ECサイトの売上を構造的に拡大させる上で、ほぼすべての事業者がぶつかる壁が「F2転換（初回購入者の2回目購入）」です。
「新規獲得広告のCPAは合っているのに、なぜか利益が残らない」 「各種リピート促進施策を打っているが、全体のリピート率が上がらない」
EC事業者の皆様からこのような切実なご相談を頻繁にいただきます。新規顧客の獲得には既存顧客維持の5倍のコストがかかるという「1:5の法則」が示す通り、初回購入（F1）だけで離脱されてしまっては、投下した広告費の回収すらままなりません。しかし、現場で生データと格闘している立場から言わせていただくと、多くのECサイトが「F2転換の捉え方とその分析手法」を確立できておりません。
本記事では、データサイエンスの現場で直面するデータ構造の「地雷」や実際の集計定義に触れながら、成果に直結する実践的なF2転換分析アプローチを解説します。
従来手法の限界：「リピート率（％）」を見るだけでは追えない3つのリスク
リピート施策の評価において、月間の「リピート率（リピート購入者数 ÷ 全体の購入者数）」だけを定点観測しているケースが少なくありません。しかし、この単一指標だけを追うことには明確な限界があります。
1.顧客構造のブラックボックス化
全体リピート率の数字には、F5以上のロイヤルカスタマーも、F2購入者もすべて「リピーター」として一括で集計されます。その「リピーター」の大部分を上位20%の優良顧客が占めており、F1購入者の大部分がF2に至らず離脱しているという構造的欠陥を見落としてしまいます。
2.CPO（注文獲得単価）回収プロセスの不可視化
ECの損益分岐点を判断する上で重要なのが、「F2転換CPO（F2転換1件あたりにかかった実質広告費）」という考え方です。
例えば、新規1件を獲得するCPOが10,000円で、F2転換率が10%の場合、F2転換1件あたりにかかっている実質コストは100,000円に達します。もし、購入後の適切なアプローチによってF2転換率を25%まで引き上げることができれば、新規CPOが同額であってもF2転換CPOは40,000円まで下がります。 競合激化により新規のCVR改善によるCPO引き下げが困難になる中、自社内のフォロー施策でコントロール可能なF2転換率の改善こそが、投資回収の速度を決定づけます。
3.商材ごとの消費サイクルの無視
アパレル、コスメ、食品など、商材ごとに顧客の自然な再購入サイクル（消費サイクル）は異なります。一定期間の総数だけを切り取った集計では、「顧客が商品を使い切り、再購入を検討するベストなタイミング（TTB：Time To Buy）」を捉えることができません 。
DashBoard画面をベースとした実践アプローチ
弊社が提供する「ECコネクター® DashBoard」には「コホート/アクティブ会員」と「F2転換経過日数」、「RF分析」のレポートが標準搭載されています。フィルターでターゲットとなる集団を絞り込むことで多角的な分析を行うことが可能です。
1.「コホート／アクティブ会員」レポートによる初回購入同期別の定着率分析
DashBoard内の現行画面である「コホート/アクティブ会員」レポートでは、初回購入を行った「同月（コホート）」の顧客グループが、経過月数（1ヶ月後、2ヶ月後、3ヶ月後…）ごとにどれだけの割合で購入を継続しているか（維持率％）をマトリクス形式で可視化します 。単に全顧客の平均値を見るのではなく、「特定の月に新規獲得した顧客群が、何ヶ月目に急激に維持率を落とすか」を追うことで、初回購入からの離脱ポイントを特定できます。さらに、月別・週別のアクティブ会員数・非アクティブ会員数・未購入会員数の推移を追うことで、会員基盤全体の健全性を評価します。
2.「F2転換経過日数」レポートによる最適接触タイミングの特定
「F2転換」画面では、初回購入日時から2回目購入日時までの日数を計算し、「1〜7日」「8〜14日」「15〜21日」…「99日〜」といった経過区分ごとに顧客数と顧客割合を集計します。 実際の集計データでは、全体の50%以上が「99日以上」経過してからの転換となっている構造が浮かび上がることがあります。一方で、短期（15〜21日目や22〜28日目など）に存在する小さな転換の山を特定することで、シナリオメール、LINE、あるいは同梱物を届けるべき「顧客の熱量が高い猶予期間」を数値根拠に基づいて設定できます。
3.「RF分析（顧客・売上）」マトリクスでの離脱傾向の可視化
「RF分析」画面では、最終購入経過日数（Recency：R30, R60, R90…）と累計購入回数（Frequency：F1, F2, F3…）をクロス集計したマトリクスを表示します。 ここに「30日前との比較」表示を組み合わせることで、「今月F1×R30の枠にいた顧客が、F2へステップアップしたか」あるいは「購入がないままF1×R60（休眠予備軍）へ移動したか」という顧客ステータスの遷移を把握し、離脱アラートとして活用します。
4.今後のアップデートで連携される分析機能（生存分析・機械学習）
現行のDashBoard機能に加え、さらなる高度化に向けて以下の分析機能や外部連携の開発・検証を進めています。
- 生存分析による離脱確率の算出：時間経過に伴う顧客の生存率（定着率）とハザード率（離脱発生率）を数学的にモデル化し、離脱リスクが高まる直前のタイミングで自動的に個別のオファーを発行する仕組みを構築します 。
- 機械学習によるLTV推測・F2転換予測モデル ：初回の購買行動データ（初回購入アイテム、決済方法、購入金額、サイト内閲覧ログ）から、将来F2転換する確率を算出します。転換確率の低い層へ無駄な割引クーポンを配布して利益を削るのではなく、転換見込みの高い層に絞った接客を実現します。
まとめ
F2転換の改善は、自社の購買データから「顧客がいつ、どの商品を経て、どのようなサイクルで2回目の購入に至るのか」という事実を正確に読み解くことから始まります。
自社の顧客データを単なる「集計値」として終わらせず、施策に直結するインサイトへ変えるために、まずは過去1年間の「初回購入月別のコホート維持率」や「初回購入から2回目購入までに要したF2転換経過日数」のデータを抽出し、分布を可視化することから始めてみてください。
〈筆者プロフィール〉
データサイエンティスト J
ECコネクター® DashBoard 開発・データ分析担当。大学・大学院にてコンピューターサイエンスおよびデータ解析を専攻し、修士課程を修了。
現在は「ECコネクター® DashBoard」の開発エンジニア／データサイエンティストとして、サービス全体のアルゴリズム設計からダッシュボード開発までを担当。 Amazon AthenaやBigQueryを用いた大規模データのクエリ処理、Pythonによるデータパイプライン構築、各種API連携の自動化を得意とし、データの集計・加工からビジネスに直結する可視化までを一貫して手がけている。
