データ分析のフレームワーク6選｜目的別の選び方と使い方を解説

データ分析のフレームワークは、分析の目的が「原因を探る」「顧客を分ける」「施策を評価する」のどれなのかで選ぶのが最短ルートです。

本記事では、仮説思考・ロジックツリー・RFM分析・3C分析・ABC分析・PDCAの6つを、解く問いと使うデータの違いで整理します。あわせて、目的から1つに絞り込むSTEP1〜STEP3の手順、分析の進め方と注意点、成功事例の読み方まで、実務で迷いやすい順に解説します。

データ分析とはフレームワークで進める作業

データ分析とは、目的に沿って手元のデータを整理し、判断に使える答えを出す作業です。フレームワークは、その進め方をあらかじめ型にしたものです。

データ分析とは目的に沿って答えを出す手順

データ分析は、データを眺める作業ではなく、「何を決めたいのか」から逆算して答えを作る手順です。

たとえば、ECサイトの月次売上が下がったとします。この場合の分析は、グラフを何枚も作ることではありません。「売上が下がった原因は客数なのか、客単価なのか」「どの顧客層で落ちているのか」という問いに答えを出し、値引きを打つか、配送条件を見直すかといった次の行動を決めるところまでが分析の仕事です。

この流れは、目的を決める、必要なデータを集める、使える形に整える、集計や統計で傾向を見る、結果を解釈して行動に移す、という順に進みます。フレームワークは、このうち「何を問いにするか」「どう切り分けるか」の部分を助ける道具として働きます。

フレームワークを使う理由

フレームワークを使う理由は、分析の抜け漏れを減らし、結果を他人に説明しやすくし、誰がやっても同じ品質に近づけるためです。

• 抜け漏れを防げる：顧客・競合・自社のように見るべき軸が決まっているため、見落としが起きにくくなります。
• 説明しやすくなる：「RFMで分けました」と言えば、関係者が分析の前提を共通の言葉で理解できます。
• 再現しやすくなる：担当者が変わっても同じ手順でやり直せるため、分析が属人化しにくくなります。

分析人材が足りない現場ほど、この再現性は重要です。戦略・DX・IT・データといった高度人材は構造的に不足しており、IT人材だけでも2030年に国内で約79万人不足すると見込まれています（出典：コンサルGO、2026年10月参照）。限られた人数で成果を出すには、個人の勘に頼らず、型に沿って分析を進められる状態をつくることが現実的な対策になります。

なお、フレームワークは「考え方の型」で、回帰分析やクラスター分析のような「計算の手法」とは役割が異なります。フレームワークで問いと切り口を決め、必要に応じて統計手法で数値を詰める、という順番で使い分けると混乱しません。基礎から整理したい場合は、データ分析の基礎知識を整理した記事もあわせて参考にしてください。

データ分析のフレームワーク6選

データ分析のフレームワーク6選は、「考える」「分解する」「顧客を見る」「市場を見る」「数値を見る」「評価する」の6つの役割に分けると、選びやすくなります。

仮説思考で進めるフレームワーク

仮説思考とは、データを集める前に「たぶんこうだ」という仮の答えを置き、それを確かめるために必要なデータだけを見る進め方です。

データが多い現場では、全部を集計してから考えようとして時間が尽きがちです。仮説を先に置けば、見るべき指標が絞られ、分析の速度が上がります。

1. 仮説を一文で書く：入力は課題と手元の気づきで、出力は「平日夜の新規購入が減ったのは、配送日数の表示が遅いからではないか」のような検証できる一文です。
2. 検証に必要なデータと判断基準を決める：入力は仮説で、出力は「配送日数の表示を変えた前後の購入率を比べ、差が一定以上なら仮説を採用する」のような基準です。
3. 結果を見て仮説を更新する：入力は集計結果で、出力は採用・棄却の判断と次の仮説です。

注意点は、仮説に合うデータだけを集めてしまうことです。仮説を否定するデータも同じ熱量で探すと、判断の質が保てます。

課題の分解に使うフレームワーク

ロジックツリーは、大きな課題を「漏れなく、重複なく」小さな要素に分け、原因がどこにあるかを特定するためのフレームワークです。

漏れなく重複なく分ける考え方はMECEと呼ばれます。たとえば「売上が下がった」を、客数と客単価に分け、客数をさらに新規客と既存客に分けると、どの枝で数字が落ちているかが見えてきます。

分解の軸は、「売上＝客数×客単価」のように式で表せるものを選ぶと、足し合わせて元の数字に戻せるため、抜けに気づきやすくなります。軸が曖昧なまま枝を増やすと、同じ要素が別の枝に重複して入り、結論がぼやけるので注意が必要です。数学的な考え方に不安がある場合は、データ分析に必要な数学の基礎を扱った記事が参考になります。

顧客を分析するフレームワーク

RFM分析は、購入の新しさ・頻度・金額の3つの軸で顧客を分け、優先して手を打つ相手を決めるフレームワークです。

3つの軸は、Recency（最後に買ってからの経過日数）、Frequency（購入回数）、Monetary（累計の購入金額）です。各軸を5段階程度で点数化し、組み合わせて「優良顧客」「新規の見込み顧客」「離反しそうな顧客」などに分類します。

使うのは、顧客IDと購入日・購入金額がそろった購買データです。たとえば、購入回数は多いのに最後の購入が半年前という顧客は、離反の手前にいると考えられます。このグループに限定した再来訪の案内を出す、といった具体策につなげられます。

ただし、購買の周期は業種によって大きく異なります。日用品と家電を同じ基準で点数化すると、実態に合わない分類になるため、自社の商品の買い替え周期に合わせて区切りを調整してください。

市場を分析するフレームワーク

3C分析は、顧客（Customer）・競合（Competitor）・自社（Company）の3つを順に見て、自社が勝てる余地を探すフレームワークです。

順番は、まず顧客が何に困っているかを見る、次に競合がその困りごとにどう応えているかを見る、最後に自社が競合より上手くできることを探す、という流れが基本です。自社の強みから考え始めると、顧客の需要とずれた結論になりやすくなります。

データは、顧客については問い合わせ内容やアンケート、競合については公開されている価格・機能・導入事例、自社については売上や解約率などの実績を使います。市場規模のような大きな数字は、国や業界団体が公表している統計を一次情報として確認し、調査年を明記して使うと説得力が高まります。外部環境の変化まで広げて見たい場合は、政治・経済・社会・技術の4つの観点で整理するPEST分析を併用する方法もあります。

数値を分析するフレームワーク

ABC分析は、売上や利益への貢献が大きい順に商品や顧客を並べ、重点的に力を入れる対象を決めるフレームワークです。

1. 指標を決めて並べる：入力は商品別の売上、出力は売上の大きい順に並べた一覧です。
2. 累積の構成比を出す：入力は並べた一覧、出力は上から足し合わせた累積の割合です。
3. A・B・Cに区切る：累積の割合を基準に3つのランクに分けます。区切りに決まりはなく、70%・90%付近を境にする例が多いとされています。

Aランクに入った少数の商品が全体の大半を稼いでいる場合、在庫や広告費をそこに集中させる判断ができます。反対に、Cランクの商品は取り扱いの見直し候補になります。

注意したいのは、売上だけで並べると、利益が薄い商品を重視してしまう点です。売上と粗利の両方で並べて、結果が食い違う商品を確認すると、判断を誤りにくくなります。

施策を評価するフレームワーク

PDCAを分析に使うときの要点は、施策を実行する前に「何の数字がどれだけ動けば成功か」を決めておき、実行後に同じ指標で比べることです。

計画（Plan）で指標と目標値を決め、実行（Do）し、結果を計画の指標で測って評価（Check）し、次の改善（Action）につなげます。分析の観点では、評価の段階で「何と比べるか」を置けるかどうかが質を左右します。

比べ方の代表例は、施策の前後を比べる方法と、施策を行ったグループと行わなかったグループを同時に比べる方法です。後者のA/Bテストは、季節や曜日の影響を受けにくく、施策の効果を切り分けやすい方法です。前後比較だけで判断すると、繁忙期の影響を施策の効果と取り違えることがあるため、期間をそろえて見るようにしてください。

目的別の選び方 STEP1〜STEP3

フレームワークは、STEP1で分析の目的を一文にし、STEP2で手法の候補を1〜2個に絞り、STEP3で事例を確認して決める、という3段階で選びます。

STEP1 分析の目的を決める

STEP1では、「誰が、どの判断のために、何を知りたいのか」を一文で書き出し、分析の目的を固定します。

入力は、依頼文や会議で出た課題です。出力は、「来月の販促予算を決めるために、離反しそうな顧客の人数と特徴を知りたい」のように、判断と知りたいことが入った一文です。

「売上を分析してほしい」のような依頼は、そのままでは目的になりません。依頼者に「その結果で何を決めますか」と一度聞き返すと、フレームワークの候補がほぼ決まります。

STEP2 手法の候補を絞る

STEP2では、目的の一文と手元のデータを見比べて、使えるフレームワークを1〜2個に絞ります。

入力は目的の一文と、使えるデータの一覧です。出力は、候補とその理由を並べた短いメモです。絞り込みの基準は次の3点です。

• 目的との対応：原因探しならロジックツリー、顧客の優先順位ならRFM分析のように、解きたい問いに合うものを選びます。
• データの種類：顧客IDごとの購入履歴がなければRFM分析はできないなど、必要なデータが手元にあるかを確認します。
• 期間と件数：データの期間が短い、件数が少ない場合は、細かい分類より、仮説思考やABC分析のような単純な型が向きます。

STEP3 事例を確認して選ぶ

STEP3では、候補のフレームワークを使った事例を確認し、自分の条件に近いものを選んで、小さく試してから本格的に採用します。

入力は候補の1〜2個、出力は採用するフレームワークと、その理由の一文です。確認する観点は、同じ業種・同じ規模か、必要なデータが似ているか、結果が出るまでにどれだけの期間がかかったかです。

事例の条件が自社と大きく違う場合は、一部のデータで試す小さな分析から始め、結論が現場の感覚と大きくずれていないかを確かめます。事例の読み方は、後の章でも整理しています。

データ分析の進め方と注意点

データ分析は、目的の設定、データ収集、前処理、分析、解釈と報告の5段階で進め、各段階の落とし穴を事前に押さえておくと失敗しにくくなります。

1. 目的を設定する：入力は課題、出力は判断につながる目的の一文です。
2. データを集める：入力は目的、出力は必要なデータの一覧と入手元です。社内の販売実績のほか、公的統計のような外部データも候補になります。
3. データを整える：入力は集めたデータ、出力は欠損や表記ゆれを直した分析用の表です。工数の大きな部分を占めることが多い工程です。
4. 分析する：入力は分析用の表、出力は選んだフレームワークに沿った集計結果やグラフです。
5. 解釈して報告する：入力は集計結果、出力は「だから何をするか」まで書いた提案です。

注意点は、次の4つです。

• 目的なしに集計を始めない：目的が曖昧なまま始めると、分析の軸がぶれて手戻りが増えます。
• 前処理を軽く見ない：表記ゆれや欠損を放置すると、結果そのものが信用できなくなります。
• 相関を因果と取り違えない：2つの数字が同時に動いていても、一方が原因とは限りません。比較対象を置いて確かめます。
• 結果を行動に結びつける：分析結果を報告して終わりにせず、誰が何をいつまでにやるかまで決めます。

具体的なやり方を初心者向けに知りたい場合は、データ分析のやり方を解説した記事で手順を確認できます。

データ分析のメリットを活かす成功事例の見方

成功事例は、成果の数字ではなく「何を決めるために、どのデータを、どの切り口で分析したか」を読むと、自分の仕事に使える学びになります。

事例の記事には「売上が大きく伸びた」といった結果が目立つ形で書かれがちですが、数字だけを真似しても再現できません。次の5つの観点で読むと、自社に当てはめられるかが判断できます。

• 目的：何の判断のための分析だったかが書かれているか。
• データ：どのデータを、どの期間・件数で使ったか。
• 切り口：どのフレームワークで分け、どの区分に注目したか。
• 比較対象：施策前や、施策をしなかったグループと比べているか。
• 前提条件：業種・規模・時期など、結果が出た背景が明記されているか。

たとえば、架空の例として、会員制の通販事業が購入履歴をRFM分析で分け、離反しそうな会員だけに再来訪の案内を送ったとします。この事例から学べるのは「案内を送ると売上が伸びる」ではなく、「購入間隔という軸で顧客を分けると、打ち手を絞れる」という考え方です。自社でも、顧客IDと購入日があれば同じ切り口を試せます。

こうした分析を支援する仕事では、依頼者の目的を聞き出し、データと手法を選び、結果を意思決定につなげる力が問われます。現場でどのような動き方をするのかは、データ分析の仕事の実態を扱った記事で詳しく紹介しています。

まとめ｜フレームワークを使いこなす

データ分析のフレームワークは、種類を覚えるよりも、目的から選ぶ順番を身につけることが大切です。STEP1で目的を一文にし、STEP2で手法を1〜2個に絞り、STEP3で事例の条件を確かめてから採用すれば、仮説思考・ロジックツリー・RFM分析・3C分析・ABC分析・PDCAのどれを使う場合でも迷いにくくなります。

最後に、フレームワークはあくまで考え方の型です。自社のデータと目的に合わせて調整しながら、小さく試して改善していく姿勢が、分析を成果につなげる近道です。

出典・参考情報

1. コンサルGO「PMOフリーランスの仕事内容」（2026-10-14参照）

本記事は2026年10月時点の情報に基づいています。最終更新日:2026年10月14日