動配信する設計です。

一斉配信では「全員に同じメール」が届きますが、セグメント別シナリオでは次のように出し分けます。

• セグメントA（製造業・従業員300名以上）：導入事例集・費用対効果の数値を中心としたコンテンツを配信します
• セグメントB（SaaS・従業員50名未満）：スモールスタート事例・初期設定の簡単さを訴求するコンテンツを配信します

この出し分けによって、メール開封率・クリック率・商談化率のいずれも改善する傾向があります。

Step.3：営業とMQL（マーケティングクオリファイドリード）基準を合意する（SLA（サービスレベルアグリーメント）の設計）

マーケティング部門が「商談可能な状態」と判断してリードを営業に引き渡す際の基準を、両部門で文書化する取り組みです。

分析結果を施策に接続する際に壁になりやすいのが、「マーケが渡したリードを営業が使わない」という状況です。「良いリード」の定義が両部門で共有されていないことが原因です。

SLAに盛り込む項目は次のとおりです。

• MQLの定義（スコア○点以上かつ業種・規模の条件を満たすリード）
• 営業の初回アクション期限（MQL認定後○時間以内に初回連絡）
• フィードバックの方法（アプローチ結果をCRMに入力するルール）

MQL基準の設計とSLAの構築方法については、営業が納得するMQL判定基準の作り方で詳しく解説しています。

Step.4：効果測定とPDCA：分析を「一度きり」で終わらせないために

顧客データ分析は「一度やれば完成」ではありません。施策を実行した後に数値を確認し、分析モデル・スコアリングルール・シナリオを定期的に更新し続けるサイクルが必要です。

市場・競合・自社の状況が変化するたびに、「どの属性・行動が受注確度と相関するか」というパターンも変化します。

弊社の支援事例では、四半期に一度、受注データとスコアリング項目の相関を確認し、点数配分を見直すレビュー会議を設けることで、分析精度を継続的に高めている企業が成果を出しています。

追うべきKPIは次のとおりです。

• MQL→SQL（セールスクオリファイドリード）転換率
• スコア閾値到達リードの商談化率
• セグメント別の受注率の変化

BtoBで顧客データ分析を始める前に整えるべき3つの基盤

分析前に整えるべき基盤は、ツール連携・データ入力ルール・KPI設定の3つです。

ツールを導入するよりもデータ品質の整備が先であり、分析目的とKPIを先に設定してからデータ収集に入ることが重要です。

品質の低いデータで分析を行うと、誤ったセグメントや根拠のないスコアリングが生まれ、営業との信頼関係を損ないます。ツールを揃える前に、この3つを整えておくことが先決です。

基盤1：MA・CRM・SFAを連携させてデータを一元化する

MAで行動データを収集し、SFAで商談進捗を管理し、CRMで顧客情報を一元化する役割分担の設計です。

3ツールが連携していない企業では、「MAにはWebの行動データが、SFAには商談履歴が、Excelには受注データがバラバラに存在する」という状態が起きがちです。この分断を解消することが、精度の高い顧客データ分析の前提条件です。

基盤2：リードの定義と入力ルールを社内で統一する

「どのデータを・誰が・いつ・どの形式で入力するか」を社内で合意し、文書化することです。

データ品質が低い状態では、どれだけ高度な分析手法を使っても信頼できる結果は得られません。統一すべき項目は次のとおりです。

• 企業名の入力形式（株式会社の位置・略称の禁止など）
• 業種の選択肢（SaaS・製造業・IT・コンサルなど、自社に合ったカテゴリを定義）
• 失注理由の入力必須化（価格・競合・時期・担当者変更など）

基盤3：分析目的とKPIを先に設定する

「何を明らかにするための分析か」「どの数値が改善されれば成功か」を決めてからデータ収集・分析に入ることです。

目的が不明確なまま分析を始めると、「データを見たが、結局何も変わらなかった」という状態になりがちです。「商談化率を現在の8%から12%に高める」という目的があれば、「どの属性・行動を持つリードが商談化しやすいか」を明らかにするための分析設計ができます。

「とりあえずRFM分析をやってみよう」という出発点では、施策への接続が難しくなります。

顧客データ分析でよくある3つの失敗パターンと対応策

顧客データ分析が施策改善につながらない原因として、BtoB企業で繰り返し見られる失敗パターンが3つあります。

失敗の多くはツールや手法の問題ではなく、目的設定と合意形成の問題です。事前に対応策を知っておくことで回避できます。

失敗パターン1：分析のための分析に陥り、施策が変わらない

分析の「目的」ではなく分析の「完成」が目標になっているために起きます。

対応策は、分析に着手する前に「この分析結果が出たら、次に何をするか」を先に決めておくことです。「RFM分析の結果、上位20%の顧客が特定されたら、その属性をMAのスコアリング設計に反映する」というアクションを事前に合意した上で分析を開始します。

失敗パターン2：BtoCの手法をBtoBにそのまま適用して精度が出ない

BtoCで開発されたRFM・デシル分析の指標を、BtoBの購買プロセスに合わせて再定義しないままツールに設定するために起きます。

対応策は、本記事の「手法2：RFM分析」で説明した「指標の再定義」を必ず行うことです。「購入回数」を「案件化回数」に、「購入金額」を「累計受注金額」に読み替えた上で分析を設計します。

失敗パターン3：営業と「良いリード」の定義が共有されておらず分析結果が使われない

マーケティング部門が単独で分析・スコアリング設計を行い、営業部門との合意形成が後回しになっているために起きます。

対応策は、Step.3で解説したSLAの設計を先行させることです。「営業が"良い"と感じたリードの共通属性は何か」をヒアリングし、それをスコアリング設計の入力情報として使うことで、営業が信頼できる分析結果を作れます。

弊社の支援事例では、スコアリング設計の前段階として「営業担当者5名へのインタビュー（各30分）」を実施し、「受注につながった商談の共通点」を定性的に収集するワークショップを設けることで、部門間の合意形成を円滑に進めています。

まとめ｜顧客データ分析は「施策設計の起点」として位置づける

• 顧客データ分析とは、顧客の属性・行動・取引履歴を分析し、マーケティング施策の精度を高めるプロセスです。「記録」で終わらせず、施策設計に接続することが目的です
• BtoBでの分析設計は、BtoCと異なり、長い検討期間・複数意思決定者・法人属性（ファームグラフィック変数）を考慮した指標再定義が必要です
• 代表的な6つの手法は、セグメンテーション分析・RFM分析・デシル分析・バスケット分析・コホート分析・行動トレンド分析です。目的に応じて組み合わせて使います
• 分析後の接続手順は、①スコアリング設計→②MAシナリオ連携→③営業とのMQL基準合意（SLA）→④効果測定とPDCAの4ステップで構成されます
• 分析前の基盤整備として、MA・CRM・SFAの連携・データ入力ルールの統一・KPIの先設定の3つを整えることが、分析精度を左右します

よくある質問（FAQ）

Q1. 顧客データ分析とは何ですか？

顧客の属性情報・購買履歴・行動データを集計・考察し、マーケティング施策や営業戦略の精度を高める取り組みです。分析によってデータが「記録」から「判断の材料」に変わります。

Q2. BtoBでRFM分析を使う場合、指標はどう設定すればいいですか？

BtoBでは「購入回数」を「案件化回数・契約更新回数」に、「購入金額」を「累計受注金額・年間契約額」に再定義して使います。BtoCの指標をそのまま適用すると実態と合わない分類が生まれるため、自社のビジネスモデルに合わせた再定義が必要です。

Q3. 顧客データ分析を始めるには何から着手すればいいですか？

まず「分析の目的」を決めてください。「商談化率を上げたい」「優良顧客を特定したい」など目的を明確にしてから、手法を選定します。複雑な設計が不要なデシル分析かセグメンテーション分析から始めると、現状把握がしやすいです。

Q4. 顧客データ分析の結果をMAのスコアリングに接続するにはどうすればいいですか？

受注顧客データから「受注しやすい顧客の属性・行動の共通点」を特定し、その特徴をMAのスコアリングルール（属性スコアと行動スコアの2軸）に変換します。統計的な相関分析を活用することで、感覚的な点数設計ではなく客観的な重み付けが可能になります。

Q5. 定量データと定性データはどちらが重要ですか？

どちらが優れているわけではなく、両方の組み合わせが重要です。定量データで「何が起きているか」を把握し、定性データ（ヒアリング・失注理由）で「なぜ起きているか」を理解することで、施策の精度が上がります。

Q6. 顧客データ分析でよくある失敗パターンは何ですか？

よく見られる失敗パターンは3つです。①分析のための分析に陥り施策が変わらない、②BtoCの手法をBtoBにそのまま適用して精度が出ない、③営業との「良いリード」の定義が共有されず分析結果が使われない。いずれもツールの問題ではなく、目的設定と部門間の合意形成の問題です。

Q7. セグメンテーション分析とRFM分析はどう使い分ければいいですか？

ターゲット特定やコンテンツの出し分けを目的にする場合はセグメンテーション分析を使います。既存顧客の優良度・休眠状態の把握を目的にする場合はRFM分析を使います。2つを組み合わせることで、「誰が・どんな状態にあるか」を立体的に把握できます。

Q8. MA・CRM・SFAが連携していない状態で顧客データ分析を始められますか？

始めることはできますが、精度に限界があります。まずExcelやスプレッドシートで受注顧客データを手動で集計し、デシル分析やセグメンテーション分析から着手するのが手順として自然です。ツール連携は段階的に進め、分析の目的と活用イメージが固まった段階でMA・CRM・SFA連携を設計するほうが費用対効果が高まります。