量層分析とは？ヘビー・ミドル・ライトの区切り方と、層が入れ替わる実態

量層分析（購入量層分析）は、顧客を一定期間の購入金額や購入数量で「ヘビー層」「ミドル層」「ライト層」に分け、売上をどの層が支えているかを見る手法です。RFM分析ほど指標を増やさず、デシル分析ほど細かく割らないため、売上構造の偏りを最初に確認する道具として使われます。この記事では、層の区切り方3種で結果がどれだけ変わるかと、ヘビー層が翌年にどれだけ入れ替わるかを、公開データ約77万行で実測した結果とあわせて解説します。

まとめ：量層分析の要点

• 量層分析は「どれくらい買っているか」という量の軸だけで顧客を層に分け、層ごとの人数構成比と売上構成比を並べる手法
• 区切り方は「上位○%」「金額レンジ」「人数の均等割り」の3種。同じデータでもヘビー層の売上シェアは73.3%〜84.0%と動くので、比較は同じ定義どうしで行う
• 見るべきは層の構成比だけでなく、期をまたいだ層の移動。実測では前年ヘビー層の39.5%が翌年ヘビー層から外れ、翌年ヘビー層の39.9%は前年ヘビー層以外から来ていた
• 層の名簿を固定して前後比較で施策を評価すると、平均への回帰でヘビー層向け施策は過小評価、ライト層向け施策は過大評価になりやすい。層は毎期振り直し、対照群と比べる

以下、定義、区切り方、手順、構造タイプ別の施策、層移動の実測、使うべきでない場面の順に説明します。

量層分析の定義：購入量による顧客の3層区分

MarkeZineの連載「データで市場を読み解く」（2025年11月25日、エイトハンドレッド 上田拓朗氏）は、購入量層を「『どれくらい購入しているか』という量的な観点で顧客を層分けしたもの」と説明し、顧客を購入量ごとに層分けして構成比や推移を比較する手法を「購入量層分析」と呼んでいます。基準には一定期間の購入金額か購入数量を使います。

この分析が答える問いは「売上の中核はどの層か」「ヘビー層への依存は進んでいるか」「ライト層をどう育てるか」の3つです。同記事は結果の型を、少数のヘビー層に売上が集中する「ヘビーユーザー依存型」、中間層が厚い「ミドル層厚型」、裾野は広いが購買が浅い「ライト層中心型」に分けています。

RFM分析・デシル分析との違い

量層分析とデシル分析はどちらも購入金額の1軸で、違いは分割の粗さです。10等分の手順はデシル分析とは？エクセルでの手順とABC分析・RFM分析との違いで扱っています。最後に買ったのがいつかを見ないため、量層分析では「去年はヘビーだったが半年買っていない顧客」を見分けられません。離反の兆候まで追うならRFM分析を併用します（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）。

層の区切り方3種と同一データでの結果の差

前出の記事が挙げる区切り方は「上位○%で区切る」「金額レンジで区切る」「人数を均等に区切る」の3つです。どれを選ぶかで層の見え方が変わる、という指摘を、英国のオンライン小売の取引データ（UCI Machine Learning Repository「Online Retail II」）で確かめました。2009年12月〜2010年11月の12か月分から、顧客ID欠損・取消（請求番号がCで始まる行。返品を含む）・数量や単価が0以下の行を除き、顧客4,266人・売上8,520,125ポンドを集計しています。

同じ顧客・同じ売上でも、ヘビー層の売上シェアは73.3%から84.0%まで動きます。人数3等分はヘビー層に人数の3分の1を入れるので、シェアが大きく見えるのは当然です。「当社はヘビー依存度8割」という数字は、区切り方を添えないと比べられません。

使い分けの目安は次のとおりです。ブランド間や期間の比較には、人数の割合が固定される「上位○%」か「人数均等割り」を使います。金額レンジは「年5万円以上を優待対象にする」のように施策の条件と層を一致させたいときに向きますが、物価や単価改定で層の人数が勝手に動くため、時系列の比較には使いません。

量層分析の手順：集計から構成比の比較まで

顧客単位の購入金額の集計

最初に集計期間を決めます。購入周期より短い期間で切ると、たまたま買わなかった月があるだけでライト層に落ちる顧客が増えます。日用品やECなら12か月を基本にし、年1回しか買わない商材では2〜3年に広げます。ただし集計期間を延ばすほど上位集中度は高く出ます。英dunnhumbyのスーパー会員データでは、上位5ブランドの上位20%の売上構成比が1年で62%、5年で66%でした（Ehrenberg-Bass Institute 2019年報告書の表）。上の実測では、元データ1,067,371行から2シートの重複期間22,523行を除いた1,044,848行のうち、顧客ID欠損・取消・不正値を除いて残ったのは791,045行（75.7%、2009年12月〜2011年12月9日の全期間）でした。会員IDが付かない店頭購入や返品をどう扱うかを決めずに集計すると、層の境界額がずれます。

層の割り当てと、人数構成比・売上構成比の並列

顧客ごとの合計金額を降順に並べ、順位から層を振ります。pandasで「上位20%／次の30%／残り50%」を振る最小の例です。

import numpy as np, pandas as pd

# df は1行1明細。amount（数量×単価）を事前に作っておく
g = df.groupby("customer_id")["amount"].sum().sort_values(ascending=False)
rank = np.arange(len(g)) / len(g)          # 0 が最上位
tier = pd.Series(np.select([rank < 0.2, rank < 0.5], ["heavy", "middle"], "light"), index=g.index)

summary = pd.DataFrame({
    "人数比": tier.value_counts(normalize=True),
    "売上シェア": g.groupby(tier).sum() / g.sum(),
})
print(summary.round(3))

結果は人数比と売上シェアを必ず並べて出します。「ヘビー層20%で売上73%」のように2つを対にして初めて偏りの大きさが読めます。Excelで行う場合も、顧客別の合計を降順に並べて順位÷顧客数で層を振る流れは同じです。

累積寄与曲線と、切り口別・時系列の比較

層の構成比を出したら、上位から売上を積み上げた累積寄与曲線（パレート曲線）で集中度を見ます。上の実測データでは上位1%（43人）で売上の28.4%、上位5%で48.1%、上位20%で約73%を占め、売上の80%に届くのは上位27.5%の顧客でした。80:20に近いものの、ぴったり一致はしません。80:20がどんな条件で成り立つかはパレートの法則とは？身近な例と80:20が成り立つ条件で解説しています。

次に、チャネル別・カテゴリ別・ブランド別に同じ定義で層構成を出し、どの切り口でヘビー依存が強いかを比べます。同じ集計を毎期くり返し、層構成の推移を追うのが量層分析の本来の使い方です。MarkeZineの記事も、セグメント間・ブランド間・時系列の3方向で比較する流れを示しています。

構造タイプ別に打つ施策

表の「典型的な数字」は判断の目安で、業界標準の閾値ではありません。ミドル層が上下に流れることは今回の実測でも確認でき、前期ミドル層の12.1%が翌期ヘビーへ上がる一方、55.3%は翌期ライト以下か購入なしでした。自社の過去の値と比べて、依存度が上がっているか下がっているかを見る方が判断に使えます。ヘビー依存型でよく出てくる「既存顧客の維持は新規獲得より安い」という主張には、元データの範囲に限界があります。1:5の法則と5:25の法則とは？新規顧客と既存顧客のコスト差を原典データで検証で原典を確認してから施策の根拠に使ってください。

ヘビー層は翌年も同じ顧客ではない：層移動の実測

層の構成比だけでは見えないのが、層の中身の入れ替わりです。同じデータで、2009年12月〜2010年11月（前期）に振った層の顧客が、2010年12月〜2011年11月（翌期）にどの層にいたかを集計しました。区切り方は両期とも「上位20%／次の30%／残り50%」です。

前期ヘビー層のうち翌期もヘビーだったのは60.5%で、前期ヘビー層854人全体の売上合計は6,242,553ポンドから5,047,596ポンドへ19.1%減りました。全体の売上は8,520,125ポンドから8,393,215ポンドへ1.5%減っただけなので、ヘビー層の落ち込みは市場の縮小では説明できません。翌期ヘビー層860人の内訳を前期の層で見ると、前期ヘビー60.1%、前期ミドル18.0%、前期は購入なし16.4%、前期ライト5.5%でした。

この動きは、オーストラリアのEhrenberg-Bass Instituteが「law of buyer moderation（購入者の平準化の法則）」と呼ぶ現象と同じ向きです。Sharp・Romaniuk・Grahamの2019年の報告書「Marketing’s 60/20 Pareto Law」は、安定したブランドでも前年のヘビー購入者の半数は翌年に上位20%にすら入らず、前年のライト購入者や非購入者は前年より多く買うと述べています。同報告書が2007年の自研究所の報告から引く消費財ブランドの上位20%（購入頻度上位）の売上構成比は、複数カテゴリのブランド平均で59%（ドッグフード68%〜ヘアコンディショナー44%）でした。同報告書の表にあるMcCarthy・Winer（2019年、2年間の集計）の企業単位の集計では平均67%で、今回のデータの73.3%はどちらより高めです。卸売業者を多く含む1社の顧客データと、消費者が複数ブランドを買い回る消費財とでは集中度が違って当然で、自社の数字は自社の過去と比べるのが筋です。なお今回のデータでは、前期ライト層の翌期売上は689,642ポンドから690,394ポンドとほぼ横ばいで、半数超（53.6%）は翌期に購入していませんでした。

ヘビー層の名簿を一度作って固定し、その顧客群の翌期売上で施策を評価してはいけません。施策をしなくても売上は下がるため、施策の効果が実際より小さく見えます。逆に、ライト層の名簿を固定すると自然に上がる顧客を施策の成果と取り違えます。施策の評価には、同じ層から抽出した対照群を残し、層は毎期振り直してください。

量層分析を使うべきでない場面

次の3つの条件では、量層分析の結果を施策の根拠にしない方が安全です。

• 購入周期が集計期間より長い商材（住宅・自動車・家電など）：ほぼ全員が期間内に1回しか買わないため、層の差が購入量ではなく商品単価の差になり、継続性の分析にならない
• 法人の卸売と個人客が混在するデータ：今回の実測データもUCIが「顧客の多くは卸売業者」と説明しており、上位1%で売上28.4%という集中には、大口の卸売取引が上位に集まっている影響が含まれる可能性がある。業態ごとに分けて集計する
• 会員IDで購入を名寄せできないデータ：店頭の非会員購入を除くと、ライト層が実態より小さく見える

これらに当たる場合は、購入金額でなく来店頻度や利用日数を量の軸に替えるか、属性によるクラスター分析など別の分け方を検討します。

よくある質問

量層分析とユーザー層分析・顧客層分析は同じものですか？

重なりますが同じではありません。ユーザー層分析や顧客層分析は年齢・性別・地域などの属性で分ける場合も含む広い言い方で、量層分析は購入量という行動の量で分けるものに限られます。

ヘビーユーザーは上位何%を基準にすればよいですか？

決まった基準はありません。上位20%はパレートの法則（80:20）に合わせて使われることの多い基準ですが、実測データでも上位20%の売上シェアは73.3%と8割に届かず、Ehrenberg-Bass Instituteの消費財ブランドの集計では平均59%でした。自社データで累積寄与曲線を描き、比較する期間やブランドで同じ割合を使い続けることの方が重要です。

購買層と客層の違いは何ですか？

一般には、客層は来店客や顧客の属性（年齢・職業など）の構成を指し、購買層はその商品を実際に買っている人の層を指す使われ方が多い言葉です。量層分析は、購買層をさらに購入量で分ける手法と位置づけられます。

量層分析とRFM分析はどちらを使うべきですか？

売上の偏りを確認するだけなら量層分析で足ります。離反しかけた優良顧客を見つけたい、最終購入日で施策を変えたいという目的があるならRFM分析を使います。量層分析で構造をつかみ、施策対象の抽出にRFMを使えば、量層分析が見ない最終購入日を補えます。

Excelでも量層分析はできますか？

できます。顧客別の購入金額合計をピボットテーブルで出し、降順に並べて「順位÷顧客数」を計算すれば、IF関数で層を振れます。Excelのワークシートは1,048,576行が上限で、今回のUCIデータ（明細約107万行）も2シートに分けて配布されています。明細がこの上限を超える場合や、層移動のように2期間を突き合わせる集計では、SQLやpandasの方が手戻りが少なくなります。

関連記事

• 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
• パレートの法則とは？身近な例と80:20が成り立つ条件
• 1:5の法則と5:25の法則とは？新規顧客と既存顧客のコスト差を原典データで検証
• クラスター分析とは？やり方と階層型・非階層型の違いを実データで解説