クラスター分析のやり方を徹底解説｜Excel・R・SPSSでできる実務活用法と事例紹介

2026年7月12日

クラスター分析を調べていると、「似ているもの同士をグループ分けする分析です」という説明は出てきます。ただ、実務で困るのはそこではありません。Excelの表を前にして「このデータで本当に分析できるのか」「何列を使えばいいのか」「出てきたグループをどう読めばいいのか」で手が止まるんですよね。

たとえば、顧客データを見ながら「購入回数が多い人」「単価が高い人」「問い合わせは多いけど成約しない人」を分けたい場面があります。広告運用やCRM、アンケート分析、店舗集客では、この“なんとなく違う顧客層”を感覚ではなくデータで分けたい瞬間が出てきます。そこで使えるのがクラスター分析です。

ロロメディア編集部でも、メディアの読者層や問い合わせ傾向を整理するときに、単純な平均値だけでは見えない違いにぶつかることがあります。全体平均では「月1回購入」と見えても、実際には高頻度で買う層、安い商品だけ買う層、資料請求だけする層が混ざっている。この混ざりをほどくのが、クラスター分析の役割です。

クラスター分析は難しい数式を覚えるより、分析前の設計が大事です。何をグループ分けしたいのか、どの変数を使うのか、何個のグループにするのか、分けたあと何に使うのか。ここまで決めると、ExcelでもRでもSPSSでも実務に使える分析になります。

クラスター分析とは何をする分析なのか

クラスター分析とは、似ているデータ同士を自動的にグループ分けする分析手法です。クラスターは「集団」や「かたまり」という意味で、顧客、商品、店舗、アンケート回答者などを、特徴が近いもの同士でまとめるときに使います。

たとえば、顧客1000人のデータがあるとします。年齢、購入金額、購入回数、来店頻度、問い合わせ回数を見ても、1人ずつ眺めているだけでは全体像が見えません。そこでクラスター分析を使うと、「高単価リピーター」「低単価ライト層」「問い合わせ多め未購入層」のように、実務で扱いやすいまとまりに分けられます。

ここで大切なのは、クラスター分析は正解ラベルを当てる分析ではないという点です。たとえば「この人は優良顧客です」と最初から決まっているデータを予測するのではありません。データの中にある似た傾向を見つけ、人間があとから意味づけする分析です。

分析手法	何をするか	実務での使い方
クラスター分析	似ているものをグループ分けする	顧客分類、商品分類、店舗分類
回帰分析	数値の増減を予測する	売上予測、広告費と成果の関係分析
判別分析	既存の分類に当てはめる	成約しやすい顧客の判定
主成分分析	多くの変数を少数の軸に圧縮する	アンケート項目の要約
クロス集計	項目同士の関係を見る	年代別購入率、媒体別CV率

クラスター分析は、売上を直接予測する分析ではありません。むしろ「顧客をどう分けて考えるべきか」を決めるための分析です。マーケティングでは、この分類ができると、広告文、LP、メール配信、営業対応を分けやすくなります。

クラスター分析を始める前に決めるべき目的

クラスター分析で失敗する一番の原因は、目的を決めずにデータを入れてしまうことです。ツールに数字を入れれば何かしらグループは出ます。でも、そのグループが実務で使えるとは限りません。

たとえば、ECサイトの顧客を分類したいとします。このとき「売上を伸ばすために優良顧客を見つけたい」のか、「離脱しそうな顧客を見つけたい」のか、「広告配信のターゲットを分けたい」のかで、使うデータが変わります。目的が違えば、同じ顧客データでも見るべき列が違うのです。

操作説明に入る前に、ここでつまずく人が多いのが「手元にある列を全部入れてしまう」ことです。年齢、性別、購入金額、購入回数、住所、流入元、アンケート回答、なんでも入れたくなります。ただ、関係の薄い変数を入れるほど、分析結果は読みにくくなります。

最初に決めるべきことは次の4つです。

何を分類するのか
何のために分類するのか
分けた後にどう使うのか
どの数字を使えば目的に近づくのか

顧客を分類するなら、1行に1人の顧客を置きます。商品を分類するなら、1行に1商品を置きます。店舗を分類するなら、1行に1店舗です。この「何を1行にするか」がズレると、分析全体が崩れます。

クラスター分析に使うデータの作り方

クラスター分析では、データ作りが結果の8割を決めます。RやSPSSを使っても、元データが雑だと、きれいな図が出るだけで使えない分析になります。逆に、データの形が整っていれば、Excelでもかなり実務に近い分類ができます。

基本は、1行に分析したい対象を置き、列に特徴量を並べます。特徴量とは、分類に使う数値のことです。顧客分析なら購入金額、購入回数、最終購入日からの日数、問い合わせ回数などが特徴量になります。

たとえば、次のような表を作ります。

顧客ID	購入金額	購入回数	最終購入からの日数	問い合わせ回数	平均購入単価
A001	120000	8	15	2	15000
A002	15000	1	180	0	15000
A003	45000	6	30	5	7500
A004	300000	3	10	1	100000
A005	8000	1	300	3	8000

この表では、顧客IDは分類対象の名前なので、分析には入れません。分析に入れるのは購入金額、購入回数、最終購入からの日数、問い合わせ回数、平均購入単価などの数値列です。文字列のままの「性別」「都道府県」「流入元」は、そのままでは扱いにくいため、必要なら数値化します。

ここで注意したいのは、売上金額のように数字が大きい列が、結果に強く影響しやすいことです。購入金額は数十万、購入回数は数回、問い合わせ回数は0〜10回。このまま分析すると、購入金額の差ばかりでグループが分かれることがあります。そこで標準化が必要になります。

クラスター分析では標準化が重要になる理由

標準化とは、単位や数字の大きさが違うデータを比較しやすくそろえる処理です。ざっくり言うと、平均を0、ばらつきを1に近い形に変換します。難しく聞こえますが、実務では「金額の大きさだけで分類が決まらないようにする作業」と考えると分かりやすいです。

たとえば、購入金額は0円から30万円、購入回数は1回から10回だとします。このまま距離を計算すると、購入金額の差が大きすぎて、購入回数の違いがほぼ無視されます。すると「たくさん買った人」と「少ししか買っていない人」だけに分かれ、リピート傾向や休眠傾向が見えにくくなります。

操作説明の前に、ここでつまずく人が多いのが「Excelに数字を入れたらそのまま分析できる」と思ってしまうことです。数字であれば何でも同じ重みで見てくれるわけではありません。数字の単位が違うなら、分析前にそろえる必要があります。

Excelで標準化する場合は、各列に対して次のような式を使います。

=STANDARDIZE(対象セル, 平均, 標準偏差)

たとえば、B列に購入金額があり、B2を標準化したい場合は、平均と標準偏差を使って計算します。ExcelではAVERAGE関数で平均、STDEV.S関数で標準偏差を出せます。Rならscale関数を使えば一括で標準化できます。

標準化するべきデータと、しないほうがよいデータを整理すると次のようになります。

データの種類	標準化の必要性	理由
購入金額	高い	金額の桁が大きく影響しやすい
購入回数	高い	金額と単位が違う
来店頻度	高い	他の列と尺度が違う
アンケート5段階評価	中	同じ尺度の項目だけなら不要な場合もある
0/1のフラグ	目的次第	多く入れると分類を歪めることがある
IDや名前	不要	分類に使う特徴ではない

標準化は地味ですが、ここを飛ばすと結果の解釈がかなりズレます。クラスター分析で「なんか変な分類になった」と感じたら、まず標準化しているかを見直してください。

クラスター分析の代表的な方法は階層型と非階層型に分かれる

クラスター分析には、大きく分けて階層型クラスター分析と非階層型クラスター分析があります。名前だけ見ると難しそうですが、実務での使い分けはシンプルです。少ないデータをじっくり分類したいなら階層型、大量データを指定したグループ数に分けたいなら非階層型が向いています。

階層型は、データ同士を近いものから順番につなげていく方法です。結果は樹形図、つまり木の枝のような図で表示できます。どこで切るかによって、3グループにも5グループにも分けられるため、分類の構造を見たいときに便利です。

非階層型の代表はk-means法です。k-meansは、最初に「何グループに分けるか」を決めてから、データを近い中心に割り当てていく方法です。顧客数が多いCRMデータや、店舗数が多い売上データでは、こちらのほうが扱いやすい場面が多いです。

方法	向いている場面	メリット	注意点
階層型クラスター分析	少〜中規模データ、分類構造を見たいとき	樹形図で理解しやすい	大量データでは重くなりやすい
k-means法	大量データ、グループ数を決めたいとき	実務で使いやすい	最初にクラスター数を決める必要がある
TwoStepクラスター	SPSSでカテゴリ変数も含めたいとき	数値とカテゴリを扱いやすい	ツール依存が大きい
DBSCAN	外れ値や密度の違いを見たいとき	異常値検出に強い	パラメータ調整が難しい

最初に実務で使うなら、階層型で全体の雰囲気を見て、k-meansで実運用しやすい数に分ける流れがおすすめです。Excelだけでやるなら階層型より手作業が増えますが、顧客数が少なければ距離計算から雰囲気をつかめます。RやSPSSを使えるなら、両方試して結果が似ているか確認すると安心です。

Excelでクラスター分析を行うやり方

Excelは本格的なクラスター分析専用ツールではありません。それでも、少量データの分類や、分析の考え方を理解するには十分使えます。特に社内説明用の初期分析なら、Excelで作ったほうが関係者に見せやすいこともあります。

ただし、Excelだけでクラスター分析をする場合、RやSPSSのようにボタン一つで結果が出るわけではありません。距離を計算し、似ている対象を確認し、場合によってはアドインや外部ツールを使います。実務では、Excelは「データ整理」と「結果の可視化」に使い、分析計算はRやSPSSに任せるほうが効率的です。

Excelでデータを整える手順

Excelで最初につまずくのは、分析用データと管理用データが混ざっていることです。顧客名、メールアドレス、メモ、営業担当者、備考などが同じ表にあると、そのまま分析できません。まずは分析に使う列だけを別シートにコピーします。

操作としては、1行目に列名を入れ、2行目以降に対象データを並べます。ID列は残してもよいですが、計算には使わないようにします。空白、文字列、単位付きの数字は事前に処理してください。「10回」「20万円」のような表記は、数字として扱えないことがあります。

次に、欠損値を確認します。欠損値とは、データが空白になっている状態です。購入回数が空白なのか0回なのかで意味が変わります。空白を0にしてよいのか、平均値で補うのか、その行を除外するのかを決めます。ここを曖昧にすると、分析結果が現実とズレます。

Excelで標準化して距離を計算する方法

顧客同士がどれくらい似ているかを見るには、距離を計算します。代表的なのがユークリッド距離です。ユークリッド距離とは、複数の項目を使って「どれくらい離れているか」を測る方法です。2次元の地図で点と点の距離を測る感覚に近いです。

Excelでは、標準化した各列の差を二乗し、合計して平方根を取ると距離を出せます。たとえば、顧客Aと顧客Bについて、購入金額、購入回数、最終購入日数の3項目があるなら、それぞれの差を計算します。

式の考え方は次の通りです。

=SQRT((Aの購入金額標準化値-Bの購入金額標準化値)^2+(Aの購入回数標準化値-Bの購入回数標準化値)^2+(Aの最終購入日数標準化値-Bの最終購入日数標準化値)^2)

実務で全顧客同士の距離を手計算するのは大変です。顧客数が10〜30件くらいなら学習目的でできますが、100件を超えるならExcelだけでは効率が落ちます。その場合は、RやSPSSに移るほうが現実的です。

Excelだけで実務利用するならピボットと散布図で結果を読む

Excelでクラスター分析を完全に終わらせるより、分類結果をExcelに戻して読む使い方がおすすめです。RやSPSSでクラスター番号を付け、その番号をExcelに戻します。そこからピボットテーブルで各クラスターの平均値を比較すると、かなり分かりやすくなります。

たとえば、クラスター1は購入金額が高く、購入回数も多い。クラスター2は購入回数は少ないが単価が高い。クラスター3は問い合わせ回数が多いのに購入が少ない。このように、分類結果に名前を付けられる状態まで持っていくのが実務です。

Excelの散布図も便利です。横軸に購入回数、縦軸に購入金額を置き、クラスター番号ごとに色を変えると、社内説明で伝わりやすくなります。分析結果は、計算できたら終わりではありません。現場が「この層には何をするか」を判断できる形にする必要があります。

Rでクラスター分析を行うやり方

Rはクラスター分析にかなり向いています。無料で使え、標準機能だけでも階層型クラスター分析やk-meansができます。データ量が多い場合や、同じ分析を何度も再現したい場合は、ExcelよりRのほうが安定します。

最初はコードに抵抗があるかもしれません。ただ、クラスター分析に必要なコードはそれほど長くありません。データを読み込み、数値列を選び、標準化し、クラスター分析を実行し、結果を元データに付与する。この流れを一度作れば、次回から使い回せます。

Rでk-meansクラスター分析をする基本手順

Rでk-meansを行うときは、まずCSVを読み込みます。文字化けを避けるため、日本語データならUTF-8かShift_JISかを確認しておくと安全です。読み込み後、分析に使う数値列だけを選びます。

基本の流れは次のようになります。

data <- read.csv("customer_data.csv", fileEncoding = "UTF-8")
x <- data[, c("purchase_amount", "purchase_count", "days_since_last_purchase", "inquiry_count")]
x_scaled <- scale(x)

set.seed(123)
result <- kmeans(x_scaled, centers = 4, nstart = 25)

data$cluster <- result$cluster
write.csv(data, "customer_cluster_result.csv", row.names = FALSE)

set.seedは、同じ結果を再現しやすくするための設定です。k-meansは初期値によって結果が少し変わることがあるため、実務ではset.seedを入れておくと説明しやすくなります。nstartは複数回試して良い結果を選ぶ設定で、25くらいから試すと扱いやすいです。

centers = 4 は、4つのクラスターに分けるという意味です。ここは目的に応じて変えます。3つ、4つ、5つで試し、結果の解釈がしやすい数を選ぶのが実務的です。

Rで階層型クラスター分析をする方法

階層型クラスター分析では、距離行列を作り、hclust関数で分析します。結果は樹形図で確認できます。少量データで分類の構造を見たいときに便利です。

data <- read.csv("customer_data.csv", fileEncoding = "UTF-8")
x <- data[, c("purchase_amount", "purchase_count", "days_since_last_purchase", "inquiry_count")]
x_scaled <- scale(x)

d <- dist(x_scaled, method = "euclidean")
hc <- hclust(d, method = "ward.D2")

plot(hc)
cluster <- cutree(hc, k = 4)
data$cluster <- cluster

method = “ward.D2” は、ウォード法という方法です。ウォード法は、グループ内のばらつきが小さくなるようにまとめる方法で、実務の分類では使いやすいことが多いです。樹形図を見ながら、どこで切ると自然かを確認します。

ただし、階層型はデータが多くなると見づらくなります。顧客が数千件あると樹形図を見ても判断できません。その場合は、サンプルデータで階層型を見て雰囲気をつかみ、本番データはk-meansで分類する流れが現実的です。

SPSSでクラスター分析を行うやり方

SPSSは、GUIで操作できるため、統計ソフトに慣れていない人でもクラスター分析を実行しやすいです。大学や研究機関、調査会社、企業の分析部門で使われることも多く、アンケートデータの分類に向いています。IBMの公式ドキュメントでも、階層クラスター、k-means、TwoStepクラスターなどの分析メニューが用意されています。

SPSSの良さは、コードを書かなくても分析結果、表、グラフを出しやすいことです。アンケート回答者を分類したり、店舗を特徴別に分けたりする場面では、Excelより安定して使えます。一方で、どの変数を入れるか、何クラスターにするかは自分で判断しなければなりません。

SPSSで階層クラスター分析を行う手順

SPSSで階層クラスター分析を行う場合、まずデータビューに分析対象のデータを読み込みます。1行に1対象、列に変数が並んでいる状態にします。文字列のIDや名前は識別用として残してもよいですが、クラスター作成には数値変数を使います。

操作は、メニューから「分析」→「分類」→「階層クラスター」を選びます。分類したい変数を投入し、方法としてウォード法、距離として平方ユークリッド距離などを選びます。必要に応じて、樹形図を出力する設定にします。

結果が出たら、樹形図を確認します。どの段階で大きく分かれているかを見ることで、3クラスターが自然なのか、4クラスターがよいのかを判断します。SPSSは出力が多く出るため、最初は全部読もうとせず、樹形図とクラスターごとの平均値に集中すると理解しやすいです。

SPSSでk-meansクラスター分析を行う手順

k-meansを使う場合は、メニューから「分析」→「分類」→「K-meansクラスター」を選びます。分析に使う数値変数を指定し、クラスター数を入力します。たとえば、顧客を4分類したいなら、クラスター数を4にします。

SPSSでは、クラスター所属を新しい変数として保存できます。これを保存しておくと、あとからクロス集計や平均値比較に使えます。たとえば、クラスター番号ごとに購入金額、満足度、継続率を比較すれば、各グループの特徴が見えてきます。

SPSSでやりがちな失敗は、標準化を忘れることです。変数の尺度が違う場合、事前に標準化した変数を作るか、分析設定で標準化を検討します。金額と回数を同時に扱うなら、標準化しない結果をそのまま信じないほうが安全です。

クラスター数の決め方は「統計的な根拠」と「実務で使える数」の両方で見る

クラスター分析で一番悩むのが、何個に分けるかです。3つに分けるのか、4つに分けるのか、5つに分けるのか。ここに絶対の正解はありません。分析上きれいに分かれても、現場で使えない数なら意味が薄くなります。

たとえば、顧客を12クラスターに分けたとします。統計的には細かく分類できているかもしれません。でも、広告配信や営業対応で12種類の施策を作れるでしょうか。ほとんどの現場では、3〜5分類くらいが動かしやすいです。

操作説明に入る前に、ここでつまずく人が多いのが「ツールが出した最適値をそのまま正解にする」ことです。クラスター分析は、分析結果を人間が解釈して初めて使えます。だから、統計的な指標と実務の運用可能性を両方見ます。

クラスター数を決めるときの見方は次の通りです。

樹形図で大きく分かれる位置を見る
k-meansで3、4、5分類を試す
各クラスターの人数が極端に偏っていないか見る
各クラスターの特徴が説明できるか確認する
分けた後の施策を現場が実行できるか考える

もし4分類にしても説明できないグループが出るなら、3分類に戻したほうがよいです。逆に3分類ではざっくりしすぎて施策が分けられないなら、4分類を試します。クラスター数は、分析の美しさより、意思決定に使えるかで決めましょう。

クラスター分析の結果を読み解く方法

クラスター分析は、グループ番号が出た瞬間がスタートです。クラスター1、クラスター2、クラスター3という番号だけでは、何も意思決定できません。それぞれのグループがどんな特徴を持つのかを読み解き、名前を付ける必要があります。

実務では、各クラスターごとの平均値を比較します。購入金額、購入回数、最終購入日数、問い合わせ回数、成約率などを並べると、特徴が見えてきます。平均だけでなく、人数や割合も必ず見てください。少人数の特殊グループを大きく扱いすぎると、施策がズレます。

たとえば、次のように読みます。

クラスター	人数割合	購入金額	購入回数	最終購入からの日数	特徴名
1	18%	高い	多い	短い	高LTVリピーター
2	42%	低い	少ない	長い	休眠ライト層
3	25%	中程度	多い	短い	頻度重視層
4	15%	高い	少ない	短い	高単価スポット層

このように名前を付けると、施策に落とせます。高LTVリピーターには限定キャンペーン、休眠ライト層には再購入クーポン、頻度重視層には定期購入、スポット高単価層には高価格商品の案内。番号ではなく、行動につながる名前に変えるのがポイントです。

注意したいのは、名前を付けるときに思い込みを混ぜすぎないことです。データ上は「購入金額が高い」だけなのに、「富裕層」と断定するのは危険です。年収データがないなら、富裕層とは言えません。あくまでデータから言える範囲で名前を付けると、分析の信頼性が上がります。

マーケティングでクラスター分析を使う事例

マーケティングでのクラスター分析は、顧客を分けるだけで終わらせないことが重要です。分けたあとに、広告、LP、メール、営業トーク、商品提案を変えるから意味があります。分類したのに全員へ同じメッセージを送るなら、分析する意味が薄くなります。

たとえば、美容クリニックの問い合わせデータを考えてみましょう。年齢、悩み、予算感、希望施術、来院希望時期、問い合わせ回数などを使うと、顧客層の違いが見えてきます。すぐ来院したい層、比較検討中の層、価格重視の層、高単価施術に関心がある層では、刺さる訴求が違います。

CRMで優良顧客を見つける事例

ECやサブスクでは、RFM分析とクラスター分析を組み合わせると使いやすいです。RFMとは、Recency、Frequency、Monetaryの頭文字で、最終購入からの日数、購入頻度、購入金額を使って顧客を分類する方法です。クラスター分析に入れる特徴量としても相性が良いです。

たとえば、最終購入が近く、購入回数が多く、購入金額も高い層は、優良顧客として特別対応できます。購入金額は高いが購入回数が少ない層には、高単価商品のリピート提案が向いているかもしれません。購入回数は多いが単価が低い層には、セット販売や上位商品の案内が効く可能性があります。

ここでやってはいけないのは、全員に同じ割引クーポンを送ることです。高LTV顧客に大幅値引きを出すと、本来値引きなしでも買ってくれる利益を削ることがあります。クラスター分析は、値引きする人としない人を分けるためにも使えます。

広告運用で配信メッセージを分ける事例

広告運用では、クラスターごとに訴求を変える使い方ができます。たとえば、アンケートや問い合わせデータから顧客を分類し、「価格重視」「実績重視」「スピード重視」「不安解消重視」のような傾向が見えたとします。

価格重視層には初回料金や分割払い、実績重視層には症例や導入事例、スピード重視層には即日対応や短期改善、不安解消重視層には保証やカウンセリングの丁寧さを見せます。同じ商品でも、相手の関心によって入口を変えるわけです。

ロロントのようにWeb集客や美容医療領域のマーケティングを扱う場合、問い合わせ後の成約率を上げるには「どの広告から来たか」だけでなく、「どんな不安を持った人か」まで分ける必要があります。クラスター分析は、その分類を感覚ではなくデータで支える道具になります。

アンケート分析でクラスター分析を使う事例

アンケート分析では、回答者を似た価値観ごとに分ける使い方ができます。満足度、価格への敏感さ、品質重視度、ブランド重視度、サポート重視度などを使うと、単なる平均点では見えない層が出てきます。

たとえば、あるサービスのアンケートで全体満足度が3.8点だったとします。平均だけ見ると「まあまあ満足」と読めますが、実際には熱狂的に満足している層と、不満を持っている層が混ざっているかもしれません。クラスター分析を使うと、その混ざりを分けて見られます。

アンケート項目をそのまま入れるときの注意点

5段階評価の項目をそのままクラスター分析に入れることはできます。ただし、似た質問を大量に入れると、特定のテーマだけが強く反映されます。たとえば、価格に関する質問が5問、品質に関する質問が1問なら、価格重視の分類になりやすいです。

この場合は、事前に質問項目を整理します。似た質問を平均して1つのスコアにする、主成分分析や因子分析で軸をまとめる、不要な項目を外すなどの処理を検討します。専門的に見えますが、実務では「同じ意味の質問を何個も入れない」と考えるだけでもかなり改善します。

また、自由記述はそのままではクラスター分析に入れにくいです。使うなら、テキストをカテゴリ化したり、キーワード出現数に変えたりする必要があります。最初は5段階評価や選択式回答を中心に使うほうが安定します。

店舗・エリア分析でクラスター分析を使う事例

店舗やエリアの分類にもクラスター分析は使えます。売上、客単価、来店数、リピート率、広告費、商圏人口、競合数などを使うと、店舗ごとの特徴が見えてきます。全店舗に同じ販促をするのではなく、店舗タイプごとに施策を分けられるようになります。

たとえば、売上は高いが広告費も高い店舗、来店数は少ないが客単価が高い店舗、リピート率は高いが新規獲得が弱い店舗などが分かれます。この分類ができると、店長への改善指示も具体的になります。「売上を上げよう」ではなく、「この店舗群は新規集客より単価改善を優先しよう」と言えるようになるからです。

操作説明の前に、ここでつまずく人が多いのが「店舗規模を補正しないまま比較する」ことです。大型店と小型店を売上だけで比べると、大型店が全部同じクラスターに寄りやすくなります。坪数、スタッフ数、商圏人口などを考慮しないと、実務で使いにくい分類になります。

店舗分析では、絶対額と率の両方を見るのが大事です。売上金額、来店数のような規模指標に加えて、客単価、成約率、リピート率、広告費率などを入れると、店舗の性格が見えやすくなります。分類後は、各店舗クラスターごとに改善アクションを決めます。

クラスター分析でよくある失敗と回避策

クラスター分析は便利ですが、失敗パターンもはっきりしています。特に多いのは、目的が曖昧、変数を入れすぎる、標準化しない、クラスター数を深く考えない、結果に名前を付けないという失敗です。これらを避けるだけで、分析の実務価値はかなり上がります。

たとえば、顧客分析で「使える列を全部入れました」というケースがあります。年齢、購入金額、問い合わせ回数、都道府県コード、会員ランク、流入元コード、担当者番号まで入れてしまう。すると、何によって分かれたのか分からないグループが出てきます。

よくある失敗を整理すると次の通りです。

失敗	起きる原因	回避策
分類結果が意味不明	目的と変数がズレている	分析目的から逆算して列を選ぶ
金額だけで分かれる	標準化していない	scaleやSTANDARDIZEでそろえる
グループ数が多すぎる	細かく分けすぎる	3〜5分類から試す
小さすぎるクラスターが出る	外れ値の影響	外れ値を確認して除外や別扱いを検討
施策につながらない	結果に名前を付けていない	平均値を比較して特徴名を付ける
再現できない	k-meansの初期値が変わる	set.seedやnstartを設定する

クラスター分析は、ツールの出力をそのまま信じる分析ではありません。出てきた分類を見て、「これは現場感と合っているか」「施策を変える意味があるか」を確認します。現場の感覚と違う結果が出たら、ツールが間違っているとは限りません。使った変数や前処理が目的に合っているかを見直しましょう。

クラスター分析をレポートにまとめる書き方

分析結果を社内やクライアントに出すときは、手法の説明よりも、結果とアクションを先に見せるほうが伝わります。いきなり「ウォード法を用いて平方ユークリッド距離で」と書くと、分析に詳しくない人はそこで離脱します。先に「顧客を4タイプに分類しました」と伝えましょう。

レポートの流れは、目的、使用データ、分析方法、分類結果、各クラスターの特徴、施策案、注意点の順が使いやすいです。特に施策案まで書かないと、読み手は「で、何をすればいいの？」となります。クラスター分析は、分類そのものより、分類後の打ち手が価値です。

たとえば、次のようにまとめます。

項目	書く内容
目的	顧客を購買傾向別に分類し、CRM施策を分ける
使用データ	直近12か月の購入金額、購入回数、最終購入日数
分析方法	標準化後にk-meansで4分類
結果	高LTV、休眠、頻度重視、高単価スポットに分類
施策	各層にメール、広告、営業対応を出し分ける
注意点	データ期間が12か月のため季節要因に注意

レポートでは、クラスター名にこだわってください。「クラスター1」では誰も動けません。「高LTVリピーター」「休眠ライト層」「比較検討中リード」のように、現場が一瞬で理解できる名前を付けます。名前が良いと、施策会議で使われる言葉になります。

Excel・R・SPSSのどれでクラスター分析をするべきか

どのツールを使うべきかは、データ量、再現性、社内環境、分析者のスキルで決まります。Excelは始めやすいですが、大量データや本格的な分析には向きません。Rは再現性と自由度が高く、SPSSはGUIで分析しやすいです。

実務では、Excelだけにこだわる必要はありません。Excelでデータを整え、RやSPSSで分析し、結果をExcelに戻して可視化する。この組み合わせが一番使いやすいことも多いです。分析ツールは目的ではなく、意思決定のための道具です。

ツール	向いている人	メリット	注意点
Excel	まず考え方を理解したい人、少量データを扱う人	社内共有しやすい、可視化しやすい	本格分析は手間が多い
R	再現性高く分析したい人、大量データを扱う人	無料、柔軟、コードを再利用できる	最初はコード学習が必要
SPSS	GUIで統計分析したい人、調査データを扱う人	操作しやすい、出力が見やすい	ライセンス費用がかかる
Python	機械学習や自動化まで広げたい人	拡張性が高い	環境構築がやや難しい