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

データベースマーケティングとは、顧客一人ひとりの属性・購買履歴・接触履歴をデータベースに蓄積し、「誰に・いつ・何を届けるか」をそのデータで決めるマーケティング手法です。この記事では、言葉の意味と成り立ちから、顧客データベースに持つべきデータとテーブル設計、RFM分析のSQL実装と落とし穴、効果検証の進め方、TescoとVポイントの企業事例、CRM・CDPとの違い、個人情報保護法と特定電子メール法の注意点までを、一次資料と実測で整理します。

まとめ：データベースマーケティングの要点

• データベースマーケティングは、顧客を個人単位で識別し、属性・購買・接触の履歴から「誰に・いつ・何を届けるか」を決める手法です。目的は既存顧客の維持とLTVの最大化にあります。
• 顧客データベースには、属性・取引・接触・同意の4種類を顧客IDで結びつけて持ちます。同意はチャネル別・取得日時つきで記録します。
• 分析の定番はRFM分析です。ただしNTILEで機械的に5分割すると同じ購入回数の顧客が別ランクに割れ、購入回数が多いのに最近買っていない顧客は離反の兆候と読む必要があります。
• 効果は、配信しなかった対照群との差で測ります。優良顧客は何もしなくても買うため、配信群の購入率だけでは効果を過大に見積もります。
• 購買履歴を分析して広告に使うなら、利用目的にそのことを具体的に書く必要があります。広告メールは原則として事前同意が必要で、同意に基づいて送る場合は同意を証する記録を保存します。

データベースマーケティングの意味と成り立ち

データベースマーケティングは、不特定多数に同じ広告を届けるマス広告と対照的に、顧客を個人単位で識別し、その人の過去の行動から次の働きかけを決める手法です。グロービス経営大学院の用語解説は「顧客の属性や過去の取引履歴、DMの発送記録情報など顧客に関するデータや情報を一元的に管理、蓄積し、さまざまな角度から分析したうえで効果的な販売施策を講じるマーケティング手法」と定義しています。

源流は、カタログ通販などのダイレクトマーケティングにあります。通販企業は以前から顧客名簿と注文記録を手作業で管理し、反応の良い顧客にカタログを送っていました。コンピュータで大量の顧客データを保存・集計できるようになり、名簿の管理が「データベースを分析して働きかけを決める」手法へと発展したのがデータベースマーケティングです。1994年に初版が出た Arthur M. Hughes の『Strategic Database Marketing』は、版を重ねた第4版でも1章をRFM分析による利益づくりに充てており、RFMがこの分野の中心的な道具であり続けていることが分かります。

目的は新規顧客の獲得よりも、既存顧客の維持と顧客生涯価値（LTV）の最大化に置かれます。購入実績のある顧客は、誰が・いつ・何を買ったかが分かっているため、反応しそうな人だけに絞って働きかけられるからです。

顧客データベースに持つ4種類のデータと最小のテーブル設計

データベースマーケティングの成否は、分析手法より先に「何を記録しているか」で決まります。最低限、次の4種類を顧客IDで結びつけて持ちます。

見落とされやすいのが「接触」と「同意」です。接触履歴には配信日時と施策IDを記録し、施策ごとの対象者と配信群・対照群への割り付けも残します。配信回数の集計と効果比較には、これらの記録が必要です。同意は後述する特定電子メール法で記録の保存が求められる情報なので、顧客マスタの1列（メール可否のフラグ）ではなく、チャネルごと・取得日時つきの別テーブルで持つ方が安全です。

CREATE TABLE customers (
  customer_id  integer PRIMARY KEY,
  email        text UNIQUE,
  prefecture   text,
  birth_year   integer,
  created_at   date NOT NULL
);
CREATE TABLE orders (
  order_id     integer PRIMARY KEY,
  customer_id  integer NOT NULL REFERENCES customers,
  ordered_at   date NOT NULL,
  amount       integer NOT NULL
);
CREATE TABLE consents (
  customer_id  integer NOT NULL REFERENCES customers,
  channel      text NOT NULL,        -- 'email' 'dm' 'push' など
  opted_in     boolean NOT NULL,
  recorded_at  timestamptz NOT NULL, -- 同意・撤回の日時
  PRIMARY KEY (customer_id, channel)
);

名寄せでは、複数の接点に分かれた顧客情報の照合が必要です。ECの会員ID、店舗のポイントカード番号、問い合わせフォームのメールアドレスが別々に登録されていると、同じ人が3人の顧客として数えられ、購入回数も金額も分散します。複数の接点のデータを一つの顧客IDにまとめる基盤を専用に用意する場合は、CDP（カスタマーデータプラットフォーム）の守備範囲になります。

分析手法の使い分け：RFM・デシル・コホート・バスケット分析

蓄積したデータを施策につなげる分析は、答えたい問いで選びます。

どの手法も、結果は「顧客をどう分けるか」というセグメンテーションに行き着きます。ここでは購買履歴から顧客を分類するRFM分析を、SQLで実装する例と、実装でつまずきやすい点を示します。

RFM分析をSQLで実装する例

RFMは Recency（最終購入からの経過日数）・Frequency（購入回数）・Monetary（購入金額）の3指標で顧客を順位づける方法です。次のSQLは、2026年10月1日の開始時点を基準に、直前365日の注文から3指標を集計して5段階に分けます。この期間に購入がない顧客は対象外なので、長期休眠顧客は別に抽出します。PostgreSQL 18.6 で、架空の顧客1,000人・注文6,000件を生成して実行しました。

WITH base AS (
  SELECT customer_id,
         DATE '2026-10-01' - MAX(ordered_at) AS recency_days,
         COUNT(*)                            AS frequency,
         SUM(amount)                         AS monetary
  FROM orders
  WHERE ordered_at >= DATE '2026-10-01' - INTERVAL '365 days'
    AND ordered_at < DATE '2026-10-01'
  GROUP BY customer_id
), scored AS (
  SELECT *,
         NTILE(5) OVER (ORDER BY recency_days DESC) AS r,  -- 最近ほど5
         NTILE(5) OVER (ORDER BY frequency)         AS f,
         NTILE(5) OVER (ORDER BY monetary)          AS m
  FROM base
)
SELECT COUNT(*) AS segment_size,
       COUNT(*) FILTER (WHERE c.opted_in) AS sendable
FROM scored s
LEFT JOIN consents c
  ON c.customer_id = s.customer_id AND c.channel = 'email'
WHERE s.r >= 4 AND s.f >= 4;

 segment_size | sendable
--------------+----------
          282 |      190

R・Fともに4以上の顧客は282人で、そのうちメール配信の同意がある顧客は190人でした。分析上の対象者数と、実際に送ってよい人数は別物です。配信リストを作るSQLには、必ず同意テーブルとの結合を入れます。

NTILEによる同一購入回数のランク分断

NTILE は行数を均等に分けるだけで、値が同じ行を同じ階級にそろえません。上の架空データで購入回数ごとにFランクを確認すると、購入4回の537人がF=2・3・4の3つのランクに分かれていました。

 frequency |  tiles  | count
-----------+---------+-------
         3 | {1,2}   |   205
         4 | {2,3,4} |   537
         5 | {4,5}   |   258

同じ4回購入の顧客が、ある人は「上位」、別の人は「中位」として扱われ、施策の対象から外れるかどうかが行の並び順で決まってしまいます。実際、同じ注文データに対して上のSQLを実行し直すと、初回は281人・188人だった結果が282人・190人に変わりました（2回目は集計期間の上限条件を足しましたが、生成データに基準日以降の注文は無く、集計対象は同じです）。同順位の行をどちらの階級に入れるかが実行のたびに変わりうるためで、ORDER BY frequency, customer_id のように一意な列を足せば結果は固定されますが、同じ回数の顧客が別ランクに割れること自体は変わりません。購入回数のように同じ値が多い指標は、CASE WHEN frequency >= 10 THEN 5 WHEN frequency >= 6 THEN 4 ... のように、業態に合わせた閾値で区切る方が再現性があります。

購入回数と将来価値の逆転現象

RFMの3指標を単純に足し合わせて順位をつけると、見落とす現象があります。Fader・Hardie・Lee の2005年の論文「RFM and CLV: Using Iso-Value Curves for Customer Base Analysis」（Journal of Marketing Research 42巻4号）は、CDNOWで78週間に1回以上リピート購入した11,506人のデータを分析し、「increasing frequency paradox」を報告しました。最終購入から時間が経っている顧客の中では、過去の購入回数が多い人ほど、今後の購入見込みが低いというものです。頻繁に買っていた人が急に買わなくなったのは、離反した可能性が高いと読めるためです。

同じ論文は、1回あたりの購入金額は Recency・Frequency とほぼ独立していたとも報告しています。RFMのスコアを足し算するのではなく、「Fが高いのにRが低い」顧客を休眠予備軍として別に抜き出す方が、施策に結びつきます。

データベースマーケティングの進め方5段階

1. 目的とKPIを1つに絞る：「2回目購入率」「休眠顧客の復帰率」など、施策で動かす数字を決めます。目的が「データを活用する」のままだと、集計表を作って終わります。
2. データを統合し、名寄せする：ECと店舗、会員IDとメールアドレスを顧客IDで結びます。重複と欠損の割合をここで測っておきます。
3. セグメントを設計する：RFMや購入カテゴリで、KPIに効く顧客群を抜き出します。1施策あたりのセグメントは数個に抑えます。
4. 施策を実行する：メール・DM・アプリ通知・店頭の声かけなど、セグメントごとに内容とタイミングを変えます。配信の自動化はMAツールの領域です。
5. 対照群と比べて効果を測る：次の節で説明します。

非配信の対照群による施策効果の測定

施策を受けた顧客の購入率だけでは、施策がなかった場合との差を判断できません。RFMで選んだ優良顧客は、何もしなくても買う確率が高い人たちです。たとえば（数値は説明用の仮のもの）配信した優良顧客の購入率が20%でも、配信しなかった同じ条件の顧客が18%買っていれば、購入率の差は2ポイントです。施策による増分と判断するには、ランダムな割り付けと、標本数に応じた推定の不確実性も確認します。

対象セグメントからランダムに一部（たとえば1割）を抜き、あえて配信しない対照群（ホールドアウト群）として残します。配信群との差を見ることで、施策が生んだ売上と、もともと発生していた売上を分けられます。対照群を置かないと、自然に発生した購入を施策の成果として数え続けるおそれがあります。

企業事例：Tesco Clubcard と Vポイント

「データベースマーケティング 企業」で調べると、自社で実践している小売企業と、データベースマーケティングを事業として提供する企業の両方が出てきます。代表的な2例を、公表資料の範囲で紹介します。

Tesco Clubcard：会員カードの購買データを分析に回した先例

英国の小売大手 Tesco は、1995年に会員カード「Clubcard」を導入しました。会員の購買データの分析を担ったのは、エドウィナ・ダン氏とクライブ・ハンビー氏が創業した分析会社 dunnhumby です。dunnhumby の会社資料は、両社の関係が1995年のClubcard開始とともに始まり、データとインサイトを使って顧客のロイヤルティに報いる「customer-first marketing」を進めたと説明しています。Tesco は2021年の中間決算資料で、英国だけで2,000万世帯超が使うClubcardと、dunnhumby の分析力の組み合わせを自社の強みに挙げています。ポイントカードを値引きの道具から顧客分析の基盤へ変えた先例です。

Vポイント：V会員の購買データによる企業の販促支援

日本で「データベースマーケティング」を事業名に掲げる代表例が、共通ポイント「Vポイント」を運営する Vポイントマーケティング株式会社です。同社は旧 CCCMK ホールディングスで、旧Tポイントと三井住友カードのVポイントが2024年4月22日に統合した後、2026年3月31日付で三井住友カードの子会社となり、同年4月1日に現在の社名へ変わりました。同社のデータベースマーケティング事業のページは、1.3億人（有効ID数）以上のV会員から集まる購買行動データや独自のライフスタイル推計値を、個人単位のIDで分析するサービスを企業や自治体に提供していると説明しています。Vポイント全体の利用者は、同社の2026年9月25日の発表で1.5億人以上（V会員数とSMBCグループのVポイントユーザー数の単純合算・2026年7月末時点）です。

Tesco の例が「自社の顧客を自社で分析する」型だとすれば、Vポイントは「多数の店舗にまたがる購買データを、提携企業の販促や商品開発に使う」型です。自社の顧客データだけでは見えない、他社での購買行動まで分析に使える一方、データの第三者提供や利用目的の説明が事業の前提になります。

CRM・CDP・ダイレクトマーケティング・データドリブンとの違い

データベースマーケティングは、隣接する用語と範囲が重なります。違いは「何を中心に据えるか」です。

CRMは顧客との長期的な関係づくりという考え方と、それを支える顧客管理システムの両方を指し、営業の商談履歴やサポートの問い合わせ対応まで含みます。データベースマーケティングは、そのうちマーケティング施策の判断にデータベースを使う部分と捉えると整理しやすくなります。EC事業者向けの顧客管理の選び方はEC CRMの解説で扱っています。

ダイレクトマーケティングは顧客に直接届ける手段の総称で、データベースマーケティングの源流でもあります。手段と法規制の詳細はダイレクトマーケティングの解説にまとめています。データドリブンマーケティングは、匿名のWebアクセス解析や広告の効果測定など、個人を特定しないデータも含めた意思決定の考え方で、データベースマーケティングより広い概念です。経営レベルでの進め方はデータドリブン経営の解説、分析基盤の構成はマーケティングのデータ分析基盤の解説を参照してください。

個人情報保護法と特定電子メール法の設計要件

顧客データベースは個人情報の塊なので、法令の要件がそのまま設計要件になります。データベースマーケティングで特に関わるのは次の条文です（2026年10月時点の e-Gov 法令データで確認：個人情報保護法・特定電子メール法）。

購買履歴の分析・広告利用に関する利用目的の具体化

個人情報保護委員会のガイドライン（通則編）は、利用目的を具体的に特定していない例として「マーケティング活動に用いるため」を挙げています。さらに、本人から得た情報から行動・関心等を分析する場合は「どのような取扱いが行われているかを本人が予測・想定できる程度に」利用目的を特定するよう求め、適切な例として「取得した閲覧履歴や購買履歴等の情報を分析して、趣味・嗜好に応じた新商品・サービスに関する広告のために利用いたします。」という文言を示しています。RFM分析やセグメント配信を行うなら、会員規約やプライバシーポリシーの利用目的に「購買履歴を分析して広告に使う」ことを明記しておく必要があります。

配信や分析を外部の事業者に任せる場合、利用目的の達成に必要な範囲での委託は第三者提供に当たりません（第27条第5項第1号）。一方、自社の顧客データを他社のマーケティングに使わせる場合は、原則として本人の同意が要ります。

広告メール配信の同意証拠と停止通知の管理

特定電子メール法第3条は、広告・宣伝メールを送れる相手を、あらかじめ送信に同意した者などに限っています（オプトイン方式）。同条第2項は、同意の通知を受けた送信者に「同意があったことを証する記録」の保存を義務づけています。前述の同意テーブルは現在の配信可否を管理する簡略例です。同意の証拠として、対象メールアドレスと取得時の状況、取得方法に応じた表示文面などを別途保存し、撤回時にも必要な記録を上書きしない設計にします。また、配信停止の申し出（同条第3項）を受けたら、その時点で配信リストから外れる作りにしておきます。メール施策の設計はOne to Oneメールの解説でも扱っています。

失敗する条件と、導入を見送るべき場面

データベースマーケティングは、データを集めれば成果が出る手法ではありません。次の条件に当てはまる場合は、ツールを入れる前に手当てが必要です。

• 顧客IDが部門ごとに分かれている：EC・店舗・コールセンターで別々のIDを使っていると、優良顧客が3人の普通の顧客に見えます。名寄せの手順と責任部署を決めないまま分析を始めても、結果を信用できません。
• 施策を打つ手段が無い：セグメントを作っても、配信の同意を取っていない、DMの予算が無い、という状態では動かせません。先に同意の取得導線を整えます。
• 効果を対照群で測らない：前述のとおり、優良顧客への施策は効果が過大に見えます。
• 属性から推測しすぎる：購買履歴から妊娠や病気など本人が明かしていない事情を推測した配信は、売上より先に信頼を失います。推測に使うデータの範囲は、利用目的として通知した範囲に留めます。

顧客が数十社のBtoB事業や、購入が数年に1回の商材では、データベースマーケティングを独立した仕組みとして立ち上げる必要は薄いと考えます。この規模なら、統計的な分析より営業担当の商談記録の方が情報量が多く、SFAやCRMに記録を残す運用を整える方が先です。分析による選別を導入するかは、顧客数だけでなく、購入頻度、施策の件数、手作業の所要時間と運用費用を比較して判断します。

よくある質問

データベースマーケティングとデータマーケティングは何が違いますか？

データマーケティングは、Webのアクセス解析や広告の配信データ、市場調査など、個人を特定しないデータも含めてマーケティングに使うことの総称です。データベースマーケティングは、そのうち顧客を個人単位で記録したデータベースを中心に据えるものを指します。

SQLマーケティングとは何ですか？

決まった定義のある用語ではなく、マーケターがSQLで顧客データベースや分析基盤に直接問い合わせ、セグメントの抽出や集計を行う働き方を指して使われます。本文のRFM分析のSQL例のように、分析ツールの画面を待たずに対象者数や配信可能数をその場で確かめられるのが利点です。

中小企業や小規模な店舗でもできますか？

できます。顧客名簿と購入履歴をスプレッドシートで管理し、最終購入日と購入回数で並べ替えるだけでも、休眠しかけている常連客を見つけられます。専用ツールは、集計や名寄せ、配信管理にかかる手作業の負担が大きくなった段階で検討します。

データベースマーケティングに必要なツールは何ですか？

顧客データを蓄積するデータベース（CRMや顧客管理システム）、分析する手段（BIツールやSQL）、施策を届ける手段（メール配信システムやMAツール）の3つです。複数の接点のデータを統合する必要があればCDPを加えます。最初から全部をそろえる必要はなく、KPIに直結する部分から入れます。

データベースマーケティングの目標や効果はどう設定しますか？

「売上の向上」ではなく、施策で直接動く指標を置きます。たとえば2回目購入率、休眠顧客の復帰率、優良顧客の離反率などです。効果は配信しなかった対照群との差で評価し、施策ごとの増分粗利から、配信費や値引き・特典などの追加費用を差し引いて採算を確認します。

関連記事

• CDP（カスタマーデータプラットフォーム）とは？仕組み・DMP/CRMとの違い・導入ステップを解説
• LTVとは？顧客生涯価値の意味・計算の考え方とCRM/MAでの高め方【2026年版】
• MAツールとは？主要6製品の公式料金比較と選び方・失敗しない判断基準
• ダイレクトマーケティングとは？意味・手法とマス広告との違い、メールとDMの法規制まで解説
• マーケットセグメンテーションとは？市場細分化の4つの軸と進め方