ビジネスで使われるスコアと指標：NPS・rfm・偏差値・z-score・t値・効果量

「総合点」「優良顧客スコア」「偏差値65」── スコアは便利だが、計算式を知らないと誤解する代物。今回は実務でよく使われる代表スコアの定義・読み方・可視化を整理します。

1. NPS（NPS（Net Promoter Score））

用途：「友人にどれくらい勧めたいか」を 0-10 で聞いたアンケートの集計。9-10＝推奨者、7-8＝中立、0-6＝批判者。NPS = 推奨者% − 批判者% （-100〜+100 の範囲）。 読み方：0以上で「まあまあ」、+30 で「優秀」、+50 で「世界級」。Apple は 70+。 落とし穴：中立7-8がカウントされない、業界によって基準が違う。

2. RFM（Recency / Frequency / Monetary） 分析

用途：CRM での顧客ランク付け。Recency（最終購入から何日）、Frequency（購入回数）、Monetary（購入総額）の3軸を 1-5 等分してスコア化。 強み：顧客セグメントが自動で出せる（111 = 優良ロイヤル、555 = 離反顧客）。 弱み：3軸のしきい値の置き方で結果が大きく変わる。

3. 偏差値（z-score の応用）

用途：日本の受験界の標準。偏差値 = 50 + 10 × (個人 − 平均) / 標準偏差。 読み方：50＝平均、60＝上位16%、70＝上位2%。 落とし穴：母集団が変われば同じ点数でも偏差値が変わる、外れ値の影響あり。

4. z-score（標準化スコア）

用途：単位の違うデータを比較可能にする。z = (x − μ) / σ。-3〜+3 の範囲に収まることが多い。 強み：複数指標を統合する際の標準前処理（機械学習前の正規化）。

5. t値・p値（A/Bテストで頻出）

用途：「2グループの平均に有意差があるか」の統計検定。p < 0.05 で「偶然じゃなさそう」とみなす慣例。 強み：意思決定に客観性を与える。 弱み：サンプルサイズが大きいと小さな差でも有意になる ─ 効果量（Cohen's d）と併用するのが正解。

6. 効果量（Cohen's d、Hedges' g）

用途：「実用的に意味のある差か」を測る。d = (μ₁ − μ₂) / σ_pooled。 目安：d=0.2（小）、0.5（中）、0.8（大）。p値とセットで報告するのが現代の標準。

import pandas as pd
# 仮の購買データdf = pd.DataFrame({    "customer_id": [1, 2, 3, 1, 2, 4, 1],    "date":   pd.to_datetime(["2026-04-01", "2026-04-15", "2026-03-20", "2026-05-01", "2026-04-22", "2026-04-25", "2026-05-03"]),    "amount": [10000, 5000, 3000, 8000, 6500, 4000, 12000],})
today = pd.Timestamp("2026-05-07")
rfm = df.groupby("customer_id").agg(    recency=("date", lambda d: (today - d.max()).days),    frequency=("date", "count"),    monetary=("amount", "sum"),)
# 各軸を5段階にrfm["R"] = pd.qcut(rfm["recency"],   5, labels=[5,4,3,2,1], duplicates="drop")rfm["F"] = pd.qcut(rfm["frequency"], 5, labels=[1,2,3,4,5], duplicates="drop")rfm["M"] = pd.qcut(rfm["monetary"],  5, labels=[1,2,3,4,5], duplicates="drop")rfm["RFM"] = rfm["R"].astype(str) + rfm["F"].astype(str) + rfm["M"].astype(str)print(rfm)

次回予告

EP.10 は階層系：ツリー・サンバースト・デンドログラム。組織図・カテゴリ階層・クラスタリング結果を見せる定番。