マーケティング · COURSE
LTV 分析と顧客セグメント発見
受注データから“いい顧客”の輪郭を炙り出し、次の施策の解像度を上げる。
audience
マーケ・CRM 担当
duration
60分
lessons
5 章
reviewed
2026.05
達成目安
全 5 レッスンを読み、コース完了マークを付ける
未完了
クイズ 3 問に挑戦し、正答率 80% 以上
未挑戦
コース構成
このコースで学ぶこと
- 01
“平均 LTV”という呪い
全顧客の平均 LTV を眺めても打ち手は出てこない。平均値は『誰にも当てはまらない仮想顧客像』を作るだけで、施策の解像度を下げる。Claude の役目は “誰が高 LTV か” を顧客属性から発見すること。
平均 LTV を追う組織は「全員に同じ施策」を打ちがちで、結果として高 LTV 層には過小投資、低 LTV 層には過大投資になりやすい。本コースでは Claude を“仮説生成器”として使い、SQL / Python で検証可能な形で割り戻すことで、施策のターゲティング精度を上げる。
- 業種別・規模別・流入経路別の LTV 差を見る
- 解約までの月数の分布（中央値 / 90th パーセンタイル）
- “最初に買った商品”が LTV を決める仮説の検証
- ICP（理想顧客像）と非 ICP の切り分け
- 02
入力データを 1 つに
受注・解約・属性を 1 つの CSV にまとめると Claude が読みやすい。列名を統一するのが最大のコツ。
csvcust_id,industry,size,channel,first_sku,arr,started_at,churned_at C001,小売,中,広告,A001,360000,2024-04, C002,飲食,小,紹介,A003,120000,2024-06,2025-02 - 03
セグメント発見プロンプト
Claude にクラスタリングを直接やらせない。代わりに“仮説候補” を 5 つ出させて、それを SQL / Python で検証する流れがブレない。
text@data/customers.csv を読み、LTV を説明しうる要因の仮説を 5 つ： 各仮説は『if X then Y』形式 + 検証クエリの叩き台（SQL）+ 期待される効果サイズ。出力イメージClaude の返答（仮説リスト・要約）LTV を説明しうる仮説を 5 つ挙げます。 **仮説 1**：if 初回購入が商品 A then LTV が高い - 検証クエリ：`SELECT first_sku, AVG(arr) FROM customers GROUP BY first_sku` - 期待効果サイズ：中（first_sku 別で 1.5 倍程度の差を想定） **仮説 2**：if 流入が紹介経由 then 解約率が低い - 検証クエリ：`SELECT channel, ...` …（以下 仮説 3〜5）
- 04
“悪い顧客” 像も同時に
理想顧客像（ICP）と同じくらい、避けたい顧客像を言語化しておくと、営業のオペレーションが変わる。
- 1 年以内解約率が高いセグメント
- サポートチケットが平均の 3 倍以上
- 値引き要求が初回から強い
- 05
Skill 化と毎月の運用
月初に CSV を差し替えるだけで“今月のセグメントレポート”が出る Skill にまとめる。営業・CS 会議の冒頭 5 分で読み上げる文化を作ると、現場のターゲティングが毎月アップデートされる。
text# .claude/skills/ltv-segment/SKILL.md --- name: ltv-segment description: 月次で LTV セグメントと仮説を出すとき --- 手順: 1. @data/customers.csv を読み込む 2. 業種 / 規模 / 流入経路 / first_sku の 4 軸で LTV を集計 3. 高 LTV TOP3 セグメント・低 LTV TOP3 セグメントを抽出 4. 各セグメントの共通要因を 1 行で言語化 5. 翌月施策の仮説を 5 つ（if X then Y 形式） 6. 前月レポートとの差分（新規発見・消失セグメント）を末尾にSkill ファイルの最小例 Lv.6 — チーム手を動かす
0 / 4
理解度チェック
Q1.LTV 分析で Claude を使うときの『正しい役割分担』は？
Q2.LTV 分析に使う顧客データを Claude に渡す際の正しい扱いは？
Q3.Claude が出した『高 LTV 顧客の共通要因』を施策に反映する前に、人間がやるべきは？