公開2024.12.23更新2026.10.21 10 人が閲覧（直近 30 日）データ分析・GA4

Recency（リーセンシー）とは？意味・読み方・使い方とRFM（Frequency・Monetary）の計算方法

recencyは「最近であること」「どれだけ最近か」を表す英語の名詞で、読み方はリーセンシーです。マーケティングではRFM分析の最初の指標として使われ、顧客が最後に購入してから何日たったかを指します。この記事では、辞書での意味・発音・英文での使い方を確認したうえで、分野ごとの使われ方の違い、RFM分析でのRecencyの計算とスコア化、計算の向きを取り違えやすい落とし穴を順に説明します。

まとめ：Recencyの意味・読み方とRFM分析での要点

recencyは不可算名詞で、Cambridge Dictionary は「the fact of being recent, or the degree to which something is recent」と定義しています。改まった語で、論文や報告書で「the recency of 〜」の形で使います。
発音記号は /ˈriː.sən.si/ で、最初の「リー」に強勢があります。カタカナではリーセンシーと書きます。
RFM分析のRecencyは「基準日 − 最終購入日」の日数です。値が小さいほど良い顧客なので、スコアを付けるときは大小を逆にします。
統計モデル系のライブラリでは、recencyが「初回購入から最終購入までの期間」を指し、値が大きいほど良い場合があります。列名が同じでも向きが逆です。
最終購入が古い顧客に限ると、購入回数が多いほど将来の購入見込みが低く出ることが、2005年の研究で示されています。経過日数はその顧客のふだんの購入間隔で割って読むのが安全です。

まず、辞書での意味と英文での使い方を確認します。

recencyの意味・読み方と英文での使い方

辞書での定義と語源

Cambridge Dictionary は recency を名詞（noun）とし、「the fact of being recent, or the degree to which something is recent」と定義しています。日本語にすると「最近であること、または物事がどの程度最近であるか」です。後半に「どの程度」とあるので、recencyは「新しいか古いか」の二択ではなく、量として測れる度合いを表します。マーケティングで日数に置き換えて使えるのは、この意味があるからです。

語源について、Online Etymology Dictionary は1610年代に現れた語で、中世ラテン語の recentia を経て、ラテン語の recens（新しい、最近なされた）にさかのぼると説明しています。英語の中では recent に -cy を付けた形と同じ成り立ちです。同じ意味の名詞に recentness もあります。

発音記号とカタカナ表記

Cambridge Dictionary の発音記号は、英国式・米国式とも /ˈriː.sən.si/ です。3音節で、第1音節の「riː」に強勢が置かれます。カタカナでは「リーセンシー」と書くのが一般的です。「リセンシー」と短く読むと、強勢のある長母音が落ちてしまいます。

綴りは recency です。receny、recensy、resency は誤った綴りです。形容詞は recent（最近の）、副詞は recently（最近）で、recency はその名詞形にあたります。

英文での使い方と例文

Cambridge Dictionary は recency に不可算名詞を表す [U] と、改まった語を表す formal のラベルを付けています。日常会話で「最近さ」と言いたいときに使う語ではなく、研究や分析の文章で「どれだけ最近か」を1つの要因として扱うときに出てくる語です。冠詞は the を付けて「the recency of 〜（〜がどれだけ最近か）」の形で使うのが基本です。

The recency of the data matters more than its volume.（データは量より、どれだけ新しいかが重要だ）
We ranked customers by the recency of their last purchase.（最終購入がどれだけ最近かで顧客を並べた）
Due to the recency of the update, few users have noticed the change.（更新されたばかりなので、変更に気づいている利用者は少ない）

「最近の購入」のように名詞を修飾したいだけなら recent purchase と形容詞を使います。recency を使うのは、新しさそのものを比べたり測ったりする文脈です。

分野ごとに異なるrecencyの指すもの

recencyは「どれだけ最近か」という共通の意味を持ちながら、分野によって測る対象と時間の単位がまったく違います。日本語の記事では、次の7つが同じ「リーセンシー」という呼び名で混ざりやすくなっています。

分野・用語	指すもの	時間の単位	典拠
RFM分析	最終購入からの経過	日〜月	Hughes 2000 ほか
広告	最終接触からの経過	日〜週	Ephron 1997
recency effect	系列の最後の項目がよく思い出される	実験条件による	Glanzer & Cunitz 1966／Bjork & Whitten 1974
recency bias	直前の出来事を重く見る判断の偏り	評価の期間による	Cambridge Dictionary
recency illusion	最近気づいた語法を新しいと思い込む	年〜世紀	Zwicky 2005
Firefox の frecency	訪問回数と最終訪問を合わせた順位	日	Mozilla
API の並び順	投稿の新しさで並べる指定	秒〜日	X API

広告と心理学：経過日数と記憶の違い

広告のリーセンシーは、Erwin Ephron が1997年に Journal of Advertising Research 37巻4号（61〜65ページ）に発表した「Recency Planning」で広まった考え方です。何回見せるかより、購入直前に接触させることを重視します。配信設計での使い方はリーセンシーとは？広告での意味とフリークエンシーの違い・設定上限で扱っています。

心理学の recency effect（親近効果・新近効果）は、単語リストを覚えたとき最後のほうの語がよく思い出される現象です。Glanzer と Cunitz の1966年の論文（Journal of Verbal Learning and Verbal Behavior 5巻4号）は、覚えた直後に数を数える作業を30秒挟むと、この効果が消えることを示しました。ただしこれは数十秒の遅延を扱った実験で、Bjork と Whitten の1974年の論文（Cognitive Psychology 6巻2号）は、長期記憶の自由再生でも親近効果が現れることを報告しています。購買や広告の経過日数という指標とは、測定対象が異なります。詳しくは親近効果とは？新近効果・親近性効果との違いと初頭効果との使い分けを参照してください。

recency bias と recency illusion：判断と思い込みの偏り

recency bias は、Cambridge Dictionary の定義では「the fact, when you are forming an opinion about something, of giving too much attention to events that have just happened」、つまり意見を作るときに直前の出来事へ注意を向けすぎることです。記憶の現象である recency effect と違い、判断の偏りを指します。人事評価では、評価期間の終わり近くの出来事で1年分の評価が決まってしまう誤りとして現れます。評価エラーとしての扱いと防ぎ方は人事評価エラーとは？11種類の具体例と原因・防ぎ方、評価者訓練の研究データで解説しています。

recency illusion は、言語学者の Arnold Zwicky が2005年8月7日の Language Log の記事で名付けた錯覚で、「the belief that things YOU have noticed only recently are in fact recent」と説明されています。自分が最近気づいた語法を、最近広まったものだと思い込むことです。同じ記事で Zwicky は、between you and I という言い方が約400年前から使われていた例を挙げています。気づいた現象を実際より頻繁に起きていると感じる Frequency Illusion と対にして論じているのも、RとFの組み合わせという点で興味深いところです。

ブラウザとAPI：並び順としてのrecency

Firefox のアドレスバーでは、履歴やブックマークの候補の順位付けに frecency が使われます。Mozilla の開発者向けドキュメントは、frequency と recency を組み合わせた造語で、どれだけ頻繁に、そしていつ最後に訪れたかの両方を重視する順位付けだと説明しています。RFMのRとFを1つのスコアに合成した例です。

SNSや検索のAPIでは、recency が並び順の指定値として出てきます。X API の直近検索（GET /2/tweets/search/recent）の sort_order パラメータが取る値は recency と relevancy の2つで、前者が投稿の新しさ、後者が関連度による並べ方です。「posting recency」は投稿がどれだけ最近かを指し、「sort by recency」は新しい順に並べることを指します。

RFM分析におけるRecency・Frequency・Monetary

3指標の定義と並び順

RFM分析は、購買履歴を3つの数値に要約して顧客を並べる手法です。後で紹介する Fader らの2005年の論文は、RFMをダイレクトマーケティングの文献に由来する要約方法と位置づけています。

指標	読み方	計算	良い値
Recency	リーセンシー	基準日 − 最終購入日	小さいほど良い
Frequency	フリークエンシー	期間内の購入回数	大きいほど良い
Monetary	マネタリー	期間内の購入金額	大きいほど良い

3つのうちRecencyだけ、値が小さいほど良いという向きになっています。スコア化で間違えやすいのはこの1点です。

Recencyが先頭に来る理由について、同じ論文は、Recencyは通常FやMより顧客を見分ける力が強いという通説があり、そのために「FRM」ではなく「RFM」と呼ばれると、Hughes『Strategic Database Marketing』第2版（2000年）を引いて説明しています。同論文では、Mを本記事の購入総額とは異なる「1取引当たりの平均購入額」として扱っています。リピート購入のあった11,506人をR・F・Mそれぞれで3等分し、モデルで推定した平均CLVを比べると、Recencyは10→62→201ドル、Frequencyは18→50→205ドル、Monetaryは31→81→160ドルでした。上位と下位の差はRecencyが最も大きく、Monetaryが最も小さくなっています。なお、広告でいうフリークエンシー（接触回数）は同じ単語でも別の指標で、フリークエンシーとは？計算式とリーチとの違い・適正回数の判断基準で扱っています。

Recencyの計算とスコア化の手順

計算は、注文データを顧客ごとに集計して最終購入日を取り、基準日との差を日数で出すだけです。基準日は集計期間の末日の翌日にしておくと、末日に買った顧客が0日でなく1日になります。経過日数で割り算や対数変換をするときに0を避けられます。次のコードは pandas 2.3.3 で実行し、出力を確認しました。

import pandas as pd

orders = pd.DataFrame({
    "customer_id": ["A", "A", "B", "C", "C", "C", "D", "E", "F", "G", "H"],
    "order_date": pd.to_datetime([
        "2026-09-20", "2026-06-02", "2026-09-01", "2026-08-15", "2026-07-01",
        "2026-05-10", "2026-03-30", "2025-12-24", "2026-09-26", "2026-09-26", "2026-01-15"]),
    "amount": [5800, 3200, 12000, 4100, 3900, 4500, 8800, 2500, 1500, 9900, 6100],
})

# 基準日（集計期間の末日 2026-09-29 の翌日）
snapshot = pd.Timestamp("2026-09-30")

rfm = orders.groupby("customer_id").agg(
    last_order=("order_date", "max"),
    frequency=("order_date", "count"),
    monetary=("amount", "sum"),
)
rfm["recency_days"] = (snapshot - rfm["last_order"]).dt.days

# 経過日数は小さいほど良いので、ラベルを逆順（5 が最新）にする
rfm["R"] = pd.qcut(rfm["recency_days"].rank(method="first"), q=5,
                   labels=[5, 4, 3, 2, 1]).astype(int)
print(rfm[["last_order", "recency_days", "R"]].sort_values("recency_days"))

出力は次のとおりです。

            last_order  recency_days  R
customer_id
G           2026-09-26             4  5
F           2026-09-26             4  5
A           2026-09-20            10  4
B           2026-09-01            29  3
C           2026-08-15            46  3
D           2026-03-30           184  2
H           2026-01-15           258  1
E           2025-12-24           280  1

2026-09-26に買ったFとGが経過4日でR=5、2025-12-24が最後のEが経過280日でR=1になります。labels=[5, 4, 3, 2, 1] と逆順に渡しているのが、Recencyだけ向きが逆であることへの対処です。

rank(method="first") を挟むのは、同じ値が多い列で分位の境界が重なるのを避けるためです。購入回数のように1回の顧客が大半を占める列に pd.qcut をそのまま使うと、手元の実行では「ValueError: Bin edges must be unique」で止まりました。ただし rank(method="first") は同じ値の顧客をデータの並び順で振り分けるので、同じ日に買った2人に別のスコアが付くことがあります。同じ値に同じスコアを付けたいときは、pd.qcut を使わずに業務の区切り（30日以内、90日以内など）で pd.cut を使うほうが説明しやすくなります。

スコアから顧客区分へのつなぎ方

R・F・Mをそれぞれ5段階にすると、組み合わせは5×5×5で125通りになり、そのままでは施策を割り当てきれません。実務では少数の区分にまとめるのが普通です。オープンソースの PyMC-Marketing（2026年10月時点の最新版1.2.0、2026-09-29リリース）の rfm_segments は各指標を4分位にし、3桁のスコアから「Premium Customer」（3指標とも4分位の上位2つ）、「At Risk Customer」（2指標以上が4分位の下位2つ）などの既定区分に振り分けます。ソースコードには、Recencyのラベルは値が小さいほど望ましいので逆順にする、というコメントがあり、先のコードと同じ処理をしています。

区分をメール配信や営業の対象リストに使うなら、スコアを分析用のファイルに閉じ込めず、CRMの顧客項目として持たせて定期的に更新するほうが運用が続きます。CRM側の項目設計や集計の自動化はZoho導入支援サービスで支援しています。区分を決めた後の施策設計は顧客セグメンテーションとは？分類軸・RFM分析・事例でわかる進め方に、顧客データベースからRFMを集計するSQLの例はデータベースマーケティングとは？顧客データの持ち方・RFM分析のSQL例・企業事例と法規制にまとめています。

Recencyの落とし穴：定義の向きと購入回数の逆説

経過日数か最終購入時点か：ライブラリで逆になる定義

顧客の将来価値を予測する統計モデル（Pareto/NBD、BG/NBD など）の世界では、recencyが「最終購入からの経過日数」ではありません。PyMC-Marketing の rfm_summary が返すrecencyは、初回購入から最終購入までの期間です（同じファイルのドキュメントの説明は「Time between the first and the last purchase」）。frequencyは、指定した時間単位に購買をまとめたうえで、初回の購買期間を除いた回数です。日単位では同日の複数注文をまとめるため、注文件数から単純に1を引いた値とは限りません。この定義では、初回購入から観測終了までの期間Tが同じ顧客同士なら、値が大きいほど最終購入が最近になります。初回購入日が異なる顧客を比較するときは、Tからrecencyを引いて最終購入後の経過期間にそろえます。

同じ関数で include_first_transaction=True を指定すると、観測期間の長さから先の値を引き、「最終購入から観測終了までの期間」に変換します。ソースコードのコメントでの呼び名は「segmentation definition」。1つのライブラリの中に、向きの違う2つのrecencyがあるわけです。Fader、Hardie、Lee の2005年の論文でも、recency（tx）は顧客の初回購入を起点にした最終購入の時点です。対象は全員が1997年1〜3月に初めて購入した顧客なので、値が大きいほど最近まで買っていた顧客として比べられます。

モデル用のrecencyを経過日数と取り違えてスコア化すると、顧客の順位を誤ります。観測期間Tが同じなら新旧の評価が逆転し、Tが異なるなら単純な逆順にもなりません。ライブラリの出力を使うときは、列名ではなくドキュメントの定義を確認してください。

購入回数が多いのに将来価値が低い顧客

Fader、Hardie、Lee の「RFM and CLV: Using Iso-Value Curves for Customer Base Analysis」（Journal of Marketing Research 42巻4号、415〜430ページ、2005年）は、オンライン音楽販売の CDNOW で1997年1〜3月に初めて購入した2万3,570人の購買を1998年6月末まで追い、RとFの組み合わせごとに、将来の取引を割り引いて合計した期待取引数（DET）を推定しました。結論のひとつが、原典で “increasing frequency” paradox と呼ばれる「購入回数増加の逆説」です。著者が公開している原稿（2005年2月版）は「For low levels of recency, customers with higher frequency are likely to have lower future purchasing potential than customers with lower past purchasing rates」と書いています。最終購入が古い顧客に限ると、過去によく買っていた顧客ほど将来の見込みが低いという意味です。

論文の説明はこうです。頻繁に買っていた顧客の購入がある時点から途絶えているなら、すでに離脱した可能性が高いと読めます。もともと購入のペースが遅い顧客なら、同じ長さの空白でもまだ離脱していない可能性が高くなります。論文の仮想例では、購入回数の少ない顧客AのDETが4.6、多い顧客Bが1.9で、Aのほうが価値が高いと推定されました。

RFMのスコアを足し算で合計すると、この関係は消えます。R=1・F=5の顧客とR=3・F=3の顧客が同じ合計6点になりますが、前者はすでに離脱している可能性が高い集団です。スコアは合計せず、RとFの組み合わせのまま見るべきです。

Recencyを重く見ると判断を誤る条件

前の節の逆説が示すとおり、空白期間の長さはその顧客のふだんの購入間隔と比べて初めて意味を持ちます。全員に同じ物差しで経過日数を当てるRFMのRecencyは、次の3つに当てはまる場合に判断を誤ります。

家電や住宅設備など、買い替え周期が年単位の商材。最終購入から300日たっていても、まだ使っている途中です。
集計期間の終わり近くに初めて買った新規顧客。1回しか買っていなくてもR=5になり、リピーターと区別できません。
おせちや年賀状のように購入時期が年末に集中する季節商品。春や夏に集計すると、Recencyの差は購入意欲ではなく前回の年末に買ったかどうかしか表しません。

ふだんの購入間隔で割って補正するコード

補正の方法は単純で、経過日数をその顧客の平均購入間隔で割ります。1前後なら、いつもどおりの間隔で次の購入を待っている状態です。1を大きく超えるほど、いつもより間が空いています。次のコードも pandas 2.3.3 で実行しました。

import pandas as pd

orders = pd.DataFrame({
    "customer_id": ["X"] * 5 + ["Y"] * 2 + ["Z"],
    "order_date": pd.to_datetime([
        "2026-05-02", "2026-05-17", "2026-06-01", "2026-06-16", "2026-07-01",
        "2025-10-01", "2026-04-01",
        "2026-08-20"]),
})
snapshot = pd.Timestamp("2026-09-30")

g = orders.sort_values("order_date").groupby("customer_id")["order_date"]
rfm = pd.DataFrame({
    "recency_days": (snapshot - g.max()).dt.days,
    "frequency": g.count(),
    # 購入と購入の間隔の平均（1回しか買っていない顧客は NaN）
    "avg_gap_days": g.apply(lambda s: s.diff().dt.days.mean()),
})
# 経過日数をふだんの購入間隔で割る（1 を大きく超えるほど、いつもより空いている）
rfm["recency_ratio"] = (rfm["recency_days"] / rfm["avg_gap_days"].where(rfm["avg_gap_days"] > 0)).round(2)
print(rfm)

             recency_days  frequency  avg_gap_days  recency_ratio
customer_id
X                      91          5          15.0           6.07
Y                     182          2         182.0           1.00
Z                      41          1           NaN            NaN

経過日数だけを見ると、91日のXは182日のYより「最近の顧客」で、購入回数も多いため、RとFではXの評価が高くなります。購入金額は示していないので、Mを含む総合評価はできません。

ところがXは15日ごとに買っていた顧客で、いまは平常の6倍の間が空いています。Yの経過日数は、観測できた1回の購入間隔と同じ182日です。ただし、購入2回だけでは半年周期とは断定できません。この比率は購入の空白を過去の間隔と比較する補助指標であり、Faderらのモデルによる将来購入見込みの推定を再現するものではありません。

1回しか買っていないZは間隔が計算できないため、単回購入顧客として別に扱います。新規顧客かどうかは、初回購入からの経過日数で判断します。季節商品では、同じ販売シーズン同士で購入履歴を比較し、前シーズンの購入有無も確認します。Recencyを除外するかどうかは、翌シーズンの購買を使って分類結果を検証してから決めます。